基于图像匹配的微电网负荷响应分布式电源波动控制方法

陈卫东，郭敏，吴宁，奉斌

(1. 广西电网有限责任公司电力科学研究院，广西 南宁 530023；2. 广西电网有限责任公司，广西 南宁 530023)

0 引言

随着用户侧微电网强间歇性可再生能源高比例接入、高渗透率电力电子化柔性负荷的规模化应用，正深刻改变微电网源荷特征[1-3]。微电网的运行控制正由传统的分布式电源优化控制向荷随源动优化控制的方向发展。研究微电网内各类型柔性负荷通过优化转移、削减或者中断等手段来主动响应分布式电源波动的控制策略，是转变微电网用户需求侧用电方式，促进分布式可再生能源消纳的有效途径，对微电网运行的稳定可靠及经济性具有重要理论价值和实用价值[4-8]。

目前，国内外学者对负荷响应分布式发电调控策略的研究较多。文献[9]建立微网可削减负荷的补偿代价模型，提出考虑可削减负荷参与的微网优化调度模型；文献[10]提出反映居民用电对电网调峰贡献度的调峰激励机制，综合考虑用电成本、舒适度和调峰激励建立了居民用户用电优化策略；文献[11]在空调负荷热力学模型和人体热舒适度模型的基础上建立虚拟储能模型，并设计了2种用于临时性削峰场景的虚拟储能控制策略；文献[12]提出考虑受控负荷响应功率不确定性的直接负荷控制模型，进而建立了微能源网鲁棒随机优化调度模型，通过不确定集下的鲁棒线性优化理论，实现随机优化模型向确定优化模型的转化；文献[13]考虑风光出力的不确定性，构建了计及风、光和储能的直接负荷控制模型；文献[14]以电能花费和用户舒适度作为优化目标，建立混合能源协同控制的智能家庭能源优化控制模型；文献[15]建立分时电价下计及用户用电满意度的家庭负荷优化策略。

综上可以看出，国内外对传统的关于负荷响应分布式发电就地消纳调控问题的研究，多是通过建立优化调度数学模型，从而采用某种优化算法制定各类型负荷调控策略。但是这种建立数学模型优化求解的方法存在运算量较大，求解过程冗余复杂、变量不可微、易陷入局部最优解等问题，难以满足当前日益复杂的微电网高效、高精度优化运行的需求。随着人工智能技术的发展，打破传统的基于物理原理通过建模求解调控策略的思路，借助数据驱动的思维来提高微电网智能化调控性能，成为制定微电网负荷调控策略的新思路。

为此，本文借鉴图像分析技术以及相似性匹配理论[16-21]，提出基于图像相似性匹配的微电网负荷响应分布式电源波动控制方法。首先根据分布式电源与可调控负荷多维运行数据，构建下一调控周期微电网源荷综合特性图像；随后提取图像特征，通过与历史运行态的源荷特性图像进行相似性匹配，制定下一周期的调控策略；最后通过某微电网算例验证所提出的方法的有效性。

1 微电网源荷综合特性图像构建

微电网下一周期内柔性负荷响应分布式电源波动的调控策略是基于下一周期的分布式电源出力以及负荷预测数据来制定的，而这两者又与自然气象因素紧密相关，包括决定光伏出力的太阳辐射强度，决定风机出力的风速，对负荷影响较大的温度和湿度，综合这些因素数据并结合分布式电源与负荷功率数据，本文构建生成了反映分布式电源与负荷波动情况的散点气泡串图。另外，各类型柔性负荷的运行状态也会影响调控策略的制定，负荷运行状态考虑因素包括可调控负荷启停状态及所属调控负荷类型、剩余可用时间、上调与下调灵活性调节潜力[22]，综合上述数据构建生成了可调控负荷运行状态柱状堆积图像。最后将图像像素处理为1 437×765，采用叠加函数融合生成源荷综合特性图像。微电网源荷综合特性如图1所示。

图1 微电网源荷综合特性Fig. 1 Integrated source-charge characteristics of microgrid

2 基于K-SURF法的图像相似性匹配

本文提出了基于K-SURF的微电网源荷综合特性图像相似性匹配算法，即采用加速鲁棒特征（speeded up robust features, SURF）算法提取源荷综合特性图像特征点，并通过欧式距离判别法得到两张图像特征点的粗匹配对，采用K均值聚类（k-means clustering, k-means）算法和随机抽样一致（random sample consensus, RANSAC）算法完成特征点的精细筛选。

2.1 微电网源荷综合特性图像关键点提取

SURF算法是一种稳健的图像局部特征点检测和描述算法，相比传统的尺度不变特征转换(scale-invariant feature transform，SIFT）算法[23]能够更高效地完成图像特征点的提取、描述和匹配。采用SURF算法提取源荷综合特性图像特征点过程中，构建原始源荷综合特性图像的Hessian矩阵是一个重要步骤，而在构造Hessian矩阵之前需要对源荷综合特性图像进行高斯滤波处理，以去除噪声引起的像素突变，即

式中：L(x,y,σ)为经高斯滤波处理后的图像像素点函数；g(σ)为高斯函数；f(x,y)为图像所对应的像素点函数；x、y分别为图像像素的横、纵坐标位置；σ为高斯函数的宽度参数。

经过滤波后图像的Hessian矩阵判别式取得局部极大值时，则可以确定当前像素点比周围邻域内其他点更亮或更暗，由此来定位图像关键点的位置。

2.2 微电网源荷综合特性图像特征点定位

首先将经过Hessian矩阵处理得到的每个关键点所在的2维图像内和立体尺度空间邻域内的26个点进行比较。比较方式为：若候选关键点的Hessian矩阵行列式的值大于其他26个点，则这个关键点就作为源荷综合特性图像的一个特征点；否则该关键点为能量比较弱或者错误定位的点，应予以删除。

2.3 图像特征点64维描述向量生成

（1）SURF算法为了保证图像的旋转不变性，首先需要确定图像特征点的主方向：在源荷综合特性图像某特征点邻域内取4×4个矩形区域块，每个子矩形区域块有5×5个像素，则可以计算每个子矩形区域块像素区的4个梯度方向，将4×4个矩形区域块的各梯度方向幅值计算完成后，分别针对各梯度方向的4×4个矩形区域块梯度幅值对应相加可以得到4个方向的幅值和，最大幅值和对应的方向即为主方向。

（2）规定与主方向同向为水平方向，可以计算得到子矩形区域块5×5个像素的水平方向幅值之和、垂直方向幅值之和、水平方向幅值绝对值之和以及垂直方向幅值绝对值之和，从而得到该子矩形区域块的4维描述向量。

（3）分别计算该特征点领域的4×4个矩形区域块的4维描述向量，最后可得到描述该特征点的64维向量。

（4）对微电网源荷综合特性图像的每个特征点重复以上步骤，计算得到该图像每个特征点的64维描述向量。

2.4 基于欧式距离判别法的图像特征点粗匹配

针对源荷综合特性图像A中的某一个特征点64维描述向量，采用欧氏距离判别方法在另一张源荷综合特性图像B中寻找出距离它最近的特征点和次近的特征点[24]，如果最近距离和次近距离的比值小于设定的阈值，则选取最近距离的这两个特征点作为匹配对并用直线连接，依次用该欧式距离判别法确定出图像A和图像B的特征点粗匹配对。

2.5 基于k-means聚类算法和RANSAC算法的图像特征点匹配对精细筛选

k-means聚类算法是一种无监督学习算法，能够将数据集划分为若干类，使得各类之内的数据最为相似，而各类之间的数据相似度差别尽可能大。本文用此特征去除两张图像的部分异常匹配对，提取出有效的匹配对。将源荷综合特性图像A和图像B的特征点匹配对集合进行聚类，聚类完成后，聚类区间内特征点匹配对数量最多的一类即为正确的匹配结果，否则为错误匹配，需要对错误特征点匹配对予以删除。

基于RANSAC抽样一致算法进一步删除异常特征点匹配对。RANSAC抽样一致算法采用迭代方式从一组包含离群的被观测数据中估算出数学模型的参数，假设选取出的抽样数据都是正确数据，去计算筛选异常数据（记为外点）。本文采用文献[25]中的RANSAC算法建立变换矩阵，并按变换矩阵来进一步筛选删除错误的匹配点，最终输出图像A和图像B的所有特征点匹配对的数量。

2.6 控制策略制定流程

基于图像相似性匹配的负荷响应分布式电源波动控制方法建模详细流程如图2所示。主要分为数据预处理、图像相似性搜索、策略制定和修正等步骤。

图2 基于图像相似性匹配的微电网负荷响应分布式电源波动控制策略制定流程Fig. 2 Flow chart of the control method that load respond to distributed generation fluctuation in microgrid based on image similarity matching

3 算例分析

3.1 系统基本资料

以某典型微电网系统为例进行基于图像匹配的负荷响应分布式电源波动控制方法仿真分析。微电网系统中风力发电容量为60 kW；光伏发电容量190 kW；可中断负荷88 kW；可时移负荷15 kW；可削减负荷148 kW；刚性负荷50 kW。各类型负荷详细参数如表1所示。

表1 可调控负荷相关参数Table 1 Parameters of adjustable load

系统设定的调控周期为2小时，每5 min为1个数据采样点，即将2小时划分成24个时段，Δt=5 min，历史数据库存储至少1年的历史运行数据与源荷综合特性图像。以该微电网某典型日为例，每2小时周期性采用本文所提方法进行图像相似性匹配挖掘微电网历史相似运行状态的负荷调控策略。

3.2 优化结果及算例分析

3.2.1 10:00—12:00典型调控场景

形成的下一调控周期（10:00—12:00）微电网源荷综合特性图像为图像A，采用本文所提算法来挖掘历史数据库中的微电网相似运行态，历史数据库中与图像A特征点匹配信息如表2所示。

表2 匹配结果详细信息Table 2 Match result details

由表2可以看出，原始图像A提取特征点数为1 352个，依据匹配对数最大为最相似运行态可知，数据库中与图像A的最相似匹配图像是图像2，两者特征点匹配对数为1 243。图像A与图像2间匹配结果如图3所示。其中部分特征点匹配对已用直线连接起来。

图3 10:00—12:00场景图像匹配结果Fig. 3 Image matching results in 10:00—12:00 scene

从图3可以看出，图像A与历史图像2的运行状态相似性极高，基于图像匹配结果，借鉴图像2，即3月12日10:00的负荷调控策略作为图像A对应的调控周期（10:00—12:00）的负荷优化调控策略，得到各类型可调控负荷用电计划如表3所示。

表3 10:00—12:00场景下各类型可调控负荷优化前后用电计划对照Table 3 Comparison table for power consumption plan of each type of adjustable load before and after optimization in 10:00—12:00 scene

由表3可以看出，该场景下可时移负荷平均功率由优化前的0增大到7.8 kW；可中断负荷平均功率由优化前的22.3 kW增大到27.9 kW；可削减负荷平均功率由优化前的41.8 kW增大到53.4 kW。

分布式电源出力和优化前后总负荷曲线对比如图4所示。

图4 10:00—12:00场景分布式电源出力与优化前后总用电负荷曲线Fig. 4 Distributed generation output and load curve before and after optimization in 10:00—12:00 scene

由图4可以看出，经可调控负荷的调控作用，优化后微电网总用电负荷曲线较优化前能够更紧密跟踪分布式电源波动，从而提高了分布式可再生能源就地消纳量。

3.2.2 全天优化调控情况

全天分布式电源出力和优化前后总用电负荷对比曲线如图5所示。由图5可知，分布式电源出力高峰集中在光伏发电集中出力时段8:00—18:00；优化前总用电负荷在白天有明显波动，晚上总负荷需求较大，凌晨时段用电负荷较少；优化后总用电负荷曲线能够跟踪分布式电源波动趋势。釆用负荷与分布式电源做差取绝对值求和来评估负荷跟踪分布式电源波动情况，数值越小表明负荷跟踪分布式电源越好，经计算得到优化前的值为65.052，优化后为21.557，可见优化后负荷响应分布式电源波动效果明显提高。

图5 全天分布式电源出力与优化前后总用电负荷曲线Fig. 5 Distributed generation output and load curve before and after optimization of whole day

通过以上分析可见，本文所提出的图像相似性匹配方法能够有效搜寻到最相似历史运行状态，借鉴历史相似运行状态调控策略制定的负荷调控策略能够有效跟踪可再生能源出力波动，提升分布式可再生能源的就地消纳量，减小微电网交互功率。

4 结语

随着微电网源荷特征和调控模式的改变，以及人工智能技术的发展，有望基于数据驱动的思想借助人工智能技术实现化繁为简的微电网智能化调控目的。本文基于分布式电源与可调控负荷多维运行数据，构建了调控周期内微电网源荷综合特性图像，提出了基于K-SURF的微电网源荷综合特性图像相似性匹配算法，从而达到借鉴历史相似运行状态的微电网调控策略制定下一周期的负荷响应分布式电源波动调控策略的目的。典型微电网算例仿真表明，所提出的图像相似性匹配方法能够有效搜寻到最相似历史运行状态，借鉴历史相似运行状态调控策略制定的负荷调控策略能够有效跟踪可再生能源出力波动，促进分布式可再生能源的消纳，提升了微电网智能化调控性能。