陳衛(wèi)東，郭敏，吳寧，奉斌

(1. 廣西電網有限責任公司電力科學研究院，廣西 南寧 530023；2. 廣西電網有限責任公司，廣西 南寧 530023)

0 引言

隨著用戶側微電網強間歇性可再生能源高比例接入、高滲透率電力電子化柔性負荷的規(guī)模化應用，正深刻改變微電網源荷特征[1-3]。微電網的運行控制正由傳統的分布式電源優(yōu)化控制向荷隨源動優(yōu)化控制的方向發(fā)展。研究微電網內各類型柔性負荷通過優(yōu)化轉移、削減或者中斷等手段來主動響應分布式電源波動的控制策略，是轉變微電網用戶需求側用電方式，促進分布式可再生能源消納的有效途徑，對微電網運行的穩(wěn)定可靠及經濟性具有重要理論價值和實用價值[4-8]。

目前，國內外學者對負荷響應分布式發(fā)電調控策略的研究較多。文獻[9]建立微網可削減負荷的補償代價模型，提出考慮可削減負荷參與的微網優(yōu)化調度模型；文獻[10]提出反映居民用電對電網調峰貢獻度的調峰激勵機制，綜合考慮用電成本、舒適度和調峰激勵建立了居民用戶用電優(yōu)化策略；文獻[11]在空調負荷熱力學模型和人體熱舒適度模型的基礎上建立虛擬儲能模型，并設計了2種用于臨時性削峰場景的虛擬儲能控制策略；文獻[12]提出考慮受控負荷響應功率不確定性的直接負荷控制模型，進而建立了微能源網魯棒隨機優(yōu)化調度模型，通過不確定集下的魯棒線性優(yōu)化理論，實現隨機優(yōu)化模型向確定優(yōu)化模型的轉化；文獻[13]考慮風光出力的不確定性，構建了計及風、光和儲能的直接負荷控制模型；文獻[14]以電能花費和用戶舒適度作為優(yōu)化目標，建立混合能源協同控制的智能家庭能源優(yōu)化控制模型；文獻[15]建立分時電價下計及用戶用電滿意度的家庭負荷優(yōu)化策略。

綜上可以看出，國內外對傳統的關于負荷響應分布式發(fā)電就地消納調控問題的研究，多是通過建立優(yōu)化調度數學模型，從而采用某種優(yōu)化算法制定各類型負荷調控策略。但是這種建立數學模型優(yōu)化求解的方法存在運算量較大，求解過程冗余復雜、變量不可微、易陷入局部最優(yōu)解等問題，難以滿足當前日益復雜的微電網高效、高精度優(yōu)化運行的需求。隨著人工智能技術的發(fā)展，打破傳統的基于物理原理通過建模求解調控策略的思路，借助數據驅動的思維來提高微電網智能化調控性能，成為制定微電網負荷調控策略的新思路。

為此，本文借鑒圖像分析技術以及相似性匹配理論[16-21]，提出基于圖像相似性匹配的微電網負荷響應分布式電源波動控制方法。首先根據分布式電源與可調控負荷多維運行數據，構建下一調控周期微電網源荷綜合特性圖像；隨后提取圖像特征，通過與歷史運行態(tài)的源荷特性圖像進行相似性匹配，制定下一周期的調控策略；最后通過某微電網算例驗證所提出的方法的有效性。

1 微電網源荷綜合特性圖像構建

微電網下一周期內柔性負荷響應分布式電源波動的調控策略是基于下一周期的分布式電源出力以及負荷預測數據來制定的，而這兩者又與自然氣象因素緊密相關，包括決定光伏出力的太陽輻射強度，決定風機出力的風速，對負荷影響較大的溫度和濕度，綜合這些因素數據并結合分布式電源與負荷功率數據，本文構建生成了反映分布式電源與負荷波動情況的散點氣泡串圖。另外，各類型柔性負荷的運行狀態(tài)也會影響調控策略的制定，負荷運行狀態(tài)考慮因素包括可調控負荷啟停狀態(tài)及所屬調控負荷類型、剩余可用時間、上調與下調靈活性調節(jié)潛力[22]，綜合上述數據構建生成了可調控負荷運行狀態(tài)柱狀堆積圖像。最后將圖像像素處理為1 437×765，采用疊加函數融合生成源荷綜合特性圖像。微電網源荷綜合特性如圖1所示。

圖1 微電網源荷綜合特性Fig. 1 Integrated source-charge characteristics of microgrid

2 基于K-SURF法的圖像相似性匹配

本文提出了基于K-SURF的微電網源荷綜合特性圖像相似性匹配算法，即采用加速魯棒特征（speeded up robust features, SURF）算法提取源荷綜合特性圖像特征點，并通過歐式距離判別法得到兩張圖像特征點的粗匹配對，采用K均值聚類（k-means clustering, k-means）算法和隨機抽樣一致（random sample consensus, RANSAC）算法完成特征點的精細篩選。

2.1 微電網源荷綜合特性圖像關鍵點提取

SURF算法是一種穩(wěn)健的圖像局部特征點檢測和描述算法，相比傳統的尺度不變特征轉換(scale-invariant feature transform，SIFT）算法[23]能夠更高效地完成圖像特征點的提取、描述和匹配。采用SURF算法提取源荷綜合特性圖像特征點過程中，構建原始源荷綜合特性圖像的Hessian矩陣是一個重要步驟，而在構造Hessian矩陣之前需要對源荷綜合特性圖像進行高斯濾波處理，以去除噪聲引起的像素突變，即

式中：L(x,y,σ)為經高斯濾波處理后的圖像像素點函數；g(σ)為高斯函數；f(x,y)為圖像所對應的像素點函數；x、y分別為圖像像素的橫、縱坐標位置；σ為高斯函數的寬度參數。

經過濾波后圖像的Hessian矩陣判別式取得局部極大值時，則可以確定當前像素點比周圍鄰域內其他點更亮或更暗，由此來定位圖像關鍵點的位置。

2.2 微電網源荷綜合特性圖像特征點定位

首先將經過Hessian矩陣處理得到的每個關鍵點所在的2維圖像內和立體尺度空間鄰域內的26個點進行比較。比較方式為：若候選關鍵點的Hessian矩陣行列式的值大于其他26個點，則這個關鍵點就作為源荷綜合特性圖像的一個特征點；否則該關鍵點為能量比較弱或者錯誤定位的點，應予以刪除。

2.3 圖像特征點64維描述向量生成

（1）SURF算法為了保證圖像的旋轉不變性，首先需要確定圖像特征點的主方向：在源荷綜合特性圖像某特征點鄰域內取4×4個矩形區(qū)域塊，每個子矩形區(qū)域塊有5×5個像素，則可以計算每個子矩形區(qū)域塊像素區(qū)的4個梯度方向，將4×4個矩形區(qū)域塊的各梯度方向幅值計算完成后，分別針對各梯度方向的4×4個矩形區(qū)域塊梯度幅值對應相加可以得到4個方向的幅值和，最大幅值和對應的方向即為主方向。

（2）規(guī)定與主方向同向為水平方向，可以計算得到子矩形區(qū)域塊5×5個像素的水平方向幅值之和、垂直方向幅值之和、水平方向幅值絕對值之和以及垂直方向幅值絕對值之和，從而得到該子矩形區(qū)域塊的4維描述向量。

（3）分別計算該特征點領域的4×4個矩形區(qū)域塊的4維描述向量，最后可得到描述該特征點的64維向量。

（4）對微電網源荷綜合特性圖像的每個特征點重復以上步驟，計算得到該圖像每個特征點的64維描述向量。

2.4 基于歐式距離判別法的圖像特征點粗匹配

針對源荷綜合特性圖像A中的某一個特征點64維描述向量，采用歐氏距離判別方法在另一張源荷綜合特性圖像B中尋找出距離它最近的特征點和次近的特征點[24]，如果最近距離和次近距離的比值小于設定的閾值，則選取最近距離的這兩個特征點作為匹配對并用直線連接，依次用該歐式距離判別法確定出圖像A和圖像B的特征點粗匹配對。

2.5 基于k-means聚類算法和RANSAC算法的圖像特征點匹配對精細篩選

k-means聚類算法是一種無監(jiān)督學習算法，能夠將數據集劃分為若干類，使得各類之內的數據最為相似，而各類之間的數據相似度差別盡可能大。本文用此特征去除兩張圖像的部分異常匹配對，提取出有效的匹配對。將源荷綜合特性圖像A和圖像B的特征點匹配對集合進行聚類，聚類完成后，聚類區(qū)間內特征點匹配對數量最多的一類即為正確的匹配結果，否則為錯誤匹配，需要對錯誤特征點匹配對予以刪除。

基于RANSAC抽樣一致算法進一步刪除異常特征點匹配對。RANSAC抽樣一致算法采用迭代方式從一組包含離群的被觀測數據中估算出數學模型的參數，假設選取出的抽樣數據都是正確數據，去計算篩選異常數據（記為外點）。本文采用文獻[25]中的RANSAC算法建立變換矩陣，并按變換矩陣來進一步篩選刪除錯誤的匹配點，最終輸出圖像A和圖像B的所有特征點匹配對的數量。

2.6 控制策略制定流程

基于圖像相似性匹配的負荷響應分布式電源波動控制方法建模詳細流程如圖2所示。主要分為數據預處理、圖像相似性搜索、策略制定和修正等步驟。

圖2 基于圖像相似性匹配的微電網負荷響應分布式電源波動控制策略制定流程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 系統基本資料

以某典型微電網系統為例進行基于圖像匹配的負荷響應分布式電源波動控制方法仿真分析。微電網系統中風力發(fā)電容量為60 kW；光伏發(fā)電容量190 kW；可中斷負荷88 kW；可時移負荷15 kW；可削減負荷148 kW；剛性負荷50 kW。各類型負荷詳細參數如表1所示。

表1 可調控負荷相關參數Table 1 Parameters of adjustable load

系統設定的調控周期為2小時，每5 min為1個數據采樣點，即將2小時劃分成24個時段，Δt=5 min，歷史數據庫存儲至少1年的歷史運行數據與源荷綜合特性圖像。以該微電網某典型日為例，每2小時周期性采用本文所提方法進行圖像相似性匹配挖掘微電網歷史相似運行狀態(tài)的負荷調控策略。

3.2 優(yōu)化結果及算例分析

3.2.1 10:00—12:00典型調控場景

形成的下一調控周期（10:00—12:00）微電網源荷綜合特性圖像為圖像A，采用本文所提算法來挖掘歷史數據庫中的微電網相似運行態(tài)，歷史數據庫中與圖像A特征點匹配信息如表2所示。

表2 匹配結果詳細信息Table 2 Match result details

由表2可以看出，原始圖像A提取特征點數為1 352個，依據匹配對數最大為最相似運行態(tài)可知，數據庫中與圖像A的最相似匹配圖像是圖像2，兩者特征點匹配對數為1 243。圖像A與圖像2間匹配結果如圖3所示。其中部分特征點匹配對已用直線連接起來。

圖3 10:00—12:00場景圖像匹配結果Fig. 3 Image matching results in 10:00—12:00 scene

從圖3可以看出，圖像A與歷史圖像2的運行狀態(tài)相似性極高，基于圖像匹配結果，借鑒圖像2，即3月12日10:00的負荷調控策略作為圖像A對應的調控周期（10:00—12:00）的負荷優(yōu)化調控策略，得到各類型可調控負荷用電計劃如表3所示。

表3 10:00—12:00場景下各類型可調控負荷優(yōu)化前后用電計劃對照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，該場景下可時移負荷平均功率由優(yōu)化前的0增大到7.8 kW；可中斷負荷平均功率由優(yōu)化前的22.3 kW增大到27.9 kW；可削減負荷平均功率由優(yōu)化前的41.8 kW增大到53.4 kW。

分布式電源出力和優(yōu)化前后總負荷曲線對比如圖4所示。

圖4 10:00—12:00場景分布式電源出力與優(yōu)化前后總用電負荷曲線Fig. 4 Distributed generation output and load curve before and after optimization in 10:00—12:00 scene

由圖4可以看出，經可調控負荷的調控作用，優(yōu)化后微電網總用電負荷曲線較優(yōu)化前能夠更緊密跟蹤分布式電源波動，從而提高了分布式可再生能源就地消納量。

3.2.2 全天優(yōu)化調控情況

全天分布式電源出力和優(yōu)化前后總用電負荷對比曲線如圖5所示。由圖5可知，分布式電源出力高峰集中在光伏發(fā)電集中出力時段8:00—18:00；優(yōu)化前總用電負荷在白天有明顯波動，晚上總負荷需求較大，凌晨時段用電負荷較少；優(yōu)化后總用電負荷曲線能夠跟蹤分布式電源波動趨勢。釆用負荷與分布式電源做差取絕對值求和來評估負荷跟蹤分布式電源波動情況，數值越小表明負荷跟蹤分布式電源越好，經計算得到優(yōu)化前的值為65.052，優(yōu)化后為21.557，可見優(yōu)化后負荷響應分布式電源波動效果明顯提高。

圖5 全天分布式電源出力與優(yōu)化前后總用電負荷曲線Fig. 5 Distributed generation output and load curve before and after optimization of whole day

通過以上分析可見，本文所提出的圖像相似性匹配方法能夠有效搜尋到最相似歷史運行狀態(tài)，借鑒歷史相似運行狀態(tài)調控策略制定的負荷調控策略能夠有效跟蹤可再生能源出力波動，提升分布式可再生能源的就地消納量，減小微電網交互功率。

4 結語

隨著微電網源荷特征和調控模式的改變，以及人工智能技術的發(fā)展，有望基于數據驅動的思想借助人工智能技術實現化繁為簡的微電網智能化調控目的。本文基于分布式電源與可調控負荷多維運行數據，構建了調控周期內微電網源荷綜合特性圖像，提出了基于K-SURF的微電網源荷綜合特性圖像相似性匹配算法，從而達到借鑒歷史相似運行狀態(tài)的微電網調控策略制定下一周期的負荷響應分布式電源波動調控策略的目的。典型微電網算例仿真表明，所提出的圖像相似性匹配方法能夠有效搜尋到最相似歷史運行狀態(tài)，借鑒歷史相似運行狀態(tài)調控策略制定的負荷調控策略能夠有效跟蹤可再生能源出力波動，促進分布式可再生能源的消納，提升了微電網智能化調控性能。