基于圖像匹配的微電網(wǎng)負(fù)荷響應(yīng)分布式電源波動(dòng)控制方法

陳衛(wèi)東，郭敏，吳寧，奉斌

(1. 廣西電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，廣西 南寧 530023；2. 廣西電網(wǎng)有限責(zé)任公司，廣西 南寧 530023)

0 引言

隨著用戶側(cè)微電網(wǎng)強(qiáng)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(fù)荷的規(guī)?；瘧?yīng)用，正深刻改變微電網(wǎng)源荷特征[1-3]。微電網(wǎng)的運(yùn)行控制正由傳統(tǒng)的分布式電源優(yōu)化控制向荷隨源動(dòng)優(yōu)化控制的方向發(fā)展。研究微電網(wǎng)內(nèi)各類型柔性負(fù)荷通過(guò)優(yōu)化轉(zhuǎn)移、削減或者中斷等手段來(lái)主動(dòng)響應(yīng)分布式電源波動(dòng)的控制策略，是轉(zhuǎn)變微電網(wǎng)用戶需求側(cè)用電方式，促進(jìn)分布式可再生能源消納的有效途徑，對(duì)微電網(wǎng)運(yùn)行的穩(wěn)定可靠及經(jīng)濟(jì)性具有重要理論價(jià)值和實(shí)用價(jià)值[4-8]。

目前，國(guó)內(nèi)外學(xué)者對(duì)負(fù)荷響應(yīng)分布式發(fā)電調(diào)控策略的研究較多。文獻(xiàn)[9]建立微網(wǎng)可削減負(fù)荷的補(bǔ)償代價(jià)模型，提出考慮可削減負(fù)荷參與的微網(wǎng)優(yōu)化調(diào)度模型；文獻(xiàn)[10]提出反映居民用電對(duì)電網(wǎng)調(diào)峰貢獻(xiàn)度的調(diào)峰激勵(lì)機(jī)制，綜合考慮用電成本、舒適度和調(diào)峰激勵(lì)建立了居民用戶用電優(yōu)化策略；文獻(xiàn)[11]在空調(diào)負(fù)荷熱力學(xué)模型和人體熱舒適度模型的基礎(chǔ)上建立虛擬儲(chǔ)能模型，并設(shè)計(jì)了2種用于臨時(shí)性削峰場(chǎng)景的虛擬儲(chǔ)能控制策略；文獻(xiàn)[12]提出考慮受控負(fù)荷響應(yīng)功率不確定性的直接負(fù)荷控制模型，進(jìn)而建立了微能源網(wǎng)魯棒隨機(jī)優(yōu)化調(diào)度模型，通過(guò)不確定集下的魯棒線性優(yōu)化理論，實(shí)現(xiàn)隨機(jī)優(yōu)化模型向確定優(yōu)化模型的轉(zhuǎn)化；文獻(xiàn)[13]考慮風(fēng)光出力的不確定性，構(gòu)建了計(jì)及風(fēng)、光和儲(chǔ)能的直接負(fù)荷控制模型；文獻(xiàn)[14]以電能花費(fèi)和用戶舒適度作為優(yōu)化目標(biāo)，建立混合能源協(xié)同控制的智能家庭能源優(yōu)化控制模型；文獻(xiàn)[15]建立分時(shí)電價(jià)下計(jì)及用戶用電滿意度的家庭負(fù)荷優(yōu)化策略。

綜上可以看出，國(guó)內(nèi)外對(duì)傳統(tǒng)的關(guān)于負(fù)荷響應(yīng)分布式發(fā)電就地消納調(diào)控問(wèn)題的研究，多是通過(guò)建立優(yōu)化調(diào)度數(shù)學(xué)模型，從而采用某種優(yōu)化算法制定各類型負(fù)荷調(diào)控策略。但是這種建立數(shù)學(xué)模型優(yōu)化求解的方法存在運(yùn)算量較大，求解過(guò)程冗余復(fù)雜、變量不可微、易陷入局部最優(yōu)解等問(wèn)題，難以滿足當(dāng)前日益復(fù)雜的微電網(wǎng)高效、高精度優(yōu)化運(yùn)行的需求。隨著人工智能技術(shù)的發(fā)展，打破傳統(tǒng)的基于物理原理通過(guò)建模求解調(diào)控策略的思路，借助數(shù)據(jù)驅(qū)動(dòng)的思維來(lái)提高微電網(wǎng)智能化調(diào)控性能，成為制定微電網(wǎng)負(fù)荷調(diào)控策略的新思路。

為此，本文借鑒圖像分析技術(shù)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(wǎng)負(fù)荷響應(yīng)分布式電源波動(dòng)控制方法。首先根據(jù)分布式電源與可調(diào)控負(fù)荷多維運(yùn)行數(shù)據(jù)，構(gòu)建下一調(diào)控周期微電網(wǎng)源荷綜合特性圖像；隨后提取圖像特征，通過(guò)與歷史運(yùn)行態(tài)的源荷特性圖像進(jìn)行相似性匹配，制定下一周期的調(diào)控策略；最后通過(guò)某微電網(wǎng)算例驗(yàn)證所提出的方法的有效性。

1 微電網(wǎng)源荷綜合特性圖像構(gòu)建

微電網(wǎng)下一周期內(nèi)柔性負(fù)荷響應(yīng)分布式電源波動(dòng)的調(diào)控策略是基于下一周期的分布式電源出力以及負(fù)荷預(yù)測(cè)數(shù)據(jù)來(lái)制定的，而這兩者又與自然氣象因素緊密相關(guān)，包括決定光伏出力的太陽(yáng)輻射強(qiáng)度，決定風(fēng)機(jī)出力的風(fēng)速，對(duì)負(fù)荷影響較大的溫度和濕度，綜合這些因素?cái)?shù)據(jù)并結(jié)合分布式電源與負(fù)荷功率數(shù)據(jù)，本文構(gòu)建生成了反映分布式電源與負(fù)荷波動(dòng)情況的散點(diǎn)氣泡串圖。另外，各類型柔性負(fù)荷的運(yùn)行狀態(tài)也會(huì)影響調(diào)控策略的制定，負(fù)荷運(yùn)行狀態(tài)考慮因素包括可調(diào)控負(fù)荷啟停狀態(tài)及所屬調(diào)控負(fù)荷類型、剩余可用時(shí)間、上調(diào)與下調(diào)靈活性調(diào)節(jié)潛力[22]，綜合上述數(shù)據(jù)構(gòu)建生成了可調(diào)控負(fù)荷運(yùn)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(shù)融合生成源荷綜合特性圖像。微電網(wǎng)源荷綜合特性如圖1所示。

圖1 微電網(wǎng)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(wǎng)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(diǎn)，并通過(guò)歐式距離判別法得到兩張圖像特征點(diǎn)的粗匹配對(duì)，采用K均值聚類（k-means clustering, k-means）算法和隨機(jī)抽樣一致（random sample consensus, RANSAC）算法完成特征點(diǎn)的精細(xì)篩選。

2.1 微電網(wǎng)源荷綜合特性圖像關(guān)鍵點(diǎn)提取

SURF算法是一種穩(wěn)健的圖像局部特征點(diǎn)檢測(cè)和描述算法，相比傳統(tǒng)的尺度不變特征轉(zhuǎn)換(scale-invariant feature transform，SIFT）算法[23]能夠更高效地完成圖像特征點(diǎn)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(diǎn)過(guò)程中，構(gòu)建原始源荷綜合特性圖像的Hessian矩陣是一個(gè)重要步驟，而在構(gòu)造Hessian矩陣之前需要對(duì)源荷綜合特性圖像進(jìn)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(jīng)高斯濾波處理后的圖像像素點(diǎn)函數(shù)；g(σ)為高斯函數(shù)；f(x,y)為圖像所對(duì)應(yīng)的像素點(diǎn)函數(shù)；x、y分別為圖像像素的橫、縱坐標(biāo)位置；σ為高斯函數(shù)的寬度參數(shù)。

經(jīng)過(guò)濾波后圖像的Hessian矩陣判別式取得局部極大值時(shí)，則可以確定當(dāng)前像素點(diǎn)比周圍鄰域內(nèi)其他點(diǎn)更亮或更暗，由此來(lái)定位圖像關(guān)鍵點(diǎn)的位置。

2.2 微電網(wǎng)源荷綜合特性圖像特征點(diǎn)定位

首先將經(jīng)過(guò)Hessian矩陣處理得到的每個(gè)關(guān)鍵點(diǎn)所在的2維圖像內(nèi)和立體尺度空間鄰域內(nèi)的26個(gè)點(diǎn)進(jìn)行比較。比較方式為：若候選關(guān)鍵點(diǎn)的Hessian矩陣行列式的值大于其他26個(gè)點(diǎn)，則這個(gè)關(guān)鍵點(diǎn)就作為源荷綜合特性圖像的一個(gè)特征點(diǎn)；否則該關(guān)鍵點(diǎn)為能量比較弱或者錯(cuò)誤定位的點(diǎn)，應(yīng)予以刪除。

2.3 圖像特征點(diǎn)64維描述向量生成

（1）SURF算法為了保證圖像的旋轉(zhuǎn)不變性，首先需要確定圖像特征點(diǎn)的主方向：在源荷綜合特性圖像某特征點(diǎn)鄰域內(nèi)取4×4個(gè)矩形區(qū)域塊，每個(gè)子矩形區(qū)域塊有5×5個(gè)像素，則可以計(jì)算每個(gè)子矩形區(qū)域塊像素區(qū)的4個(gè)梯度方向，將4×4個(gè)矩形區(qū)域塊的各梯度方向幅值計(jì)算完成后，分別針對(duì)各梯度方向的4×4個(gè)矩形區(qū)域塊梯度幅值對(duì)應(yīng)相加可以得到4個(gè)方向的幅值和，最大幅值和對(duì)應(yīng)的方向即為主方向。

（2）規(guī)定與主方向同向?yàn)樗椒较?，可以?jì)算得到子矩形區(qū)域塊5×5個(gè)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(duì)值之和以及垂直方向幅值絕對(duì)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(jì)算該特征點(diǎn)領(lǐng)域的4×4個(gè)矩形區(qū)域塊的4維描述向量，最后可得到描述該特征點(diǎn)的64維向量。

（4）對(duì)微電網(wǎng)源荷綜合特性圖像的每個(gè)特征點(diǎn)重復(fù)以上步驟，計(jì)算得到該圖像每個(gè)特征點(diǎn)的64維描述向量。

2.4 基于歐式距離判別法的圖像特征點(diǎn)粗匹配

針對(duì)源荷綜合特性圖像A中的某一個(gè)特征點(diǎn)64維描述向量，采用歐氏距離判別方法在另一張?jiān)春删C合特性圖像B中尋找出距離它最近的特征點(diǎn)和次近的特征點(diǎn)[24]，如果最近距離和次近距離的比值小于設(shè)定的閾值，則選取最近距離的這兩個(gè)特征點(diǎn)作為匹配對(duì)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(diǎn)粗匹配對(duì)。

2.5 基于k-means聚類算法和RANSAC算法的圖像特征點(diǎn)匹配對(duì)精細(xì)篩選

k-means聚類算法是一種無(wú)監(jiān)督學(xué)習(xí)算法，能夠?qū)?shù)據(jù)集劃分為若干類，使得各類之內(nèi)的數(shù)據(jù)最為相似，而各類之間的數(shù)據(jù)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(duì)，提取出有效的匹配對(duì)。將源荷綜合特性圖像A和圖像B的特征點(diǎn)匹配對(duì)集合進(jìn)行聚類，聚類完成后，聚類區(qū)間內(nèi)特征點(diǎn)匹配對(duì)數(shù)量最多的一類即為正確的匹配結(jié)果，否則為錯(cuò)誤匹配，需要對(duì)錯(cuò)誤特征點(diǎn)匹配對(duì)予以刪除。

基于RANSAC抽樣一致算法進(jìn)一步刪除異常特征點(diǎn)匹配對(duì)。RANSAC抽樣一致算法采用迭代方式從一組包含離群的被觀測(cè)數(shù)據(jù)中估算出數(shù)學(xué)模型的參數(shù)，假設(shè)選取出的抽樣數(shù)據(jù)都是正確數(shù)據(jù)，去計(jì)算篩選異常數(shù)據(jù)（記為外點(diǎn)）。本文采用文獻(xiàn)[25]中的RANSAC算法建立變換矩陣，并按變換矩陣來(lái)進(jìn)一步篩選刪除錯(cuò)誤的匹配點(diǎn)，最終輸出圖像A和圖像B的所有特征點(diǎn)匹配對(duì)的數(shù)量。

2.6 控制策略制定流程

基于圖像相似性匹配的負(fù)荷響應(yīng)分布式電源波動(dòng)控制方法建模詳細(xì)流程如圖2所示。主要分為數(shù)據(jù)預(yù)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(wǎng)負(fù)荷響應(yīng)分布式電源波動(dòng)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(tǒng)基本資料

以某典型微電網(wǎng)系統(tǒng)為例進(jìn)行基于圖像匹配的負(fù)荷響應(yīng)分布式電源波動(dòng)控制方法仿真分析。微電網(wǎng)系統(tǒng)中風(fēng)力發(fā)電容量為60 kW；光伏發(fā)電容量190 kW；可中斷負(fù)荷88 kW；可時(shí)移負(fù)荷15 kW；可削減負(fù)荷148 kW；剛性負(fù)荷50 kW。各類型負(fù)荷詳細(xì)參數(shù)如表1所示。

表1 可調(diào)控負(fù)荷相關(guān)參數(shù)Table 1 Parameters of adjustable load

系統(tǒng)設(shè)定的調(diào)控周期為2小時(shí)，每5 min為1個(gè)數(shù)據(jù)采樣點(diǎn)，即將2小時(shí)劃分成24個(gè)時(shí)段，Δt=5 min，歷史數(shù)據(jù)庫(kù)存儲(chǔ)至少1年的歷史運(yùn)行數(shù)據(jù)與源荷綜合特性圖像。以該微電網(wǎng)某典型日為例，每2小時(shí)周期性采用本文所提方法進(jìn)行圖像相似性匹配挖掘微電網(wǎng)歷史相似運(yùn)行狀態(tài)的負(fù)荷調(diào)控策略。

3.2 優(yōu)化結(jié)果及算例分析

3.2.1 10:00—12:00典型調(diào)控場(chǎng)景

形成的下一調(diào)控周期（10:00—12:00）微電網(wǎng)源荷綜合特性圖像為圖像A，采用本文所提算法來(lái)挖掘歷史數(shù)據(jù)庫(kù)中的微電網(wǎng)相似運(yùn)行態(tài)，歷史數(shù)據(jù)庫(kù)中與圖像A特征點(diǎn)匹配信息如表2所示。

表2 匹配結(jié)果詳細(xì)信息Table 2 Match result details

由表2可以看出，原始圖像A提取特征點(diǎn)數(shù)為1 352個(gè)，依據(jù)匹配對(duì)數(shù)最大為最相似運(yùn)行態(tài)可知，數(shù)據(jù)庫(kù)中與圖像A的最相似匹配圖像是圖像2，兩者特征點(diǎn)匹配對(duì)數(shù)為1 243。圖像A與圖像2間匹配結(jié)果如圖3所示。其中部分特征點(diǎn)匹配對(duì)已用直線連接起來(lái)。

圖3 10:00—12:00場(chǎng)景圖像匹配結(jié)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(yùn)行狀態(tài)相似性極高，基于圖像匹配結(jié)果，借鑒圖像2，即3月12日10:00的負(fù)荷調(diào)控策略作為圖像A對(duì)應(yīng)的調(diào)控周期（10:00—12:00）的負(fù)荷優(yōu)化調(diào)控策略，得到各類型可調(diào)控負(fù)荷用電計(jì)劃如表3所示。

表3 10:00—12:00場(chǎng)景下各類型可調(diào)控負(fù)荷優(yōu)化前后用電計(jì)劃對(duì)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(chǎng)景下可時(shí)移負(fù)荷平均功率由優(yōu)化前的0增大到7.8 kW；可中斷負(fù)荷平均功率由優(yōu)化前的22.3 kW增大到27.9 kW；可削減負(fù)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(fù)荷曲線對(duì)比如圖4所示。

圖4 10:00—12:00場(chǎng)景分布式電源出力與優(yōu)化前后總用電負(fù)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(jīng)可調(diào)控負(fù)荷的調(diào)控作用，優(yōu)化后微電網(wǎng)總用電負(fù)荷曲線較優(yōu)化前能夠更緊密跟蹤分布式電源波動(dòng)，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(diào)控情況

全天分布式電源出力和優(yōu)化前后總用電負(fù)荷對(duì)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(shí)段8:00—18:00；優(yōu)化前總用電負(fù)荷在白天有明顯波動(dòng)，晚上總負(fù)荷需求較大，凌晨時(shí)段用電負(fù)荷較少；優(yōu)化后總用電負(fù)荷曲線能夠跟蹤分布式電源波動(dòng)趨勢(shì)。釆用負(fù)荷與分布式電源做差取絕對(duì)值求和來(lái)評(píng)估負(fù)荷跟蹤分布式電源波動(dòng)情況，數(shù)值越小表明負(fù)荷跟蹤分布式電源越好，經(jīng)計(jì)算得到優(yōu)化前的值為65.052，優(yōu)化后為21.557，可見(jiàn)優(yōu)化后負(fù)荷響應(yīng)分布式電源波動(dòng)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(fù)荷曲線Fig. 5 Distributed generation output and load curve before and after optimization of whole day

通過(guò)以上分析可見(jiàn)，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(yùn)行狀態(tài)，借鑒歷史相似運(yùn)行狀態(tài)調(diào)控策略制定的負(fù)荷調(diào)控策略能夠有效跟蹤可再生能源出力波動(dòng)，提升分布式可再生能源的就地消納量，減小微電網(wǎng)交互功率。

4 結(jié)語(yǔ)

隨著微電網(wǎng)源荷特征和調(diào)控模式的改變，以及人工智能技術(shù)的發(fā)展，有望基于數(shù)據(jù)驅(qū)動(dòng)的思想借助人工智能技術(shù)實(shí)現(xiàn)化繁為簡(jiǎn)的微電網(wǎng)智能化調(diào)控目的。本文基于分布式電源與可調(diào)控負(fù)荷多維運(yùn)行數(shù)據(jù)，構(gòu)建了調(diào)控周期內(nèi)微電網(wǎng)源荷綜合特性圖像，提出了基于K-SURF的微電網(wǎng)源荷綜合特性圖像相似性匹配算法，從而達(dá)到借鑒歷史相似運(yùn)行狀態(tài)的微電網(wǎng)調(diào)控策略制定下一周期的負(fù)荷響應(yīng)分布式電源波動(dòng)調(diào)控策略的目的。典型微電網(wǎng)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(yùn)行狀態(tài)，借鑒歷史相似運(yùn)行狀態(tài)調(diào)控策略制定的負(fù)荷調(diào)控策略能夠有效跟蹤可再生能源出力波動(dòng)，促進(jìn)分布式可再生能源的消納，提升了微電網(wǎng)智能化調(diào)控性能。