基于机器视觉的生成式风电功率曲线建模：一种自学习深度卷积网络方法
计算机视觉与模式识别
2022-05-03 v2
摘要
本文提出了一种新颖的基于自训练 U-net（STU-net）的方法，用于在无需数据预处理的情况下自动生成风电功率曲线（WPC）模型。STU-net 的自训练（ST）过程分为两步。首先，不同于传统将 WPC 建模视为曲线拟合问题的研究，本文将 WPC 建模公式从机器视觉角度进行了革新。为生成充分多样化的训练样本，我们基于一组描述 WPC 的 S 形函数合成 supervisory control and data acquisition（SCADA）数据。这些合成的 SCADA 数据与 WPC 函数被可视化为图像，并配对为训练样本 (I_x, I_wpc)。随后开发 U-net 来近似实现从 I_x 恢复 I_wpc 的模型。所开发的 U-net 应用于观测到的 SCADA 数据，能够成功生成 I_wpc。此外，我们开发了像素映射与校正过程，以推导出表示前述生成 I_wpc 的数学形式 f_wpc。所提出的 STU-net 仅需训练一次，且在应用中无需任何数据预处理。基于 76 台风力机（WT）的数值实验通过与经典 WPC 建模方法对比，验证了所提方法的优越性。为证明本研究的可重复性，我们在 https://github.com/IkeYang/STU-net 发布了代码。
引用
@article{arxiv.2109.00894,
title = {Generative Wind Power Curve Modeling Via Machine Vision: A Self-learning Deep Convolutional Network Based Method},
author = {Luoxiao Yang and Long Wang and Zijun Zhang},
journal= {arXiv preprint arXiv:2109.00894},
year = {2022}
}