基于Res-UNet 的風(fēng)電機(jī)組功率曲線建模

蔣世宇，譚 文

（華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，北京 102206）

0 引言

風(fēng)力發(fā)電規(guī)模在我國(guó)正不斷增長(zhǎng)[1]。為了實(shí)現(xiàn)對(duì)風(fēng)電機(jī)組進(jìn)行故障診斷及狀態(tài)監(jiān)測(cè)，通常需要采用數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)（supervisory control and data acquisition，SCADA）的運(yùn)行數(shù)據(jù)對(duì)風(fēng)電機(jī)組進(jìn)行功率曲線建模。

常規(guī)建模方法往往直接將機(jī)組運(yùn)行數(shù)據(jù)組為模型的輸入，通過(guò)數(shù)值上的關(guān)系搭建模型。這些數(shù)據(jù)往往存在噪聲較大、異常數(shù)據(jù)點(diǎn)較多的問(wèn)題；同時(shí)，由于受實(shí)際運(yùn)行中的棄風(fēng)限電等因素影響，通過(guò)這些數(shù)據(jù)所得到的功率曲線圖像往往容易呈現(xiàn)出多條水平帶狀分布[2,3]。因此在建模前，使用合適的清洗算法對(duì)數(shù)據(jù)進(jìn)行清洗是必須的過(guò)程。在時(shí)間跨度大、天氣變化大的情況下，不同機(jī)組、甚至同一機(jī)組的數(shù)據(jù)差距都較大，這就造成算法中的超參數(shù)往往需要反復(fù)選取。

文獻(xiàn)[4]使用了不同原型函數(shù)對(duì)功率曲線進(jìn)行單變量建模。文獻(xiàn)[5]對(duì)SCADA 數(shù)據(jù)系統(tǒng)中不同變量的物理意義進(jìn)行分析，并選取部分變量進(jìn)行多變量建模。文獻(xiàn)[6]根據(jù)變量投影重要性指標(biāo)進(jìn)行了變量的選取。文獻(xiàn)[7]使用了稀疏自編碼器自動(dòng)對(duì)輸入的多個(gè)變量進(jìn)行了特征提取與降維。文獻(xiàn)[8]建立了概率功率曲線模型。上述這些方法均依賴于合適的數(shù)據(jù)清洗算法，尤其是對(duì)于運(yùn)行時(shí)間長(zhǎng)、異常數(shù)據(jù)點(diǎn)多的風(fēng)電機(jī)組。

文獻(xiàn)[9]提出對(duì)數(shù)據(jù)進(jìn)行了網(wǎng)格化處理的方法，結(jié)果在去除了異常數(shù)據(jù)點(diǎn)的同時(shí)也去除了部分正常數(shù)據(jù)點(diǎn)。文獻(xiàn)[3]861-863中的聚類算法增大了數(shù)據(jù)處理的難度與復(fù)雜程度。這些方法在使用時(shí)，對(duì)不同的數(shù)據(jù)集需重新訓(xùn)練，對(duì)不同季度、不同機(jī)組的數(shù)據(jù)集都要求使用新的模型參數(shù)。

文獻(xiàn)[10]使用了基于圖像處理的方法對(duì)功率曲線進(jìn)行建模。由于其使用的網(wǎng)絡(luò)較淺，在面對(duì)時(shí)間跨度大、數(shù)據(jù)點(diǎn)較多的情況時(shí)無(wú)法正確對(duì)功率曲線進(jìn)行建模。為使模型能夠適應(yīng)風(fēng)電機(jī)組所處的多種狀態(tài)[11]，應(yīng)當(dāng)建立合適的訓(xùn)練樣本集并建立更深的網(wǎng)絡(luò)。

本文分析了可以表征風(fēng)電機(jī)組實(shí)際運(yùn)行過(guò)程的訓(xùn)練圖像樣本的生成方法，提出基于殘差塊的Res-UNet 模型對(duì)功率曲線進(jìn)行建模；分析了該模型在深度網(wǎng)絡(luò)上的優(yōu)越性及訓(xùn)練數(shù)據(jù)集對(duì)不同工況的覆蓋；將模型在不同機(jī)組數(shù)據(jù)集上的計(jì)算精度與常規(guī)模型進(jìn)行了比對(duì)。

1 訓(xùn)練樣本生成

因模型以功率曲線的圖像作為輸入，所以訓(xùn)練時(shí)需要大量的樣本，包括分布在功率曲線周圍的大量數(shù)據(jù)點(diǎn)以及功率曲線本身。由于所需大量不同特性的機(jī)組數(shù)據(jù)在實(shí)際中往往難以獲取，所以需要生成足以模擬其圖像特征的訓(xùn)練樣本。

1.1 點(diǎn)密集樣本

點(diǎn)密集樣本如圖1 所示。圖1 中，平行四邊形所圍區(qū)域?qū)?yīng)正常工況下的數(shù)據(jù)點(diǎn)，矩形為帶狀分布數(shù)據(jù)點(diǎn)，圓形區(qū)域代表隨機(jī)噪聲。

圖1 點(diǎn)密集樣本示意圖Fig. 1 Schematic diagram of point dense samples

文獻(xiàn)[4]2139-2140使用了一列具有隨機(jī)參數(shù)的雙重指數(shù)函數(shù)（DE）以及調(diào)節(jié)雙重指數(shù)函數(shù)（ADE）來(lái)模擬實(shí)際功率曲線建模；且根據(jù)參數(shù)不同，可以生成任意多的功率曲線樣本。根據(jù)建模中參數(shù)變化范圍，選用的函數(shù)表達(dá)形式如下：

式中：t1～U[10,50]；t2～U[-15, -8]；a0=5；a1～U[-20,20]；a2～U[-15, 10]；a3=15；U[a,b]表示在a和b之間的均勻分布。

文獻(xiàn)[2]97-99給出了正常工況下數(shù)據(jù)點(diǎn)所具有的形式。根據(jù)文獻(xiàn)[3]860-861中對(duì)異常情況下數(shù)據(jù)點(diǎn)的分類，使用如下公式進(jìn)行數(shù)據(jù)點(diǎn)的生成：

式中：ρ～N(0,1)；f表示由式（1）或式（2）給出的函數(shù)；f˙為其歸一化后的導(dǎo)數(shù)；a～U[0.1, 0.3]；ε為任意小于0.01 的數(shù)。

如圖1 所示，將由式（3）～（5）生成的數(shù)據(jù)點(diǎn)繪制成散點(diǎn)圖作為網(wǎng)絡(luò)的輸入，同時(shí)繪制與之對(duì)應(yīng)的功率曲線作為輸出。

1.2 點(diǎn)稀疏樣本

數(shù)據(jù)采集設(shè)備功能缺陷以及傳輸通道檢修、設(shè)備故障停機(jī)等因素，會(huì)造成風(fēng)電監(jiān)測(cè)數(shù)據(jù)的缺失[12]。為使模型在數(shù)據(jù)點(diǎn)較少的情況下依然具有較良好的效果，需要對(duì)輸入樣本進(jìn)行圖像增強(qiáng)處理，構(gòu)造點(diǎn)稀疏樣本。具體流程如圖2 所示。

圖2 構(gòu)造點(diǎn)稀疏集流程Fig. 2 Process of points sparse set construction

圖2中：r的大小根據(jù)所構(gòu)造的3 種不同數(shù)據(jù)點(diǎn)及稀疏效果的要求而定；r(i)代表選取的第i點(diǎn)在原數(shù)據(jù)點(diǎn)中的標(biāo)號(hào)；R表示剩下的原始數(shù)據(jù)點(diǎn)個(gè)數(shù)，其隨著迭代不斷變化；δ參數(shù)根據(jù)稀疏效果選取，默認(rèn)值為0.005。

由式（4）可知，即使橫坐標(biāo)變化較大，對(duì)應(yīng)的縱坐標(biāo)變化也很??；因此，根據(jù)該算法構(gòu)造點(diǎn)稀疏集時(shí)，帶狀數(shù)據(jù)點(diǎn)篩選參數(shù)應(yīng)使得數(shù)據(jù)點(diǎn)盡量少，甚至可以只選取一列隨機(jī)點(diǎn)列。

圖3所示為僅選取個(gè)別點(diǎn)的效果。從圖3 可以看出，帶狀分布的數(shù)據(jù)點(diǎn)在圖上仍呈現(xiàn)較連續(xù)、面積較大的帶狀區(qū)域。

圖3 稀疏化效果Fig. 3 Effect of sparsing

2 Res-Unet 功率曲線建模

2.1 U-Net

運(yùn)用U-Net 將功率曲線從眾多數(shù)據(jù)點(diǎn)構(gòu)成的圖像中分割出來(lái)，即得到功率曲線的圖像。

圖4為U-Net 結(jié)構(gòu)示意圖。圖4 中，網(wǎng)絡(luò)的左部為編碼器，其各個(gè)卷積層將輸入圖像的空間信息層層抽取并轉(zhuǎn)化為通道信息；圖片尺寸越來(lái)越小，而通道數(shù)相應(yīng)成比例增加。在網(wǎng)路的超參數(shù)選取上，每個(gè)卷積層中使用了大小為3×3 的卷積核；設(shè)置每層通道數(shù)增加一倍，即步幅為2，且每層都有最大池化層以提高網(wǎng)絡(luò)的魯棒性。

圖4 U-Net 結(jié)構(gòu)示意圖Fig. 4 Schematic diagram of U-Net structure

網(wǎng)絡(luò)采用ReLu 函數(shù)作為非線性激活函數(shù)。網(wǎng)絡(luò)的右部為解碼器，與左部對(duì)稱。采用同樣超參數(shù)的卷積層以及轉(zhuǎn)置卷積層，將編碼器提取的特征進(jìn)行解碼還原成空間圖像，從而得到期望的功率曲線圖像輸出。

2.2 Res-UNet

圖4所示的網(wǎng)絡(luò)結(jié)構(gòu)不論從深度及輸入大小方面來(lái)看都較小。

為了增加功率曲線建模的精度，需要考慮增加模型的復(fù)雜程度。如果考慮增大圖片的分辨率使得每個(gè)像素可準(zhǔn)確表征SCADA 數(shù)據(jù)中的每一個(gè)點(diǎn)，或者不斷增加網(wǎng)絡(luò)的深度，那么不僅會(huì)造成訓(xùn)練時(shí)間、計(jì)算消耗上的指數(shù)級(jí)增加，還容易出現(xiàn)梯度消失等問(wèn)題。

為了解決上述問(wèn)題，使得網(wǎng)絡(luò)可以準(zhǔn)確提取樣本與功率曲線圖像之間的關(guān)系，使得模型可以作用于不同風(fēng)電機(jī)組，在U-Net 的基礎(chǔ)上引入殘差網(wǎng)絡(luò)結(jié)構(gòu)[13]，如圖5 所示。

圖5 殘差塊運(yùn)算流程Fig. 5 Operation process of residual block

殘差塊之間直接連接的優(yōu)點(diǎn)是：在誤差反向傳播時(shí)，不僅傳遞了梯度，還包括了運(yùn)算之前的梯度；相當(dāng)于加大了梯度，減小了梯度消失的可能性。同時(shí)，在進(jìn)行卷積運(yùn)算過(guò)程中，每一層的卷積僅僅提取了圖像的一部分信息；這意味著如果需要訓(xùn)練更深的模型來(lái)提高精度，則層數(shù)越深丟失的信息反而越多，只能提取一小部分特征；若塊與塊之間直接連接，則意味著在每個(gè)塊中加入了上一層的全部信息，從而使得深層的網(wǎng)絡(luò)依然能夠獲取圖片的全部信息，進(jìn)行完整的特征提取，從而獲得更高的精度。

將圖4 中的卷積層以及轉(zhuǎn)置卷積層替換成圖5 所示卷積殘差塊、反卷積殘差塊。需注意，進(jìn)行加法運(yùn)算的張量大小應(yīng)該相匹配。如果殘差塊中設(shè)置了大于1 的步幅，右側(cè)連線處也相應(yīng)添加總步幅相同的卷積或轉(zhuǎn)置卷積層。卷積塊與反卷積塊之間的長(zhǎng)連接既可以接在池化層也可以在其后。本文將池化層一并納入殘差塊。

殘差塊的引入使得網(wǎng)絡(luò)每一次訓(xùn)練都是建立在之前已有的訓(xùn)練結(jié)果的基礎(chǔ)之上，即塊之間的直接連接等價(jià)于一個(gè)較小的網(wǎng)絡(luò)。訓(xùn)練過(guò)程中，小網(wǎng)絡(luò)的參數(shù)會(huì)被優(yōu)先訓(xùn)練好，之后進(jìn)一步訓(xùn)練整個(gè)網(wǎng)絡(luò)。

圖5中還引入了批量標(biāo)準(zhǔn)化，實(shí)現(xiàn)形式如下。

固定每個(gè)批量（Batch）中的均值與方差：

式中：γ和β分別代表需要學(xué)習(xí)的均值和方差，其本身等價(jià)于一個(gè)線性變換，即產(chǎn)生了隨機(jī)偏移和隨機(jī)縮放。其目的是：在每個(gè)小批量中加入噪音，使得模型盡可能記住樣本所具有的特征，加快收斂速度，并且不改變精度。

殘差塊的加入可以使得訓(xùn)練的網(wǎng)絡(luò)更深，輸入樣本的分辨率更大。在文獻(xiàn)[10]中所使用的U-Net為5 層，但事實(shí)上可以根據(jù)需要加深網(wǎng)絡(luò)，以提高精度。

通過(guò)實(shí)驗(yàn)，發(fā)現(xiàn)樣本圖像中功率曲線特征較明顯，所以考慮使用式（8）中的均方誤差作為損失函數(shù)，并使用隨機(jī)梯度下降法進(jìn)行優(yōu)化。

2.3 功率曲線圖像映射

由Res-UNet 網(wǎng)絡(luò)所得到的輸出為256×256 的矩陣圖像，如圖6 所示。

圖6 功率曲線圖像風(fēng)速矩陣Fig. 6 Matrix wind speed of power curve image

為了能得到功率曲線的數(shù)值表達(dá)，需要對(duì)圖像進(jìn)行映射。取矩陣圖像256 列中RGB 值小于100 的列，考慮建立n次多項(xiàng)式滿足：

多項(xiàng)式階次n可以自由選取，而式（9）中的M為選出的列數(shù)，μi為每列中黑色區(qū)域較明顯部分的平均值。

由于黑色部分RGB 值較小且相鄰數(shù)值的大小變動(dòng)不大，所以選取點(diǎn)的過(guò)程為：首先選出該列最低值，從該位置開始上下移動(dòng)；如果上下之間的RGB 值變動(dòng)大于30+ε則不再繼續(xù)，選取點(diǎn)過(guò)程結(jié)束。ε為一較小整數(shù)，可根據(jù)實(shí)際適當(dāng)選取。

龍格現(xiàn)象容易出現(xiàn)在多項(xiàng)式次數(shù)較高的情況下。在功率曲線的切入風(fēng)速前及額定風(fēng)速后部分，曲線存在劇烈抖動(dòng)。而據(jù)參考文獻(xiàn)[10]，這2 部分功率應(yīng)保持定值即零功率和額定功率；即使在實(shí)際機(jī)組的SCADA 數(shù)據(jù)中，該部分也僅在噪聲干擾下略微變動(dòng)。由于額定功率基本出現(xiàn)在225～230 行內(nèi)，零功率基本出現(xiàn)在30±2 行內(nèi)，可求出零功率和額定功率為使用牛頓法求出f-frated的根xrated及f-fzero的根xzero，最終得到的功率曲線為：

如圖7 所示，使用Res-UNet 得到的經(jīng)過(guò)映射后的曲線具有良好的精度。由于選用了分段函數(shù)的形式，避免了在風(fēng)速較低及較高時(shí)出現(xiàn)的抖動(dòng)，曲較平滑。

圖7 建模結(jié)果Fig. 7 Result of modeling

3 案例分析

實(shí)驗(yàn)計(jì)算設(shè)備：主機(jī)AMD Ryzen 9 5900HX CPU，NVIDA GeForce RTX3080 Laptop GPU，內(nèi)存為32 GB。

實(shí)驗(yàn)數(shù)據(jù)條件：實(shí)驗(yàn)中所用數(shù)據(jù)集及風(fēng)場(chǎng)信息如表1 所示。除安徽及內(nèi)蒙錫盟的數(shù)據(jù)集外，其余數(shù)據(jù)集覆蓋了4 個(gè)季度。本實(shí)驗(yàn)數(shù)據(jù)集的特點(diǎn)是，時(shí)間跨度大且數(shù)據(jù)點(diǎn)個(gè)數(shù)多、噪聲大。

表1 數(shù)據(jù)集信息Tab. 1 Description of datasets

將Res-UNet25的建模結(jié)果與文獻(xiàn)[4]及文獻(xiàn)[10]進(jìn)行對(duì)比，結(jié)果如圖8 所示。

圖8 多種方法建模功率曲線Fig. 8 Power curves of modeling via various ways

從圖8 可以看出，在數(shù)據(jù)集中的數(shù)據(jù)點(diǎn)個(gè)數(shù)多、異常數(shù)據(jù)點(diǎn)密集且未經(jīng)過(guò)數(shù)據(jù)預(yù)處理的情況下，根據(jù)高次多項(xiàng)式以及經(jīng)驗(yàn)公式得到的功率曲線無(wú)法良好地?cái)M合數(shù)據(jù)點(diǎn)。

Res-UNet 模型不依賴數(shù)據(jù)的預(yù)處理，且由于采用分段函數(shù)的形式，在額定功率風(fēng)速段能保持定值。

當(dāng)限功率運(yùn)行點(diǎn)的數(shù)量較多時(shí)，使用5 層的網(wǎng)絡(luò)也無(wú)法得到表征機(jī)組正常工況下的功率曲線，如圖8（e）所示。25 層的Res-UNet 層數(shù)增加、網(wǎng)絡(luò)變深，具有更強(qiáng)的擬合能力，即使在限制功率運(yùn)行的數(shù)據(jù)點(diǎn)較多、異常數(shù)據(jù)點(diǎn)分布較廣的情況下依然能夠提取正常工況下的特征，得到正確表征機(jī)組額定功率運(yùn)行下的功率曲線。

為驗(yàn)證與傳統(tǒng)方法相比，Res-UNet 在不依賴對(duì)數(shù)據(jù)集進(jìn)行數(shù)據(jù)處理方面的優(yōu)勢(shì)，分別采用文獻(xiàn)[5]中的高斯過(guò)程以及文獻(xiàn)[14]中的LSTM 模型對(duì)原始數(shù)據(jù)集及經(jīng)過(guò)處理的數(shù)據(jù)集進(jìn)行建模，使用式（11）平均絕對(duì)值誤差百分比（mean absolute percentage error，MAPE）來(lái)計(jì)算功率曲線建模的數(shù)值精度。驗(yàn)證結(jié)果如表2、圖9 所示。

表2 MAPE 對(duì)比Tab. 2 Comparison of MAPE %

圖9 3 種建模方法對(duì)比Fig. 9 Comparison of three ways of modeling

式中：N為數(shù)據(jù)點(diǎn)個(gè)數(shù)；yi為實(shí)際功率值；模型功率曲線對(duì)應(yīng)值。

表2中使用大小為35 710 的麻黃山風(fēng)場(chǎng)數(shù)據(jù)集，與圖9（a）（c）及（e）相對(duì)應(yīng)；其中D1 表示原始數(shù)據(jù)集，D2 表示使用文獻(xiàn)[15]中的方法對(duì)數(shù)據(jù)進(jìn)行了簡(jiǎn)單預(yù)處理，D3 表示使用文獻(xiàn)[9]的方法去除了絕大部分異常數(shù)據(jù)點(diǎn)后的數(shù)據(jù)集。圖9（b）（d）及（f）則使用了數(shù)據(jù)集大小為4 460 的安徽實(shí)驗(yàn)風(fēng)場(chǎng)數(shù)據(jù)。

從圖9（b）（d）（f）可以看出，當(dāng)數(shù)據(jù)集較小、時(shí)間跨度短且異常數(shù)據(jù)點(diǎn)少時(shí)，3 種方法均可在未經(jīng)過(guò)數(shù)據(jù)處理的情況下取得較理想的建模效果。

LSTM 模型預(yù)測(cè)出的功率在曲線末段偏離額定功率，呈現(xiàn)下降趨勢(shì)。這是由于LSTM 模型傾向于將前時(shí)刻的真實(shí)值作為下一時(shí)刻的預(yù)測(cè)值，而該數(shù)據(jù)集在額定功率段數(shù)據(jù)點(diǎn)較少且隨著風(fēng)速增大功率下降，于是導(dǎo)致了預(yù)測(cè)的偏差。

從圖9（f）可以看出，即使經(jīng)過(guò)了周密數(shù)據(jù)處理，由LSTM 得到的曲線在末段仍然偏離額定功率；而Res-UNet 的輸出使用了式（10）分段函數(shù)的形式，使得曲線在該段能夠保持額定功率，曲線平滑不發(fā)生偏移。

數(shù)據(jù)集D1 時(shí)間跨度大，異常數(shù)據(jù)點(diǎn)多。此時(shí)，在未經(jīng)過(guò)數(shù)據(jù)處理的情況下，LSTM 與高斯過(guò)程建模的結(jié)果精度較低。由于異常數(shù)據(jù)點(diǎn)的影響，LSTM 模型對(duì)前時(shí)刻正確數(shù)據(jù)點(diǎn)輸入進(jìn)行了錯(cuò)誤的修正，導(dǎo)致結(jié)果偏離正確的值。

從圖9（a）可以看出，LSTM 由于錯(cuò)誤修正使得輸出結(jié)果幾乎平分了異常數(shù)據(jù)點(diǎn)與正常數(shù)據(jù)點(diǎn)。在對(duì)D1 進(jìn)行簡(jiǎn)單數(shù)據(jù)預(yù)處理后得到數(shù)據(jù)集D2 上，異常數(shù)據(jù)點(diǎn)數(shù)量明顯減少，因此LSTM 建模精度上升，MAPE 從26.76%下降至11.96%。

使用高斯過(guò)程建模時(shí)，由于僅僅考慮了觀測(cè)數(shù)據(jù)帶有白噪聲，而文獻(xiàn)[15]的預(yù)處理方法可近似看成低通濾波器，這使得高斯過(guò)程在數(shù)據(jù)集D1、D2 上建模效果差距不大。

在數(shù)據(jù)集D3 上，3 種方法建模精度均較高；但LSTM 與高斯過(guò)程建模在額定功率段無(wú)法保持定值輸出，在曲線末段偏離額定功率。Res-UNet的訓(xùn)練樣本輸入考慮了各種情況的異常數(shù)據(jù)點(diǎn)，使得網(wǎng)絡(luò)在數(shù)據(jù)集未經(jīng)過(guò)處理的情況下仍然可以得到高精度的建模結(jié)果：在各種原始數(shù)據(jù)集以及各種數(shù)據(jù)處理方法情況下，其MAPE 建模精度幾乎保持不變，優(yōu)于LSTM 以及高斯過(guò)程建模得到的結(jié)果。

Res-UNet 在訓(xùn)練過(guò)程中引入了點(diǎn)稀疏樣本，使得其在輸入數(shù)據(jù)集很小、數(shù)據(jù)點(diǎn)分布稀疏的情況下依然有效。圖10 所示為使用安徽實(shí)驗(yàn)風(fēng)場(chǎng)數(shù)據(jù)集中100 點(diǎn)、500 點(diǎn)、1 000 點(diǎn)及全部數(shù)據(jù)點(diǎn)建模得到的結(jié)果。從圖10 可以看出，Res-UNet 在各種情況下得到的建模結(jié)果幾乎是一致的，表明即使在輸入的數(shù)據(jù)集較小，數(shù)據(jù)點(diǎn)較稀疏的情況下Res-UNet 依然可以得到正確的建模結(jié)果。

圖10 稀疏數(shù)據(jù)集輸入Fig. 10 Input with sparse datasets

綜上所述，基于Res-UNet 的功率曲線建模方法是一種有效可行的建模方法，其不依賴對(duì)數(shù)據(jù)的處理，對(duì)不同數(shù)據(jù)集無(wú)需重復(fù)訓(xùn)練，可以滿足實(shí)際應(yīng)用中對(duì)功率曲線精確度、運(yùn)算高效性和普適性的需求。

4 結(jié)論

通過(guò)考察風(fēng)電機(jī)組數(shù)據(jù)散點(diǎn)圖與功率曲線之間的關(guān)系，建立了以算法生成的模擬風(fēng)電機(jī)組數(shù)據(jù)的散點(diǎn)圖為輸入、以風(fēng)電機(jī)組功率曲線圖像為輸出的Res-UNet 模型，并通過(guò)像素映射求出了功率曲線數(shù)值表達(dá)。

（1）該方法不依賴事先對(duì)SCADA 運(yùn)行數(shù)據(jù)繁復(fù)的清洗、處理，面對(duì)噪聲大、樣本多的數(shù)據(jù)集依然有良好的效果。

（2）殘差塊的引入使得算法可以快速搭建更深的模型，這有利于通過(guò)處理時(shí)間跨度大、異常數(shù)據(jù)點(diǎn)多的數(shù)據(jù)集成功得到合適的功率曲線。

（3）對(duì)于不同的數(shù)據(jù)集，Res-UNet 不需要重復(fù)訓(xùn)練，適用于不同季度、不同機(jī)組的數(shù)據(jù)，具有高效性、普適性。