编辑推荐：
为优化风机性能、降低维护成本，研究人员针对 SCADA 数据开展基于混合 iForest-DBSCAN 模型的异常检测与正常行为功率曲线（NBPC）建模研究。结果显示该方法精度达 0.98，准确率超 99%，且计算资源需求低，为风电场运维提供新框架。
在全球能源转型的浪潮中，风能作为清洁可再生能源的重要组成部分，其开发与利用正受到前所未有的关注。截至 2023 年，全球风电装机容量已达 117GW，中国以 75GW 的装机量位居世界前列。然而，风电产业的快速发展面临着严峻挑战：风机运行过程中，设备故障和性能衰退可能导致严重的经济损失，而传统的运维模式依赖定期检修，成本高且效率低下。如何通过精准的异常检测及时发现设备隐患，同时构建可靠的功率曲线模型以优化风机运行，成为风电领域亟待解决的关键问题。现有的基于物理模型的方法难以适应复杂多变的运行环境，而数据驱动的方法如神经网络等又存在计算成本高、易过拟合等缺陷，亟需一种高效、准确且兼具鲁棒性的新方法。
在此背景下，国内研究团队开展了一项具有创新性的研究，相关成果发表在《Expert Systems with Applications》。该研究旨在开发一种基于 SCADA（监控和数据采集系统）数据的高效异常检测与功率曲线建模方法，以提升风电场的运行效率并降低运维成本。
研究人员采用了以下关键技术方法：首先对 SCADA 数据进行缺失值处理和初步过滤，去除明显错误数据；然后引入混合 iForest-DBSCAN 模型，其中 iForest（孤立森林）作为一种基于决策树的算法，能快速检测异常值且计算资源需求低，DBSCAN（基于密度的空间聚类算法）则擅长处理任意形状和大小的复杂数据簇，二者结合实现对异常数据的精准识别；最后利用 LOESS（局部估计散点平滑法）对剔除异常后的正常数据进行拟合，构建正常行为功率曲线（NBPC）。研究数据来源于中国江苏东海的 2 个 4MW 海上风电场和甘肃玉门的 1 个 1.5MW 陆上风电场，采集周期为一年，时间间隔为十分钟。
数据描述与预处理
研究使用的 SCADA 数据涵盖了不同容量风机在多种运行场景下的参数，包括风速、转子转速、叶片变桨角度等。通过对原始数据的清洗和过滤，剔除了包含零功率值（风速大于切入风速时）、持续正功率值（风速小于额定风速时）等典型异常特征的数据点，为后续建模提供了高质量的数据集。
混合模型性能验证
在 offshore wind farm 1 和 2 以及陆上风电场的验证中，iForest-DBSCAN 模型展现出优异的性能。其中，海上风电场 1 和 2 的检测精度分别达到 99.8% 和 99.1%，陆上风电场的精度和准确率均为 99.9%。与传统方法相比，该模型在处理大规模数据时所需计算资源显著减少，克服了神经网络等方法计算成本高的缺陷。
功率曲线建模效果
利用 LOESS 技术对正常数据进行建模后，成功生成了具有 95% 置信区间的 NBPC。该曲线能够清晰反映风机在不同风速下的正常功率输出行为，为风机性能对比和故障诊断提供了可靠依据。通过分析不同风机的功率曲线差异，可深入探究环境因素和机械状态对风机运行的影响，进而制定针对性的维护策略。
研究结论表明，iForest-DBSCAN 混合模型在风电异常检测中具有高精准度和强鲁棒性，结合 LOESS 的功率曲线建模方法能有效刻画风机正常运行特征。该研究为风电场提供了一种数据驱动的实时监控与运维框架，通过精准识别异常数据和构建可靠功率曲线，可显著提升风机运行效率、优化维护计划，并延长设备使用寿命。其创新点在于融合了两种算法的优势，既发挥了 iForest 的快速检测能力，又利用 DBSCAN 的聚类特性处理复杂数据结构，为风电领域的异常检测与性能优化开辟了新路径。此外，该方法在计算效率和模型可解释性方面的优势，使其更适用于实时应用场景，对推动风电产业向智能化、高效化方向发展具有重要的现实意义。
