风电机组数据采集与监控系统异常数据识别方法

为了解决原始的风电机组数据采集与监控系统(SCADA)中包含大量异常记录的数据、难以准确反映机组运行状态的问题，提出了一种带噪声基于密度的空间聚类(DBSCAN)模型的风电机组SCADA异常数据识别方法。该方法从分析风速-功率曲线的特点出发，采用预测误差和分类准确度来选取关键聚类参数邻域半径和邻域最小样本点数，避免了人工确定聚类参数的主观性，且参数选择过程可以完全自动化，实现了风电机组SCADA异常数据的有效识别。通过某风场中风电机组的监测数据进行实例验证，结果表明：所提方法能够在保证异常数据被剔除的前提下，保留尽可能多的正常数据，异常识别效果好于现有的k-dist图法和基于k-平均最近邻算法的改进算法(KANN-DBSCAN)。该研究可为开展风电机组状态分析提供参考。