iForest-DBSCAN 异常检测模型
风电机组异常检测精度 99.9%
一种结合孤立森林与密度聚类的风电机组异常检测模型，能高效识别风电场SCADA数据中的异常，并利用正常数据构建高置信度的正常行为功率曲线，为风电机组性能评估与预测性维护提供可靠依据。
Mehmood, Zahid · 王震宇
Expert Systems with Applications 2025
参数信息
- 异常检测精度（海上风电场1）
- 99.8 %
- 异常检测精度（海上风电场2）
- 99.1 %
- 异常检测精度（陆上风电场）
- 99.9 %
- 正常行为功率曲线置信区间
- 95 %
- 检测精度（所有数据集）
- 0.98
- 异常检测准确率（海上风电场1）
- 99.8 %
- 异常检测准确率（海上风电场2）
- 99.1 %
- 异常检测准确率（陆上风电场）
- 99.9 %
技术优势
大规模数据也高效
该方法处理海量 SCADA 数据时的计算资源需求极小，远优于神经网络等传统方法。
自动识别异常点
结合 iForest 和 DBSCAN 的优点，无需人工判读即可有效识别 SCADA 数据中的异常。
功率曲线置信度高
利用剔除异常后的正常数据，通过稳健 LOESS 方法构建带 95% 置信区间的正常行为功率曲线。
应用场景
- 风电机组健康监测：通过分析 SCADA 数据识别异常运行状态，及时发现潜在故障，避免严重损坏。
- 工业大数据异常检测：处理海量工业数据中的异常和离群点，无需大量标注样本即可实现高精度检测。
- 风电场预测性维护：基于异常检测和功率曲线分析，预测维护需求，减少非计划停机。
- 风电功率曲线建模：利用剔除异常后的正常数据建立高置信度功率曲线，作为性能评估基准。