基于INNER-DBSCAN和功率曲线模型的风机异常状态检测

针对目前风电机组异常运行状态无法快速检测问题,提出一种基于INNER-DBSCAN算法和功率曲线模型的数据驱动实时检测方法。该方法先利用贝茨理论和RC模型构造一个新的约束来进行数据预处理,剔除机组极端异常运行数据;再基于提出的区间DBSCAN算法对数据进行聚类,得到正常数据和异常数据;最后利用区间邻域最值对正常数据进行边缘识别,构造风电机组正常运行时的功率曲线模型,并通过模式图的上下临界值识别风机异常运行状态。利用8台风电机组SCADA数据进行实验,结果表明,该方法能有效实时检测风机异常运行状态。

一种应用于噪声点分布密集环境下的噪声点识别算法

为了提高DBSCAN及其改进算法在噪声点分布密集环境下的噪声点识别率,通过结合PageRank算法思想及噪声数据分布密集的特点,构造簇间投票映射函数,提出了簇间投票噪声点识别算法-NoiseRank.实验结果表明,在噪声点分布密集环境下,NoiseRank算法比DBSCAN算法具有更高的噪声点识别率.