第2章数据采集基础

第2章：数据采集基础：传感器类型、数据采集协议（Modbus、IEC 104）、数据清洗与预处理

大家好，我是老张。在储能运维这个行当摸爬滚打了十来年，今天咱们聊聊数据采集这件事。

很多人觉得数据采集不就是接根线、读个数吗？其实没那么简单。我见过太多项目，前期采集没做好，后面做可视化分析时，数据全是垃圾，根本没法用。说白了，数据采集是整个可视化体系的根基，根基不稳，楼盖得再高也得塌。

2.1 储能系统常见的传感器类型

储能系统里，传感器就像我们的眼睛和耳朵。没有它们，你根本不知道电池在干什么。

我个人习惯把传感器分成三大类：

电气量传感器：电压、电流、功率。这是最基础的，每个电池簇、每个PCS（储能变流器）都得装。
环境量传感器：温度、湿度、气压。电池对温度特别敏感，我见过一个项目因为温度传感器装少了，导致热失控预警没及时触发，差点出大事。
状态量传感器：烟雾、气体（氢气、一氧化碳）、液位、门禁。这些主要用于安全监控。

重点提醒：温度传感器不是随便装几个就行。每个电池模组至少要有1-2个测温点，电池簇的正负极母线也要装。我曾经在一个项目中，客户为了省钱，一个簇只装了一个温度探头，结果中间某个电芯过温了，系统完全没发现。

传感器类型	测量参数	典型精度	安装位置
电压传感器	单体电压、总电压	±0.5%	电池模组、电池簇
电流传感器	充放电电流	±1%	电池簇主回路
温度传感器	电芯温度、环境温度	±0.5℃	电芯表面、风道出口
烟雾传感器	烟雾浓度	报警阈值可调	电池仓顶部

2.2 数据采集协议：Modbus 和 IEC 104

传感器采集到的数据，怎么传到后台？这就靠通信协议了。储能行业最常用的两个协议，一个是Modbus，一个是IEC 104。

2.2.1 Modbus 协议

Modbus 是老牌协议了，简单、稳定、兼容性好。几乎所有储能设备都支持。

它有两种模式：

Modbus RTU：走串口（RS-485），适合短距离、低速传输。我早期做的一个小储能站，用的就是RTU，一根双绞线能带32个设备。
Modbus TCP：走以太网，速度快，距离远。现在新建的大型储能项目，基本都是TCP。

我的经验：Modbus 有个坑——地址冲突。多个设备如果设了相同的地址，数据就会乱套。我建议在项目调试阶段，先用一个扫描工具把所有设备的地址扫一遍，确认没有重复再上线。

下面是一个用Python读取Modbus数据的简单示例：

from pymodbus.client import ModbusTcpClient

# 连接设备
client = ModbusTcpClient('192.168.1.100', port=502)
client.connect()

# 读取保持寄存器，从地址0开始，读10个寄存器
result = client.read_holding_registers(0, 10, unit=1)

if result.isError():
    print("读取失败，请检查连接")
else:
    for i, value in enumerate(result.registers):
        print(f"寄存器 {i}: {value}")

client.close()

2.2.2 IEC 104 协议

IEC 104 是电力系统的标准协议，储能作为新型电力系统的一部分，现在越来越多的项目要求用这个协议。

它比Modbus复杂，但功能更强：

支持遥测（模拟量）、遥信（开关量）、遥控（控制命令）
自带时间戳，数据带时标，方便历史追溯
有确认机制，通信可靠性高

注意：IEC 104 的报文结构比较复杂，调试时建议用抓包工具（如Wireshark）分析报文。我曾经被一个报文格式错误折腾了两天，最后发现是字节序搞反了。

2.3 数据清洗与预处理

数据采集上来了，但别急着用。原始数据里全是「脏东西」：

缺失值：传感器掉线、通信中断，数据就断了
异常值：传感器故障、干扰，数据突然跳变
重复值：同一个时间点采集了多次
噪声：小幅度的随机波动

我常用的清洗步骤，就三步：

去重：按时间戳排序，删除重复记录
补缺：短时间缺失用插值法，长时间缺失直接标记为无效
滤波：用中值滤波或移动平均，去掉毛刺

举个例子，温度数据突然从25℃跳到85℃，然后又跳回来。这明显是传感器故障，不是真实温度变化。我会用「3σ原则」来检测这种异常：

import numpy as np

def detect_outliers(data, threshold=3):
    mean = np.mean(data)
    std = np.std(data)
    outliers = []
    for i, value in enumerate(data):
        z_score = (value - mean) / std
        if abs(z_score) > threshold:
            outliers.append(i)
    return outliers

# 假设温度数据
temperatures = [25.1, 25.3, 25.0, 85.2, 25.2, 25.4]
bad_indices = detect_outliers(temperatures)
print(f"异常数据索引: {bad_indices}")

避坑指南：我曾经在清洗数据时，把电池正常充放电的电压变化当成了异常值给滤掉了。后来发现，电池在充电时电压会自然上升，这不是故障。所以清洗前一定要先理解数据的物理意义，别一刀切。

2.4 本章知识体系总览

下面这张图，是我自己总结的数据采集知识框架，你一看就明白了：

嗯，这张图基本把数据采集的脉络理清了。从传感器选型，到协议选择，再到数据清洗，每一步都不能马虎。

你想想看，如果传感器精度不够，采集到的数据本身就是错的，后面再怎么做可视化、做分析，都是白搭。所以我的建议是：在项目规划阶段，就把数据采集方案做扎实，别等到上线了再补。

好了，这一章就聊到这儿。数据采集是基础，但也是决定成败的关键。下一章咱们聊聊数据存储，看看采集上来的数据怎么存才高效。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录