3. 测风数据采集与质量控制
各位好，我是老张。今天咱们聊聊测风数据采集和质量控制。说实话，这一章是整个资源评估里最枯燥、但也是最要命的一环。我见过太多项目，前期选址、机型选得都挺好，结果数据一塌糊涂，最后评估偏差大得离谱。嗯，咱们得把这块硬骨头啃下来。
3.1 数据采集频率：别小看这个参数
数据采集频率，说白了就是你多长时间记录一次数据。我个人习惯用10分钟的平均值作为标准。为什么是10分钟？你想想看，风的变化是有惯性的，太短了（比如1秒）全是噪声，太长了（比如1小时）又会把关键的风切变信息给抹掉。
我建议的配置是这样的：
- 原始采样频率：1Hz（每秒1次）或更高
- 记录频率：10分钟平均值、标准差、最大/最小值
- 特殊需求：湍流分析需要1Hz原始数据，但日常评估用10分钟就够了
3.2 异常值识别：火眼金睛看数据
异常值识别，这是质量控制的第一步。我把它分成三类：
3.2.1 物理极限检查
风速不可能为负，也不可能超过60m/s（除非是台风，但那是另一回事）。温度、气压也有合理范围。这些是硬边界，越界直接剔除。
# 简单的物理极限检查示例
def physical_check(df):
# 风速范围：0-60 m/s
df = df[(df['ws'] >= 0) & (df['ws'] <= 60)]
# 温度范围：-40°C 到 50°C
df = df[(df['temp'] >= -40) & (df['temp'] <= 50)]
return df3.2.2 统计异常检测
这里我常用的是IQR（四分位距）方法。说白了，就是找出那些偏离正常范围太远的数据点。比如风速突然从5m/s跳到25m/s，然后又掉回来，这明显是传感器卡住了或者结冰了。
3.2.3 时序一致性检查
这个坑我踩过。有一次在云南的项目，数据看起来都正常，但发电量预测总是偏高。后来仔细查才发现，有两个月的风速数据被整体偏移了0.5m/s——因为传感器支架被鸟撞歪了。时序一致性检查就是看相邻数据点的变化是否合理。
3.3 异常值处理：不是删了就完事
识别出异常值后，怎么处理？我总结了三种方法：
- 直接剔除：适用于明显错误的数据（比如风速为负）
- 插值填补：适用于短时间（<2小时）的数据缺失，用前后平均值或线性插值
- 标记保留：适用于极端天气事件，保留数据但打上标签
我个人习惯用第二种方法处理大部分情况。但要注意，插值填补不能超过总数据量的5%，否则会引入系统性偏差。
3.4 数据完整率要求：硬指标
数据完整率，这是项目评审时必查的指标。标准要求是这样的：
| 项目阶段 | 最低完整率 | 推荐完整率 |
|---|---|---|
| 前期评估 | 90% | 95% |
| 可研阶段 | 95% | 98% |
| 施工图设计 | 98% | 99% |
完整率怎么算？很简单：有效数据记录数 ÷ 理论应记录数 × 100%。但这里有个坑——理论应记录数怎么定？是按全年8760小时算，还是扣除设备检修时间？我建议按全年算，这样更严格，评审时也更有说服力。
3.5 质量控制流程：一张图说清楚
下面这张图是我自己总结的质量控制流程，这些年一直在用，效果不错：
3.6 实战中的几个坑
最后，分享几个我这些年踩过的坑：
- 传感器结冰：北方冬天常见，风速数据会突然变成0或极小值。我建议加装加热装置，并在数据中标记结冰时段。
- 鸟类干扰：传感器支架上落鸟，会导致风向数据异常。解决办法是加装防鸟刺。
- 雷击损坏：一次雷击可能损坏整个采集系统。记得做防雷设计，并定期备份数据。