第3章：数据采集与SCADA系统

大家好，我是老张。在风电行业摸爬滚打了十几年，今天咱们聊聊SCADA系统。说实话，很多刚入行的同事觉得SCADA就是个数据记录工具，没什么技术含量。但我要说，你如果真这么想，那后面的故障分类和定位基本就做不下去了。

数据是机器学习的燃料，而SCADA系统就是我们的油库。油库要是出了问题，再好的发动机也跑不起来。嗯，咱们一步步来看。

3.1 SCADA系统架构

SCADA的全称是Supervisory Control and Data Acquisition，说白了就是监督控制和数据采集。我习惯把它分成三层来看：

• 现场层：风机上的各种传感器、PLC、变桨控制器等。这一层负责采集原始信号。
• 通讯层：通过光纤、4G/5G或者以太网，把数据从风机传到中控室。我记得早期有些风场还用无线电台，那延迟简直让人抓狂。
• 应用层：中控室的服务器、数据库、人机界面。这里做数据存储、展示和初步分析。

你想想看，这三层只要有一层出问题，数据就不可靠了。我在项目中遇到过，通讯层的光纤被施工队挖断，结果整整一周的数据都是断断续续的。后来做故障分析时，差点被这些假数据带偏。

下面这张图是我自己画的SCADA数据流示意图，帮你理清整体脉络：

3.2 数据采集频率与通道

这里有个常见的误区。很多人以为SCADA数据就是实时数据，其实不是。我给大家拆解一下：

数据类型	采样频率	存储频率	典型通道数
振动信号	10kHz ~ 50kHz	不存储原始数据	4~8通道
电气参数	1Hz ~ 10Hz	每1分钟	10~20通道
温度/压力	0.1Hz ~ 1Hz	每10分钟	30~50通道
状态信号	事件触发	事件触发	50~100通道

为什么会这样？说白了就是存储和带宽的限制。一台风机每秒产生几兆字节的振动数据，如果全部存下来，一个风场几十台风机，一个月就能把硬盘撑爆。所以实际工程中，我们只能存降采样后的数据。

3.3 数据标签含义解析

SCADA系统里的标签，说白了就是每个数据点的名字。但不同厂家的命名规则千奇百怪。我见过最离谱的是用拼音首字母命名的，比如"FD_ZL"代表"发电功率"，你猜得到吗？

这里我整理了一套比较通用的标签命名规范，以某主流机型为例：

// 典型SCADA标签命名示例
// 格式：[部件]_[参数]_[位置]

WTG_Gen_Power      // 发电机有功功率 (kW)
WTG_Gen_RPM        // 发电机转速 (rpm)
WTG_Gbx_OilTemp    // 齿轮箱油温 (℃)
WTG_Gbx_BrgTemp1   // 齿轮箱轴承温度1 (℃)
WTG_Hub_PitchAng1  // 叶片1桨距角 (度)
WTG_Nac_WindSpeed  // 机舱风速 (m/s)
WTG_Tow_VibX       // 塔筒X方向振动 (mm/s)
WTG_Grid_Freq      // 电网频率 (Hz)

嗯，这里要注意，不同风机制造商的标签命名差异很大。比如Vestas喜欢用"V"开头，Goldwind喜欢用"GW"开头。我建议你在做项目前，先找风场运维要一份完整的标签清单，对照着看。

3.4 数据质量初探

数据质量，这是做机器学习最头疼的问题。SCADA系统采集的数据，说实话，质量参差不齐。我总结了几类常见问题：

• 缺失值：通讯中断、传感器故障导致数据为空。占比通常在1%~5%。
• 异常值：传感器漂移、电磁干扰导致数据超出物理范围。比如风速显示200m/s，这明显是错的。
• 死值：传感器卡死，数据长时间不变。比如温度一直显示25.0℃，持续几个小时。
• 时间戳错乱：风机本地时钟不同步，导致数据时间顺序混乱。

你想想看，如果数据本身就有问题，那机器学习模型学到的只能是错误的规律。我见过一个团队，用含有大量缺失值的数据训练模型，结果模型准确率高达99%，但一上线就崩了。为什么？因为模型学会了"当数据缺失时输出正常"，而不是真正的故障模式。

我个人习惯，拿到SCADA数据后，先花20%的时间做数据质量分析。这一步做好了，后面建模会省很多事。说白了，数据清洗不是可有可无的步骤，而是整个机器学习流程的基石。

好了，关于SCADA系统和数据采集，今天就聊到这里。记住一句话：数据质量决定了模型的天花板。下一章咱们聊聊数据预处理的具体方法，到时候我会分享一些我踩过的坑。

---

公众号:蓝海数据掘金营，微信deep3321