3. 数据采集：传感器数据、SCADA系统与气象站数据获取方法

做发电量预测，第一步不是调模型，而是搞数据。我见过太多人一上来就调参，结果数据质量一塌糊涂，模型再牛也白搭。今天咱们就聊聊数据采集这件事——传感器、SCADA系统、气象站，这三块怎么拿数据、怎么避坑。

3.1 传感器数据采集：最基础的“触角”

传感器是发电系统的“神经末梢”。说白了，就是靠它们感知物理世界的状态。光伏板上的温度传感器、风机上的振动传感器、逆变器里的电流传感器……这些都是最原始的数据源。

常见的传感器类型：

• 温度传感器：测量环境温度、组件温度、逆变器温度
• 辐照度传感器：测量太阳辐射强度（光伏必备）
• 风速/风向传感器：测量风速和风向（风电必备）
• 电流/电压传感器：监测电气参数
• 振动传感器：监测设备运行状态

采集协议选择：

协议	适用场景	传输距离	实时性
Modbus RTU	近距离、有线连接	几百米	高
Modbus TCP	远距离、网络环境	不限（依赖网络）	中
OPC UA	跨平台、安全性要求高	不限	中高
MQTT	物联网、低带宽场景	不限	低（依赖网络）

3.2 SCADA系统数据获取：电站的“大脑”

SCADA系统，全称是监控与数据采集系统。它把各个传感器的数据汇总起来，再加上控制功能。你想想看，一个风电场几十台风机，每台风机几十个传感器，没有SCADA系统根本管不过来。

SCADA系统能提供什么数据？

• 运行状态数据：启停状态、运行模式、故障代码
• 电气参数：有功功率、无功功率、电压、电流、频率
• 环境参数：温度、湿度、风速（部分SCADA集成气象站）
• 累计数据：发电量、运行时长、启停次数

获取SCADA数据的方式：

1. 直接数据库读取：很多SCADA系统使用SQL Server或MySQL，可以直接连数据库取数。但要注意权限问题。
2. OPC接口：工业自动化领域的标准接口，支持实时数据读取。我建议优先用OPC UA，安全性更好。
3. API接口：部分新系统提供RESTful API，用HTTP请求就能拿数据，比较方便。
4. 文件导出：最原始的方式，SCADA系统导出CSV或Excel文件。适合数据量不大的场景。

3.3 气象站数据获取：预测的“外部变量”

发电量预测离不开气象数据。光伏要看辐照度、温度、云量；风电要看风速、风向、空气密度。气象数据来源主要有三种：

1. 现场气象站

在电站现场安装气象站，数据最准确。但成本高，维护麻烦。我建议至少安装一套完整的气象站，包括辐照度计、风速仪、温湿度计、气压计。

2. 数值天气预报（NWP）

从气象局或商业气象服务商获取。比如ECMWF、GFS、WRF模型的数据。这些数据覆盖范围广，但分辨率有限。我习惯用NWP数据做中长期预测（未来3-7天）。

3. 卫星遥感数据

通过卫星云图反演辐照度等参数。适合没有现场气象站的场景。但精度不如现场测量，而且有延迟。

气象数据获取示例（Python）：

import requests
import pandas as pd

# 从气象API获取数据（示例使用OpenWeatherMap）
api_key = "your_api_key"
lat, lon = 40.7128, -74.0060  # 电站经纬度

url = f"http://api.openweathermap.org/data/2.5/weather?lat={lat}&lon={lon}&appid={api_key}"
response = requests.get(url)
data = response.json()

# 提取关键气象参数
weather_data = {
    'temperature': data['main']['temp'] - 273.15,  # 开尔文转摄氏度
    'humidity': data['main']['humidity'],
    'pressure': data['main']['pressure'],
    'wind_speed': data['wind']['speed'],
    'wind_direction': data['wind']['deg'],
    'cloud_cover': data['clouds']['all']
}

df = pd.DataFrame([weather_data])
print(df)

3.4 数据采集的整体架构

下面这张图展示了数据采集的整体流程。从传感器到SCADA，再到数据平台，最后到预测模型。每一步都有需要注意的地方。

3.5 数据质量检查清单

数据拿到手，别急着用。先做一轮质量检查。我总结了一个检查清单：

• 完整性检查：有没有缺失值？时间序列是否连续？
• 一致性检查：不同数据源的数据是否对得上？比如SCADA的功率数据和电表的累计电量是否一致。
• 异常值检查：有没有明显不合理的数据？比如风速100m/s，温度-100°C。
• 时间戳检查：时间是否对齐？有没有时区问题？
• 单位检查：单位是否统一？比如温度是摄氏度还是华氏度？

好了，数据采集这块就聊到这儿。记住一句话：数据质量决定模型上限。下一章咱们聊聊数据预处理，怎么把原始数据变成模型能吃的“干净数据”。

---