第二章：SCADA系统入门：SCADA数据采集架构、主要数据标签解读、数据质量初筛

各位同行，大家好。欢迎来到《风电场性能分析实战技巧大全》的第二章。

今天咱们聊聊SCADA系统。说实话，我见过太多工程师一上来就对着SCADA数据做各种花哨的分析，结果折腾半天，发现数据本身就有问题。嗯，这就像用一把不准的尺子量东西，量得再仔细也是白搭。

所以，这一章咱们就踏踏实实地把SCADA系统的底子摸清楚。我会从数据怎么来的、每个标签是什么意思、到怎么快速判断数据靠不靠谱，一步步讲透。

2.1 SCADA数据采集架构：数据是怎么到你电脑上的？

很多新人觉得SCADA数据就是“从风机里直接读出来的”，其实没那么简单。我个人习惯把SCADA数据采集比作一个“信息接力赛”。

咱们来看一张图，这是我用SVG画的，能帮你快速理解整个链条：

你看，数据从风机叶片上的传感器出发，经过机舱里的PLC，再通过场区的光纤环网，最后才到达中控室的SCADA服务器。这中间任何一个环节出问题，你拿到的数据就可能不准。

2.2 主要数据标签解读：SCADA里到底存了些什么？

打开SCADA系统，你会看到成百上千个标签（Tag）。新人往往一脸懵。其实，咱们做性能分析，真正核心的标签就那么几类。我按重要性排了个序：

2.2.1 核心性能标签（必须掌握）

这些标签是分析风机性能的基础，缺一不可。我个人习惯把它们叫做“黄金三件套”：

标签名称	单位	典型范围	说明
有功功率 (Active Power)	kW	0 ~ 额定功率	风机实际发出的功率，性能分析的核心指标
风速 (Wind Speed)	m/s	0 ~ 25 (切出风速)	机舱风速仪测得，注意可能存在尾流影响
发电机转速 (Generator RPM)	rpm	0 ~ 额定转速	反映风轮转速，与风速共同决定功率输出

2.2.2 状态与控制标签

这些标签告诉你风机在干什么，是运行、停机还是限功率：

• 运行状态 (Status)：通常用数字表示，比如 1=运行, 2=停机, 3=故障, 4=维护。不同厂家定义不同，一定要先查手册。
• 桨距角 (Pitch Angle)：单位是度。正常运行时在0°附近，限功率时会变大。如果桨距角异常抖动，说明变桨系统可能有问题。
• 偏航角度 (Yaw Position)：单位是度。反映机头朝向。如果偏航角度长时间不变，而风向一直在变，说明偏航系统可能卡住了。

2.2.3 环境与辅助标签

这些标签虽然不直接参与功率计算，但对数据质量判断很有帮助：

• 环境温度 (Ambient Temp)：影响空气密度，进而影响功率。温度高时功率会偏低。
• 机舱温度 (Nacelle Temp)：如果机舱温度过高，可能触发降功率运行。
• 电网频率 (Grid Frequency)：如果电网频率波动大，说明电网质量差，风机可能频繁启停。

2.3 数据质量初筛：别让脏数据毁了你的分析

好了，现在你拿到了SCADA数据。别急着画功率曲线。先做数据质量初筛。我见过太多人拿着脏数据做分析，结果得出“这台风机性能很好”的结论，实际上是因为数据里混了大量停机数据，把平均功率拉低了。

数据质量初筛，说白了就是“三查”：

2.3.1 查完整性

先看数据有没有大段缺失。比如某台风机连续3天没有数据，那这3天的数据就不能用。

# Python示例：检查数据缺失情况
import pandas as pd

# 假设df是SCADA数据，索引是时间
def check_data_gaps(df, max_gap_minutes=30):
    # 计算时间间隔
    time_diff = df.index.to_series().diff()
    # 找出超过最大允许间隔的缺口
    gaps = time_diff[time_diff > pd.Timedelta(minutes=max_gap_minutes)]
    print(f"发现 {len(gaps)} 个数据缺口")
    for idx, gap in gaps.items():
        print(f"缺口时间: {idx}, 持续: {gap}")
    return gaps

2.3.2 查合理性

每个物理量都有它的合理范围。风速不可能有-5 m/s，功率不可能有负值（除非是吸收无功）。我一般会设置一个“物理限值”过滤器：

参数	下限	上限	说明
风速	0 m/s	40 m/s	超过40 m/s基本是传感器故障
有功功率	-50 kW	额定功率×1.1	允许少量负值（吸收无功），但超过110%额定功率不正常
发电机转速	0 rpm	额定转速×1.2	超速20%以上可能是传感器漂移
桨距角	-5°	95°	负值或超过95°基本是错误数据

2.3.3 查一致性

这是最容易被忽略的一步。数据之间要符合物理规律。比如：

• 风速与功率的一致性：风速很低时功率不可能很高。如果出现“风速3m/s，功率2000kW”的数据，那肯定是错的。
• 转速与功率的一致性：对于双馈风机，转速和功率有强相关性。如果转速很低但功率很高，说明数据有问题。
• 桨距角与风速的一致性：风速超过额定风速时，桨距角应该变大。如果风速很高但桨距角还是0°，说明变桨系统可能卡住了。

# Python示例：一致性检查
def consistency_check(df):
    # 标记不合理的数据对
    mask = (df['WindSpeed'] < 3) & (df['ActivePower'] > 500)
    print(f"发现 {mask.sum()} 条风速低但功率高的异常数据")
    
    # 标记停机但功率不为0的数据
    mask2 = (df['Status'] == 2) & (df['ActivePower'] > 50)
    print(f"发现 {mask2.sum()} 条停机状态但功率不为0的异常数据")
    
    return mask, mask2

好了，这一章的内容就到这里。SCADA系统是风电场性能分析的基石，把数据采集架构、标签含义和数据质量搞清楚了，后面的分析才能站得住脚。记住一句话：垃圾数据进，垃圾分析出。数据质量再怎么强调都不为过。

---