第一章：风电数据初探——认识SCADA数据、数据字段解读、数据质量概览

各位工程师朋友，咱们今天聊聊风电数据清洗的第一步——数据初探。说实话，我见过太多人一上来就急着跑模型，结果数据质量一塌糊涂，后面全白干。我个人习惯是，拿到数据先花半天时间“盘一盘”，搞清楚它到底长什么样。

1.1 SCADA数据到底是什么？

SCADA，全称是数据采集与监视控制系统。说白了，就是风机身上装了无数个传感器，每隔几秒或几分钟，把风机的“身体状况”上报一次。我参与过的项目里，数据采集频率通常是10秒一次，也有1秒一次的，但那种数据量太大，存储成本高，一般项目扛不住。

你想想看，一台风机有上百个传感器，从风速、转速到齿轮箱温度，再到桨叶角度，全都在记录。这些数据就是咱们做分析的“原材料”。

1.2 数据字段解读——别被字段名吓到

我第一次接触SCADA数据时，看到几十个字段名，头都大了。后来发现，其实可以分成几大类：

字段类别	典型字段	说明
时间戳	timestamp	数据采集的时间点，格式通常是YYYY-MM-DD HH:MM:SS
环境参数	wind_speed, wind_direction, air_density	风速、风向、空气密度等外部条件
运行参数	rotor_speed, generator_speed, blade_pitch	转速、桨距角等机组运行状态
温度参数	gear_bearing_temp, generator_temp, nacelle_temp	齿轮箱、发电机等关键部件温度
功率参数	active_power, reactive_power	有功功率、无功功率，直接反映发电量
状态标识	status_code, alarm_code	机组运行状态码和报警码

嗯，这里要注意：不同风机制造商的字段命名可能不一样。我在项目中遇到过，某品牌风机把风速叫“WS”，另一家叫“WindSpeed”，还有叫“AVG_WIND_SPEED”的。所以拿到数据后，第一件事就是对照数据字典，把字段名统一。

1.3 数据质量概览——先看看数据“脏不脏”

数据质量，说白了就是数据能不能用。我总结了一套“三步走”的快速检查方法：

1. 看缺失值——哪些字段有空值？空值比例高不高？
2. 看异常值——有没有风速500m/s这种离谱数据？
3. 看时间连续性——时间戳有没有跳变？有没有重复？

我曾经接手过一个项目，数据里风速字段有30%是空值，一问才知道，是风速计坏了半年没人修。这种数据如果不处理，模型训练出来就是废的。

1.4 知识体系框架图

下面这张图，是我自己总结的SCADA数据初探的核心逻辑。你看一眼，心里就有谱了：

1.5 实战：用Python快速查看数据

光说不练假把式。咱们直接上代码，看看怎么用Python快速摸清数据底细：

import pandas as pd
import numpy as np

# 读取数据
df = pd.read_csv('wind_turbine_scada.csv')

# 1. 看数据形状
print(f"数据维度：{df.shape}")
print(f"字段列表：{df.columns.tolist()}")

# 2. 看缺失值
missing = df.isnull().sum()
missing_pct = missing / len(df) * 100
print("\n缺失情况：")
print(missing_pct[missing_pct > 0])

# 3. 看基本统计
print("\n基本统计：")
print(df.describe())

# 4. 看时间范围
print(f"\n时间范围：{df['timestamp'].min()} 到 {df['timestamp'].max()}")
print(f"总时长：{(df['timestamp'].max() - df['timestamp'].min()).days} 天")

1.6 避坑指南

最后，分享几个我踩过的坑：

• 时间戳格式不统一——有的用“2024-01-01 00:00:00”，有的用“2024/01/01 00:00”。我建议统一转成datetime格式，不然排序会出问题。
• 风速负值——我曾经见过风速-5m/s的数据，明显是传感器故障。这种数据要么剔除，要么用前后值填充。
• 功率为负——风机停机或耗电时，有功功率可能为负。这不一定是异常，但要结合状态码判断。

好了，这一章就到这里。数据初探是基础中的基础，但也是最容易被忽视的。把这一步做扎实了，后面的清洗和特征工程才能事半功倍。

---