第4章 SCADA系统与数据采集

第4章：SCADA系统与数据采集

各位好，我是老张。在风电场干了十几年，今天咱们聊聊SCADA系统。说实话，很多人觉得SCADA就是个数据记录仪，其实远不止这么简单。它是整个智能决策系统的“眼睛”和“耳朵”。

我见过太多项目，算法模型建得漂漂亮亮，结果一上线就崩——为什么？数据质量不行。所以这一章，咱们把SCADA的底细摸清楚。

4.1 SCADA系统架构

SCADA，全称是Supervisory Control and Data Acquisition，监督控制与数据采集。说白了，就是远程监控+数据收集。

典型的SCADA架构分三层：

现场层：风机上的传感器、PLC、变桨控制器等。负责采集原始信号。
通信层：光纤、无线、或4G/5G网络。把数据从风机传到中控室。
应用层：中控室的服务器、数据库、人机界面。做存储、展示、报警。

我个人习惯把这三层比作“神经末梢-脊髓-大脑”。现场层是末梢神经，感知温度、振动、风速；通信层是脊髓，传递信号；应用层是大脑，做决策。

关键点：现在很多风场开始用边缘计算，在风机端就做一部分数据处理。这样可以减少通信压力，也能更快响应异常。我在一个海上风场项目里就用了这个方案，效果不错。

下面这张图是我自己画的SCADA架构示意图，帮你快速理解：

4.2 传感器布局

传感器布局这事儿，学问大了。不是随便装几个就完事。我见过一个风场，振动传感器装在机舱里，结果测出来的全是机舱本身的振动，根本反映不了齿轮箱的真实状态。

常见的传感器布局包括：

风速风向仪：装在机舱顶部，测风速和风向。注意要避开塔影效应。
温度传感器：齿轮箱、发电机、轴承、变压器。每个关键部位至少一个。
振动传感器：主轴承、齿轮箱高速轴、发电机前后轴承。建议三向（X/Y/Z）。
电流/电压互感器：发电机出口、电网并网点。用于功率计算。
桨距角传感器：每个叶片根部。变桨系统控制用。

我的经验：振动传感器安装位置特别重要。我建议装在轴承座的正上方或正侧面，不要装在壳体上。壳体振动和轴承振动，完全是两码事。

4.3 数据采集频率与精度

数据采集频率，说白了就是“多久采一次”。这个参数直接影响数据量和分析效果。

数据类型	推荐频率	说明
风速、功率	1秒~10秒	用于功率曲线分析，频率太低会丢失细节
温度	10秒~1分钟	温度变化慢，频率太高浪费存储
振动	10kHz~50kHz	高频采样，用于频谱分析。注意存储压力
桨距角	0.1秒~1秒	变桨控制需要快速响应
电网参数	0.02秒（50Hz）	谐波分析需要高频率

精度方面，我一般建议：

风速：±0.1m/s
温度：±0.5°C
振动：±1% 满量程
电流/电压：±0.5% 读数

注意：精度不是越高越好。精度越高，传感器越贵，数据量也越大。要根据实际需求来选。比如做功率曲线分析，风速精度0.1m/s就够了，没必要上0.01m/s的传感器。

4.4 常见数据质量问题

嗯，这部分是我最想说的。数据质量问题，是智能决策系统的“隐形杀手”。

我总结了几类常见问题：

数据缺失：传感器故障、通信中断、存储满。表现为时间序列上的“空洞”。
数据异常：传感器漂移、电磁干扰、雷击。表现为数值突然跳变或长期偏离。
数据延迟：网络拥堵、缓存溢出。表现为时间戳错位。
数据重复：重传机制导致同一时刻多条记录。
数据精度不足：传感器老化、量化误差。表现为数值“台阶状”。

避坑指南：我曾经在一个项目里，发现振动数据总是偏大。查了三天，最后发现是传感器安装螺栓松了。从那以后，我要求每次巡检必须检查传感器固定情况。你想想看，数据不准，再好的算法也是白搭。

数据质量检查，我建议做这几步：

范围检查：数值是否在合理区间内？比如风速不可能超过50m/s。
变化率检查：相邻点变化是否过大？比如温度1秒内跳了20°C，肯定有问题。
一致性检查：相关参数是否匹配？比如风速高但功率低，可能有问题。
时间戳检查：是否有乱序或重复？

下面是一个简单的数据质量检查代码示例，用Python写的：

import pandas as pd
import numpy as np

def check_data_quality(df):
    """
    简单数据质量检查
    df: DataFrame，包含 'timestamp', 'wind_speed', 'power' 等列
    """
    issues = []
    
    # 1. 范围检查
    if df['wind_speed'].max() > 50:
        issues.append('风速超出合理范围')
    
    # 2. 变化率检查
    diff = df['wind_speed'].diff().abs()
    if diff.max() > 10:
        issues.append('风速变化率异常')
    
    # 3. 缺失值检查
    missing = df.isnull().sum()
    if missing.any():
        issues.append(f'存在缺失值: {missing[missing>0].to_dict()}')
    
    # 4. 重复时间戳检查
    if df['timestamp'].duplicated().any():
        issues.append('存在重复时间戳')
    
    return issues

# 使用示例
# issues = check_data_quality(scada_data)
# if issues:
#     print("发现数据质量问题:")
#     for issue in issues:
#         print(f"  - {issue}")

最后说一句：数据质量是智能决策的基石。你花再多时间在算法上，如果数据是脏的，结果就是垃圾进垃圾出。我建议每个风场都建立数据质量监控机制，每天自动检查，发现问题及时处理。

好了，这一章就到这里。SCADA系统看似基础，但真正用好它的人不多。下一章咱们聊聊数据预处理，把脏数据洗干净，才能喂给算法吃。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录