第一章：风电数据基础——SCADA系统与数据预处理

各位同学好，我是老张。在风电行业摸爬滚打了十几年，今天咱们来聊聊风电智能决策系统的地基——数据。

你想想看，一台风机上百个传感器，每秒都在产生数据。这些数据怎么来的？怎么保证质量？怎么处理脏数据？说白了，这就是本章要解决的问题。

1.1 SCADA系统——风机的“黑匣子”

SCADA，全称是数据采集与监视控制系统。我习惯叫它风机的“黑匣子”。

它干三件事：

• 采集数据——风速、转速、温度、振动、功率……
• 监视状态——风机是运行、停机还是故障？
• 控制指令——远程启停、变桨、偏航……

我在项目里见过最老的SCADA系统，还是2005年的。那会儿数据采样频率只有1Hz，存储用的是磁带机。现在？10Hz、50Hz都是常态，数据量大了两个数量级。

1.2 数据采集原理——传感器都在哪？

一台2MW的风机，大概有80-120个传感器。我列几个关键的：

传感器类型	安装位置	采集参数
风速仪	机舱顶部	风速、风向
编码器	主轴、齿轮箱	转速
加速度计	轴承座、塔筒	振动
热电偶	齿轮箱、发电机	温度
功率变送器	并网柜	有功、无功功率

嗯，这里要注意：风速仪装在机舱后面，测的是“经过风轮扰动后的风速”。所以SCADA里的风速，比真实来流风速低15%-20%。这个误差，做功率曲线分析时必须修正。

1.3 数据清洗——脏数据怎么处理？

我接手过一个项目，SCADA数据里风速显示80m/s。你想想看，12级台风也就32.7m/s。这明显是传感器坏了。

常见的脏数据有这几类：

• 超出物理范围——风速>50m/s、温度>150°C
• 恒定值——连续100个点数值不变（传感器卡死）
• 跳变值——0.1秒内从5m/s跳到50m/s
• 缺失值——NaN或空值

下面是我常用的清洗流程：

import pandas as pd
import numpy as np

def clean_scada_data(df):
    # 1. 删除超出物理范围的数据
    df = df[(df['wind_speed'] >= 0) & (df['wind_speed'] <= 50)]
    df = df[(df['power'] >= 0) & (df['power'] <= 2500)]  # 单位kW
    
    # 2. 删除恒定值（连续10个点不变）
    for col in ['wind_speed', 'power', 'rotor_speed']:
        diff = df[col].diff()
        constant_mask = (diff == 0).rolling(window=10).sum() >= 10
        df = df[~constant_mask]
    
    # 3. 删除跳变值（变化率超过阈值）
    df['power_diff'] = df['power'].diff().abs()
    df = df[df['power_diff'] < 500]  # 功率变化不超过500kW/10min
    
    return df

1.4 缺失值处理——填还是不填？

这是个经典问题。我的原则是：能补则补，不能补就删。

缺失值产生的原因：

• 传感器故障（比如振动传感器断线）
• 通讯中断（光纤被挖断，我遇到过两次）
• 停机维护（人为断电）
• 数据存储异常（磁盘满了）

处理策略分三种：

缺失比例	处理方法	适用场景
< 5%	线性插值	风速、温度等连续变化量
5% - 20%	前向填充 + 滚动平均	功率、转速等有规律的数据
> 20%	直接删除该段数据	任何场景（补了也不可信）

代码实现：

# 线性插值
df['wind_speed'] = df['wind_speed'].interpolate(method='linear')

# 前向填充 + 滚动平均
df['power'] = df['power'].fillna(method='ffill')
df['power'] = df['power'].rolling(window=3, min_periods=1).mean()

# 删除缺失超过20%的连续段
missing_ratio = df.isnull().sum() / len(df)
if missing_ratio > 0.2:
    df = df.dropna()

1.5 知识体系总览

下面这张图，是我自己总结的数据处理全流程。你把它打印出来贴在工位上，做项目时对照着来。

这张图里，我特意把“保留原始数据副本”写在最下面。为什么？因为清洗逻辑错了，你还能回滚重来。我见过太多人直接覆盖原始数据，结果想改都改不了。

---