36台风力涡轮机早期故障检测SCADA数据一、数据集基础概况数据集汇总了3个风电场、36台风力涡轮机共89年真实运行数据包含95个子数据集其中44个带有异常事件标注51个为正常运行行为数据。数据时间分辨率为10分钟各风电场特征维度不同A风电场86个特征、B风电场257个特征、C风电场957个特征。每个子数据集均包含1年训练数据以及4-98天预测数据。二、数据集核心特点是公开风力涡轮机数据集中故障信息最为详尽的数据集之一每个数据点均配备基于运行状态的标签保障训练数据质量标注出44个可引发故障的异常时间区间51个正常行为时间序列附带所有传感器的说明信息与量纲单位。三、适用应用场景异常检测算法研发与性能测试风力涡轮机预测性维护建模风力涡轮机运行性能分析基于SCADA数据的设备状态监测依托CARE评分覆盖度、准确度、可靠性、提前性开展基准测试。四、数据集整体结构数据按A、B、C三个风电场分文件夹存放每个风电场目录下包含数据集文件夹、事件信息表、特征说明表A风电场葡萄牙陆上风电场5台机组数据源自EDP开放数据平台包含SCADA数据与故障日志时间信息共筛选22个子数据集B、C风电场德国海上风电场数据因保密需求做匿名化处理整体数据分布均衡95个子数据集分为异常事件数据集和正常行为数据集两类。五、数据文件字段说明一单机组时序CSV文件字段time_stamp10分钟频率时间戳已做匿名化处理asset_id风力涡轮机编号已匿名化id时间戳专属编号规避时间格式混淆问题train_test标识该条时间戳属于训练数据还是预测数据status_type风力涡轮机运行状态共6类状态编码0正常运行机组处于正常发电模式1降额运行受功率限制降低发电量2空转待机机组待命等待再次运行3检修模式运维人员现场作业4停机状态因故障或其他原因停运5其他运行状态sensor_x_avg传感器10分钟测量平均值sensor_x_min传感器10分钟测量最小值部分传感器提供sensor_x_max传感器10分钟测量最大值部分传感器提供sensor_x_std传感器10分钟测量标准差部分传感器提供。二事件信息表event_info.csv字段event_id事件编号event_label事件类型分为异常事件、正常事件两类event_start事件开始时间戳event_end事件结束时间戳event_start_id事件起始时间戳对应编号event_end_id事件结束时间戳对应编号event_description部分异常事件的故障根源补充说明。三特征说明表feature_description.csv字段sensor_name匿名化传感器名称statistic_type传感器统计类型包含10分钟均值、最小值、最大值、标准差description传感器测量项简要说明unit传感器测量量纲is_angle布尔值标识是否为角度类传感器is_counter布尔值标识是否为计数类传感器。六、数据规模数据集整体大小39.85GB共204个文件包含123万列数据。36台风力涡轮机SCADA故障检测数据集 完整说明一、数据集核心信息表项目详细说明数据来源葡萄牙德国风电场真实SCADA运行数据含陆上风电场海上风电场数据规模3个风电场、36台机组、95个子数据集总大小39.85GB共123万列数据数据时长汇总了约8-9年运行数据每个子数据集含1年训练数据 4-98天预测数据时间分辨率10分钟/条每条为传感器10分钟统计值标注情况44个异常事件区间、51个正常运行区间均带状态标签与故障说明特征维度A风电场86个特征、B风电场257个特征、C风电场957个特征适用场景风机异常检测、预测性维护、状态监测、算法基准测试二、数据集核心结构组成部分内容单机组时序CSV时间戳、机组ID、训练/测试标识、运行状态、传感器均值/最值/标准差事件信息表event_info.csv事件编号、类型异常/正常、起止时间、故障根源说明特征说明表feature_description.csv传感器名称、统计类型、测量项、量纲、是否为角度/计数类数据三、应用场景与落地方法场景1风机早期故障检测/异常检测最主流这是这套数据最核心的用途适合做预测性维护模型提前识别故障征兆。建模步骤数据预处理按时间戳对齐数据合并事件标签将异常事件区间标记为1正常标记为0处理缺失值SCADA数据易出现空值可用线性插值或前后均值填充标准化特征传感器数据量纲差异大需做Z-score标准化或Min-Max归一化序列构建按时间窗口如1小时/6小时构建时序样本适配LSTM、Transformer等模型。模型训练传统方法Isolation Forest、One-Class SVM、PCA异常检测深度学习LSTM/GRU自编码器、Transformer、CNN-LSTM学习正常运行模式识别偏离正常模式的异常评价指标AUC-ROC、F1-score、提前预警时间故障前多久检测到异常。示例Python时序异常检测importpandasaspdfromsklearn.preprocessingimportStandardScalerfromtensorflow.keras.modelsimportSequentialfromtensorflow.keras.layersimportLSTM,Dense# 1. 读取单机组数据dfpd.read_csv(A风电场/asset_21.csv)# 2. 标准化传感器特征features[colforcolindf.columnsifsensorincol]scalerStandardScaler()df_scaledscaler.fit_transform(df[features])# 3. 构建序列样本defcreate_sequences(data,seq_len12):X[]foriinrange(len(data)-seq_len):X.append(data[i:iseq_len])returnnp.array(X)Xcreate_sequences(df_scaled)# 4. 训练LSTM自编码器学习正常模式modelSequential([LSTM(64,activationrelu,input_shape(X.shape[1],X.shape[2])),Dense(X.shape[2])])model.compile(optimizeradam,lossmse)model.fit(X,X,epochs20,batch_size32,validation_split0.1)# 5. 用重构误差作为异常分数reconstructionsmodel.predict(X)msenp.mean(np.power(X-reconstructions,2),axis(1,2))场景2风机预测性维护建模利用数据构建故障预测模型预测故障发生概率与剩余寿命RUL优化运维计划。可基于事件信息表构建故障发生前的特征趋势如温度、振动、功率偏差的变化模型可选用XGBoost/ LightGBM分类故障发生、LSTM预测RUL输出“未来7天故障概率”等结果落地价值降低非计划停机时间减少运维成本。场景3风机运行性能分析与优化性能评估分析不同工况风速、温度下机组的出力曲线识别效率低下的时段工况分类基于运行状态标签分析降额运行、空转待机的频率与原因参数优化结合传感器数据分析偏航角、桨距角等控制参数对发电量的影响。场景4算法基准测试与学术研究数据集附带CARE评分覆盖度、准确度、可靠性、提前性可用于测试不同异常检测算法的性能适合发表论文可对比传统方法与深度学习方法在风机故障检测中的效果或研究多机组、多风电场数据的迁移学习。四、使用注意事项数据隐私德国B/C风电场数据已做匿名化处理特征名称无明确物理含义需结合feature_description.csv理解标签使用异常事件标签仅覆盖故障发生的时间区间部分故障无前置征兆标签需通过自监督学习/半监督学习方法训练数据规模39.85GB数据建议使用Dask或分机组加载避免内存不足行业合规SCADA数据属于工业敏感数据商用前需确认数据使用许可。