2. SCADA实时数据库与历史数据存储机制

SCADA系统的数据存储并不是“把采集到的值写进一张表”这么简单。它通常由两层协同完成：实时数据库负责当前值的高速读写与快速刷新，历史数据库负责长期归档、压缩与追溯查询。理解这两层之间的分工，是后续做异常诊断与数据治理的前提——因为很多“数据异常”并非现场设备故障，而是测点模型、时间戳或质量标记在存储环节被处理成了另一种形态。

一、测点模型：数据的“身份证”

SCADA中每一个可采集的量都对应一个测点（Tag / Point）。测点模型定义了该点的身份与行为，典型字段包括：

• 测点标识：如 SUB1.BAY03.PA101，通常按“厂站-间隔-设备-量测类型”分层命名，便于批量检索与权限划分。
• 数据类型与量纲：模拟量（float）、状态量（bool）、累计量（int64）等，以及单位（kV、A、MW、℃）。
• 工程转换：原始码值与工程量之间的线性或分段映射，例如 Eng = Raw × 0.1 + 0。
• 死区（Deadband）：变化量小于阈值时不入库，用于抑制噪声、降低存储量。
• 量程与限值：用于越限判断和坏值识别。
• 时标来源：由RTU/测控装置打时标，还是由前置采集程序打时标。

测点模型一旦定义错误，后续所有数据都会“带病运行”。例如把累计电量点误配为瞬时量，历史曲线会出现锯齿；把时标来源配错，则同一事件在不同系统中会落在不同时刻。

二、时间戳对齐：让不同来源的数据可比

SCADA数据来自不同装置、不同通信通道，到达前置机的时刻并不等于现场发生的时刻。因此需要区分三类时间：

• 事件时间（Source Timestamp）：现场装置记录的变化时刻，最接近真实物理事件。
• 采集时间（Acquisition Time）：前置程序收到报文的时刻。
• 入库时间（Storage Time）：写入历史库的时刻。

诊断时应优先使用事件时间。当装置不支持时标或时标精度不足时，才退化为采集时间。多源数据对齐常用两种方式：最近邻对齐（取最接近目标时刻的样本）和插值对齐（线性插值到统一时间栅格）。对于开关量，插值没有意义，只能采用保持（前值保持）或最近邻。

三、压缩存储：旋转门与死区

历史库不可能保存每一个原始采样点。工业上最常用的是旋转门压缩（Swinging Door Trending, SDT）：为每个测点维护一个以当前保留点为起点的“门”，新点若落在门内则丢弃，落在门外则保留该点并重新开门。压缩精度由压缩偏差控制，偏差越大，保留点越少，曲线越“折线化”。

压缩带来的副作用是：历史曲线上的“突变”可能只是压缩后的折线拐点，而非真实跳变。因此诊断异常时，不能只看压缩后的归档值，必要时应回查原始采样缓存或提高该测点的压缩精度。

四、数据质量标记：区分“真值”与“可疑值”

SCADA数据必须携带质量码，否则无法判断一个值是真实测量、通信中断还是人工置数。常见质量标记包括：

• Good：正常有效。
• Bad / Invalid：通道中断、装置故障、越量程。
• Questionable：超时未刷新、时钟异常、疑似漂移。
• Substituted：人工置数或仿真值。
• Stale：值长时间未更新，可能已过期。

质量码通常与数值一起存储。查询接口应支持按质量过滤，例如只取 Good 数据做统计，避免坏值污染平均值、电量累计和趋势分析。

五、读取接口：实时与历史的访问方式

实时库通常提供订阅/推送接口（如OPC UA Subscription、IEC 61850报告），适合画面刷新与告警；历史库提供查询接口（如SQL、REST、OPC HDA），适合趋势、报表与事后分析。读取时需关注：查询时间范围、采样间隔、聚合方式（原始/平均/最大/最小）、质量过滤条件、返回点数上限。

六、一个可复用的诊断检查顺序

当发现某条曲线“异常”时，建议按以下顺序排查，而不是直接怀疑设备：

1. 看质量码：若为 Bad 或 Stale，说明数据本身不可信，应先查通道与装置。
2. 核对时间戳：确认事件时间与采集时间是否被混用，各站时钟是否一致。
3. 检查压缩设置：折线拐点是否由压缩偏差造成，必要时回查原始采样。
4. 确认测点模型：类型、量纲、工程转换、死区是否与现场一致。
5. 最后才分析物理量本身：在数据可信的前提下，再判断是否真实越限或漂移。