CN109245310A - 一种基于实时数据库的电力监控*** - Google Patents
一种基于实时数据库的电力监控*** Download PDFInfo
- Publication number
- CN109245310A CN109245310A CN201811343220.9A CN201811343220A CN109245310A CN 109245310 A CN109245310 A CN 109245310A CN 201811343220 A CN201811343220 A CN 201811343220A CN 109245310 A CN109245310 A CN 109245310A
- Authority
- CN
- China
- Prior art keywords
- data
- real
- time
- compression
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000007906 compression Methods 0.000 claims abstract description 31
- 230000006835 compression Effects 0.000 claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000004891 communication Methods 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims abstract description 9
- 238000009499 grossing Methods 0.000 claims abstract description 6
- 238000007726 management method Methods 0.000 claims description 24
- 238000005516 engineering process Methods 0.000 claims description 23
- 230000003993 interaction Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 7
- 230000001360 synchronised effect Effects 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 230000006837 decompression Effects 0.000 claims description 2
- 238000013144 data compression Methods 0.000 abstract description 13
- 230000002411 adverse Effects 0.000 abstract description 4
- 239000002699 waste material Substances 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 241000282485 Vulpes vulpes Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- H02J13/0062—
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种基于实时数据库的电力监控***，属于电力监控***领域，分为三个模块，分别为人机界面模块、实时数据库以及通信模块。采用最小二乘法检测异常数据，并对异常数据做平滑处理，再利用旋转门压缩算法对预处理过的数据进行压缩处理；电力监控***采用内存数据库，历史数据库和磁盘存储三级存储模式来共同实现实时数据库。本***在实时数据库技术上，在保证历史数据压缩精度的基础，采用最小二乘法检测异常数据，并对异常数据做平滑处理避免异常数据对数据压缩精度和压缩效率的不利影响，再利用旋转门压缩算法对预处理过的数据进行压缩处理，提出提高数据压缩率，减少存储空间的浪费。
Description
技术领域
本发明属于电力监控***领域，具体涉及一种基于实时数据库的电力监控***。
背景技术
随着信息技术的发展，计算机技术、网络技术以及通信技术被广泛应用于各个领域，信息化在全球经济发展中扮演着的重要角色。物联网作为继计算机、互联网之后世界信息产业发展的第三次浪潮，促进了信息化的进一步迅猛发展。物联网技术其实是一种融合的技术，涉及到传感技术、射频技术、通讯技术、互联网技术、云计算、大数据技术、自动化技术等各种技术。物联网的核心和基础仍然是互联网，是在互联网基础上的延伸和扩展的网络；其用户端延伸和扩展到了任何物品与物品之间，进行信息交换和通信。因此，“物联网概念”是在“互联网概念”的基础上，将其用户端延伸和扩展到任何物品与物品之间，进行信息交换和通信的一种网络概念。物联网用途广泛，遍及智能交通、环境保护、政府工作、公共安全、平安家居、智能消防、工业监测、环境监测、路灯照明管控、景观照明管控、楼宇照明管控、广场照明管控、老人护理、个人健康、花卉栽培、水系监测、食品溯源、敌情侦查和情报搜集等多个领域。
数据采集与监控***，即SCADA***，是物联网技术的具体应用。SCADA***被广泛应用于电力，水力、石油、化工等诸多领域。在电力***中，SCADA***应用最为广泛，技术也比较成熟。电力监控***又称为电力SCADA***，是信息化与工业化结合的产物，第一代是专用计算机和专用操作***的SCADA***。第二代是基于计算机的SCADA***，第三代是基于分布式计算网络以及关于数据库技术的能够实现大范围联网的SCADA***。目前国内外市场上应用较为普遍的的SCADA上位机***主要有：澳大利亚的CiTech、美国的Interlution公司的Fix、西门子公司的WinCC等,这些***较为全面的解决了传统SCADA***的主要问题：数据采集和监控信息发送；报警处理，历史趋势显示与记录等。
实时数据库作为电力监控***的重要组成部分。随着网络技术的高度发展，各类企业纷纷采用先进的手段来实现跨平台、跨地域、跨时空的实时监控***。实时数据库是采用实时数据模型建立的，用于处理不断更新的快速变化的数据和具有时间序列特性的事务。实时数据库是实时***和数据库技术形结合的产物，利用数据库技术解决实时数据库中的数据管理问题，同时利用实时技术为实时数据库提供时间驱动和资源分配算法。传统的关系型数据库适用于处理稳定、永久的数据，注重维护数据的完整性和一致性，对实时性要求比较低。单纯的使用关系型数据库并不满足电力监控***数据实时性高的要求。同时电力监控***产生的历史数据对于电力企业而言是很有价值的，，企业通过分析历史数据来了解当前和过去的的设备状态以便进行设备的改进和***的进一步完善。实时数据库采用数据压缩技术，对历史数据进行压缩存储，可以处理10万点以上的数据，历史数据可以保存3年以上，并保证数据处理的精确度和速度。实时数据库中对历史数据的压缩通常采用有损压缩技术，主要分为：矢量量化方法、信号变换法、分段线性法。适用于历史数据压缩的方法是分段线性法，主要包括向后倾斜法、矩阵波串法和旋转门算法。国内外应用最广泛的是PI实时数据库，这种数据库采用的压缩方法是旋转门压缩算法，而这种算法存在着不足：1)压缩参数ΔE是有人工靠经验设定，ΔE设置过大或过小都会严重影响历史数据的压缩率以及压缩精度。2)电力***的数据采集过程中，会存在由于误差导致的噪声数据以及由于设备故障导致的异常数据，这些数据同样会降低历史数据压缩效果。所以如何处理由于压缩参数设置误差以及异常数据对数据压缩的不利影响是现在亟待解决的问题。
发明内容
本专利在研究国内外实时数据库技术的基础上，通过与电力企业管理人员沟通，从电力监控***采集的数据特点出发，综合运用分析数据库原理，结合***工程理论以及软件工程思想，研究并实现了能高效处理实时数据以及历史数据的电力监控***，从实时数据库的层面上来提高***的整体功能，运用改进的数据压缩技术压缩历史数据从而节省数据的存储空间，避免因存储空间不足而导致的***卡顿甚至崩溃的现象，提高的电力监控***的运行效率，保证其数据的实时性和准确性。同时，采用数据统计分析的方法检测电力监控***在运行过程中的异常数据，分析异常数据点，帮助工作人员即及时发现故障设备，并采取维修措施，保障***的正常运行。
一种基于实时数据库的电力监控***，分为三个模块，分别为人机界面模块、实时数据库以及通信模块，人机界面模块分为用户管理模块、工程管理模块、组件管理模块、以及Gis地图；人机界面通过restful服务与实时数据库进行交互，人机界面通过接口从实时数据库查询历史数据以及工程数据，获取每个工程下的数据源、图形化组件，以及各种静态资源，并在界面上显示；
其特征在于：
采用socket.io服务来实现消息的实时推送，通过RabbitMQ消息队列，将采集到的实时数据及时展现在人机交互界面上；实时数据库功能包括实时处理，数据分析以及数据存储；实时处理包括实时监测、故障检测、数据存档；实时监测是监测数据的变化，将变化的数据推送到人机交互界面，达到设备状态与人机交互界面同步的效果；故障检测是在数据采集之后，采用最小二乘法检测异常数据，并对异常数据做平滑处理，再利用旋转门压缩算法对预处理过的数据进行压缩处理；
电力监控***采用内存数据库，历史数据库和磁盘存储三级存储模式来共同实现实时数据库。
为保证数据的实时性，每个采集周期内实时数据会首先加载到内存中，通过消息推送实现现场设备与人机交互界面的数据同步；内存数据库主要存储电力调度实时数据和查询频率较高的曲线数据；内存数据库中的数据用于图像显示模块，报警处理模块以及实时曲线模块；现场采集的数据首先会存储到内存缓冲区中便于数据的实时操作；
对于实时性不高的数据，会在下一个时间周期成为历史数据，对历史数据进行压缩后保存到历史数据库中；历史数据存储压缩的历史数据，调用历史数据曲线模块时对历史数据库中的压缩数据解压，将数据发送到人机界面上；
磁盘存储用于存储查询频率不是很频繁的数据，即过时的过程数据；采用数据库动态归档技术，通过定期识别历史数据库中的非活动技术，将其转移到磁盘。
本***包括硬件设备、服务器端、数据库、电脑或平板等移动设备。整体基于B/S架构，人机交互界面采用React框架、服务端采用NodeJS技术、通讯设备采用计算机嵌入式开发板，实时数据库是采用Rails和RabbitMQ技术开发的野狐与数据库PostgreSQL构成。电脑或平板等移动端设备通过通过Socket.io实现对硬件设备的远程控制以及状态监控。本***主要包括用户管理模块、工程管理模块、静态资源管理模块、Gis地图模块。
移动终端设备方便工作人员对每个站点电力设备运行状态的把控，同时方便随身携带，只要有网络的情况下，不管是在哪里都对电力设备远程控制。良好的人机交互界面，结构明了，操作简单易行，提高了工作效率。人机交互界面通过restful web实现与后端的服务器的数据交互，实现对电力设备的远程遥控。服务器将采集的数据通过socket.io实时推送到终端设备，进行数据同步，实现电力监控***的遥信和遥测功能。
服务端将按周期采集的数据存储到实时数据库模块的历史数据库中。由于数据采集的事件间隔比较短，数据的不断采集不断积累，造成历史数据呈现出指数形式的增长，大量的历史数据有很多冗余数据，这就造成存储空间的资源浪费。因此本***在实时数据库技术上，在保证历史数据压缩精度的基础，采用最小二乘法检测异常数据，并对异常数据做平滑处理避免异常数据对数据压缩精度和压缩效率的不利影响，再利用旋转门压缩算法对预处理过的数据进行压缩处理，提出提高数据压缩率，减少存储空间的浪费。
附图说明
图1为***的结构原理图。
图2为实时数据库的结构原理图。
图3为最小二乘法曲线拟合图。
图4为历史数据压缩处理的一种方案。
具体实施方式
如图1所示，电力监控***分为三个模块，分别为人机界面模块、实时数据库以及通信模块。
人机界面模块是用户与电力设施进行远程交互的模块，它又分为用户管理模块、工程管理模块、组件管理模块、以及Gis地图。用户管理，不同角色的工作人员，拥有不同的权限，根据权限的不同，进行的操作也不同。***管理员具有对工程管理、静态资源管理、设备故障管理的权限。设备维护人员由于对设备运行状态查看、设备故障处理、表单填写的权限。一般操作人员有对工程新增和编辑、设备状态管理的权限。
工程管理主要是根据站点创建不同的工程，每个工程对应不同站点的电力设施。每个工程模块又包括视图设计功能、数据源管理功能、代码设计功能，报警功能、工程部署与实时查看功能。利用每个工程下的视图设计功能，结合图形化组件来搭建场景图以及相应的图形化设备，并与相应的电力设备建立关联。同时可以在代码设计视图，通过改变图形化组件的属性来改变场景图上组件的各种属性和功能效果。从传感器网络获取的实时数据非常多，它们被组织成树形结构的数据源。每个数据是一个数据点。每个硬件有自己的ID,每个设备对应数据点。创建数据源数据点时选择模板和连接的设备地址，是数据源和数据点与硬件设备形成映射关系。报警模块是在设备发生故障时，便于工作人员能及时发现并采取处理措施。报警的类型包括开关量报警、开关量上跳变报警、开关量下跳变报警、下限报警、上限报警、下偏差报警和上偏差报警灯，通过监测数据联动产生的目的数据点进行报警。在报警发生后，工作人员确认设备故障，并将报警相关信息保存到数据库中，如报警类别，报警时间、设备型号，报警描述等信息。曲线显示模块包括历史数据曲线和实时数据曲线两种，通过调用数据库中的数据来描绘数据变化趋势，并产生分析报告。
工程部署主要包括本地调试和在线调试，本地调试是指未服务端建立连接，工作人员可以在工程部署之前，测试各个组件是否与数据点建立关联，确认能否进行通过动态的改变数据点对应的值改变图形化组件的状态。在线调试是指与后端服务端建立连接，通过控制运行时界面图形化组件的状态变化来向硬件设备发送遥控指令，同时能实时的刷新运行时界面达到数据同步的效果，即获得遥测数据，从而刷新图形化组件的的状态，如温度计组件的温度显示，仪表盘上指针的指向等。在运行时实时查看设备运行状态以及发送遥控指令。
组件管理模块包括图元管理和静态资源管理。其中图元管理主要负责创建和编辑图形化组件，通过图形化组件搭建场景图，每个场景图上设置该站点的各种电力设施，如电力指示灯、开关设备、报警器、温度器、指示器等设备。每个图形化组件有各种属性，如宽度、高度、颜色、旋转等属性。图形化组件在不改变原来属性的情况下，采用默认的样式。图形化组件用JSON结构来定义以及存储。静态资源管理模块包括图片的上传和下载，图形化组件的上传和下载。用基本的图形化组件可以搭建负责的图形化组件，上传的图片运用在图形化组件的背景设置上。
人机界面通过restful服务与实时数据库进行交互，人机界面通过接口从实时数据库查询历史数据以及工程数据，获取每个工程下的数据源、图形化组件，以及各种静态资源，并在界面上显示，实现良好的用户体验。为了实现现场电力设备与人机界面的数据同步，保证数据的实时性，采用socket.io服务来实现消息的实时推送，通过RabbitMQ消息队列，将采集到的实时数据及时展现在人机交互界面上。实时数据库的主要功能包括实时处理，数据分析以及数据存储。实时处理包括实时监测、故障检测、数据存档。实时监测是监测数据的变化，将变化的数据推送到人机交互界面，达到设备状态与人机交互界面同步的效果。故障检测是在数据采集之后，对数据进行处理检测异常数据，并对异常数据进行存档或平滑处理。
如图2所示，电力监控***采用内存数据库，PostgreSQL关系数据库和磁盘存储三级存储模式来共同实现实时数据库。
通信协议是实时数据库数据采集的核心部分。通信协议是指双方实体完成通信或服务所必须遵循的规则和约定。Modbus是一种串行通信协议，一个Modbus命令包含了打算执行的设备的Modbus地址，所有设备都会接收命令，但只有指定位置的设备会执行回应指令，基本的Modbus命令能令一个RTU改变它的寄存器的某个值，控制或者读取一个I/O端口，以及指挥设备回送一个或者多个其寄存器中的数据。当在Modbus网络上通信时，此协议决定了每个控制器须要知道它们的设备地址，识别按地址发来的消息，决定要产生何种行动。如果需要回应，控制器将生成反馈信息并用Modbus协议发出。在其它网络上，包含了Modbus协议的消息转换为在此网络上使用的帧或包结构。这种转换也扩展了根据具体的网络解决节地址、路由路径及错误检测的方法。
为保证数据的实时性，每个采集周期内实时数据会首先加载到内存中，通过消息推送实现现场设备与人机交互界面的数据同步。内存数据库主要存储电力调度实时数据和查询频率较高的曲线数据。内存数据库中的数据通常用于图像显示模块，报警处理模块以及实时曲线模块。现场采集的数据首先会存储到内存缓冲区中便于数据的实时操作。
对于实时性不高的数据，会在下一个时间周期成为历史数据，对历史数据进行压缩后保存到历史数据库中。历史数据主要存储的是压缩的历史数据，为了掌握每个电力设备的实时运行状态，在进行数据监控时采样频率比较高，而且采集的数据量巨大。所以采用数据压缩技术，在数据存入数据库之前先对数据进行压缩，来达到节约存储空间的目的。调用历史数据曲线模块时历史数据库的曲线服务会对历史数据库中的压缩数据解压，将数据发送到人机界面上。
磁盘存储主要用于存储查询频率不是很频繁的数据，即过时的过程数据。主要采用数据库动态归档技术，通过定期识别历史数据库中的非活动技术，将其按照一定的策略转移到其他的存储设备。其中数据的存储结构以及文件的索引、内存缓存策略、磁盘I/O等关系着整个实时数据库的效率和性能。
如图3所示，对于海量的历史数据的压缩处理，传统实时数据库采用旋转门压缩算法来实现压缩，但是传统的旋转门压缩没有对异常数据进行检测处理，异常数据点会在很大程度上减小压缩精度，对历史数据的压缩产生不良影响。电力监控***需要对故障进行检测和分析，所以对异常数据的检测和单独处理是非常有必要的。这就需要在数据压缩前对数据进行预处理，检测异常数据。
利用最小二乘法对历史数据变化趋势进行曲线拟合，检测异常数据点，并做处理。最小二乘法是一种统计学***法和作为目标，从而找到最优模型，这个模型可以拟合观测数据。基于观测数据比较平稳，利用最小二乘法基本定理的多项式曲线拟合，假如有样本数据T＝{(x1,y1),(x2,y2),(x3,y3)...,(xn,yn)},在函数类中找一个函数组合：
使误差平方和最小，即用最小二乘法拟合的问题就是求f(x)使得||δ||2最小。这样就转换为求多元函数S(a0,a1,a2,...,ak)极小值的问题，多元函数求解得到(a'0,a′1,a'2,...,a'k)，从而得到最小二乘解为用得到的最小二乘的解预测下一个时间点的数据值为yt'，实际观测值为yt，计算绝对误差rt＝|yt-y′t|,样本数据的标准误差其中Ei＝yi-y′i,E是误差。数据的离散程度一般用标准差表示其中u为样本数据平均值，yi为数据值，n为数据总数。若rt>k×σ'，则数据点(t,yt)为异常数据，否则为正常数据点。误差系数k由相邻区间的数据波动变化决定：其中σt,σt-1分别表示第当前周期采集的数据的标准差和上一周期数据的标准差。
如图4所示，在历史数据压缩前先利用最小二乘法对数据进行预处理，利用最小二乘法的进行曲线拟合检测异常数据，并保存异常数据点以便后续的异常数据分析，并在原来数据的基础上将异常数据替换为通过最小二乘法预测出来的数据值，以此方式来对异常数据进行平滑处理，剔除原先数据点集上的异常数据，对预处理后的历史数据用SDT算法进行压缩。该时刻的数据点压缩完毕后，检测下一时刻是否有新的数据，若有新数据则重复上述压缩过程，如没有则压缩结束。
Claims (3)
1.一种基于实时数据库的电力监控***，分为三个模块，分别为人机界面模块、实时数据库以及通信模块，人机界面模块分为用户管理模块、工程管理模块、组件管理模块、以及Gis地图；人机界面通过restful服务与实时数据库进行交互，人机界面通过接口从实时数据库查询历史数据以及工程数据，获取每个工程下的数据源、图形化组件，以及各种静态资源，并在界面上显示；
其特征在于：
采用socket.io服务来实现消息的实时推送，通过RabbitMQ消息队列，将采集到的实时数据及时展现在人机交互界面上；实时数据库功能包括实时处理，数据分析以及数据存储；实时处理包括实时监测、故障检测、数据存档；实时监测是监测数据的变化，将变化的数据推送到人机交互界面，达到设备状态与人机交互界面同步的效果；故障检测是在数据采集之后，采用最小二乘法检测异常数据，并对异常数据做平滑处理，再利用旋转门压缩算法对预处理过的数据进行压缩处理；
电力监控***采用内存数据库，历史数据库和磁盘存储三级存储模式来共同实现实时数据库。
2.根据权利要求1所述的方法，其特征在于：
为保证数据的实时性，每个采集周期内实时数据会首先加载到内存中，通过消息推送实现现场设备与人机交互界面的数据同步；内存数据库主要存储电力调度实时数据和查询频率较高的曲线数据；内存数据库中的数据用于图像显示模块，报警处理模块以及实时曲线模块；现场采集的数据首先会存储到内存缓冲区中便于数据的实时操作；
对于实时性不高的数据，会在下一个时间周期成为历史数据，对历史数据进行压缩后保存到历史数据库中；历史数据存储压缩的历史数据，调用历史数据曲线模块时对历史数据库中的压缩数据解压，将数据发送到人机界面上；
磁盘存储用于存储查询频率不是很频繁的数据，即过时的过程数据；采用数据库动态归档技术，通过定期识别历史数据库中的非活动技术，将其转移到磁盘。
3.根据权利要求1所述的方法，其特征在于：
利用最小二乘法对历史数据变化趋势进行曲线拟合，检测异常数据点，并做处理；利用最小二乘法基本定理的多项式曲线拟合，样本数据T＝{(x1,y1),(x2,y2),(x3,y3)...,(xn,yn)},在函数类中找一个函数组合：
使误差平方和最小，即用最小二乘法拟合的问题就是求f(x)使得||δ||2最小；这样就转换为求多元函数S(a0,a1,a2,...,ak)极小值的问题，多元函数求解得到(a′0,a′1,a′2,...,a′k)，从而得到最小二乘解为用得到的最小二乘的解预测下一个时间点的数据值为y′t，实际观测值为yt，计算绝对误差rt＝|yt-y′t|,样本数据的标准误差其中Ei＝yi-y′i,E是误差；数据的离散程度一般用标准差表示其中u为样本数据平均值，yi为数据值，n为数据总数；若rt>k×σ'，则数据点(t,yt)为异常数据，否则为正常数据点；误差系数k由相邻区间的数据波动变化决定：其中σt,σt-1分别表示第当前周期采集的数据的标准差和上一周期数据的标准差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811343220.9A CN109245310A (zh) | 2018-11-13 | 2018-11-13 | 一种基于实时数据库的电力监控*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811343220.9A CN109245310A (zh) | 2018-11-13 | 2018-11-13 | 一种基于实时数据库的电力监控*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109245310A true CN109245310A (zh) | 2019-01-18 |
Family
ID=65078335
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811343220.9A Pending CN109245310A (zh) | 2018-11-13 | 2018-11-13 | 一种基于实时数据库的电力监控*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109245310A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110570255A (zh) * | 2019-09-16 | 2019-12-13 | 山东浪潮通软信息科技有限公司 | 一种基于dmp的多源***的市场需求数据实时分析的方法及*** |
| CN112050871A (zh) * | 2020-08-25 | 2020-12-08 | 长江武汉航道工程局 | 一种挖泥船管道输送无源产量计 |
| CN112050869A (zh) * | 2020-08-20 | 2020-12-08 | 长江武汉航道工程局 | 一种连续交变磁场测量装置及其方法 |
| CN112050870A (zh) * | 2020-08-20 | 2020-12-08 | 长江武汉航道工程局 | 一种曲线还原抗干扰测量装置及其方法 |
| CN113157790A (zh) * | 2021-04-20 | 2021-07-23 | 核工业西南物理研究院 | 一种核聚变曲线编辑方法、***、终端及介质 |
| CN114640355A (zh) * | 2022-03-30 | 2022-06-17 | 北京诺司时空科技有限公司 | 时序数据库的有损压缩及解压缩方法、***、存储介质、设备 |
| CN116644864A (zh) * | 2023-07-26 | 2023-08-25 | 国网山东省电力公司无棣县供电公司 | 一种特殊日期区域用电量预测方法、***、终端及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080215641A1 (en) * | 2007-03-01 | 2008-09-04 | Mukhi Sultan Q | High speed data historian |
| CN103220285A (zh) * | 2013-04-10 | 2013-07-24 | 中国科学技术大学苏州研究院 | 泛在业务环境下基于RESTful接口的接入*** |
| CN103970903A (zh) * | 2014-05-27 | 2014-08-06 | 重庆大学 | 基于Web的大型工业***反馈数据实时处理方法及*** |
| CN106406836A (zh) * | 2015-07-31 | 2017-02-15 | 中国电力科学研究院 | 面向电力***分析的软件平台及其运行和分布式开发方法 |
| CN106649026A (zh) * | 2016-09-26 | 2017-05-10 | 国家电网公司北京电力医院 | 适用于运维自动化***的监测数据压缩方法 |
| CN107122422A (zh) * | 2017-04-06 | 2017-09-01 | 山东建筑大学 | 面向服务的智慧住区实时数据库***及其工作方法 |
-
2018
- 2018-11-13 CN CN201811343220.9A patent/CN109245310A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080215641A1 (en) * | 2007-03-01 | 2008-09-04 | Mukhi Sultan Q | High speed data historian |
| CN103220285A (zh) * | 2013-04-10 | 2013-07-24 | 中国科学技术大学苏州研究院 | 泛在业务环境下基于RESTful接口的接入*** |
| CN103970903A (zh) * | 2014-05-27 | 2014-08-06 | 重庆大学 | 基于Web的大型工业***反馈数据实时处理方法及*** |
| CN106406836A (zh) * | 2015-07-31 | 2017-02-15 | 中国电力科学研究院 | 面向电力***分析的软件平台及其运行和分布式开发方法 |
| CN106649026A (zh) * | 2016-09-26 | 2017-05-10 | 国家电网公司北京电力医院 | 适用于运维自动化***的监测数据压缩方法 |
| CN107122422A (zh) * | 2017-04-06 | 2017-09-01 | 山东建筑大学 | 面向服务的智慧住区实时数据库***及其工作方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110570255A (zh) * | 2019-09-16 | 2019-12-13 | 山东浪潮通软信息科技有限公司 | 一种基于dmp的多源***的市场需求数据实时分析的方法及*** |
| CN112050869A (zh) * | 2020-08-20 | 2020-12-08 | 长江武汉航道工程局 | 一种连续交变磁场测量装置及其方法 |
| CN112050870A (zh) * | 2020-08-20 | 2020-12-08 | 长江武汉航道工程局 | 一种曲线还原抗干扰测量装置及其方法 |
| CN112050871A (zh) * | 2020-08-25 | 2020-12-08 | 长江武汉航道工程局 | 一种挖泥船管道输送无源产量计 |
| CN112050871B (zh) * | 2020-08-25 | 2023-09-19 | 长江武汉航道工程局 | 一种挖泥船管道输送无源产量计 |
| CN113157790A (zh) * | 2021-04-20 | 2021-07-23 | 核工业西南物理研究院 | 一种核聚变曲线编辑方法、***、终端及介质 |
| CN113157790B (zh) * | 2021-04-20 | 2022-10-11 | 核工业西南物理研究院 | 一种核聚变曲线编辑方法、***、终端及介质 |
| CN114640355A (zh) * | 2022-03-30 | 2022-06-17 | 北京诺司时空科技有限公司 | 时序数据库的有损压缩及解压缩方法、***、存储介质、设备 |
| CN116644864A (zh) * | 2023-07-26 | 2023-08-25 | 国网山东省电力公司无棣县供电公司 | 一种特殊日期区域用电量预测方法、***、终端及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109245310A (zh) | 一种基于实时数据库的电力监控*** | |
| US9652723B2 (en) | Electrical transformer failure prediction | |
| CN110082579B (zh) | 一种台区智能反窃电监测方法、***、设备及介质 | |
| JP5616330B2 (ja) | 電力グリッドを管理する方法およびシステム | |
| CN102545213B (zh) | 电网线损实时管理***及方法 | |
| CN103914791A (zh) | 一种电力设备状态检修*** | |
| US20230344724A1 (en) | Systems and methods for full history dynamic network analysis | |
| KR20170060031A (ko) | 머신 러닝을 이용한 비-기술적인 손실의 식별 | |
| CN112688431A (zh) | 一种基于大数据的配电网负荷过载可视化方法及*** | |
| Lai et al. | Application of big data in smart grid | |
| CN110019098A (zh) | 基于Hadoop框架的电能计量大数据分析*** | |
| CN111091240A (zh) | 一种公共机构电力能效监测***及服务方法 | |
| CN109412155B (zh) | 一种基于图计算的配电网供电能力评估方法 | |
| CN105099798A (zh) | 一种基于指标体系的主站运行在线监测与评估方法 | |
| CN114639183A (zh) | 基于元素化的智能巡检方法、***、计算机设备及介质 | |
| CN116522746A (zh) | 高耗能企业配电托管方法 | |
| Angadi et al. | Role of big data analytics in power system Application | |
| Zhao et al. | [Retracted] An Innovation and Entrepreneurship Management System for Universities Based on Cluster Analysis Theory | |
| CN115310923A (zh) | 能源管理服务***及方法 | |
| Wang et al. | Block storage optimization and parallel data processing and analysis of product big data based on the hadoop platform | |
| Tianshu et al. | Intelligent prognostic and health management based on IOT cloud platform | |
| Yisong et al. | Study on the relationship between transmission line failure rate and lightning information based on Neo4j | |
| CN111857015B (zh) | 输变电云端智能控制器 | |
| Zhou et al. | Research Review on Big Data of the Smart Grid | |
| Liu et al. | [Retracted] Design and Implementation of Large‐Scale Public Building Energy Consumption Monitoring Platform Based on BP Neural Network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190118 |