CN113987013A - 一种基于时序数据平台发电车数据采集的管控***及方法 - Google Patents

一种基于时序数据平台发电车数据采集的管控***及方法 Download PDF

Info

Publication number
CN113987013A
CN113987013A CN202111219571.0A CN202111219571A CN113987013A CN 113987013 A CN113987013 A CN 113987013A CN 202111219571 A CN202111219571 A CN 202111219571A CN 113987013 A CN113987013 A CN 113987013A
Authority
CN
China
Prior art keywords
data
time sequence
time
database
information
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
Application number
CN202111219571.0A
Other languages
English (en)
Inventor
邓国强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Hechuang Anhua Intelligent Technology Co ltd
Original Assignee
Shandong Hechuang Anhua Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Hechuang Anhua Intelligent Technology Co ltd filed Critical Shandong Hechuang Anhua Intelligent Technology Co ltd
Priority to CN202111219571.0A priority Critical patent/CN113987013A/zh
Publication of CN113987013A publication Critical patent/CN113987013A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Manufacturing & Machinery (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开了一种基于时序数据平台发电车数据采集的管控***及方法，***包括分别构建多种数据库；时序平台同时采集多辆发电车的环境，图像，属性信息后构成数据时序行后发送至客户端或者移动终端的可视化分析模块中，该可视化分析模块可多粒度查询实时一辆或多辆发电车的多维实时数据，历史数据，以及预测数据。利用基于时序数据平台存储发电车各类采集数据，能满足数字化工业时代下海量数据存储的要求，同时能实现快速、精准、时序的存储数据。

Description

一种基于时序数据平台发电车数据采集的管控***及方法
技术领域：
本发明属于时序数据平台发电车数据采集管控领域，尤其涉及基于时序数据平台发电车数据采集的管控***及方法。
背景技术：
数字化工业时代下，由于生产过程的密集和紧密联系，故障出现对于工业生产造成相当大的损失，能够通过传感器收集的时间序列数据分类判断设备状态，及时调整消除故障至关重要。而由于传感器数量巨大，种类繁多且高频采样，导致了工业大数据的复杂性，具有空间维度高,依赖关系复杂，规律多变，数据量大等特点。这些特点给工业时序分类带来了精准程度,高效性和自适应性方面的挑战。
目前对于时序大数据的存储和处理往往采用关系型数据库的方式进行处理，但由于关系型数据库天生的劣势导致其无法进行高效的存储和数据的查询。如何提高时序数据存储效率以及查询效率成为了亟待解决的技术问题。
发明内容
针对目前关系型数据库对时序数据中无法高效存储以及快速查询的问题，以及发电车数据的管理问题。本发明提出了基于时序数据平台发电车数据采集的精准管控***：***包括分别与时序平台相互连接的电车信息台账库，网关设备信息库，图像采集设备信息库，多维传感器设备信息库，其中电车信息台账库包括发电机控制器类型子数据库，控制器类型通信协议命令子数据库；所述时序平台同时采集多辆发电车的环境，图像，属性信息后构成数据时序行后发送至客户端或者移动终端的可视化分析模块中，该可视化分析模块可多粒度查询实时一辆或多辆发电车的多维实时数据，历史数据，以及预测数据。时序数据存储技术采用特殊数据存储方式，极大提高了时间相关数据的处理能力，相对于关系型数据库它的存储空间减半，查询速度极大的提高。时间序列函数优越的查询性能远超过关系型数据库，非常适合在物联网分析应用。
本发明为解决以上技术问题所采取的技术方案是：***包括分别与时序平台相互连接的电车信息台账库，网关设备信息库，图像采集设备信息库，多维传感器设备信息库，其中电车信息台账库包括发电机控制器类型子数据库，控制器类型通信协议命令子数据库；所述时序平台同时采集多辆发电车的环境，图像，属性信息后构成数据时序行后发送至客户端或者移动终端的可视化分析模块中，该可视化分析模块可多粒度查询实时一辆或多辆发电车的多维实时数据，历史数据，以及预测数据。
基于时序数据平台发电车数据采集的管控***，该***包括：分别与时序平台相互连接的电车信息台账数据库，网关设备信息数据库，图像采集设备信息数据库，多维传感器设备信息数据库，其中所述电车信息台账数据库包括发电机控制器类型子数据库，控制器类型通信协议命令子数据库；所述时序平台同时采集多辆发电车的环境，图像，属性信息后构成数据时序行后发送至客户端或者移动终端的可视化分析模块中，该可视化分析模块可多粒度查询实时一辆或多辆发电车的多维实时数据，历史数据，以及预测数据。
进一步地，所述电车信息台账数据库包括车辆信息新增，报废，修改，查询数据接口，所述发电机控制器类型子数据库采用树形结构存储控制器信息，与控制器类型通信协议命令子数据库关联存储。
进一步地，所述网关设备数据信息数据与发电车一对一唯一关联，所述网关设备数据信息数据包括mac地址。
进一步地，所述时序平台同时采集多辆发电车的环境，图像，属性信息包括设置10秒、5秒、2秒、1秒、500毫秒的采集间隔，通过性能优化模型设置最优参数。
进一步地，所述可视化分析模块中可根据用户选择时间粒度进行展示实时数据，历史数据，预测数据；所述实时数据，所述历史数据，所述预测数据可同一时间粒度在同一窗口的同一图表中或者在以不同时间粒度在独立的窗口内分别显示。
基于时序数据平台发电车数据采集的管控方法，该方法包括以下步骤：
步骤1、利用发电车数据项，建立发电车信息台账数据库；
步骤2、利用网关设备数据信息建立网关设备信息数据库；利用图像采集设备信息建立图像采集设备数据库；利用多维传感器设备信息建立多维传感器设备信息数据库；
步骤3、根据发电车信息台账数据库、网关设备信息数据库、图像采集设备数据库、多维传感器设备信息数据库建立网关与多维传感器、发电车机组、摄像头的关联关系，其中，所述网关设备信息与发电车ID关联且唯一；
步骤4、基于所述发电车与所述网关的关联关系以及关联控制类型对应的通信协议，采用不同的时间粒度，对所述发电车的机组设备，发电车的多维传感器，图像采集设备依次进行数据采集测试，验证采集数据的正确性和稳定性；
步骤5、通过网关验证后，将采集的机组信息，图像信息，环境信息据按照采集时序通过服务发送至时序数据平台，保障数据的时序行，所述时序数据平台根据优化模型分析得到最优配置参数，根据最优配置参数配置采集参数；同时时序数据平台得到管理平台授权后，将最新的数据通过实时服务传入实时数据服务模块，所述实时数据服务模块将最新的数据推送至电脑终端或者移动终端。
步骤6、通过所述时序数据平台以及所述实时数据服务模块建立可视化***，所述可视化***可展示实时数据，历史数据，预测数据和对应的数据安全等级分析，利用电脑终端或者移动终端可登陆可视化***进行多时间粒度的数据查询。
进一步地，所述发电车信息台账数据库包括：利用每辆发电车的发电机所配备的控制类型，建立的发电机控制器类型库；利用每种控制器的通信协议建立控制器类型通信协议命令库；所述发电车信息台账数据库，所述网关设备信息数据库，所述图像采集设备数据库，所述多维传感器设备信息数据库，均包括数据数据接口，该数据接口可新增，报废，修改，查询数据项。
进一步地，所述多维传感器设备包括GPS传感器，温度传感器，湿度传感器，惯性传感器。
进一步地，所述时序数据平台根据优化模型分析得到最优配置参数包括：
S51、建立多维时间序列数据，
Figure BDA0003312063750000041
其中di,j表示第i辆车的第j个传感器的值，M表示采集的次数，N表示采集的维度；
S52、构建根据吞吐量和平均延迟以及参数特征值构建性能预测模型，
S＝throughput(c1,c2...cN)
D＝delay(c1,c2...cN)
P＝w1×S+w2×D
w1+w2＝1
其中S表示吞吐量预测模型，D表示平均延迟预测模型，cN表示参数特征值；P表示数据传输性能值，w1，w2表示权重值；
S53、利用遗传算法求得最优配置参数。
进一步地，所述配置参数包括时序数据的读取比例，时序数据的扫描比例，内存占用率，查询索引块数值。
本发明的有益效果如下：
利用基于时序数据平台存储发电车各类采集数据，能满足数字化工业时代下海量数据存储的要求，同时能实现快速、精准、时序的存储数据，同时为发电车运行实时情况及历史分析、分析报告提供数据精准辅助参考及分析，对数据的管控具有海量、快速、便捷、精准等特点。
上述说明，仅是本发明技术方案的概述，为了能够更清楚了解本发明技术手段，可依照说明书的内容予以实施，并且为了让本发明的上述说明和其它目的、特征及优点能够更明显易懂，特举较佳实施例，详细说明如下。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为时序数据平台发电车数据采集的管控方法的流程图
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
实施例1
基于时序数据平台发电车数据采集的管控***，该***包括：分别与时序平台相互连接的电车信息台账数据库，网关设备信息数据库，图像采集设备信息数据库，多维传感器设备信息数据库，其中所述电车信息台账数据库包括发电机控制器类型子数据库，控制器类型通信协议命令子数据库；所述时序平台同时采集多辆发电车的环境，图像，属性信息后构成数据时序行后发送至客户端或者移动终端的可视化分析模块中，该可视化分析模块可多粒度查询实时一辆或多辆发电车的多维实时数据，历史数据，以及预测数据。
进一步地，所述电车信息台账数据库包括车辆信息新增，报废，修改，查询数据接口，所述发电机控制器类型子数据库采用树形结构存储控制器信息，与控制器类型通信协议命令子数据库关联存储。
进一步地，所述网关设备数据信息数据与发电车一对一唯一关联，所述网关设备数据信息数据包括mac地址。
进一步地，所述时序平台同时采集多辆发电车的环境，图像，属性信息包括设置10秒、5秒、2秒、1秒、500毫秒的采集间隔，通过性能优化模型设置最优参数。
进一步地，所述可视化分析模块中可根据用户选择时间粒度进行展示实时数据，历史数据，预测数据；所述实时数据，所述历史数据，所述预测数据可同一时间粒度在同一窗口的同一图表中或者在以不同时间粒度在独立的窗口内分别显示。
实施例2
基于时序数据平台发电车数据采集的管控方法，该方法包括以下步骤：
步骤1、利用发电车数据项，建立发电车信息台账数据库；
步骤2、利用网关设备数据信息建立网关设备信息数据库；利用图像采集设备信息建立图像采集设备数据库；利用多维传感器设备信息建立多维传感器设备信息数据库；
步骤3、根据发电车信息台账数据库、网关设备信息数据库、图像采集设备数据库、多维传感器设备信息数据库建立网关与多维传感器、发电车机组、摄像头的关联关系，其中，所述网关设备信息与发电车ID关联且唯一；
步骤4、基于所述发电车与所述网关的关联关系以及关联控制类型对应的通信协议，采用不同的时间粒度，对所述发电车的机组设备，发电车的多维传感器，图像采集设备依次进行数据采集测试，验证采集数据的正确性和稳定性；
步骤5、通过网关验证后，将采集的机组信息，图像信息，环境信息据按照采集时序通过服务发送至时序数据平台，保障数据的时序行，所述时序数据平台根据优化模型分析得到最优配置参数，根据最优配置参数配置采集参数；同时时序数据平台得到管理平台授权后，将最新的数据通过实时服务传入实时数据服务模块，所述实时数据服务模块将最新的数据推送至电脑终端或者移动终端。
步骤6、通过所述时序数据平台以及所述实时数据服务模块建立可视化***，所述可视化***可展示实时数据，历史数据，预测数据和对应的数据安全等级分析，利用电脑终端或者移动终端可登陆可视化***进行多时间粒度的数据查询。
进一步地，所述发电车信息台账数据库包括：利用每辆发电车的发电机所配备的控制类型，建立的发电机控制器类型库；利用每种控制器的通信协议建立控制器类型通信协议命令库；所述发电车信息台账数据库，所述网关设备信息数据库，所述图像采集设备数据库，所述多维传感器设备信息数据库，均包括数据数据接口，该数据接口可新增，报废，修改，查询数据项。
进一步地，所述多维传感器设备包括GPS传感器，温度传感器，湿度传感器，惯性传感器。
进一步地，所述时序数据平台根据优化模型分析得到最优配置参数包括：
S51、建立多维时间序列数据，
Figure BDA0003312063750000071
其中di,j表示第i辆车的第j个传感器的值，M表示采集的次数，N表示采集的维度；
S52、构建根据吞吐量和平均延迟以及参数特征值构建性能预测模型，
S＝throughput(c1,c2...cN)
D＝delay(c1,c2...cN)
P＝w1×S+w2×D
w1+w2＝1
其中S表示吞吐量预测模型，D表示平均延迟预测模型，cN表示参数特征值；P表示数据传输性能值，w1，w2表示权重值；
进一步地，所述配置参数包括时序数据的读取比例，时序数据的扫描比例，内存占用率，查询索引块数值；
S53、利用遗传算法求得最优配置参数。
进一步地，配置参数寻优流程包括：将配置参数初始值、吞吐量预测模型、平均延迟预测模型以及w1，w2作为遗传算法的输入，利用数据传输性能模型计算得到每个配置参数相应的适应度值；然后对种群进行选择、交叉、变异操作产生下一代种群；其中选择算子采用精英保留锦标赛策略，交叉算子选用两点交叉，变异算子选用实数值变异。
进一步地，文本型时序序列中的预测数据采用卷积长短期记忆网络模型或者时序算法获得；而图像型序列中的预测数据采用循环神经网络模型获得；所述循环神经网络模型具体为：
Figure BDA0003312063750000072
其中x＝{x0,x1,...,xM}，xt表示t时刻的输入，M表示采集次数，st为t时刻的隐含层的状态函数，f为激励函数；
所述时序算法模型为：
Figure BDA0003312063750000081
其中N(μ,σ2)是一个服从均值为μ，方差为σ2的正态分布，
Figure BDA0003312063750000082
φl为模型的各类参数，yt-j为采集到传感器参数值。
本发明的优点如下：
利用基于时序数据平台存储发电车各类采集数据，能满足数字化工业时代下海量数据存储的要求，同时能实现快速、精准、时序的存储数据，同时为发电车运行实时情况及历史分析、分析报告提供数据精准辅助参考及分析，对数据的管控具有海量、快速、便捷、精准等特点；同时，对时序平台的数据传输进行了有效优化，可改善数据的吞吐量和延迟性；同时，采用多种方式进行数据预测，提高了数据预测效果。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于时序数据平台发电车数据采集的管控***，其特征在于，***包括：分别与时序平台相互连接的电车信息台账数据库，网关设备信息数据库，图像采集设备信息数据库，多维传感器设备信息数据库，其中所述电车信息台账数据库包括发电机控制器类型子数据库，控制器类型通信协议命令子数据库；所述时序平台同时采集多辆发电车的环境，图像，属性信息后构成数据时序行后发送至客户端或者移动终端的可视化分析模块中，该可视化分析模块可多粒度查询实时一辆或多辆发电车的多维实时数据，历史数据，以及预测数据。
2.根据权利要求1所述基于时序数据平台发电车数据采集的管控***，其特征在于：所述电车信息台账数据库包括车辆信息新增，报废，修改，查询数据接口，所述发电机控制器类型子数据库采用树形结构存储控制器信息，与控制器类型通信协议命令子数据库关联存储。
3.根据权利要求1所述基于时序数据平台发电车数据采集的管控***，其特征在于：所述网关设备数据信息数据与发电车一对一唯一关联，所述网关设备数据信息数据包括mac地址。
4.根据权利要求1所述基于时序数据平台发电车数据采集的管控***，其特征在于：所述时序平台同时采集多辆发电车的环境，图像，属性信息包括设置10秒、5秒、2秒、1秒、500毫秒的采集间隔，通过性能优化模型设置最优参数。
5.根据权利要求1所述基于时序数据平台发电车数据采集的管控***，其特征在于：所述可视化分析模块中可根据用户选择时间粒度进行展示实时数据，历史数据，预测数据；所述实时数据，所述历史数据，所述预测数据可同一时间粒度在同一窗口的同一图表中或者在以不同时间粒度在独立的窗口内分别显示。
6.一种基于时序数据平台发电车数据采集的管控方法，其特征在于：该方法包括以下步骤：
步骤1、利用发电车数据项，建立发电车信息台账数据库；
步骤2、利用网关设备数据信息建立网关设备信息数据库；利用图像采集设备信息建立图像采集设备数据库；利用多维传感器设备信息建立多维传感器设备信息数据库；
步骤3、根据发电车信息台账数据库、网关设备信息数据库、图像采集设备数据库、多维传感器设备信息数据库建立网关与多维传感器、发电车机组、摄像头的关联关系，其中，所述网关设备信息与发电车ID关联且唯一；
步骤4、基于所述发电车与所述网关的关联关系以及关联控制类型对应的通信协议，采用不同的时间粒度，对所述发电车的机组设备，发电车的多维传感器，图像采集设备依次进行数据采集测试，验证采集数据的正确性和稳定性；
步骤5、通过网关验证后，将采集的机组信息，图像信息，环境信息据按照采集时序通过服务发送至时序数据平台，保障数据的时序行，所述时序数据平台根据优化模型分析得到最优配置参数，根据最优配置参数配置采集参数；同时时序数据平台得到管理平台授权后，将最新的数据通过实时服务传入实时数据服务模块，所述实时数据服务模块将最新的数据推送至电脑终端或者移动终端。
步骤6、通过所述时序数据平台以及所述实时数据服务模块建立可视化***，所述可视化***可展示实时数据，历史数据，预测数据和对应的数据安全等级分析，利用电脑终端或者移动终端可登陆可视化***进行多时间粒度的数据查询。
7.根据权利要求6所述基于时序数据平台发电车数据采集的管控方法，其特征在于：所述发电车信息台账数据库包括：利用每辆发电车的发电机所配备的控制类型，建立的发电机控制器类型库；利用每种控制器的通信协议建立控制器类型通信协议命令库；所述发电车信息台账数据库，所述网关设备信息数据库，所述图像采集设备数据库，所述多维传感器设备信息数据库，均包括数据数据接口，该数据接口可新增，报废，修改，查询数据项。
8.根据权利要求6所述基于时序数据平台发电车数据采集的管控方法，其特征在于：所述多维传感器设备包括GPS传感器，温度传感器，湿度传感器，惯性传感器。
9.根据权利要求6所述基于时序数据平台发电车数据采集的管控方法，其特征在于：所述时序数据平台根据优化模型分析得到最优配置参数包括：
S51、建立多维时间序列数据，
Figure FDA0003312063740000031
其中di,j表示第i辆车的第j个传感器的值，M表示采集的次数，N表示采集的维度；
S52、构建根据吞吐量和平均延迟以及参数特征值构建性能预测模型，
S＝throughput(c1,c2...cN)
D＝delay(c1,c2...cN)
P＝w1×S+w2×D
w1+w2＝1
其中S表示吞吐量预测模型，D表示平均延迟预测模型，cN表示参数特征值；P表示数据传输性能值，w1，w2表示权重值；
S53、利用遗传算法求得最优配置参数。
10.根据权利要求9所述基于时序数据平台发电车数据采集的管控方法，其特征在于：所述配置参数包括时序数据的读取比例，时序数据的扫描比例，内存占用率，查询索引块数值。
CN202111219571.0A 2021-10-20 2021-10-20 一种基于时序数据平台发电车数据采集的管控***及方法 Pending CN113987013A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111219571.0A CN113987013A (zh) 2021-10-20 2021-10-20 一种基于时序数据平台发电车数据采集的管控***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111219571.0A CN113987013A (zh) 2021-10-20 2021-10-20 一种基于时序数据平台发电车数据采集的管控***及方法

Publications (1)

Publication Number Publication Date
CN113987013A true CN113987013A (zh) 2022-01-28

Family

ID=79739545

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111219571.0A Pending CN113987013A (zh) 2021-10-20 2021-10-20 一种基于时序数据平台发电车数据采集的管控***及方法

Country Status (1)

Country Link
CN (1) CN113987013A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117829381A (zh) * 2024-03-05 2024-04-05 成都农业科技职业学院 基于物联网的农业大棚数据优化采集***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117829381A (zh) * 2024-03-05 2024-04-05 成都农业科技职业学院 基于物联网的农业大棚数据优化采集***
CN117829381B (zh) * 2024-03-05 2024-05-14 成都农业科技职业学院 基于物联网的农业大棚数据优化采集***

Similar Documents

Publication Publication Date Title
CN106228270B (zh) 一种大数据驱动的挤压设备的能耗预测方法及其***
CN111401749A (zh) 一种基于随机森林与极限学习回归的动态安全评估方法
CN110766200A (zh) 一种基于K-means均值聚类的风电机组发电功率预测方法
CN113173104B (zh) 一种新能源车辆动力电池预警方法及***
CN116882981B (zh) 基于数据分析的智能电池管理***
CN115330357B (zh) 智能立体车库数据管理方法、装置、设备及存储介质
CN113568928B (zh) 一种应用于能源产业链预警***的数据管理***
CN113360555A (zh) 一种基于电网二次设备大数据的故障诊断分析方法及***
CN113987013A (zh) 一种基于时序数据平台发电车数据采集的管控***及方法
CN113715629B (zh) 基于改进符号回归和XGBoost算法的剩余续驶里程预测方法
CN115617784A (zh) 一种信息化配电的数据处理***及其处理方法
CN114528284A (zh) 一种底层数据清洗方法、装置、移动终端和存储介质
CN114282704A (zh) 充电站充电负荷预测方法、装置、计算机设备和存储介质
CN113837473A (zh) 基于bp神经网络的充电设备故障率分析***和方法
CN111585277A (zh) 一种基于混合集成模型的电力***动态安全评估方法
CN116167465A (zh) 基于多变量时间序列集成学习的太阳辐照度预测方法
CN116664098A (zh) 一种光伏电站的异常检测方法及***
CN116245216A (zh) 一种基于opc ua架构的工件焊接质量预测装置及方法
CN115864527A (zh) 基于云上资源的源网荷储多源数据采集与控制手段汇聚方法
CN115795389A (zh) 一种变压器冷却装置运行工况的监测方法及***
CN115598459A (zh) 一种配电网10kV馈线故障停电预测方法
CN113469504A (zh) 水上交通风险动态测试方法、介质及***
Li Energy consumption prediction of public buildings based on PCA-RF-AdaBoost
CN116862209B (zh) 一种新能源汽车充电设施管理方法及***
CN117311295B (zh) 基于无线网络设备的生产质量提升方法及***

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