CN107895017A - 一种基于大数据技术的电能质量监测系统构建方法 - Google Patents

一种基于大数据技术的电能质量监测系统构建方法 Download PDF

Info

Publication number
CN107895017A
CN107895017A CN201711119956.3A CN201711119956A CN107895017A CN 107895017 A CN107895017 A CN 107895017A CN 201711119956 A CN201711119956 A CN 201711119956A CN 107895017 A CN107895017 A CN 107895017A
Authority
CN
China
Prior art keywords
data
electric energy
quality
quality monitoring
storage
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
CN201711119956.3A
Other languages
English (en)
Inventor
李斌
郭雅娟
郭晨宇
宗海峰
徐雁翔
张军
史明明
李志�
陈锦铭
范忠
孙德鹏
邓洁清
何剑
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.)
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power 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 State Grid Corp of China SGCC, State Grid Jiangsu Electric Power Co Ltd, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201711119956.3A priority Critical patent/CN107895017A/zh
Publication of CN107895017A publication Critical patent/CN107895017A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G06F16/278—Data partitioning, e.g. horizontal or vertical partitioning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/18—File system types
    • G06F16/182—Distributed file systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开了一种基于大数据技术的电能质量监测系统构建方法，包括电能质量监测混合存储模块和电能质量监测分布式并行计算模块，其中所述混合存储模块用于对电能质量监测设备采集数据进行落地存储，根据数据不同的使用方式和使用频率，又可以细分为列式存储模块、行式存储模块和内存存储模块；所述分布式并行计算模块，用于统计分析日、周、月、季、年等维度下的数据。本发明解决了传统采用集中式关联型数据库存储数据的电能质量监测系统无法应对逐渐增多的电能质量监测数据同时计算统计信息效率低下的问题。

Description

一种基于大数据技术的电能质量监测系统构建方法
技术领域
本发明属于电能质量监测领域，具体地说是涉及一种基于大数据技术的电能质量监测系统构建方法。
背景技术
电能质量监测是改善电网电能质量水平的重要环节。随着现代网络技术、光纤通信技术及标准化协议等深入发展，并能为数据采集、远距离传输与共享、及时分析提供成熟的技术支撑，网络化的电能质量监测系统已成为电能质量监测的主流方式。一批具有统一监控的电能质量在线监测管理平台在国内外被组建起来，用来进行数据收集和统计分析，最初组建起来的在线监测管理平台，由于电能质量监测设备较少，数据量相对较小，大部分采用集中式关系型数据库作为后端存储选型，随着电能质量监测设备逐步增加，数据量也在线性增加，进而带来存储横向扩展问题和统计分析性能问题。
集中式关系型数据库在数据量较小的情况下(百万级数据库)，其性能优异。然而，当数据增量为10TB级别时，数据分析维度为数千项时，其性能会有瓶颈，即无法在规定的时间内得到数据分析结果，严重影响到用户使用数据的体验，并且在如此大的数据压力情况下，系统往往会不稳定，甚至宕机，无法对外提供服务。因此，如何提高电能质量系统数据分析计算的性能迫在眉睫。
以集中式关系型数据库为存储中心的电能质量监测系统，随着监测点的逐步增加，监测数据量亦同步增加，进而后端监测数据的存储压力呈指数级上升。集中式关系型数据库横向扩展代价大甚至无法扩展，大大降低了电能质量监测系统的性能。因此，如何改善后端存储的可扩展性、增加后端数据存储的能力、提高数据的吞吐能力十分迫切。
发明内容
为解决上述问题，本发明的目的在于搭建一套基于大数据技术的电能质量监测系统，该系统包括混合存储模块和分布式并行计算模块两部分。
为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：
一种基于大数据技术的电能质量监测系统构建方法，包括构建电能质量监测的混合存储模块和电能质量监测的分布式并行计算模块；所述分布式并行计算模块用于统计分析日、周、月、季和年维度下的数据；所述混合存储模块用于对电能质量监测设备采集数据进行存储。混合存储模块根据数据不同的使用方式和使用频率，分为列式存储模块、行式存储模块和内存存储模块。
列式存储模块对电能质量监测设备采集的电流、电压、功率和闪变的原始数据进行分布式列式存储；
列式存储模块运行于若干台服务器组成的服务器集群之上，各服务器根据数据大小情况进行分布式存储及负载均衡；
列式存储模块列式存储各表以RowKey(行键)为主键，各表中所有行都按照RowKey(行键)顺序排列，而在行的方向上随着数据的增多分成不同的分区(region)，分区(region)为分布式存储和负载均衡的最小单元，即不同的分区可以存储在不同的服务器上，但一个分区不能拆分到多个服务器上。
分布式列式存储方式具备横向可扩展性，即线性增加新的服务器来存储递增的明细数据。与纵向可扩展性相比，纵向可扩展是指替换掉已经不能满足需求的硬件服务器，更换更高性能的硬件服务器，从而提升系统的存储能力，但纵向扩展有限。
行式存储模块对电能质量监测的报表和分析计算后汇总数据进行集中式行式存储；行式存储模块存储的数据包括日、周、月、季、年和超标统计数据，具有量小、读密集型、需多表关联等特点的事务性数据。
内存存储模块对电能质量监测系统热点数据和待计算数据进行内存式存储；内存存储模块存储的数据包括来自列式或行式中的某一段待处理的数据，具体包括每日产生的电流数据、电压数据、闪变数据和功率数据，该类数据具有易失性、时效性高等特点。
所述分布式并行计算模块对具有海量和结构化特点的电能质量监测数据并行统计分析日、周、月、季和年维度下的数据，分布式并行计算模块包括电能质量并行计算框架、电能质量数据计算模型和电能质量业务并行计算粒度。
电能质量并行计算框架为以电能质量分布式文件系统、电能质量分布式列式存储、电能质量内存式存储、电能质量行式存储、电能质量并行计算框架资源调度、电能质量离线批处理、电能质量交互式分析、电能质量数据分析和电能质量可视化组成的框架。
电能质量数据计算模型统计分析电能质量，对电能质量各业务指标进行计算，能质量各业务指标包括谐波电压、谐波电流、功率、闪变和间谐波
电能质量数据计算模型包括最大值、最小值、平均值和95概率值的计算模型；
电能质量各业务指标的计算互不影响、并行执行。将分布式的列式存储数据转换到基于哈希列表的内存式存储中，依托内存式存储的读取和运算性能提高分布式并行计算模型的效率。
电能质量业务并行计算粒度指分布式并行计算中所涉及的日、周、月、季度、年和自定义时间区间的时间跨度。时间跨度的长短对应的并行计算的粒度不同，时间跨度短的统计，如日统计、月统计，因其实效性及精确性要求高，故选择运算速度最快的内存式计算；时间跨度较长的统计，如月、季、年统计因其实效性及精度性要求稍低，且此类时间类别的统计信息来源于日统计信息而不是原始数据，比如月的统计信息来源于对日统计信息的汇总，故选择使用传统的行式计算方式得到统计信息。
与现有技术相比，本发明有益效果包括：
本发明公开一种基于大数据技术的电能质量监测系统构建方法，提升了数据存储和吞吐能力，依本发明所构建的系统可以接入上千套电能质量监测设备，数据存储能力规模从TB级提升到PB级，吞吐能力提升到百兆字节每秒。
本发明引入了存储方式的多样化，与采用单一列式存储的大数据技术相比，本发明充分利用行式存储、列式存储及内存式存储各自的优点，既可兼容传统的关系型数据库，又能根据业务需求的差异利用多种存储方式的组合有效的提高了电能质量数据的存储效率，并降低了存储的扩展成本。
本发明显著的提高了数据解析和计算速度，在数千个数据维度、数千万条数据记录的情况下，日统计分析计算速度达到分钟级；在数千个数据维度、数亿条记录的周统计分析计算速度达到小时级；在数千个数据维度、数据量为十几亿条记录的月统计分析计算速度达到天级别。基于大数据技术的电能质量监测系统构建方法不仅解决了数据存储的横向可扩展能力，而且提升了日、周、月、季、年等统计分析维度下的计算性能。
本发明为促进电能质量监测系统的发展提供了有效的、坚强的技术支撑。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明：
图1是本发明实施例中基于大数据技术电能质量监测系统结构示意图；
图2是本发明实施例中分布式并行计算模块的程序流程图。
具体实施方式
下面结合附图和具体的实施例对本发明技术方案作进一步的详细描述，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
如图1所示，一种基于大数据技术的电能质量监测系统构建方法，包括构建电能质量监测的混合存储模块和电能质量监测的分布式并行计算模块；所述分布式并行计算模块用于统计分析日、周、月、季和年维度下的数据；所述混合存储模块用于对电能质量监测设备采集数据进行存储。
混合存储模块根据数据不同的使用方式和使用频率，分为列式存储模块、行式存储模块和内存存储模块。
列式存储模块对电能质量监测设备采集的电流、电压、功率和闪变的原始数据进行分布式列式存储；
列式存储模块运行于多台服务器组成的服务器集群之上，各服务器根据数据大小情况进行分布式存储及负载均衡；
列式存储模块列式存储各表以Rowkey(行键)为主键，各表中所有行都按照Rowkey(行键)顺序排列，而在行的方向上随着数据的增多分成不同的分区(region)，分区(region)为分布式存储和负载均衡的最小单元，即不同的分区可以存储在不同的服务器上，但一个分区不能拆分到多个服务器上。
分布式列式存储方式具备横向可扩展性，即线性增加新的服务器来存储递增的明细数据。与纵向可扩展性相比，纵向可扩展是指替换掉已经不能满足需求的硬件服务器，更换更高性能的硬件服务器，从而提升系统的存储能力，但纵向扩展有限。
行式存储模块对电能质量监测的报表和分析计算后汇总数据进行集中式行式存储；行式存储模块存储的数据包括日、周、月、季、年和超标统计数据，具有量小、读密集型、需多表关联等特点的事务性数据。
内存存储模块对电能质量监测系统热点数据和待计算数据进行内存式存储；内存存储模块存储的数据包括来自列式或行式中的某一段待处理的数据，具体包括每日产生的电流数据、电压数据、闪变数据和功率数据，该类数据具有易失性、时效性高等特点。
分布式并行计算模块对具有海量和结构化特点的电能质量监测数据并行统计分析日、周、月、季和年维度下的数据，分布式并行计算模块包括电能质量并行计算框架、电能质量数据计算模型和电能质量业务并行计算粒度。
电能质量并行计算框架为以电能质量分布式文件系统、电能质量分布式列式存储、电能质量内存式存储、电能质量行式存储、电能质量并行计算框架资源调度、电能质量离线批处理、电能质量交互式分析、电能质量数据分析和电能质量可视化组成的框架。
电能质量数据计算模型统计分析电能质量，对电能质量各业务指标进行计算，能质量各业务指标包括谐波电压、谐波电流、功率、闪变和间谐波
电能质量数据计算模型包括最大值、最小值、平均值、95概率值的计算模型；
电能质量各业务指标的计算互不影响、并行执行。将分布式的列式存储数据转换到基于哈希列表的内存式存储中，依托内存式存储的读取和运算性能提高分布式并行计算模型的效率。
电能质量业务并行计算粒度指分布式并行计算中所涉及的日、周、月、季度、年和自定义时间区间的时间跨度。时间跨度的长短对应的并行计算的粒度不同，时间跨度短的统计，如日统计、月统计，因其实效性及精确性要求高，故选择运算速度最快的内存式计算；时间跨度较长的统计，如月、季、年统计因其实效性及精度性要求稍低，且此类时间类别的统计信息来源于日统计信息而不是原始数据，比如月的统计信息来源于对日统计信息的汇总，故选择使用传统的行式计算方式得到统计信息。
如图2所示，本实施例以某省电能质量大数据监测系统建设流程为例，应用此构建方法，成功建设出一套能接入1200套电能质量装置，存储能力达PB级的电能质量监测系统。
步骤一：搭建电能质量监测混合存储模块，包括列式存储、行式存储及内存式存储。共使用13台服务器，其中分布式列式存储服务器10台组成服务器集群，行式存储服务器1台，内存式存储服务器2台。
列式存储服务器用来存储电流、电压、功率和闪变的原始数据。其又分为管理用3台，数据存储用6台，备用1台。需为每台服务器分配机器别名及IP机器，分配表如下：
行式存储服务器用来存储电能质量监测的报表、分析计算后等汇总数据。为其分配磁盘空间为2TB。
内存式存储服务器用来存储电能质量监测系统热点数据和待计算数据，具体包括每日产生的电流数据、电压数据、闪变数据、功率数据。服务器共有2台，其中1台主机，1台备用机，内存各为128G，磁盘空间各为1TB。
以上13台服务器处于一个局域网，使其之间可互联互通。
目前该系统每天所采集的所有电能质量原数据在10G左右，而存储原数据的列式存储共有存储空间14038G，足够使用近4年时间，且当存储空间不足时，可通过添加存储服务器做到快速横向扩展。
步骤二：搭建电能质量监测分布式并行计算模块。
并行计算模块中分为内存计算和行式计算两种方式；其中内存计算方式共用内存式存储的2台服务器，此处称为服务器A、服务器B，服务器A承担电压、电流数据的最大值、最小值、平均值、95概率值等的计算，服务器B承担功率、闪变数据的最大值、最小值、平均值、95概率值等的计算，并在计算完毕后将统计数据写入到行式存储中。行式计算方式共用使用行式存储的服务器，此处称为服务器C。
并行计算模块中分为内存计算和行式计算具体步骤如下：
S01：针对日统计计算，服务器A在每日的凌晨2点，按电能质量监测装置去列式存储中依次查询各装置前天的电压、电流数据，将数据读入内存式存储中，然后通过对各表进行倒序排列，计算出最大值、最小值、平均值及95概率值。计算完毕的值写入行式存储中。
针对周统计计算，服务器A在每周一的凌晨2点，按电能质量监测装置去列式存储中依次查询各装置上周各天的电压、电流数据，将数据读入内存式存储中，然后通过对各表进行倒序排列，计算出最大值、最小值、平均值及95概率值。计算完毕的值写入行式存储中。
S02：服务器B在每日的凌晨2点，按电能质量监测装置去列式存储中依次查询各装置前天的功率、闪变数据，将数据读入内存式存储中，然后通过对各表进行倒序排列，计算出最大值、最小值、平均值及95概率值。计算完毕的值写入行式存储中。
针对周统计计算，服务器A在每周一的凌晨2点，按电能质量监测装置去列式存储中依次查询各装置上周各天的电压、电流数据，将数据读入内存式存储中，然后通过对各表进行倒序排列，计算出最大值、最小值、平均值及95概率值。计算完毕的值写入行式存储中。
S03：服务器C在每月的3号，按电能质量监测装置去行式存储的统计信息中依次查询各装置上个月各天的电压、电流、功率、闪变数据，将各类数据的全月统计数据进行累加，并除以全月的天数，得到该月各项数据的最大值、最小值、平均值及95概率值。
S04：服务器C在每季度的3号，按电能质量监测装置去行式存储的统计信息中依次查询各装置上个季度各天的电压、电流、功率、闪变数据，将各类数据的全季度统计数据进行累加，并除以全季的天数，得到该季度各项数据的最大值、最小值、平均值及95概率值。
S05：服务器C在每年度的3号，按电能质量监测装置去行式存储的统计信息中依次查询各装置上个年度各天的电压、电流、功率、闪变数据，将各类数据的全季度统计数据进行累加，并除以全年的天数，得到该年度各项数据的最大值、最小值、平均值及95概率值。
服务器A、B、C之间的各类计算是并行的，互不干扰，其中日统计信息的计算速度可达到分钟级，周统计信息的计算速度达到数十分钟级。月、季、年统计信息计算可以在1天内完成。通过多种计算方式之间的分布式并行计算，大大的提高了统计信息的计算效率。
以上仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种基于大数据技术的电能质量监测系统构建方法，其特征在于，包括构建电能质量监测的混合存储模块和电能质量监测的分布式并行计算模块；所述分布式并行计算模块用于统计分析日、周、月、季和年维度下的数据；所述混合存储模块用于对电能质量监测设备采集数据进行存储。
2.根据权利要求1所述的一种基于大数据技术的电能质量监测系统构建方法，其特征在于，
混合存储模块包括列式存储模块、行式存储模块和内存存储模块。
3.根据权利要求2所述的一种基于大数据技术的电能质量监测系统构建方法，其特征在于，
列式存储模块对电能质量监测设备采集的电流、电压、功率和闪变的原始数据进行分布式列式存储；
列式存储模块运行于若干台服务器组成的服务器集群上，各服务器根据数据大小情况进行分布式存储及负载均衡；
列式存储模块列式存储各表以行键为主键，各表中所有行都按照行键顺序排列，在行的方向上随着数据的增多分成不同的分区，分区为分布式存储和负载均衡的最小单元。
4.根据权利要求2所述的一种基于大数据技术的电能质量监测系统构建方法，其特征在于，
行式存储模块对电能质量监测的报表和分析计算后汇总数据进行集中式行式存储；行式存储模块存储的数据包括日、周、月、季、年和超标统计数据。
5.根据权利要求2所述的一种基于大数据技术的电能质量监测系统构建方法，其特征在于，
内存存储模块对电能质量监测系统热点数据和待计算数据进行内存式存储；内存存储模块存储的数据包括来自列式或行式中的某一段待处理的数据，具体包括每日产生的电流数据、电压数据、闪变数据和功率数据。
6.根据权利要求1所述的一种基于大数据技术的电能质量监测系统构建方法，其特征在于，
所述分布式并行计算模块对具有海量和结构化特点的电能质量监测数据并行统计分析日、周、月、季和年维度下的数据；
分布式并行计算模块包括电能质量并行计算框架、电能质量数据计算模型和电能质量业务并行计算粒度。
7.根据权利要求6所述的一种基于大数据技术的电能质量监测系统构建方法，其特征在于，
电能质量并行计算框架为以电能质量分布式文件系统、电能质量分布式列式存储、电能质量内存式存储、电能质量行式存储、电能质量并行计算框架资源调度、电能质量离线批处理、电能质量交互式分析、电能质量数据分析和电能质量可视化组成的框架。
8.根据权利要求6所述的一种基于大数据技术的电能质量监测系统构建方法，其特征在于，
电能质量数据计算模型统计分析电能质量，对电能质量各业务指标进行计算，能质量各业务指标包括谐波电压、谐波电流、功率、闪变和间谐波；
电能质量数据计算模型包括最大值、最小值、平均值和95概率值的计算模型。
9.根据权利要求6所述的一种基于大数据技术的电能质量监测系统构建方法，其特征在于，
电能质量业务并行计算粒度指分布式并行计算中所涉及的日、周、月、季度、年和自定义时间区间的时间跨度；
时间跨度的长短对应的并行计算的粒度不同。
CN201711119956.3A 2017-11-14 2017-11-14 一种基于大数据技术的电能质量监测系统构建方法 Pending CN107895017A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711119956.3A CN107895017A (zh) 2017-11-14 2017-11-14 一种基于大数据技术的电能质量监测系统构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711119956.3A CN107895017A (zh) 2017-11-14 2017-11-14 一种基于大数据技术的电能质量监测系统构建方法

Publications (1)

Publication Number Publication Date
CN107895017A true CN107895017A (zh) 2018-04-10

Family

ID=61805150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711119956.3A Pending CN107895017A (zh) 2017-11-14 2017-11-14 一种基于大数据技术的电能质量监测系统构建方法

Country Status (1)

Country Link
CN (1) CN107895017A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108959616A (zh) * 2018-07-18 2018-12-07 广州供电局有限公司 基于大数据技术的生产域数据质量准实时监控系统及方法
CN109495578A (zh) * 2018-12-05 2019-03-19 贵州电网有限责任公司 一种针对用电采集系统的分层集群处理系统
CN110008213A (zh) * 2019-03-13 2019-07-12 国电南瑞科技股份有限公司 一种调控系统实时数据分离式管理方法
CN110865329A (zh) * 2019-12-21 2020-03-06 国网山东省电力公司泰安供电公司 一种基于大数据自诊断的电能计量方法及系统
CN111752918A (zh) * 2020-05-15 2020-10-09 南京国电南自维美德自动化有限公司 一种历史数据交互系统及其配置方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106202566A (zh) * 2016-08-02 2016-12-07 山东鲁能软件技术有限公司 一种基于大数据的海量用电数据混合存储系统及方法
CN106294644A (zh) * 2016-08-02 2017-01-04 山东鲁能软件技术有限公司 一种基于大数据技术的海量时序数据收集处理装置及方法
CN107341205A (zh) * 2017-06-23 2017-11-10 国网上海市电力公司 一种基于大数据平台的智能配用电系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106202566A (zh) * 2016-08-02 2016-12-07 山东鲁能软件技术有限公司 一种基于大数据的海量用电数据混合存储系统及方法
CN106294644A (zh) * 2016-08-02 2017-01-04 山东鲁能软件技术有限公司 一种基于大数据技术的海量时序数据收集处理装置及方法
CN107341205A (zh) * 2017-06-23 2017-11-10 国网上海市电力公司 一种基于大数据平台的智能配用电系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘超等: "基于电力全业务数据中心的分布式实时", 《电力大数据》 *
饶玮等: "面向全球能源互联网的电力大数据", 《电力信息与通信技术》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108959616A (zh) * 2018-07-18 2018-12-07 广州供电局有限公司 基于大数据技术的生产域数据质量准实时监控系统及方法
CN109495578A (zh) * 2018-12-05 2019-03-19 贵州电网有限责任公司 一种针对用电采集系统的分层集群处理系统
CN110008213A (zh) * 2019-03-13 2019-07-12 国电南瑞科技股份有限公司 一种调控系统实时数据分离式管理方法
CN110865329A (zh) * 2019-12-21 2020-03-06 国网山东省电力公司泰安供电公司 一种基于大数据自诊断的电能计量方法及系统
CN110865329B (zh) * 2019-12-21 2022-04-08 国网山东省电力公司泰安供电公司 一种基于大数据自诊断的电能计量方法及系统
CN111752918A (zh) * 2020-05-15 2020-10-09 南京国电南自维美德自动化有限公司 一种历史数据交互系统及其配置方法
CN111752918B (zh) * 2020-05-15 2023-12-22 南京国电南自维美德自动化有限公司 一种历史数据交互系统及其配置方法

Similar Documents

Publication Publication Date Title
CN107895017A (zh) 一种基于大数据技术的电能质量监测系统构建方法
CN106327055B (zh) 一种基于大数据技术的电力费控方法及系统
CN112860695B (zh) 监控数据查询方法、装置、设备、存储介质及程序产品
CN104407879B (zh) 一种电网时序大数据并行加载方法
CN103955509A (zh) 一种海量电力计量数据的快速检索方法
CN106649687A (zh) 大数据联机分析处理方法及装置
CN103325067B (zh) 基于用电客户细分的服务推送方法和系统
CN105512167A (zh) 一种基于混合数据库的多业务用户数据管理系统及其方法
CN112307003B (zh) 电网数据多维辅助分析方法、系统、终端及可读存储介质
CN108090165A (zh) 一种基于嵌入式图数据库的图谱变化差异的获取方法
CN104881477B (zh) 一种应用数据空间使用估算方法
CN109739919A (zh) 一种用于电力系统的前置机和采集系统
Prasad et al. Application of polyglot persistence to enhance performance of the energy data management systems
CN107194562A (zh) 供电公司用台区停电分析系统
CN113407649A (zh) 数据仓库建模方法、装置、电子设备及存储介质
CN107291539A (zh) 基于资源重要程度的集群程序调度方法
CN111737325A (zh) 一种基于大数据技术的电力数据分析方法和装置
CN111160865A (zh) 一种工作流管理方法及装置
CN105335822A (zh) 一种面向大数据分析的智能电网统一数据模型建模方法
CN114528951A (zh) 一种配网线路单线图异常诊断分析方法、系统及装置
CN204066111U (zh) 一种海量电力计量数据的快速检索系统
CN112905732A (zh) 电表抄读成功率的获取方法、装置
CN107862459B (zh) 一种基于大数据的计量设备状态评估方法及系统
CN107277143A (zh) 一种资源匹配管理方法及装置
CN111127186A (zh) 一种基于大数据技术的客户信用等级评价体系的使用方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180410