CN110504974A - D-pmu测量数据分段切片混合压缩存储方法及装置 - Google Patents
D-pmu测量数据分段切片混合压缩存储方法及装置 Download PDFInfo
- Publication number
- CN110504974A CN110504974A CN201910768091.6A CN201910768091A CN110504974A CN 110504974 A CN110504974 A CN 110504974A CN 201910768091 A CN201910768091 A CN 201910768091A CN 110504974 A CN110504974 A CN 110504974A
- Authority
- CN
- China
- Prior art keywords
- data
- period
- change
- measurement data
- compression
- 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.)
- Granted
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 162
- 238000007906 compression Methods 0.000 title claims abstract description 149
- 230000006835 compression Effects 0.000 title claims abstract description 148
- 238000003860 storage Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000008859 change Effects 0.000 claims abstract description 189
- 238000012545 processing Methods 0.000 claims abstract description 59
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 238000004590 computer program Methods 0.000 claims description 9
- 230000000737 periodic effect Effects 0.000 abstract 2
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 7
- 238000013144 data compression Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 230000001360 synchronised effect Effects 0.000 description 7
- 206010021703 Indifference Diseases 0.000 description 5
- 125000004122 cyclic group Chemical group 0.000 description 5
- 230000006837 decompression Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C19/00—Electric signal transmission systems
- G08C19/02—Electric signal transmission systems in which the signal transmitted is magnitude of current or voltage
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C19/00—Electric signal transmission systems
- G08C19/12—Electric signal transmission systems in which the signal transmitted is frequency or phase of ac
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本公开涉及D‑PMU测量数据分段切片混合压缩存储方法及装置，所述方法包括：根据D‑PMU测量数据的点属性及时间属性，得到测量数据的变化死区值；根据D‑PMU测量数据的周期变化属性对测量数据进行时间分段和切片处理，得到基准变化周期数据和/或非基准变化周期数据；根据变化死区值及基准变化周期数据，对非基准变化周期数据进行压缩处理。本公开通过对海量高频率测量数据进行分类，按时间段分析数据点值周期变化特性，使用变化死区值对分段切片的数据进行差值处理和去冗余处理，对历史数据的压缩比高，减少了D‑PMU数据的占用磁盘存储空间；同时，能够实现兼容有损压缩和无损压缩，满足工程应用对失真度的不同需求。
Description
技术领域
本公开涉及电力系统技术领域，尤其涉及一种D-PMU测量数据分段切片混合压缩存储方法及装置。
背景技术
微型同步相量测量装置(D-PMU，distribution phasor measurement unit)在配电网工程领域中部署应用，D-PMU测量数据采样时间频率高，历史测量数据随着工程应用时间的增加而快速增长，传统数据压缩存储方式，存储压缩比较低，海量D-PMU数据将会占据大量的存储空间，增加大量的磁盘阵列或硬盘空间的存储介质成本。
发明内容
有鉴于此，本公开提出了一种D-PMU测量数据分段切片混合压缩存储方法及装置，用以解决D-PMU测量数据存储压缩比较低的问题。
根据本公开的一方面，提供了一种D-PMU测量数据分段切片混合压缩存储方法，包括：
根据D-PMU测量数据的点属性及时间属性，得到所述测量数据的变化死区值；
根据D-PMU测量数据的周期变化属性对所述测量数据进行时间分段和切片处理，得到基准变化周期数据和/或非基准变化周期数据；
根据所述变化死区值及所述基准变化周期数据，对所述非基准变化周期数据进行压缩处理。
在一种可能的实现方式中，所述根据D-PMU测量数据的点属性及时间属性，得到所述测量数据的变化死区值，包括：
根据所述测量数据的点属性，得到变化死区基数；
根据所述测量数据的时间属性，得到变化死区系数；
将所述变化死区基数与所述变化死区系数相乘，得到一个或两个以上变化死区值。
在一种可能的实现方式中，所述根据所述测量数据的点属性及应用需求，得到变化死区基数，包括：
根据所述测量数据的点属性，确定所述测量数据的类别；
根据所述类别和测量数据的重要等级，确定所述测量数据的变化死区基数。
在一种可能的实现方式中，所述根据D-PMU测量数据的周期变化属性对所述测量数据进行时间分段和切片处理，得到基准变化周期数据和/或非基准变化周期数据，包括：
根据所述测量数据的周期变化属性，得到所述测量数据的波动周期；
按照所述波动周期对所述测量数据的时间范围进行分段，得到一个或两个以上时间段数据；
对每个时间段数据进行切片，得到一个或两个以上等间隔的压缩周期数据，所述压缩周期数据具有相同数量的数据点；
根据同一时间段内的压缩周期数据的波动相似性，将所述压缩周期数据划分为基准变化周期数据和/或非基准变化周期数据。
在一种可能的实现方式中，所述根据所述变化死区值及所述基准变化周期数据，对所述非基准变化周期数据进行压缩处理，包括：
求取同一时间段内的所述非基准变化周期数据的数据点值与所述基准变化周期数据对应数据点值的差值；
将所述差值与对应的变化死区值进行对比，若所述差值大于所述变化死区值，则将所述差值代替所述非基准变化周期数据的数据点值；
若所述差值小于等于所述变化死区值，则删除所述非基准变化周期数据的数据点值，并记录所述数据点在所述非基准变化周期内的位置。
在一种可能的实现方式中，所述根据所述变化死区值及基准变化周期数据，对所述非基准变化周期数据进行压缩处理，还包括：
求取同一时间段内的所述非基准变化周期数据的各数据点值与所述基准变化周期数据对应数据点值的差值；
若所述非基准变化周期数据的各数据点值与所述基准变化周期数据对应数据点值的差值均小于等于所述变化死区值，则删除所述非基准变化周期数据的所有数据点值，并记录所述非基准变化周期在所述时间段内的位置。
在一种可能的实现方式中，所述方法还包括：使用压缩编码对压缩处理后的D-PMU测量数据进行二次无损压缩处理。
根据本公开的另一方面，提供了一种D-PMU测量数据分段切片混合压缩存储装置，包括：
变化死区值模块，用于根据D-PMU测量数据的点属性及时间属性，得到变化死区值；
分段和切片模块，用于根据D-PMU测量数据的周期变化属性对所述测量数据进行时间分段和切片处理，得到基准变化周期数据和/或非基准变化周期数据；
压缩模块，用于根据所述变化死区值及所述基准变化周期数据，对所述非基准变化周期数据进行压缩处理。
根据本公开的另一方面，提供了一种D-PMU测量数据分段切片混合压缩存储装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述方法。
根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。
本公开通过对海量高频率D-PMU测量采集历史数据点进行分类，按时间段分析数据点值周期变化特性，采用分段切片压缩存储方法，将切片的数据分为基准变化周期和非基准变化周期，使用变化死区值对切片的数据进行差值处理和去冗余处理，对D-PMU历史数据的压缩比高，减少了D-PMU数据的占用磁盘存储空间；同时，能够实现兼容有损压缩和无损压缩，满足工程应用对失真度的不同需求。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开一实施例的一种D-PMU测量数据分段切片混合压缩存储方法的流程图；
图2示出根据本公开一实施例的一种D-PMU测量数据分段切片混合压缩存储方法的流程图；
图3示出根据本公开一实施例的一种D-PMU测量数据分段切片混合压缩存储方法的流程图；
图4示出根据本公开一实施例的一种D-PMU测量数据分段切片混合压缩存储装置的结构图；
图5示出根据本公开一实施例的一种用于D-PMU测量数据分段切片混合压缩存储的装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
针对大规模分布式电源、电动汽车接入以及用户与电网供需互动对配电网安全可靠运行提出的挑战，配电网中可大规模部署的微型同步相量测量应用技术已有相关研究；微型同步相量测量装置在配电网工程领域中部署应用。
微型同步相量测量装置采集高频率测量数据上送给配电网广域测量控制系统主站(简称系统主站)。系统主站接收到D-PMU测量数据后，对测量数据进行历史存储，用于配电网状态估计、故障定位及诊断等高级应用功能分析与研究。
通过D-PMU采集测量数据，根据实际工程配置，通常每隔10～20毫秒进行一次数据采集及上送，采集频率高。高频的数据采集需要对每个采集数据点进行每秒钟100帧或50帧数据存储。D-PMU测量数据具有采样时间频率高，测量值周期波动规律性强、测量周期长、总数据量大等特点。在工程应用中，D-PMU历史数据随着工程应用时间的增加而快速增长，海量D-PMU数据将会占据大量的存储空间，增加大量的磁盘阵列或硬盘空间的存储介质成本。然而，等时间间隔存储或者按照时间序列变化存储没有充分考虑到D-PMU数据的高频率及周期变化等自身特性，数据压缩存储压缩比较低。而电力系统工程应用中对数据失真度具有多样化的要求。因此，根据D-PMU数据的自身特性及工程应用对数据的需求特征提供一种高压缩比例的、满足工程应用需求的D-PMU数据存储方法具有十分重要的意义。
图1示出根据本公开一实施例的一种D-PMU测量数据分段切片混合压缩存储方法的流程图。如图1所示，该方法可以包括以下步骤：
步骤S1、根据D-PMU测量数据的点属性及时间属性，得到所述测量数据的变化死区值；
步骤S2、根据D-PMU测量数据的周期变化属性对所述测量数据进行时间分段和切片处理，得到基准变化周期数据和/或非基准变化周期数据；
步骤S3、根据所述变化死区值及所述基准变化周期数据，对所述非基准变化周期数据进行压缩处理。
其中，D-PMU测量数据指：D-PMU(微型同步相量测量装置)利用全球定位系统(GPS)秒脉冲作为同步时钟，以标准时间信号作为采样过程的基准，对电力系统的不同节点电压和电流等进行同步采样(如幅值、频率、相位等)所获得的测量数据。
本公开中D-PMU测量数据分段切片有损无损混合压缩存储方法，以高压缩比和兼容有损无损压缩为目标，通过同一种压缩方法，可以对不应用点属性的数据可兼容有损压缩或者无所压缩，同样可兼容时间属性的有损或者无损压缩。通过分析数据周期变化属性，根据周期变化属性对数据进行时间分段和切片处理；将切片的数据分为基准变化周期和非基准变化周期，使用变化死区值对切片的数据进行差值处理和去冗余处理，达到兼容有损压缩和无损压缩，以及高压缩比的目的。
在一种可能的实现方式中，图2示出根据本公开一实施例的一种D-PMU测量数据分段切片混合压缩存储方法的流程图；如图2所示，在步骤S1中根据D-PMU测量数据的点属性及时间属性，得到所述测量数据的变化死区值，可以包括以下步骤：
步骤S101、根据所述测量数据的点属性，得到变化死区基数；
步骤S102、根据所述测量数据的时间属性，得到变化死区系数；
步骤S103、将所述变化死区基数与所述变化死区系数相乘，得到一个或两个以上变化死区值。
本公开中，按测量数据的点属性对D-PMU数据点进行分类，对每种类型数据点制定相应的点属性压缩策略，结合应用的需求和数据点属性，确定点属性变化死区基数，该基数可以反映数据的类别及重要程度，根据该基数可对每个数据点采取无损压缩或不同失真度的有损压缩策略。同时，结合应用需求，在点属性压缩策略基础上增加时间属性压缩策略，确定时间属性变化死区系数，该系数可以反映测量数据距离当前时刻的远近。最后，根据点属性和时间属性压缩策略定义任意测量点的变化死区值，当变化死区值为0时，压缩为无损压缩；当变化死区值为非0时，压缩为有损压缩，从而实现横向时间维度和纵向点属性维度两个维度的有损无损混合压缩；满足工程应用对失真度的不同需求。
在一种可能的实现方式中，在步骤S101中根据所述测量数据的点属性及应用需求，得到变化死区基数，可以包括以下步骤：
步骤S10101、根据所述测量数据的点属性，确定所述测量数据的类别；
步骤S10102、根据所述类别和测量数据的重要等级，确定所述测量数据的变化死区基数。
通过对D-PMU测量数据按点属性进行分类，对每种类型数据点制定相应的点属性压缩策略，确定点属性变化死区基数。其中，D-PMU数据根据数据类型不同可以分为向量数据(包含角度与幅值)，模拟量数据，开关量数据；依据测量数据根据点属性分类结果，确定测量数据点的压缩类型。例如，对开关量数据确定为无损压缩；对向量数据及模拟量数据进行重要等级分类，按照重要等级对数据进行有损压缩及无损压缩处理划分；对有损压缩确定每个重要等级的有损压缩变化死区基数，重要等级越高，有损压缩变化死区基数值越小。由此，本公开结合应用需求和数据点属性，实现对每个数据点采取无损压缩或不同失真度的有损压缩策略。其中，应用需求指该测量点数据在高级应用中的需求量(如：配电网状态估计、故障定位及诊断等高级应用功能分析与研究等应用)，根据该测量点的应用需求量的多少，确定该数据的重要等级，如：测量点采集的D-PMU测量数据所涉及的应用需求量越多，则该数据的重要等级越高。
需要说明的是，本公开仅是示例性的将测量数据分为向量数据、模拟量数据、开关量数据三类；在实际应用中对测量数据按点属性进行分类时，可以根据实际采集或获取的测量数据所涵盖的数据类型及工程应用需要，按照多种分类标准进行不同程度的细化分类，在此不作限定。
举例来说，表1为点属性变化死区基数表，如表1所示，根据P1-P10测量点的点属性，结合该测量点数据的重要等级及D-PMU测量表，得到每个测量点P的变化死区基数(取值范围0-1)，其中，变化死区基数为0的点(P1点)，代表该点值的压缩处理为无损压缩。变化死区基数值越大，代表压缩后存储的值与实际值的最大误差范围越大，每一个测量点P都具有一个变化死区基数，变化死区基数的具体数值可在实际工程应用中根据需要进行配置。
表1 点属性变化死区基数表
| 测量点P | P1 | P2 | P3 | P4 | P5 | P6 | P7 | P8 | P9 | P10 |
| 变化死区基数 | 0 | 0.0001 | 0.0005 | 0.001 | 0.005 | 0.01 | 0.05 | 0.1 | 0.5 | 1 |
在一种可能的实现方式中，在步骤S102中根据测量数据的时间属性，结合应用需求制定时间压缩策略，确定时间属性变化死区系数：即在上述步骤S101中点属性压缩策略基础上增加时间属性压缩策略，进而实现横向时间维度和纵向点属性维度两个维度的有损无损混合压缩。根据历史数据距离当前压缩时刻的远近(时间属性)，确定不同的时间属性压缩策略时，对距离当前时刻最近的时间点(一定时间范围内)的测量数据，进行无损压缩。距离当前时间越久的数据，有损压缩变化死区系数越大，则有损压缩的失真度越高，同时压缩比越高；距离当前时间越近的数据，有损压缩变化死区系数越小。
举例来说，表2为时间属性变化死区系数表，如表2所示，时间范围T代表被压缩数据的历史采集时间与当前压缩时间的时间间隔。在表2中，将历史时间可以划分为T1-T4四个时间范围，其中，T1(0～6个月)内数据变化死区系数为0，采用无损压缩策略。T2(7～12个月)内变化死区系数为0.5，采用有损压缩策略，以此类推。距离当前压缩时间越久，工程应用对数据失真度要求越低，因此变化死区系数越高。其中，时间范围及变化死区系数可以根据实际高级应用(如：配电网状态估计、故障定位及诊断等)的需求划分设定，如：高级应用需要6个月内数据，则可将第一时间范围设置为6个月，且在此范围内的变化死区系数为0。
表2 时间属性变化死区系数表
| 时间范围T | T1(0～6months) | T2(7～12month) | T3(13～24month) | T4(>＝25months) |
| 变化死区系数 | 0 | 0.5 | 1 | 2 |
在一种可能的实现方式中，在步骤S103中将变化死区基数与变化死区系数相乘，得到一个或两个以上变化死区值，即任意测量点任意时刻的变化死区值。
为了结合上述制定的点属性和时间属性的压缩策略，实现横向时间维度和纵向点维度两个维度的有损无损混合压缩策略，在本公开中定义了变化死区值DBV，该变化死区值含义是在有损压缩处理中，被压缩点值与基准点值的差值的绝对值若小于某个阈值，则认为被压缩点值等同于基准点值，该阈值即为变化死区值DBV，变化死区值DBV的具体数值由步骤S101中点属性变化死区基数乘以步骤S102中时间属性变化死区系数得到。当变化死区值DBV为0时，压缩为无损压缩；当变化死区值为非0时，压缩为有损压缩。根据该变化死区值即可实现横向时间维度和纵向点维度两个维度的有损无损混合压缩策略，即重要程度较高点和近期数据实现无损压缩，重要程度较低点和远期数据实现不同失真度的有损压缩。
举例来说，采用表1中的各点属性变化死区基数与和表2中的时间属性变化死区系数，将两者对应相乘，得到任意点任意时刻变化死区值，计算结果如表3所示，P1测量点在T1-T4的时间范围内的变化死区值均为0，则该点的测量数据均进行无损压缩；P2测量点在T1时间范围内的变化死区值均为0，则该点在该时间范围内的测量数据进行无损压缩，在T2-T4的时间范围内的变化死区值均非0，则该点在T2-T4的时间范围的测量数据均进行有损压缩；以此类推。
表3 任意点任意时刻变化死区值
| 测量点 | P1 | P2 | P3 | P4 | P5 | P6 | P7 | P8 | P9 | P10 |
| T1变化死区值 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| T2变化死区值 | 0 | 0.00005 | 0.00025 | 0.0005 | 0.0025 | 0.005 | 0.025 | 0.05 | 0.25 | 0.5 |
| T3变化死区值 | 0 | 0.0001 | 0.0005 | 0.001 | 0.005 | 0.01 | 0.05 | 0.1 | 0.5 | 1 |
| T4变化死区值 | 0 | 0.0002 | 0.001 | 0.002 | 0.01 | 0.02 | 0.1 | 0.2 | 1 | 2 |
在一种可能的实现方式中，在步骤S2中根据D-PMU测量数据的周期变化属性对所述测量数据进行时间分段和切片处理，得到基准变化周期数据和/或非基准变化周期数据，如图2所示，可以包括以下步骤：
步骤S201、根据所述测量数据的周期变化属性，得到所述测量数据的波动周期；
步骤S202、按照所述波动周期对所述测量数据的时间范围进行分段，得到一个或两个以上时间段数据；
步骤S203、对每个时间段数据进行切片，得到一个或两个以上等间隔的压缩周期数据，所述压缩周期数据具有相同数量的数据点；
步骤S204、根据同一时间段内的压缩周期数据的波动相似性，将所述压缩周期数据划分为基准变化周期数据和/或非基准变化周期数据。
本公开在对测量数据压缩之前对测量数据点进行计算分析及预处理。通过分析计算数据点值，对单一数据点进行按照时间分段；其中，分段的依据为：在当前时间段内，数据点值具有相似的周期波动性。对分段后得到的各时间段内的数据进行按照时间“切片”，切分为等时间间距的小变化周期，每个小变化周期具有相同或相似的数据点值周期波动性，在一个时间段的若干个小变化周期中，选取其中一个作为基准变化周期,其余为非基准变化周期，其中，基准变化周期记录周期内测量点的实际采集值。
在一种可能的实现方式中，在步骤S2中，如图2所示，还可以包括：步骤S200、确定压缩频率及本次压缩处理数据的时间范围。首先根据实际工程应用需要，设定数据压缩频率，然后在每次进行压缩处理时，可以根据该数据压缩频率及上次压缩处理的时间，确定本次压缩需要进行压缩数据的时间范围。例如，可以根据高级应用处理的需要，设定数据压缩频率为3个月，即每3个月进行一次压缩处理。假设上次压缩处理的时间为3个月前，则本次压缩处理时，将待压缩的测量数据最新所处的时间范围与步骤S102中划分的各时间范围进行比较，只需要重新压缩变化死区系数有变化的对应的时间范围，而变化死区系数与上次压缩无变化的时间范围无需再次压缩处理，进而提高了压缩速度，节省计算资源。
在一种可能的实现方式中，在步骤S201中，根据所述测量数据的周期变化属性，得到所述测量数据的波动周期。针对在步骤S200中选取的需要压缩处理的测量数据，对该时间范围内的数据进行分析计算，根据数据的周期变化属性，计算得出数据的波动周期，例如：历史测量数据采用的是每小时存储一个数据文件，可以选取一个小时的数据作为测量数据，且判定这一小时的数据全部需要压缩，则对该测量数据可以利用数据分析方法(如：根据模拟量曲线的上下波动等特征)进行周期性分析，得到该一小时测量数据的一个或多个波动周期。
在一种可能的实现方式中，在步骤S202中，按照波动周期对所述测量数据的时间范围进行分段，得到一个或两个以上时间段数据。根据步骤S201中得到的一个或多个波动周期，对所述测量数据的时间范围进行分段，得到若干个时间段数据，其中，每个时间段的时间长度可以不同。考虑到实际工程应用中由于D-PMU测量数据采集频率高，一般历史数据采用的是每小时存储一个数据文件，因此，示例性地，本公开将一小时的测量数据文件作为待压缩数据进行分段，将时间段标记为PT，分段结果如表4所示，分为PT1-PTN时间段，N的取值根据实际数据的波动周期数目确定，在此不作限定，每一个时间段PT的时间长度可以不同。
表4 时间分段示例表
| 时间段 | PT1 | PT2 | PT3 | … | PTN |
| 时间长度 | 0～1min | 2～3min | 4～9min | … | 55～60min |
在一种可能的实现方式中，在步骤S203中对每个时间段内的数据进行切片，得到一个或两个以上等间隔的压缩周期数据，所述压缩周期数据具有相同数量的数据点。即将步骤S202中各时间段PT按照时间切片，分别切分为等时间间隔的小变化周期ST，每个小变化周期具有相同或相似的数据点值波动性。在每个小变化周期ST包含若干个数据时间点P，同一个时间段PT内的每个小变化周期ST内包含的时间点P个数相同，每个时间点的时间间隔也相同。
在一种可能的实现方式中，在步骤S204中根据同一时间段内的压缩周期数据的波动相似性，将所述压缩周期数据划分为基准变化周期数据和/或非基准变化周期数据。即在上述步骤S203中得到的若干个等间隔的压缩周期数据中，选取其中一个典型周期作为基准变化周期，其它周期为非基准变化周期，基准变化周期的选取原则是跟其它变化周期内的数据点值具有高波动相似性。示例性地，可在一个时间段PT的若干个小变化周期ST中，选取其中一个ST作为基准变化周期BT,其余为非基准变化周期NBT，基准变化周期BT记录测量点的实际采集值。
举例来说，以表4中的时间段PT1为例，PT1的时间长度为1分钟，假定这一分钟内每隔1秒钟完成一次数据周期波动，则将PT1切分为60个等间隔的小变化周期，每个小变化周期为1秒。假定一秒钟内的采样频率为50HZ,则每秒钟具有50个时间点数据，如表5所示。假定通过波动相似性分析计算后，在ST3内的50个数据点值，与其他非基准变化周期的50个数据点值的差值的绝对值总和最小，也就是具有高度的波动相似性，则选取ST3作为基准变化周期，其他周期则为非基准变化周期，数据时间点TP101-TP150即为基准变化周期数据。
表5 分段数据切片示例表
进一步地，在步骤S1中得到的变化死区值和步骤S2中得到的基准变化周期值数据的基础上，即可对步骤S2中非基准变化周期数据做差值和去冗余处理等压缩处理。
在一种可能的实现方式中，在步骤S3中根据所述变化死区值及所述基准变化周期数据，对所述非基准变化周期数据进行压缩处理，如图2所示，可以包括以下步骤：
步骤S301、求取同一时间段内的所述非基准变化周期数据的数据点值与所述基准变化周期数据对应数据点值的差值；
步骤S302、将所述差值与对应的变化死区值进行对比，若所述差值大于所述变化死区值，则将所述差值代替所述非基准变化周期数据的数据点值；若所述差值小于等于所述变化死区值，则删除所述非基准变化周期数据的数据点值，并记录所述数据点在所述非基准变化周期内的位置。
本公开中，在同一个时间段PT内，通过对非基准变化周期NBT内的每一个点值，计算基准变化周期BT与每个非基准变化周期NBT内的每个点的差值DV，然后通过该基准变化周期BT点值，进行差值和去冗余处理；当该差值DV大于当前变化死区值DBV，则非基准变化周期NBT内的该点值使用基准变化周期BT内点值与非基准变化周期NBT内的点值的差值替代，否则删除该非基准变化周期NBT的该数据点，并记录该点在非基准变化周期内的位置。根据数据点值周期性变化质量的好坏，非基准变化周期NBT内的部分点或全部点被基准变化周期BT内的相应点替代，记录非基准变化周期被替代部分相对基准变化周期的位置信息，使得具有时间序列的D-PMU历史数据的压缩比例达到6:1以上，减少D-PMU测量数据的占用磁盘存储空间。
举例来说，以表5中的数据为例，ST3作为基准变化周期，其中的点值为原始实际采集值，以ST1为例计算非基准变化周期内的50个数据点值。计算ST1的第一个时间点TP1与ST3的第一个时间点TP101差值的绝对值，若该差值绝对值小于当前时刻测量点的变化死区值，则删除时间点TP1的存储数据(去冗余处理)。否则，使用该差值代替TP1的原始数据点值，此时一次差值计算完成；由于ST1中具有50个数据时间点，则同理共进行50次差值计算及变化死区值判断，完成该非基准变化周期数据压缩。
在一种可能的实现方式中，在步骤S3中根据所述变化死区值及基准变化周期数据，对所述非基准变化周期数据进行压缩处理，如图2所示，还可以包括步骤S303：求取同一时间段内的所述非基准变化周期数据的各数据点值与所述基准变化周期数据对应数据点值的差值；若所述非基准变化周期数据的各数据点值与所述基准变化周期数据对应数据点值的差值均小于等于所述变化死区值，则删除所述非基准变化周期数据的所有数据点值，并记录所述非基准变化周期在所述时间段内的位置。
为了进一步提高压缩比，本公开对无差异非基准变化周期数据整体删除处理。即通过比较非基准变化周期与基准变化周期的差异，仅保留基准变化周期内对应点值与非基准变化周期内点值有差异的非基准变化周期，而删除无差异的非基准变化周期，仅记录无差异非基准变化周期在当前时间段内的位置。
举例来说，依旧以表5中的数据为例，在时间段PT1中个时间点经过求取差值处理后，假定非基准变化周期ST6与基准变化周期ST3内的50个时间点的差值绝对值均小于当前时间段的变化死区值，则ST6为无差异非基准变化周期，删除整个ST6的存储数据，仅保留其位置信息。
在一种可能的实现方式中，图3示出根据本公开一实施例的一种D-PMU测量数据分段切片混合压缩存储方法的流程图，如图3所示，本公开方法还可以包括步骤S4：使用压缩编码对压缩处理后的D-PMU测量数据进行二次无损压缩处理。即对上述步骤压缩处理后的测量数据可以使用LZ77、Huffman哈夫曼编码等gzip压缩存储方法进行二次无损压缩处理及数据存储；由于本公开充分利用工程数据点属性、时间属性和周期变化属性，采用的压缩处理方法、层面和维度与主流gzip等压缩不同，因此可叠加使用；同时，使用本公开的压缩处理过程使用了差值处理方法，不同时间段的差值相对原值具有更高的重复率，后续使用LZ77和Huffman编码压缩算法进行gzip二次压缩处理时，具有更高的压缩比。
在一种可能的实现方式中，如图3所示，本公开方法还可以包括步骤S5：对上述压缩处理后的测量数据，进行数据解压缩处理。数据解压缩过程为上述数据压缩过程的逆过程。首先读取基准变化周期内的实际采集数据值，对非基准变化周期内的数据，对差值点通过基准变化周期内的数据点值叠加非基准变化周期内的差值点的获得，对替代点使用基准变化周期内的点值替代。对无差异非基准变化周期数据则直接使用基准变化周期数据替代。
举例来说，以表4中时间段PT1为例，解压过程中，假定非基准变化周期ST1中的TP1点当前存储的值为差值，需要计算当前时间点TP1值与基准变化周期ST3内的对应点值TP101值的和，即为TP1解压后的值。假定TP2点被标记为删除，则TP2解压后值使用基准变化周期ST3内对应点TP102值替代，其它点采用同样处理；而无差异非基准变化周期ST6内的50个点值，则直接使用基准变化周期ST3内的对应值替代。
需要说明的是，尽管以D-PMU测量数据作为示例介绍了数据分段切片有损无损混合压缩存储方法如上，但本领域技术人员能够理解，本公开应不限于此。事实上，完全可根据实际应用需求选择需要压缩的数据，只要该数据为具有采集点属性的时间序列的二维数据，且待压缩数据在一定时间段内具有一定的周期波动变化属性即可，使用本公开中的分段切片有损无损混合压损存储方法进行压缩存储，均可达到本公开所达到的压缩存储效果。
这样，根据本公开上述实施例的D-PMU测量数据分段切片有损无损混合压缩存储方法，通过对海量高频率D-PMU测量采集历史数据点进行分类，能够通过同一种压缩方法，对不同点属性和时间属性的数据可兼容有损压缩或者无所压缩；按时间段分析数据点值周期变化特性，根据周期变化属性采用分段切片压缩存储的方式，将切片的数据分为基准变化周期和非基准变化周期，使用变化死区值对切片的数据进行差值处理和去冗余处理。使得具有时间序列的D-PMU历史数据的压缩比例达到6:1以上，减少D-PMU数据的占用磁盘存储空间。本公开可兼容有损压缩和无损压缩，满足工程应用对失真度的不同需求，达到了高压缩比的目的。
图4示出根据本公开一实施例的一种D-PMU测量数据分段切片混合压缩存储装置的结构图。如图4所示，该装置包括：变化死区值模块41，用于根据D-PMU测量数据的点属性及时间属性，得到变化死区值；分段和切片模块42，用于根据D-PMU测量数据的周期变化属性对所述测量数据进行时间分段和切片处理，得到基准变化周期数据和/或非基准变化周期数据；压缩模块43，用于根据所述变化死区值及所述基准变化周期数据，对所述非基准变化周期数据进行压缩处理。
在一种可能的实现方式中，所述变化死区值模块，包括：变化死区基数子模块，用于根据所述测量数据的点属性，得到变化死区基数；变化死区系数子模块，用于根据所述测量数据的时间属性，得到变化死区系数；变化死区值子模块，用于将所述变化死区基数与所述变化死区系数相乘，得到一个或两个以上变化死区值。
在一种可能的实现方式中，所述变化死区基数子模块，包括：分类单元，用于根据所述测量数据的点属性，确定所述测量数据的类别；变化死区基数单元，用于根据所述类别和测量数据的重要等级，确定所述测量数据的变化死区基数。
在一种可能的实现方式中，所述分段和切片模块，包括：波动周期子模块，用于根据所述测量数据的周期变化属性，得到所述测量数据的波动周期；分段子模块，用于按照所述波动周期对所述测量数据的时间范围进行分段，得到一个或两个以上时间段数据；切片子模块，用于对每个时间段数据进行切片，得到一个或两个以上等间隔的压缩周期数据，所述压缩周期数据具有相同数量的数据点；变化周期划分子模块，用于根据同一时间段内的压缩周期数据的波动相似性，将所述压缩周期数据划分为基准变化周期数据和/或非基准变化周期数据。
在一种可能的实现方式中，所述压缩模块，包括：差值子模块，用于求取同一时间段内的所述非基准变化周期数据的数据点值与所述基准变化周期数据对应数据点值的差值；冗余处理子模块，用于将所述差值与对应的变化死区值进行对比，若所述差值大于所述变化死区值，则将所述差值代替所述非基准变化周期数据的数据点值；若所述差值小于等于所述变化死区值，则删除所述非基准变化周期数据的数据点值，并记录所述数据点在所述非基准变化周期内的位置。
在一种可能的实现方式中，所述压缩模块，还包括：周期数据整体删除子模块，用于求取同一时间段内的所述非基准变化周期数据的各数据点值与所述基准变化周期数据对应数据点值的差值；若所述非基准变化周期数据的各数据点值与所述基准变化周期数据对应数据点值的差值均小于等于所述变化死区值，则删除所述非基准变化周期数据的所有数据点值，并记录所述非基准变化周期在所述时间段内的位置。
在一种可能的实现方式中，该装置还可以包括：二次压缩模块，用于使用压缩编码对压缩处理后的D-PMU测量数据进行二次无损压缩处理。
图5示出根据一示例性实施例示出的一种用于D-PMU测量数据分段切片混合压缩存储的装置1900的框图。例如，装置1900可以被提供为一服务器。参照图5，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种D-PMU测量数据分段切片混合压缩存储方法，其特征在于，包括：
根据D-PMU测量数据的点属性及时间属性，得到所述测量数据的变化死区值；
根据D-PMU测量数据的周期变化属性对所述测量数据进行时间分段和切片处理，得到基准变化周期数据和/或非基准变化周期数据；
根据所述变化死区值及所述基准变化周期数据，对所述非基准变化周期数据进行压缩处理。
2.根据权利要求1所述的方法，其特征在于，所述根据D-PMU测量数据的点属性及时间属性，得到所述测量数据的变化死区值，包括：
根据所述测量数据的点属性，得到变化死区基数；
根据所述测量数据的时间属性，得到变化死区系数；
将所述变化死区基数与所述变化死区系数相乘，得到一个或两个以上变化死区值。
3.根据权利要求2所述的方法，其特征在于，所述根据所述测量数据的点属性及应用需求，得到变化死区基数，包括：
根据所述测量数据的点属性，确定所述测量数据的类别；
根据所述类别和测量数据的重要等级，确定所述测量数据的变化死区基数。
4.根据权利要求1所述的方法，其特征在于，所述根据D-PMU测量数据的周期变化属性对所述测量数据进行时间分段和切片处理，得到基准变化周期数据和/或非基准变化周期数据，包括：
根据所述测量数据的周期变化属性，得到所述测量数据的波动周期；
按照所述波动周期对所述测量数据的时间范围进行分段，得到一个或两个以上时间段数据；
对每个时间段数据进行切片，得到一个或两个以上等间隔的压缩周期数据，所述压缩周期数据具有相同数量的数据点；
根据同一时间段内的压缩周期数据的波动相似性，将所述压缩周期数据划分为基准变化周期数据和/或非基准变化周期数据。
5.根据权利要求4所述的方法，其特征在于，所述根据所述变化死区值及所述基准变化周期数据，对所述非基准变化周期数据进行压缩处理，包括：
求取同一时间段内的所述非基准变化周期数据的数据点值与所述基准变化周期数据对应数据点值的差值；
将所述差值与对应的变化死区值进行对比，若所述差值大于所述变化死区值，则将所述差值代替所述非基准变化周期数据的数据点值；
若所述差值小于等于所述变化死区值，则删除所述非基准变化周期数据的数据点值，并记录所述数据点在所述非基准变化周期内的位置。
6.根据权利要求4所述的方法，其特征在于，所述根据所述变化死区值及基准变化周期数据，对所述非基准变化周期数据进行压缩处理，还包括：
求取同一时间段内的所述非基准变化周期数据的各数据点值与所述基准变化周期数据对应数据点值的差值；
若所述非基准变化周期数据的各数据点值与所述基准变化周期数据对应数据点值的差值均小于等于所述变化死区值，则删除所述非基准变化周期数据的所有数据点值，并记录所述非基准变化周期在所述时间段内的位置。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：使用压缩编码对压缩处理后的D-PMU测量数据进行二次无损压缩处理。
8.一种D-PMU测量数据分段切片混合压缩存储装置，其特征在于，包括：
变化死区值模块，用于根据D-PMU测量数据的点属性及时间属性，得到变化死区值；
分段和切片模块，用于根据D-PMU测量数据的周期变化属性对所述测量数据进行时间分段和切片处理，得到基准变化周期数据和/或非基准变化周期数据；
压缩模块，用于根据所述变化死区值及所述基准变化周期数据，对所述非基准变化周期数据进行压缩处理。
9.一种D-PMU测量数据分段切片混合压缩存储装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器通过调用所述可执行指令实现如权利要求1-7中任意一项所述的方法。
10.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910768091.6A CN110504974B (zh) | 2019-08-20 | 2019-08-20 | D-pmu测量数据分段切片混合压缩存储方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910768091.6A CN110504974B (zh) | 2019-08-20 | 2019-08-20 | D-pmu测量数据分段切片混合压缩存储方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110504974A true CN110504974A (zh) | 2019-11-26 |
| CN110504974B CN110504974B (zh) | 2023-10-27 |
Family
ID=68589091
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910768091.6A Active CN110504974B (zh) | 2019-08-20 | 2019-08-20 | D-pmu测量数据分段切片混合压缩存储方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110504974B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111537830A (zh) * | 2020-03-26 | 2020-08-14 | 南方电网科学研究院有限责任公司 | 一种基于云边架构和小波神经网络的配电网故障诊断方法 |
| CN111650469A (zh) * | 2020-05-14 | 2020-09-11 | 南方电网科学研究院有限责任公司 | 一种基于d-pmu装置的配电网故障精确定位方法 |
| CN112072783A (zh) * | 2020-07-29 | 2020-12-11 | 北京市腾河电子技术有限公司 | 秒级负荷数据在端侧和边缘侧设备间传输的方法和装置 |
| CN112395136A (zh) * | 2021-01-20 | 2021-02-23 | 深圳市中科鼎创科技股份有限公司 | 结合快照技术的持续数据保护系统 |
| CN112882889A (zh) * | 2021-01-22 | 2021-06-01 | 北京奇艺世纪科技有限公司 | 异常监控方法、系统、电子设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104320143A (zh) * | 2014-10-24 | 2015-01-28 | 华北电力大学（保定） | 三相电压、电流信号波形采样数据的压缩方法及装置 |
| CN108153483A (zh) * | 2016-12-06 | 2018-06-12 | 南京南瑞继保电气有限公司 | 一种基于属性分组的时序数据压缩方法 |
| CN109871362A (zh) * | 2019-02-13 | 2019-06-11 | 北京航空航天大学 | 一种面向流式时序数据的数据压缩方法 |
| WO2019114655A1 (zh) * | 2017-12-14 | 2019-06-20 | 阿里巴巴集团控股有限公司 | 数据压缩方法、电子设备及计算机可读存储介质 |
-
2019
- 2019-08-20 CN CN201910768091.6A patent/CN110504974B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104320143A (zh) * | 2014-10-24 | 2015-01-28 | 华北电力大学（保定） | 三相电压、电流信号波形采样数据的压缩方法及装置 |
| CN108153483A (zh) * | 2016-12-06 | 2018-06-12 | 南京南瑞继保电气有限公司 | 一种基于属性分组的时序数据压缩方法 |
| WO2019114655A1 (zh) * | 2017-12-14 | 2019-06-20 | 阿里巴巴集团控股有限公司 | 数据压缩方法、电子设备及计算机可读存储介质 |
| CN109871362A (zh) * | 2019-02-13 | 2019-06-11 | 北京航空航天大学 | 一种面向流式时序数据的数据压缩方法 |
Non-Patent Citations (1)
| Title |
|---|
| CHEN LI等: "FluteDB: An efficient and scalable in-memory time series database for sensor-cloud", 《JOURNAL OF PARALLEL AND DISTRIBUTED COMPUTING》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111537830A (zh) * | 2020-03-26 | 2020-08-14 | 南方电网科学研究院有限责任公司 | 一种基于云边架构和小波神经网络的配电网故障诊断方法 |
| CN111650469A (zh) * | 2020-05-14 | 2020-09-11 | 南方电网科学研究院有限责任公司 | 一种基于d-pmu装置的配电网故障精确定位方法 |
| CN112072783A (zh) * | 2020-07-29 | 2020-12-11 | 北京市腾河电子技术有限公司 | 秒级负荷数据在端侧和边缘侧设备间传输的方法和装置 |
| CN112395136A (zh) * | 2021-01-20 | 2021-02-23 | 深圳市中科鼎创科技股份有限公司 | 结合快照技术的持续数据保护系统 |
| CN112882889A (zh) * | 2021-01-22 | 2021-06-01 | 北京奇艺世纪科技有限公司 | 异常监控方法、系统、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110504974B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110504974A (zh) | D-pmu测量数据分段切片混合压缩存储方法及装置 | |
| JP6949878B2 (ja) | 出現した関係におけるスタックセグメント強度の相関 | |
| US10885292B2 (en) | System, method and computer program product for pollution source attribution | |
| US8868573B2 (en) | Computing and applying order statistics for data preparation | |
| TW201514718A (zh) | 執行具有定義草圖精確度分佈之集合運算的系統與方法 | |
| Pages et al. | Optimal Delaunay and Voronoi quantization schemes for pricing American style options | |
| Glynn et al. | Simulation-based confidence bounds for two-stage stochastic programs | |
| Maestre et al. | Design of recursive digital filters in parallel form by linearly constrained pole optimization | |
| CN111160793A (zh) | 一种服务网点自助设备数量的配置方法、装置及设备 | |
| KR20170098790A (ko) | 적응형 자동화 제어 소프트웨어에 의한 에너지 저장 수명 성능 예측 및 최적화 | |
| US11521749B2 (en) | Library screening for cancer probability | |
| CN104254083A (zh) | 预测业务热点的方法及装置 | |
| JPWO2019111435A1 (ja) | 異常判定装置、異常判定方法、及びプログラム | |
| US10756758B1 (en) | Length-limited huffman encoding | |
| US10585130B2 (en) | Noise spectrum analysis for electronic device | |
| US20230025848A1 (en) | Simulating weather scenarios and predictions of extreme weather | |
| Duvignau et al. | Piecewise linear approximation in data streaming: Algorithmic implementations and experimental analysis | |
| Hassani et al. | Forecasting energy data with a time lag into the future and Google trends | |
| Senu et al. | Numerical study for periodical delay differential equations using Runge–Kutta with trigonometric interpolation | |
| Zhang et al. | Optimal compression of a generalized Prandtl-Ishlinskii operator in hysteresis modeling | |
| US11062334B2 (en) | Predicting ledger revenue change behavior of clients receiving services | |
| CN110851943B (zh) | 一种电池充电性能的建模方法和装置 | |
| Jakob et al. | A parallel approach to compression and decompression of triangle meshes using the GPU | |
| US9406151B2 (en) | Non-transitory computer-readable medium storing data storage program, non-transitory computer-readable medium storing data display program, data storage method, and data display method | |
| CN113159312B (zh) | 压缩神经网络模型的方法、计算机系统以及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |