CN113779008A - 电力内网运行数据智能存储系统 - Google Patents
电力内网运行数据智能存储系统 Download PDFInfo
- Publication number
- CN113779008A CN113779008A CN202111044836.8A CN202111044836A CN113779008A CN 113779008 A CN113779008 A CN 113779008A CN 202111044836 A CN202111044836 A CN 202111044836A CN 113779008 A CN113779008 A CN 113779008A
- Authority
- CN
- China
- Prior art keywords
- data
- unit
- storage
- attribute
- value
- 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
- 238000004458 analytical method Methods 0.000 claims abstract description 44
- 238000011157 data evaluation Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000007726 management method Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 4
- 101000878595 Arabidopsis thaliana Squalene synthase 1 Proteins 0.000 claims description 3
- 101000713575 Homo sapiens Tubulin beta-3 chain Proteins 0.000 claims description 3
- 102100036790 Tubulin beta-3 chain Human genes 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims 4
- 238000005070 sampling Methods 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电力内网运行数据智能存储系统,包括数据搜集单元、属性分析单元、属性获取单元、处理器、管理单元、抽调单元、常规存储单元、接纳存储单元、自整理单元、规算单元和云存储;通过属性分析单元对运行数据及其对应的属性数据进行属性分析,根据属性数据内的来源节点,对来源节点的直接损失、间接损失和认修时间确定首要值,根据首要值确定运行数据的提升系数;之后借助惯性分析对数据大小、访问次数和提升系数确定数据评值,根据数据评值确定出核心存储数据、前排存储数据、冷门存储数据和常规存储数据。
Description
技术领域
本发明属于存储领域,涉及运行数据存储技术,具体是电力内网运行数据智能存储系统。
背景技术
公开号为CN110502517A的专利公开了一种用于存储电网实时运行数据的分布式存储系统,包括数据获取单元、数据解析单元、数据划分单元、控制器、显示单元、管理单元、数据跟随单元和存储端;本发明通过数据获取单元获取到电网运行数据,之后借助数据解析单元对电网运行数据进行分类得到分类运行数据,之后借助数据划分单元对分类运行数据进行阶次分析得到对应该分类运行数据的内容占值Sij、跨度时长Tij和重值Zij这三个影响因素,并根据这三个影响因素计算对应分类运行数据的奇值Qij;之后借助控制器及其对应的规则,根据奇值Qij对分类运行数据分配排值,之后借助识别转存单元根据排值将对应的分类运行数据进行存储分配。
但是,该数据在存储时,缺乏一种有效区分,且在检索时候,能够在大部分常规情况下,减少多余数据的检索工作;基于此,本申请提供一种解决方案。
发明内容
本发明的目的在于提供电力内网运行数据智能存储系统。
本发明的目的可以通过以下技术方案实现:
电力内网运行数据智能存储系统,包括:
属性分析单元、处理器、抽调单元、常规存储单元、接纳存储单元;
属性分析单元用于对运行数据及其对应的属性数据,进行属性分析,属性分析主要对运行数据内的属性数据进行分析,根据属性数据内的来源节点,对来源节点的直接损失、间接损失和认修时间确定首要值,根据首要值确定运行数据的提升系数;属性分析单元用于将运行数据及其对应的属性数据和提升系数传输到处理器;
处理器,用于借助惯性分析对运行数据打上存储标记,惯性分析借助对数据大小、访问次数和提升系数确定数据评值,根据数据评值确定出核心存储数据、前排存储数据、冷门存储数据和常规存储数据;
处理器用于将核心存储数据、前排存储数据、冷门存储数据和常规存储数据传输到抽调单元,所述抽调单元用于将核心存储数据、前排存储数据和常规存储数据传输到常规存储单元进行存储;
所述抽调单元用于将冷门存储数据传输到接纳存储单元,接纳存储单元接收抽调单元传输的冷门存储数据并进行实时存储。
进一步地,还包括数据搜集单元、属性获取单元;
数据搜集单元用于周期性搜集电力内网的运行数据,并将运行数据传输到属性分析单元和属性获取单元,所述属性获取单元用于获取运行数据的属性数据,属性数据包括数据类型、数据大小和来源节点,来源节点用于表明运行数据的产生源头;属性获取单元用于将运行数据的属性数据传输到属性分析单元。
进一步地,搜集的周期为预设的值。
进一步地,属性分析具体方式为:
步骤一:获取到运行数据及其对应的属性数据;
步骤二:获取到属性数据内的来源节点,将所有的来源节点标记为Li,i=1...n;
步骤三:之后对来源节点进行阶段分析,得到所有来源节点Li的提升系数;
步骤四:得到所有来源节点Li的提升系数,将其标记为Ti,i=1...n;将提升系数与对应的属性数据一一对应,得到运行数据对应的属性数据和提升系数。
进一步地,步骤三中的阶段分析的具体步骤为:
S1:令i=1,选择对应的来源节点L1;
S2:之后对该来源节点进行数据检索,获取到因为该来源节点数据异常导致的直接损失和间接损失,直接损失和间接损失均指代经济损失,相关数据借助以外的维修数据获取,此处不做具体赘述;
S3:之后获取到对应来源节点数据异常时,所需的认修时间,认修时间根据恢复时间确定,恢复时间指代为从数据异常到数据正常单次所需的时间,此处认修时间具体获取方式为:
获取到对应该来源节点数据异常的近三十次的修复时间,计算该三十次的修复时间的平均值,之后将三十次中修复时间的最大值减去平均值,得到的数值除以二,将该商值标记为可纳值;
以平均值±可纳值为范围,对满足该要求的修复时间进行均值求取,得到的数值标记为认修时间;
S4:之后依据公式计算所述有来源节点的要值,要值具体计算方式为:
要值=X1*直接损失+X2*间接损失+X3*任修时间;
式中,X1、X2和X3均为预设的权值,对应权值的量纲为对应因素的1/量纲;其具体数值根据多次实验,根据不同的结果反向调整得到;
S5:之后得到对应来源节点L1的要值Y1;
S6:对i值加一,重复步骤S2-S6的原理进行处理,得到所有的来源节点Li的要值Yi;Yi与Li一一对应;
S7:根据Yi值、直接损失和间接损失定义节点,具体方式为:
根据公式计算首要值,具体计算方式为:
首要值=0.34*Yi+0.44*直接损失+0.22*间接损失;
式中,0.44和0.22的量纲为对应计算的要素的1/量纲;得到所有来源节点Li对应的首要值;
S8:根据首要值从大到小进行排序,之后将前百分之三十的来源节点的提升系数定义为1.5;
将排名处于前百分之七十五到前百分之三十之间的来源节点的提升系数定义为1;
剩余的来源节点的提升系数定义为0.85。
进一步地,还包括管理单元、自整理单元、规算单元和云存储;
自整理单元还用对冷门数据进行简要摘录,具体摘录方式为:
SS1:获取到冷门数据;
SS2:获取到冷门数据的产生时间;
SS3:建立冷门数据的参照表,包括表头和运行数据名称、产生时间,表头为对应的特征符,每一个运行数据的特征符均不相同;
SS4:将参照表传输到抽调单元,用于后续检索时,确定具体数据是否在接纳存储单元内;
所述规算单元用于将常规存储单元内的核心存储数据、前排存储数据复制传输到云存储进行实时存储;规算单元用于在将前排存储数据复制传输到云存储时自动将其从常规存储单元删除;
管理单元与处理器通信连接,管理单元用于录入所有的预设数值。
进一步地,惯性分析的具体方式为:
S01:获取到运行数据对应的属性数据和提升系数;
S02:获取到运行数据对应的属性数据中的数据大小和数据类型;
S03:根据数据类型获取到该类型的运行数据近三十天的访问次数,单次访问定义为用户访问对应的运行数据动作完成之后,T1时间内并没有再次访问该运行数据,则表示依次访问已经完成;
S04:根据公式计算运行数据评值,具体计算公式为:
评值=(0.46*数据大小+0.54*访问次数)*提升系数;
式中,0.46和0.54为预设的权值,其量纲为对应因素的1/量纲;
S05:计算得到数据评值,根据数据评值对运行数据进行从大到小的顺序排序,并进行存储标记,具体为:
将排名前百分之五,不包括端点数值的运行数据标记为核心存储数据;
将跟随之后的排名处于百分之十五到百分之五之间的标记为前排存储数据;
将排名处于最后百分之三十的运行数据标记为冷门存储数据;
剩余的标记常规存储数据。
本发明的有益效果:
本发明通过属性分析单元对运行数据及其对应的属性数据进行属性分析,根据属性数据内的来源节点,对来源节点的直接损失、间接损失和认修时间确定首要值,根据首要值确定运行数据的提升系数;
之后借助惯性分析对数据大小、访问次数和提升系数确定数据评值,根据数据评值确定出核心存储数据、前排存储数据、冷门存储数据和常规存储数据;
对核心存储数据、前排存储数据、冷门存储数据和常规存储数据进行不同的方式存储,并在存储时,将较为冷门的数据放置在一起,同时还能避免查无数据。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1为本发明的系统框图。
具体实施方式
如图1所示,电力内网运行数据智能存储系统,包括数据搜集单元、属性分析单元、属性获取单元、处理器、管理单元、抽调单元、常规存储单元、接纳存储单元、自整理单元、规算单元和云存储;
其中,所述数据搜集单元用于周期性搜集电力内网的运行数据,搜集的周期为预设的值,并将运行数据传输到属性分析单元和属性获取单元,所述属性获取单元用于获取运行数据的属性数据,属性数据包括数据类型、数据大小和来源节点,来源节点用于表明运行数据的产生源头;属性获取单元用于将运行数据的属性数据传输到属性分析单元;
属性分析单元用于对运行数据及其对应的属性数据,进行属性分析,属性分析具体方式为:
步骤一:获取到运行数据及其对应的属性数据;
步骤二:获取到属性数据内的来源节点,将所有的来源节点标记为Li,i=1...n;
步骤三:之后对来源节点进行阶段分析,阶段分析的具体步骤为:
S1:令i=1,选择对应的来源节点L1;
S2:之后对该来源节点进行数据检索,获取到因为该来源节点数据异常导致的直接损失和间接损失,直接损失和间接损失均指代经济损失,相关数据借助以外的维修数据获取,此处不做具体赘述;
S3:之后获取到对应来源节点数据异常时,所需的认修时间,认修时间根据恢复时间确定,恢复时间指代为从数据异常到数据正常单次所需的时间,此处认修时间具体获取方式为:
获取到对应该来源节点数据异常的近三十次的修复时间,计算该三十次的修复时间的平均值,之后将三十次中修复时间的最大值减去平均值,得到的数值除以二,将该商值标记为可纳值;
以平均值±可纳值为范围,对满足该要求的修复时间进行均值求取,得到的数值标记为认修时间;
S4:之后依据公式计算所述有来源节点的要值,要值具体计算方式为:
要值=X1*直接损失+X2*间接损失+X3*任修时间;
式中,X1、X2和X3均为预设的权值,对应权值的量纲为对应因素的1/量纲;其具体数值根据多次实验,根据不同的结果反向调整得到;
S5:之后得到对应来源节点L1的要值Y1;
S6:对i值加一,重复步骤S2-S6的原理进行处理,得到所有的来源节点Li的要值Yi;Yi与Li一一对应;
S7:根据Yi值、直接损失和间接损失定义节点,具体方式为:
根据公式计算首要值,具体计算方式为:
首要值=0.34*Yi+0.44*直接损失+0.22*间接损失;
式中,0.44和0.22的量纲为对应计算的要素的1/量纲;具体数值可更改;得到所有来源节点Li对应的首要值;
S8:根据首要值从大到小进行排序,之后将前百分之三十的来源节点的提升系数定义为1.5;
将排名处于前百分之七十五到前百分之三十之间的来源节点的提升系数定义为1;
剩余的来源节点的提升系数定义为0.85;
步骤四:得到所有来源节点Li的提升系数,将其标记为Ti,i=1...n;将提升系数与对应的属性数据一一对应,得到运行数据对应的属性数据和提升系数;
所述属性分析单元用于将运行数据及其对应的属性数据和提升系数传输到处理器,所述处理器借助惯性分析对运行数据打上存储标记,惯性分析的具体方式为:
S01:获取到运行数据对应的属性数据和提升系数;
S02:获取到运行数据对应的属性数据中的数据大小和数据类型;
S03:根据数据类型获取到该类型的运行数据近三十天的访问次数,单次访问定义为用户访问对应的运行数据动作完成之后,T1时间内并没有再次访问该运行数据,则表示依次访问已经完成;
S04:根据公式计算运行数据评值,具体计算公式为:
评值=(0.46*数据大小+0.54*访问次数)*提升系数;
式中,0.46和0.54为预设的权值,其量纲为对应因素的1/量纲;
S05:计算得到数据评值,根据数据评值对运行数据进行从大到小的顺序排序,并进行存储标记,具体为:
将排名前百分之五,不包括端点数值的运行数据标记为核心存储数据;
将跟随之后的排名处于百分之十五到百分之五之间的标记为前排存储数据;
将排名处于最后百分之三十的运行数据标记为冷门存储数据;
剩余的标记常规存储数据;
处理器用于将核心存储数据、前排存储数据、冷门存储数据和常规存储数据传输到抽调单元,所述抽调单元用于将核心存储数据、前排存储数据和常规存储数据传输到常规存储单元进行存储;接纳存储单元为外接式存储设备;
所述抽调单元用于将冷门存储数据传输到接纳存储单元,接纳存储单元接收抽调单元传输的冷门存储数据并进行实时存储;
自整理单元还用对冷门数据进行简要摘录,具体摘录方式为:
SS1:获取到冷门数据;
SS2:获取到冷门数据的产生时间;
SS3:建立冷门数据的参照表,包括表头和运行数据名称、产生时间,表头为对应的特征符,每一个运行数据的特征符均不相同;
SS4:将参照表传输到抽调单元,用于后续检索时,确定具体数据是否在接纳存储单元内;该参照表用于在检索时,发现对应数据在接纳存储单元时,将对应的外接设备连接,此处设置方式便于在不需要用到冷门数据时,缩小检索范围,加快检索速度;
所述规算单元用于将常规存储单元内的核心存储数据、前排存储数据复制传输到云存储进行实时存储;规算单元用于在将前排存储数据复制传输到云存储时自动将其从常规存储单元删除;
管理单元与处理器通信连接,管理单元用于录入所有的预设数值。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (8)
1.电力内网运行数据智能存储系统,其特征在于,包括:
属性分析单元:其用于对运行数据及其对应的属性数据,进行属性分析,属性分析主要对运行数据内的属性数据进行分析,根据属性数据内的来源节点,对来源节点的直接损失、间接损失和认修时间确定首要值,根据首要值确定运行数据的提升系数;属性分析单元用于将运行数据及其对应的属性数据和提升系数传输到处理器;
处理器:其用于借助惯性分析对运行数据打上存储标记,惯性分析借助对数据大小、访问次数和提升系数确定数据评值,根据数据评值确定出核心存储数据、前排存储数据、冷门存储数据和常规存储数据;
抽调单元:其用于将处理器传输的核心存储数据、前排存储数据和常规存储数据传输到常规存储单元进行存储、将处理器传输的冷门存储数据传输到接纳存储单元进行实时存储。
2.根据权利要求1所述的电力内网运行数据智能存储系统,其特征在于,还包括数据搜集单元、属性获取单元;
数据搜集单元用于周期性搜集电力内网的运行数据,并将运行数据传输到属性分析单元和属性获取单元,所述属性获取单元用于获取运行数据的属性数据,属性数据包括数据类型、数据大小和来源节点,来源节点用于表明运行数据的产生源头;属性获取单元用于将运行数据的属性数据传输到属性分析单元。
3.根据权利要求2所述的电力内网运行数据智能存储系统,其特征在于,搜集的周期为预设的值。
4.根据权利要求1所述的电力内网运行数据智能存储系统,其特征在于,属性分析具体方式为:
步骤一:获取到运行数据及其对应的属性数据;
步骤二:获取到属性数据内的来源节点,将所有的来源节点标记为Li,i=1...n;
步骤三:之后对来源节点进行阶段分析,得到所有来源节点Li的提升系数;
步骤四:得到所有来源节点Li的提升系数,将其标记为Ti,i=1...n;将提升系数与对应的属性数据一一对应,得到运行数据对应的属性数据和提升系数。
5.根据权利要求4所述的电力内网运行数据智能存储系统,其特征在于,步骤三中的阶段分析的具体步骤为:
S1:令i=1,选择对应的来源节点L1;
S2:之后对该来源节点进行数据检索,获取到因为该来源节点数据异常导致的直接损失和间接损失,直接损失和间接损失均指代经济损失;
S3:之后获取到对应来源节点数据异常时,所需的认修时间,认修时间根据恢复时间确定,恢复时间指代为从数据异常到数据正常单次所需的时间;
S4:之后依据公式计算所述有来源节点的要值,要值具体计算方式为:
要值=X1*直接损失+X2*间接损失+X3*任修时间;
式中,X1、X2和X3均为预设的权值,对应权值的量纲为对应因素的1/量纲;
S5:之后得到对应来源节点L1的要值Y1;
S6:对i值加一,重复步骤S2-S6的原理进行处理,得到所有的来源节点Li的要值Yi;Yi与Li一一对应;
S7:根据Yi值、直接损失和间接损失定义节点,具体方式为:
根据公式计算首要值,具体计算方式为:
首要值=0.34*Yi+0.44*直接损失+0.22*间接损失;
式中,0.44和0.22的量纲为对应计算的要素的1/量纲;得到所有来源节点Li对应的首要值;
S8:根据首要值从大到小进行排序,之后将前百分之三十的来源节点的提升系数定义为1.5;
将排名处于前百分之七十五到前百分之三十之间的来源节点的提升系数定义为1;
剩余的来源节点的提升系数定义为0.85。
6.根据权利要求5所述的电力内网运行数据智能存储系统,其特征在于,所述认修时间具体获取方式为:
获取到对应该来源节点数据异常的近三十次的修复时间,计算该三十次的修复时间的平均值,之后将三十次中修复时间的最大值减去平均值,得到的数值除以二,将该商值标记为可纳值;
以平均值±可纳值为范围,对满足该要求的修复时间进行均值求取,得到的数值标记为认修时间。
7.根据权利要求1所述的电力内网运行数据智能存储系统,其特征在于,还包括管理单元、自整理单元、规算单元和云存储;
自整理单元还用对冷门数据进行简要摘录,具体摘录方式为:
SS1:获取到冷门数据;
SS2:获取到冷门数据的产生时间;
SS3:建立冷门数据的参照表,包括表头和运行数据名称、产生时间,表头为对应的特征符,每一个运行数据的特征符均不相同;
SS4:将参照表传输到抽调单元,用于后续检索时,确定具体数据是否在接纳存储单元内;
所述规算单元用于将常规存储单元内的核心存储数据、前排存储数据复制传输到云存储进行实时存储;规算单元用于在将前排存储数据复制传输到云存储时自动将其从常规存储单元删除;
管理单元与处理器通信连接,管理单元用于录入所有的预设数值。
8.根据权利要求1所述的电力内网运行数据智能存储系统,其特征在于,惯性分析的具体方式为:
S01:获取到运行数据对应的属性数据和提升系数;
S02:获取到运行数据对应的属性数据中的数据大小和数据类型;
S03:根据数据类型获取到该类型的运行数据近三十天的访问次数,单次访问定义为用户访问对应的运行数据动作完成之后,T1时间内并没有再次访问该运行数据,则表示依次访问已经完成;
S04:根据公式计算运行数据评值,具体计算公式为:
评值=(0.46*数据大小+0.54*访问次数)*提升系数;
式中,0.46和0.54为预设的权值,其量纲为对应因素的1/量纲;
S05:计算得到数据评值,根据数据评值对运行数据进行从大到小的顺序排序,并进行存储标记,具体为:
将排名前百分之五,不包括端点数值的运行数据标记为核心存储数据;
将跟随之后的排名处于百分之十五到百分之五之间的标记为前排存储数据;
将排名处于最后百分之三十的运行数据标记为冷门存储数据;
剩余的标记常规存储数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111044836.8A CN113779008A (zh) | 2021-09-07 | 2021-09-07 | 电力内网运行数据智能存储系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111044836.8A CN113779008A (zh) | 2021-09-07 | 2021-09-07 | 电力内网运行数据智能存储系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113779008A true CN113779008A (zh) | 2021-12-10 |
Family
ID=78841514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111044836.8A Pending CN113779008A (zh) | 2021-09-07 | 2021-09-07 | 电力内网运行数据智能存储系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113779008A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120166487A1 (en) * | 2010-12-27 | 2012-06-28 | Bastiaan Stougie | Distributed object storage system |
US20170330082A1 (en) * | 2016-05-13 | 2017-11-16 | Cognitive Scale, Inc. | Lossless Parsing When Storing Knowledge Elements Within a Universal Cognitive Graph |
CN108140040A (zh) * | 2015-08-31 | 2018-06-08 | 甲骨文国际公司 | 存储器中数据库的选择性数据压缩 |
CN108415789A (zh) * | 2018-01-24 | 2018-08-17 | 西安交通大学 | 面向大规模混合异构存储系统的节点故障预测系统及方法 |
CN109726205A (zh) * | 2018-12-26 | 2019-05-07 | 国电南瑞科技股份有限公司 | 一种电力系统安全稳定分析数据存储系统及存储方法 |
CN109934500A (zh) * | 2019-03-15 | 2019-06-25 | 南方电网科学研究院有限责任公司 | 一种配电台区的低电压评价方法、装置、设备及存储介质 |
CN110134740A (zh) * | 2019-04-08 | 2019-08-16 | 中国电力科学研究院有限公司 | 一种电力能效数据分类存储方法和系统 |
CN110502517A (zh) * | 2019-08-23 | 2019-11-26 | 中国南方电网有限责任公司 | 一种用于存储电网实时运行数据的分布式存储系统 |
CN110555010A (zh) * | 2019-09-11 | 2019-12-10 | 中国南方电网有限责任公司 | 一种电网实时运行数据存储系统 |
CN110866259A (zh) * | 2019-11-14 | 2020-03-06 | 杭州安恒信息技术股份有限公司 | 一种基于多维度数据计算安全隐患评分方法和系统 |
CN111144687A (zh) * | 2019-11-20 | 2020-05-12 | 北京中电飞华通信股份有限公司 | 一种新型电力大数据分析系统 |
CN111177389A (zh) * | 2019-12-30 | 2020-05-19 | 佰聆数据股份有限公司 | 基于nlp技术的电费通知与催收客户诉求的分类方法、系统及存储介质 |
CN112633621A (zh) * | 2020-08-25 | 2021-04-09 | 南方电网科学研究院有限责任公司 | 一种基于paas平台的电网企业管理决策系统和方法 |
CN113115051A (zh) * | 2021-04-15 | 2021-07-13 | 广州融盛科技有限公司 | 高清视频无损压缩编解码用数据传输存储装置 |
-
2021
- 2021-09-07 CN CN202111044836.8A patent/CN113779008A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120166487A1 (en) * | 2010-12-27 | 2012-06-28 | Bastiaan Stougie | Distributed object storage system |
CN108140040A (zh) * | 2015-08-31 | 2018-06-08 | 甲骨文国际公司 | 存储器中数据库的选择性数据压缩 |
US20170330082A1 (en) * | 2016-05-13 | 2017-11-16 | Cognitive Scale, Inc. | Lossless Parsing When Storing Knowledge Elements Within a Universal Cognitive Graph |
CN108415789A (zh) * | 2018-01-24 | 2018-08-17 | 西安交通大学 | 面向大规模混合异构存储系统的节点故障预测系统及方法 |
CN109726205A (zh) * | 2018-12-26 | 2019-05-07 | 国电南瑞科技股份有限公司 | 一种电力系统安全稳定分析数据存储系统及存储方法 |
CN109934500A (zh) * | 2019-03-15 | 2019-06-25 | 南方电网科学研究院有限责任公司 | 一种配电台区的低电压评价方法、装置、设备及存储介质 |
CN110134740A (zh) * | 2019-04-08 | 2019-08-16 | 中国电力科学研究院有限公司 | 一种电力能效数据分类存储方法和系统 |
CN110502517A (zh) * | 2019-08-23 | 2019-11-26 | 中国南方电网有限责任公司 | 一种用于存储电网实时运行数据的分布式存储系统 |
CN110555010A (zh) * | 2019-09-11 | 2019-12-10 | 中国南方电网有限责任公司 | 一种电网实时运行数据存储系统 |
CN110866259A (zh) * | 2019-11-14 | 2020-03-06 | 杭州安恒信息技术股份有限公司 | 一种基于多维度数据计算安全隐患评分方法和系统 |
CN111144687A (zh) * | 2019-11-20 | 2020-05-12 | 北京中电飞华通信股份有限公司 | 一种新型电力大数据分析系统 |
CN111177389A (zh) * | 2019-12-30 | 2020-05-19 | 佰聆数据股份有限公司 | 基于nlp技术的电费通知与催收客户诉求的分类方法、系统及存储介质 |
CN112633621A (zh) * | 2020-08-25 | 2021-04-09 | 南方电网科学研究院有限责任公司 | 一种基于paas平台的电网企业管理决策系统和方法 |
CN113115051A (zh) * | 2021-04-15 | 2021-07-13 | 广州融盛科技有限公司 | 高清视频无损压缩编解码用数据传输存储装置 |
Non-Patent Citations (2)
Title |
---|
刘若冰;: "面向大数据云存储系统的关键技术研究", 现代电子技术, no. 06 * |
杨腾飞;申培松;田雪;冯荣权;: "对象云存储中分类分级数据的访问控制方法", 软件学报, no. 09 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113553420B (zh) | 基于知识图谱的电网故障处理规程推荐方法和系统 | |
CN106131158A (zh) | 一种云数据中心环境下基于云租户信用度的资源调度装置 | |
CN111159165B (zh) | 基于云平台的电力井下低功耗边缘计算系统及其方法 | |
CN111090643B (zh) | 一种基于数据分析系统下的海量用电数据挖掘方法 | |
CN109494757B (zh) | 一种电压无功运行预警方法和系统 | |
CN111444075B (zh) | 一种自动发现关键影响力指标的方法 | |
CN105373118A (zh) | 一种智能设备数据采集方法 | |
CN114881508A (zh) | 一种电网指标报表的数据处理方法、装置及设备 | |
CN114238474A (zh) | 基于排水系统的数据处理方法、装置、设备及存储介质 | |
US20210406790A1 (en) | Model monitoring method and equipment applied to risk control decision flow | |
CN113377696A (zh) | 一种基于计算机设备的总线数据处理方法 | |
CN110968703B (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统 | |
CN115757363B (zh) | 一种三维地籍数据库的多层级管理方法及系统 | |
CN112766599A (zh) | 一种基于深度强化学习的智能运维方法 | |
CN113779008A (zh) | 电力内网运行数据智能存储系统 | |
CN116579789A (zh) | 一种基于动力电池性能分析的二手车估值方法及系统 | |
CN110633270B (zh) | 一种基于优先级的多策略电表日冻结值自动替代方法和装置 | |
CN117335571B (zh) | 一种配电网智能化故障预警管理系统及方法 | |
CN112800102A (zh) | 告警相关性计算方法、装置及计算设备 | |
CN111428756A (zh) | 基于时间序列信息熵的规划数据融合实时态方法及装置 | |
CN112965810B (zh) | 一种基于共享网络通道的多内核浏览器数据整合方法 | |
CN117078213B (zh) | 基于大数据整合分析的建筑工程管理平台 | |
CN117493498B (zh) | 基于工业互联网的电力数据挖掘与分析系统 | |
CN116052404B (zh) | 一种基于5g通信技术的电网数据交互系统 | |
CN117395198B (zh) | 一种电力通信网络拥塞报警方法及系统 |
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 |