DolphinDB智臾科技

本文以澳大利亚电力负荷数据集为例，展示了 DolphinDB 在短期电力负荷预测中的完整技术实现路径。

电力负荷预测对电网安全和市场效率至关重要。传统解决方案存在数据存储效率低、提取成本高、计算资源受限等问题。而 DolphinDB 则提供高效分布式存储、查询计算、数据分析、机器学习及实时预测能力，显著提升处理速度和模型训练效率，实现从数据采集到模型推理的全链路快速响应，为电网调度提供精准预警和决策支持。

中国最大水力发电集团采用 DolphinDB 构建工业互联网平台，突破传统架构瓶颈。该方案在六大水电站边缘侧部署轻量级节点实现毫秒级计算，云端搭建多模态存储引擎，支持万亿级数据分布式存储。平台实现了低时延云边协同、多模态数据融合分析，查询响应从分钟级缩短至秒级，开发周期从数周压缩至数天，解决了数据孤岛问题，整体效率提升5-6倍。项目为能源行业数字化转型提供了成功范例。

针对抽水蓄能电站海量设备监测数据的采集管理难题，DolphinDB 提供一体化解决方案。其独特能力包括：单节点支持1.5亿点/秒的高并发写入；通过点位管理引擎实现多类型数据统一存储管理；内置 Kafka 插件等。该方案实现了采集与存储的无缝集成，有效解决了传统系统面临的高并发瓶颈、数据异构管理等核心挑战。

智慧水利建设面临水雨情数据存储与计算瓶颈。传统架构在汛期高负荷时性能不足，存在历史数据被迫删除、实时计算滞后、技术栈复杂等问题。DolphinDB提供一体化解决方案，支持百亿级数据毫秒查询，实现降雨量/水位实时分析，存储空间压缩50%-90%。其轻量级部署简化架构，降低运维成本，有效解决了水利企业数据存算需求，为智慧水利升级提供技术支撑。

DolphinDB为电力行业抽水蓄能场景提供轻量化实时数仓解决方案，有效应对高频数据写入、万亿级存储和秒级计算等挑战。该方案支持百万测点/秒的高速写入、50:1高压缩比存储、毫秒级实时计算和高效历史查询，助力电力集团实现多电站统一管理，提升运维效率并加速数字化转型。

一张点位表存储、管理诸多数据类型不同的点位数据。

车联网系统中，利用大数据对驾驶行为进行研究，有助于了解驾驶员的特征，并提供优化建议。本文从用户驾驶行程中的速度偏好、驾驶风格、熟练度三个方面描述用户画像，并介绍如何使用 DolphinDB 基于 K-means 算法的聚类模型生成用户画像与个性化标签，完成数据存储、处理、特征提取、模型构建及预测等全过程。

本文为大家介绍一个针对工业异常监控的解决方案架构，基于 DolphinDB 规则引擎，快速搭建一个化工异常检测及实时预警系统。

本文将为大家介绍如何基于先进的数据分析工具与算法，构建高效的电力交易行情数据存储与清洗的解决方案，助力市场参与者深入理解市场动态并制定精准的交易决策，优化电力资源配置，提升决策质量与效率。

当 DolphinDB 遇上方程式赛车，会迸发怎样的火花？DolphinDB 携手同济大学电动方程式赛车队，带来了科技与速度融合的赛车解决方案，让我们领略到：每一毫秒的争夺，既是对速度的极致追求，也是对科技的深刻诠释。

将 DolphinDB 部署在边缘端，可以赋予边缘设备强大的计算能力，满足边缘设备的数据处理需求~

随着大数据时代的来临，传统的离线数仓处理大规模实时数据的局限性日益凸显。今天为大家分享一个关于水电站发电机组设备实时监控的案例，介绍如何通过 DolphinDB 快速搭实时数仓，助力复杂业务场景下海量数据的低延时复杂指标计算和分析。文中还附有全套脚本，大家可以根据教程，结合自身业务特点，尝试动手搭建你的轻量级高性能的实时数据仓库！

如何快速复现故障发生时刻场景？来看这篇

智能运维不仅可以减少人为错误和人力成本，还可以提高生产过程的可持续性和环境友好性，对提升企业竞争力和促进可持续发展具有重要意义。本文将通过包含设备状态管理、实时预警等在内的十二个典型的工业生产智能运维场景，为大家介绍 DolphinDB 针对工业互联网智能运维的应用能力与解决方案。点击链接了解更多~

在智能化发展的背景下，门禁成为一套集成了访客、考勤、消费、巡更、梯控等多功能的系统安全应用，随着其应用愈发广泛，对海量数据的实时快速处理也成为了日益重要的问题。作为一款高性能分布式时序数据库，DolphinDB 提供了流数据表和流计算引擎用于实时数据处理，为智能安防提供了有力支持。本文将介绍如何通过流计算引擎级联实现对门禁设备异常状态的实时监测，基于流数据处理框架，为大家提供一套实时监测门禁设备异常状态的低延时解决方案。

工业试验平台的数据存储与处理面临多方面的挑战，来看看时序数据库 DolphinDB 为其提供了什么样的解决方案吧~

模板匹配算法是一种基于信号相似性的匹配算法，主要利用信号处理中的相关性来进行模板匹配。在模板匹配算法中，需要先定义一个待匹配信号，即需要被检测的信号。然后，构造一个模板，模板是一种已知特征的信号，其特征可以用来描述所要匹配的目标。模板通常是人为制定的，可以根据需要来选择和设计。模板匹配的核心是通过计算信号之间的相关系数来比较待匹配信号和模板之间的相似度。相关系数是一种用于描述两个信号相似度的指标。在信号处理中，一般使用互相关函数（cross-correlation）来计算相关系数。

使用 DolphinDB 训练机器学习模型，并用 DolphinDB 流数据处理工具进行实时数据预测，能够实现网约车行程时间的预测。快来看看吧~

海量 GPS 轨迹数据的存储+车辆、订单的关联聚合查询+结果直接输出，这套解决方案只需要十分钟~

如何通过 SpringBoot 快速搭建 DolphinDB 微服务，并且基于 Mybatis 操作 DolphinDB 数据库。

DolphinDBdatabase提供了流数据表(stream table)和流计算引擎用于实时数据处理，包括物联网中传感器数据的异常检测。内置的异常检测引擎(Anomaly Detection Engine)能满足大部分异常检测场景的需求。如果异常检测逻辑复杂且较为特殊，标准化的异常检测引擎不能满足要求，用户可以用自定义消息处理函数来实现。1. 应用需求一个监控系统，一秒钟采集一次数据。现有以下2个异常检测需求：每3分钟内，若传感器温度出现2次40摄氏度以上并且3次30摄氏度以上，系统报警.

数据是工业物联网的血液。但是国内绝大部分的MES系统，以及所谓的智慧工厂，对生产过程中产生的海量的工艺数据，保存不会超过三个月，更不用说进一步对积累的数据研究利用了。数据的实时采集、计算和反控则对工业物联网背后的数据平台的实时计算能力提出了很高的要求。传统的关系型数据库，大部分开源的NoSQL，以及新一代的NewSQL离工业物联网数据平台的这两个苛求要求还有较远的距离。以DolphinDB Database 为代表的时序数据库应运而生，DolphinDB是完全自主研发的新一代的高性能分布式时序数据库，以

1. 工业物联网的数据特点和痛点工业物联网的数据采集有着频率高、设备多、维度高的特点，数据量非常大，对系统的吞吐量有很高的要求。同时工业物联网往往需要系统能够实时处理数据，对系统预警，监控，甚至反控。不少系统还需要提供图形化终端供操作工人实时监控设备的运行，这给整个系统带来了更大的压力。对于采集到的海量历史数据，通常还需要进行离线的建模和分析。因此，工业物联网的数据平台有着非常苛刻的要求，既要有非常高的吞吐量，又要有较低的延时；既要能够实时处理流数据，又要能够处理海量的历史数据；既要满足简单的...