一种基于能源站系统模型框架的数据治理方法及装置
阅读：73发布：2020-05-11
专利汇可以提供一种基于能源站系统模型框架的数据治理方法及装置专利检索，专利查询，专利分析的服务。并且本 发明 适用于 能源 技术领域，提供了一种基于能源站系统模型 框架 的 数据治理 方法及装置，该方法包括：根据能源站系统的目标对象，获取所述目标对象的原始数据，以获取源数据集；采用预设治理规则对所述源数据集中的原始数据进行处理，以获取经过治理的目标数据集；输出所述目标数据集。基于能源站实际数据问题，提出了通用解决方案，具备显著的普适性和实际作用；数据治理的整体性方案保证了获取 基础 数据的准确性、过程的便捷性和迅速性，有效提高数据清洗的效率和修复 质量 ，为后续步骤的进行提供了基础数据保障，节约了数据治理资源。，下面是一种基于能源站系统模型框架的数据治理方法及装置专利的具体信息内容。
1.一种基于能源站系统模型框架的数据治理方法，其特征在于，包括：
根据能源站系统的目标对象，获取所述目标对象的原始数据，以获取源数据集；
采用预设治理规则对所述源数据集中的原始数据进行处理，以获取经过治理的目标数据集；
输出所述目标数据集。
2.如权利要求1所述的基于能源站系统模型框架的数据治理方法，其特征在于，所述根据能源站系统的目标对象，获取所述目标对象的原始数据，以获取源数据集，所述原始数据至少包括物联数据、静态数据、用户数据和运营数据中的一种。
3.如权利要求1所述的基于能源站系统模型框架的数据治理方法，其特征在于，所述采用预设治理规则对所述源数据集中的原始数据进行处理，以获取经过治理的目标数据集，包括：
通过预处理引擎对所述原始数据进行预处理，以获取中间数据，所述预处理至少包括去除重复数据和异常数据；
对所述中间数据进行错误检测，以获取所述中间数据中的问题数据；
采用预设治理规则对所述问题数据进行修复，以获取经过治理的目标数据集。
4.如权利要求3所述的基于能源站系统模型框架的数据治理方法，其特征在于，所述对所述中间数据进行错误检测，以获取所述中间数据中的问题数据中，所述问题数据至少包括单指标超限问题、数据间断性缺失问题、数据片段性缺失问题、数据噪声问题、多指标错误问题和数据无效问题中的一种。
5.如权利要求3所述的基于能源站系统模型框架的数据治理方法，其特征在于，所述对所述中间数据进行错误检测中，所述错误检测为根据完整性约束、外部数据和/或异常检测，对所述中间数据进行分类，区分干净数据和所述问题数据。
6.如权利要求3所述的基于能源站系统模型框架的数据治理方法，其特征在于，所述采用预设治理规则对所述问题数据进行修复，以获取经过治理的目标数据集，包括：
通过自动提取特征、统计分析和/或概率工程对所述干净数据和所述问题数据进行编译，以获得预设治理规则；
调用所述预设治理规则完成数据关联、统计分析和/或概率推理；
根据所述概率推理对所述问题数据进行修复，以获取经过治理的目标数据集。
7.如权利要求1-6任一项所述的基于能源站系统模型框架的数据治理方法，其特征在于，所述输出所述目标数据集步骤后，还包括：
将所述目标数据集用于对能源站系统模型进行训练，以获取经过训练的能源站系统模型。
8.一种基于能源站系统模型框架的数据治理装置，其特征在于，包括：
信息确定模块，用于根据能源站系统的目标对象，获取所述目标对象的原始数据，以获取源数据集；
目标数据集获取模块，用于采用预设治理规则对所述源数据集中的原始数据进行处理，以获取经过治理的目标数据集；
输出模块，用于输出所述目标数据集。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
一种基于能源站系统模型框架的数据治理方法及装置
技术领域
[0001] 本发明属于能源技术领域，尤其涉及一种基于能源站系统模型框架的数据治理方法及装置。
背景技术
[0002] 数据作为模型训练的基础，其质量直接影响到最终的模型效果。目前泛能相关的业务数据的质量和完整性都存在较大的问题，如缺失、指标异常超限、无效数据等。数据的治理同样也是系统性问题，涉及到数据链路上的多个环节，比如：数据标准化、数据异常值检测、数据清洗等。数据的前处理在整个算法落地实现的过程中，又占据了相当重要的比重，几乎每一个算法落地产生效果，都需要花费80％的经历在研究数据，因为只有这样，才能保证最终的算法效果。所以，针对能源站面对的这个问题，亟需一种解决数据质量和完整性问题的方法。
发明内容
[0003] 有鉴于此，本发明实施例提供了一种基于能源站系统模型框架的数据治理方法、装置、终端设备及计算机可读存储介质，以解决现有方法中无法高效获取高质量和完整性的数据的问题。
[0004] 本发明实施例的第一方面，提供了一种基于能源站系统模型框架的数据治理方法，包括：
[0005] 根据能源站系统的目标对象，获取所述目标对象的原始数据，以获取源数据集；
[0006] 采用预设治理规则对所述源数据集中的原始数据进行处理，以获取经过治理的目标数据集；
[0007] 输出所述目标数据集。
[0008] 本发明实施例的第二方面，提供了一种基于能源站系统模型框架的数据治理方法，包括：
[0009] 信息确定模块，用于根据能源站系统的目标对象，获取所述目标对象的原始数据，以获取源数据集；
[0010] 目标数据集获取模块，用于采用预设治理规则对所述源数据集中的原始数据进行处理，以获取经过治理的目标数据集；
[0011] 输出模块，用于输出所述目标数据集。
[0012] 本发明实施例的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基于能源站系统模型框架的数据治理方法的步骤。
[0013] 本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述基于能源站系统模型框架的数据治理方法的步骤。
[0014] 本发明实施例提供的基于能源站系统模型框架的数据治理方法的有益效果至少在于：本发明实施例基于能源站实际通用数据问题，提出了通用解决方案，普适性和现实意义更强；数据治理的整体性方案保证了获取基础数据的准确性、过程的便捷性和迅速性，提升了整体处理速度和清洗修复水平，有效提高数据清洗的效率和质量，为后续步骤的进行提供了基础数据保障，节约了处理资源。附图说明
[0015] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0016] 图1是本发明实施例提供的基于能源站系统模型框架的数据治理方法的实现流程示意图；
[0017] 图2是本发明实施例提供的基于能源站系统模型框架的数据治理方法中获取经过治理的目标数据集的实现流程示意图一；
[0018] 图3是本发明实施例提供的基于能源站系统模型框架的数据治理方法中获取经过治理的目标数据集的实现流程示意图二；
[0019] 图4是本发明实施例提供的基于能源站系统模型框架的数据治理装置的示意图；
[0020] 图5是本发明实施例提供的基于能源站系统模型框架的数据治理装置中目标数据集获取模块的示意图；
[0021] 图6是本发明实施例提供的基于能源站系统模型框架的数据治理装置中目标数据集构建单元的示意图；
[0022] 图7是本发明实施例提供的终端设备的示意图。
具体实施方式
[0023] 以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。若未特别指明，实施例中所用的技术手段为本领域技术人员所熟知的常规手段。
[0024] 应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0025] 还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0026] 还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0027] 如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0028] 为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
[0029] 参阅图1，是本发明实施例提供的基于能源站系统模型框架的数据治理方法的实现流程示意图，该方法可以包括：
[0030] 步骤S10：根据能源站系统的目标对象，获取所述目标对象的原始数据，以获取源数据集。
[0031] 在进行建模时需要将数据结合业务规则，以便对数据进行专业的清洗治理。本方法就是结合业务规则、问题数据案例，对模型所需数据进行系统性的标记、清洗，最大程度地提升数据的有效性和质量，为提高模型训练精准度打好数据基础。
[0033] 泛能站实际工作运行中常见的6大类问题。
[0034] 根据实际考察调研多个泛能站，将现场常见的数据问题，抽象归纳为6类问题:
[0035] (1)单指标超限
[0036] 对于每一个测量指标，都有若干取值范围，一般有“表计量程范围”>“物理可能范围”>”保护定值范围”>“正常运行范围”；一般而言，指标可能偶尔超过保护定值，但不应超过物理可能范围，更不可能超过表计的量程范围。
[0037] (2)数据间断性缺失
[0038] 即数据无规律、间歇性发生丢失情况，所谓“丢失”不仅包括无数据，也包括出现了“不可能”的数据(参照“单指标超限”定义，最常见的如-9999)，这里的“间歇性”是与数据的采集与应用频率相关的，因此不同指标的定义会不同。
[0039] (3)数据片段性缺失
[0040] 相对于间断性缺失，如果数据在一个较长的时间段内连续丢失，则被称为“片段性缺失”，“片段性”的定义也是与数据的采集与应用频率相关的，因此不同指标的定义会不同。
[0041] (4)数据噪声
[0042] 数据出现脉冲、阶跃等异常波形，不符合测量物理量的变化规律，比如温度、流量、压力的变化相对较慢，如果出现秒级的剧烈变化，基本可以判定为数据噪声，当然，是否为噪声，与指标类型密切相关，如果是电信号的波形，标准可能会有不同。
[0043] (5)多指标错误(指标间异常)
[0044] 第一种情况：每一个数据锚定的是一个物理世界存在的物理量，在一个能源设备系统中，能量、物质都是有一定流转顺序与规律的，如数据违背这些规律，则可以确定其有问题。第二种情况：对一些关键设备的关键指标，往往需要多个测点，同一指标的多个测点间数据不一致或误差较大，可以视为异常。
[0045] (6)数据无效
[0046] 设备启动到稳定运行、设备关停到完成关停的过程，数据波动较大，可视为无效；当然，“有效”与“无效”视应用目的会有不同判断，这里主要从设备运行诊断的应用角度而言；另外不同设备的启动关停时间不同，因此无效数据的时间长度也会有差异。
[0047] 在系统建模的整体框架中，前半部分主要是数据的清洗、治理，因此设计的数据治理框架是在系统建模整体框架的基础上设计的。
[0048] 系统建模整体架构包含了数据治理和模型学习两个模块。数据治理模块主要是对物联数据、静态数据、用户数据和运营数据等数据进行预处理、错误检测和错误修复等，为后续的模型训练提供高质量的目标数据集或训练数据集。而模型学习包含模型训练、模型评估、模型定期部署、模型应用和用户反馈等模块，以实现模型的既定目标。
[0049] 原始数据至少包括物联数据、静态数据、用户数据和运营数据中的一种。
[0050] MapReduce是一种编程模型，用于大规模数据集(大于1TB)的并行运算。概念“Map(映射)”和“Reduce(归约)”，是它们的主要思想，都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。它极大地方便了编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。当前的软件实现是指定一个Map(映射)函数，用来把一组键值对映射成一组新的键值对，指定并发的Reduce(归约)函数，用来保证所有映射的键值对中的每一个共享相同的键组。
[0051] 请参阅图1，进一步地，在获取原始数据和源数据集后，可以进行下述步骤：
[0052] 步骤S20：采用预设治理规则对所述源数据集中的原始数据进行处理，以获取经过治理的目标数据集。
[0053] 进一步地，为了获取目标数据集，需要预处理引擎对所述原始数据进行预处理。请参阅图2，是本发明实施例提供的基于能源站系统模型框架的数据治理方法中获取经过治理的目标数据集的实现流程示意图一，在本实施例中，通过预处理引擎对所述原始数据进行预处理，以获取中间数据；对所述中间数据进行错误检测，以获取所述中间数据中的问题数据；采用预设治理规则对所述问题数据进行修复，以获取经过治理的目标数据集。获取目标数据集的一种方式可以包括如下步骤：
[0054] 步骤S201：通过预处理引擎对所述原始数据进行预处理，以获取中间数据，所述预处理至少包括去除重复数据和异常数据。
[0055] 上述预处理是利用常规手段去除一些基本的数据问题，例如去除重复数据、利用简单规则处理异常值等。
[0056] 数据治理部分的整体框架，输入的数据进入具有预处理引擎的数据中心(Data Hub)，通过接口调用对应的数据修复和/或清洗模块，从而达到数据治理的目的。输入原始数据(各种物联数据、静态数据、用户数据、运营数据等)，进入数据中心(Data Hub)；通过调用对应的数据修复和/或清洗模块的接口，对数据进行错误检测(区分干净数据和问题数据或脏数据)和修复；这里的数据修复和/或清洗模块可能会有多个，通过模块配置来决定用哪些模块才能符合业务需求。具体的数据修复和/或清洗模块，通过完全清洗(Holoclean)这样一个基于概率推理的数据修复框架，对数据进行治理。
[0057] 数据中心(Data Hub)是流式数据(Streaming Data)的处理平台，提供对流式数据的发布(Publish)、订阅(Subscribe)和分发功能。
[0058] 问题数据，如脏数据和错误数据等是数据分析工作的主要瓶颈，数据清理和修复约占数据科学家的大部分工作。完全清洗(HoloClean)是一个半自动数据修复框架，依赖于统计学习和推理来修复结构化数据中的错误。HoloClean建立在弱监督范式的基础上，利用各种信号，包括用户定义的启发式规则(如通用数据完整性约束)和外部词典，来修复错误的数据。
[0059] HoloClean关键特性：是第一个整体数据清理框架，在统一的框架中结合了各种异构信号，例如完整性约束，外部知识(词典)和定量统计。它是由概率推理驱动的第一个数据清理框架。用户只需提供要清理的数据集并描述高级域特定信号。它可以扩展到大型真实世界的脏数据集，并执行比最先进的方法还要准确两倍的自动修复功能。
[0060] HoloClean可以修复结构化数据集中的各种错误，包括冲突和拼写错误的值，以及异常值和空条目。在HoloClean中，用户只需要指定高级断言，捕获关于输入数据需要满足的不变量的域专业知识。无需其他监督。
[0061] 源数据集至少包括干净数据、错误数据和噪声数据等。
[0062] 步骤S202：对所述中间数据进行错误检测，以获取所述中间数据中的问题数据。
[0063] 问题数据至少包括单指标超限问题、数据间断性缺失问题、数据片段性缺失问题、数据噪声问题、多指标错误问题和数据无效问题中的一种。
[0065] 错误检测为根据完整性约束、外部数据和/或异常检测，对所述中间数据进行分类，区分干净数据和问题数据。
[0066] 步骤S203：采用预设治理规则对所述问题数据进行修复，以获取经过治理的目标数据集。
[0067] 进一步地，为了获取目标数据集，需要首先获取预设治理规则。请参阅图3，是本发明实施例提供的基于能源站系统模型框架的数据治理方法中获取经过治理的目标数据集的实现流程示意图二，在本实施例中，通过自动提取特征、统计分析和/或概率工程对所述干净数据和所述问题数据进行编译，以获得预设治理规则；调用所述预设治理规则完成数据关联、统计分析和/或概率推理；根据所述概率推理对所述问题数据进行修复，以获取经过治理的目标数据集。获取目标数据集的一种方式还可以包括如下步骤：
[0068] 步骤S2031：通过自动提取特征、统计分析和/或概率工程对所述干净数据和所述问题数据进行编译，以获得预设治理规则。
[0069] 输入问题数据，对应的规则(一部分是用户和/或专家直接给出的规则，一部分是通过干净数据学到的规则)，以及其他外部信息(也可以理解成一些规则)。
[0070] 步骤S2032：调用所述预设治理规则完成数据关联、统计分析和/或概率推理。
[0071] 根据预设治理规则将干净数据和问题数据编译成DeepDive可以识别的代码(code)，调用DeepDive完成数据关联、统计分析、概率推理等任务。
[0072] DeepDive是由斯坦福大学实验室开发的一个开源知识抽取系统，系统集成了文件分析、信息提取、信息整合、概率预测等功能。DeepDive系统运行过程中包括一个重要的迭代环节，即每轮输出生成后，用户需要对运行结果进行错误分析，通过特征调整、更新知识库信息、修改规则等手段干预系统的学习，这样的交互与迭代计算能使得系统的输出不断得到改进。它通过弱监督学习，从非结构化的文本中抽取结构化的关系数据。
[0073] 步骤S2033：根据所述概率推理对所述问题数据进行修复，以获取经过治理的目标数据集。
[0074] 请参阅图1，进一步地，在获取目标数据集后，可以进行下述步骤：
[0075] 步骤S30：输出所述目标数据集。
[0076] 将所述目标数据集用于对能源站系统模型进行训练，以获取经过训练的能源站系统模型。
[0077] (1)修复后的原始数据形成目标数据集(训练数据集)，并开始对模型进行训练(训练>算法模型)。
[0078] (2)对生成的模型进行评估，如果正确率较低，回到步骤(1)用训练目标数据集对模型重新训练(评估)。
[0079] (3)对训练好的模型定期进行部署(定期部署模型)。
[0080] (4)模型应用和接受用户反馈，用户反馈数据要经过一个Query产生一整套的全部数据(context data)放回训练数据集(模型应用>用户反馈>再学习)。
[0082] 应当理解的是，以上各英文字母和/或符号仅是为清楚说明设备或者步骤的具体参数意义，也可用其他字母或者符号表示。此处不做限制。
[0083] 应当理解的是，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0084] 本发明实施例提供的基于能源站系统模型框架的数据治理方法的有益效果至少在于：
[0085] (1)总体架构简单：通过统一的接口接入一种或多种数据治理平台或引擎，包括基于统计推断模型、规则模型、弱监督学习、强化学习等各种业界领先的数据治理方法。
[0086] (2)动态可适配性：通过模块的调度和配置将接入的一种或多种数据治理平台或引擎进行优化选择，组合成最适合需求的解决方案。
[0088] (4)可扩展性：不局限于现有的数据治理平台或引擎，可以动态添加新的方法。
[0089] 本发明基于能源站6类实际通用数据问题，提出了通用解决方案或框架，普适性和现实意义更强；数据治理的整体性方案保证了获取基础数据的准确性、过程的便捷性和迅速性，提升了整体处理速度和清洗修复水平，有效提高数据清洗的效率和修复质量，为后续步骤的进行提供了基础数据保障，节约了数据治理资源。
[0090] 本发明实施例的目的还在于提供一种基于能源站系统模型框架的数据治理装置，图4为基于能源站系统模型框架的数据治理装置的示意图，为了便于说明，仅示出与本申请实施例相关的部分。
[0091] 请参阅图4，基于能源站系统模型框架的数据治理装置包括信息确定模块41、目标数据集获取模块42以及输出模块43。其中，信息确定模块41用于根据能源站系统的目标对象，获取所述目标对象的原始数据，以获取源数据集；目标数据集获取模块42用于采用预设治理规则对所述源数据集中的原始数据进行处理，以获取经过治理的目标数据集；输出模块43用于输出所述目标数据集。
[0092] 请参阅图5，进一步地，目标数据集获取模块42包括中间数据构建单元421、问题数据构建单元422以及目标数据集构建单元423。其中，中间数据构建单元421用于通过预处理引擎对所述原始数据进行预处理，以获取中间数据；问题数据构建单元422用于对所述中间数据进行错误检测，以获取所述中间数据中的问题数据；目标数据集构建单元423用于采用预设治理规则对所述问题数据进行修复，以获取经过治理的目标数据集。
[0093] 请参阅图6，进一步地，目标数据集构建单元423包括治理规则确定子单元4231、推理确定子单元4232和目标数据集确定子单元4233。其中，治理规则确定子单元4231用于通过自动提取特征、统计分析和/或概率工程对所述干净数据和所述问题数据进行编译，以获得预设治理规则；推理确定子单元4232用于调用所述预设治理规则完成数据关联、统计分析和/或概率推理；目标数据集确定子单元4233用于根据所述概率推理对所述问题数据进行修复，以获取经过治理的目标数据集。
[0094] 图7是本发明一实施例提供的终端设备的示意图。如图7所示，所述终端设备5，包括存储器51、处理器50以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52，所述处理器50执行所述计算机程序52时实现如所述基于能源站系统模型框架的数据治理方法的步骤。例如图1-图3所示的步骤S10至S30。
[0095] 所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器50、所述存储器51。本领域技术人员可以理解，图7仅仅是终端设备5的示例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
[0096] 所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0097] 所述存储器51可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51也可以是终端设备5的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备所需的其它程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
[0098] 所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0099] 具体可以如下，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质；也可以是单独存在，未装配入终端设备中的计算机可读存储介质。所述计算机可读存储介质存储有一个或者一个以上计算机程序：
[0100] 计算机可读存储介质，包括所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述基于能源站系统模型框架的数据治理方法的步骤。
[0101] 所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0102] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0103] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0104] 在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0105] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0106] 另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0107] 以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 智能服务网络系统 | 2020-05-08 | 1028 |
| 基于CNNs的元件安装检测方法、装置、电子设备及存储介质 | 2020-05-11 | 656 |
| 基于实景三维地理信息系统的可视化系统 | 2020-05-08 | 655 |
| 一种多维度的综合数据库SQL审核及优化方法和系统 | 2020-05-08 | 28 |
| 基于Drools规则引擎的热部署方法、系统、服务器及存储介质 | 2020-05-08 | 944 |
| 一种实现游戏地图无缝加载的方法及系统 | 2020-05-11 | 822 |
| 分布式物联网设备管理方法及装置 | 2020-05-08 | 903 |
| 一种分布式的图数据管理系统、方法及存储介质 | 2020-05-11 | 541 |
| 智能后勤平台管理系统 | 2020-05-08 | 34 |
| 一种自主学习的业务风控规则引擎系统及风险评估方法 | 2020-05-08 | 340 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈