3、数据建模核心概念：数据模型、维度建模、事实表、维度表、星型模型、雪花模型、缓慢变化维
电力监控系统的数据建模，本质上是将电网运行中产生的海量时序数据、设备台账数据、告警事件数据，转化为可供分析、统计和决策的结构化存储形式。与互联网行业的用户行为分析不同，电力监控数据具有强时序性、高采集频率（秒级甚至毫秒级）、多测点并发写入、以及严格的电能计量精度要求。因此，在动手建表之前，必须深刻理解数据建模的核心概念，尤其是维度建模思想在电力场景下的落地方式。本章将围绕数据模型、维度建模、事实表、维度表、星型模型、雪花模型和缓慢变化维七个核心概念展开，帮助你在设计SCADA/EMS/DTS系统的数据仓库时，做出正确的结构选型。
上图展示了七个核心概念之间的逻辑关系。维度建模是方法论核心，它指导我们如何将业务过程拆分为事实表和维度表；星型模型与雪花模型是事实表和维度表组合的两种典型模式；而缓慢变化维则解决维度属性随时间变化时的历史追踪问题。下面逐一深入拆解。
3.1 数据模型：从业务到物理存储的桥梁
核心原理：数据模型是对现实世界电力监控业务的数据结构抽象，分为概念模型、逻辑模型和物理模型三层。概念模型描述“业务是什么”，例如“变电站”、“线路”、“遥测点”；逻辑模型定义实体、属性和关系，例如“变电站拥有多个间隔，每个间隔关联多个遥测点”；物理模型则具体到表名、字段类型、索引和分区策略。
判断方法：在电力监控系统设计中，判断数据模型是否合理，主要看三个维度：一致性（同一测点在不同表中命名是否统一）、完整性（是否覆盖遥测、遥信、遥控、电度量四类数据）、扩展性（新增一个变电站或测点时，是否需要修改表结构）。
| 层级 | 电力监控示例 | 关键产出物 | 常见问题 |
|---|---|---|---|
| 概念模型 | 变电站、线路、负荷、告警 | ER图、业务流程图 | 业务边界模糊 |
| 逻辑模型 | 变电站表、遥测事实表、设备维度表 | 表结构定义、关系定义 | 粒度定义不一致 |
| 物理模型 | 分区表、时序索引、列式存储 | DDL脚本、存储过程 | 查询性能差、存储冗余 |
3.2 维度建模：以业务过程为中心的设计思想
核心原理：维度建模由Ralph Kimball提出，核心思想是“用事实表和维度表来组织数据”。事实表记录业务过程的度量事件，维度表描述事件发生的环境。在电力监控中，一个典型的业务过程是“变电站10kV馈线在某个时刻的电流遥测值”，度量值是电流数值，维度包括时间、变电站、馈线、测点类型。
操作流程：第一步，选择业务过程（如“电能量采集”）；第二步，声明粒度（如“每个电能表每15分钟一条记录”）；第三步，确认维度（时间、表计、台区）；第四步，确认事实（正向有功电量、反向有功电量）。
常见误区：初学者容易把维度建模等同于“多建几张表”。实际上，维度建模的关键在于粒度声明。如果粒度不统一，例如一张事实表同时包含分钟级和小时级数据，后续聚合查询将产生严重错误。
3.3 事实表：度量值的载体
核心原理：事实表存储业务过程的度量值，每一行对应一个粒度事件。电力监控中的事实表主要分为三类：事务事实表（记录每次遥测采集）、周期快照事实表（记录每天/每小时的累计值）、累计快照事实表（记录从开始到结束的完整流程，如故障处理时长）。
设计要点：事实表的外键必须与维度表主键对应，度量字段必须是数值型且可加性良好。对于不可加度量（如电压合格率），需要单独存储分子分母。
-- 电力监控遥测事务事实表示例
CREATE TABLE fact_telemetry (
ts TIMESTAMP NOT NULL, -- 采集时间
dim_device_id BIGINT NOT NULL, -- 设备维度外键
dim_point_id BIGINT NOT NULL, -- 测点维度外键
dim_region_id BIGINT NOT NULL, -- 区域维度外键
value DOUBLE PRECISION, -- 遥测值
quality SMALLINT, -- 质量码
PRIMARY KEY (ts, dim_device_id, dim_point_id)
) PARTITION BY RANGE (ts);3.4 维度表：分析视角的描述性属性
核心原理：维度表为事实表提供描述性上下文。电力监控中常见的维度表包括：时间维度（年/月/日/时/分/秒/星期/是否节假日）、设备维度（设备名称、型号、投运日期、所属间隔）、区域维度（省/市/县/变电站/馈线）、测点维度（测点名称、单位、量程上限/下限、是否参与考核）。
设计原则：维度表要“宽而短”，即字段多、行数少。每个维度表必须有唯一的代理键（Surrogate Key），而不是直接用业务编号（如设备ID）做主键。因为业务编号可能被复用或修改。
| 维度表 | 典型字段 | 行数规模 | 更新频率 |
|---|---|---|---|
| 时间维度 | date_key, year, month, day, is_holiday | 10年约3650行 | 年预生成 |
| 设备维度 | device_key, device_code, device_name, model, install_date | 数万行 | 低频 |
| 测点维度 | point_key, point_code, point_name, unit, scale_factor | 数十万行 | 低频 |
| 区域维度 | region_key, province, city, county, substation | 数千行 | 极低频 |
3.5 星型模型与雪花模型：两种维度组织方式
核心原理：星型模型是事实表位于中心，直接连接多个非规范化维度表；雪花模型则将维度表进一步规范化，拆分为多个层级关联的子维度表。在电力监控中，星型模型是主流，因为查询路径短、易于理解、OLAP性能好。
对比分析：
| 对比项 | 星型模型 | 雪花模型 | 电力监控推荐 |
|---|---|---|---|
| 查询性能 | 高（JOIN少） | 低（JOIN多） | 星型 |
| 数据冗余 | 高 | 低 | 可接受冗余 |
| ETL复杂度 | 简单 | 复杂 | 星型 |
| 维度层级 | 扁平 | 规范化多级 | 星型为主 |
| 典型场景 | 实时监控、报表 | 复杂层级分析 | 星型+少量雪花 |
案例拆解：某省调数据仓库建设时，最初采用雪花模型，将区域维度拆分为“省-市-县-变电站”四层。结果在查询“全省10kV线路负载率”时，需要关联5张表，耗时从2秒增加到15秒。后来改为星型模型，在区域维度表中直接冗余省、市、县、变电站四个字段，查询耗时降回1.8秒。代价是区域维度表增加了少量冗余，但换来了10倍性能提升。
3.6 缓慢变化维：处理维度属性的历史变化
核心原理：缓慢变化维（SCD）解决维度属性随时间变化的问题。电力监控中典型场景：设备型号升级、测点量程调整、变电站归属变更（从A供电局划转到B供电局）。如果不处理这些变化，历史事实数据将无法与正确的维度属性关联。
三种策略：
- SCD1（覆盖）：直接更新原记录，不保留历史。适用于“错误修正”或“不重要的属性”。例如测点名称拼写错误。
- SCD2（新增历史行）：当属性变化时，插入新行，并标记生效时间和失效时间。适用于需要历史追溯的场景，如设备容量变更。
- SCD3（新增当前值列）：在原行上增加“原值”和“当前值”两列。适用于只需要追踪最近一次变化的场景。
-- SCD2 设备维度表示例
CREATE TABLE dim_device (
device_key BIGINT PRIMARY KEY,
device_code VARCHAR(32),
device_name VARCHAR(128),
rated_capacity DECIMAL(10,2),
effective_date DATE,
expired_date DATE,
is_current BOOLEAN
);
-- 当容量从100MVA变更为120MVA时：
-- 1. 将旧记录的expired_date设为今天，is_current设为false
-- 2. 插入新记录，effective_date为今天，expired_date为'9999-12-31'实战场景：某地市公司一台主变在2024年6月进行增容改造，容量从50MVA变为63MVA。如果使用SCD1，则2024年6月之前的历史负荷数据在分析时也会显示63MVA，导致“负载率”计算失真。使用SCD2后，2024年6月之前的事实表关联到旧容量记录，之后关联到新容量记录，保证了负载率分析的一致性。