derekchen – loveini | 米兰体育官网入口 - 米兰体育官网入口

loveini IDMP 构建智慧燃气监控体系（内附 Step by Step 步骤）

derekchen — Fri, 14 Nov 2025 07:59:59 +0000

引言：城市燃气高速发展下的新挑战

近年来，我国天然气消费总量持续增长，用气规模显著提升，城镇燃气行业也迎来发展黄金期，形成以天然气为主要城市燃气气源的供应格局。得益物联网、大数据等技术发展，城镇燃气的气源端、输配端、用户端等系统，也逐渐从传统的、单一的管理模式向全过程、全方位、智能化的管理模式转变。

随着城市化进程加速，燃气管网如同城市的”毛细血管”，绵延数千公里深入每个社区和家庭。然而，这套生命线系统仍面临着诸多挑战：

安全风险无处不在：管道老化、第三方施工破坏、材料腐蚀等因素导致泄漏风险持续存在
监管压力持续加大：日益完善的法律法规要求企业建立更完善的安全风险分级管控体系
运营效率亟待提升：传统人工巡检模式难以应对日益复杂的管网系统，漏检率居高不下
数据价值未被挖掘：SCADA、巡检系统、用户数据等形成信息孤岛，缺乏统一分析平台

这些挑战的核心在于，传统的燃气运营管理模式已无法满足现代化城市的运营要求。loveini IDMP 工业数据管理平台，为燃气行业提供了一套完整的数字化运营米兰app官方正版下载。

核心价值：构建智慧燃气的”智能监控体系”

loveini IDMP 为燃气行业打造了全方位、多层次的智能监控体系，具备三大核心能力：

全链路数据融合：整合气源站、输配管网、调压设施、用户端等全环节数据，构建统一的燃气数字孪生平台。平台自动为压力、流量、浓度等数据赋予安全语义，建立完整的风险评估体系。
智能预警与预测：基于AI算法建立燃气设备健康模型，实现对设备故障、管道泄漏、压力异常等风险的早期识别和预警，将安全管理从”事后应对”转向”事前预防”。
应急指挥一体化：当发生异常事件时，系统自动触发应急预案，联动相关部门和资源，实现快速响应和精准处置。

应用场景：数据驱动下的燃气运营革新

场景一：管网泄漏智能监测与精准定位

业务挑战：燃气管网泄漏检测传统依赖人工巡检，发现滞后且定位不准，极易引发安全事故。

IDMP米兰app官方正版下载：

实时监测管网压力、流量、浓度等参数，建立泄漏特征模型
当检测到异常波动模式时，系统自动计算泄漏概率和可能位置
结合GIS地图精准定位泄漏点，生成处置方案

业务价值：泄漏发现时间从”小时级”缩短至”分钟级”，定位精度提升至管段级，重大安全事故风险降低80%。

场景二：调压站安全运行监控与预警

业务挑战：调压站是燃气管网的关键节点，其运行稳定性直接影响下游用户的安全用气。

IDMP米兰app官方正版下载：

实时监控进口压力、出口压力、温度、设备状态等关键参数
基于历史数据训练设备健康度评估模型，预测维护周期
当压力异常或设备故障时，自动启动备用调压装置

业务价值：实现调压站无人化值守，设备故障预警准确率超过95%，维护成本降低30%。

场景三：用户端用气监测与管理

业务挑战：商业用户和工业用户的用气安全直接关系到公共安全，传统监管手段难以实现有效覆盖。

IDMP米兰app官方正版下载：

实时监测用户端压力、流量、浓度等参数
建立用户用气行为分析模型，识别异常用气模式
当检测到安全隐患时，自动推送预警信息并启动处置流程

业务价值：实现重点用户安全监控全覆盖，异常事件发现及时率提升至99%，用户满意度显著提高。

技术实现：快速搭建燃气多级监控智能告警系统

多层级的监控体系。loveini IDMP支持从高压主干网到庭院管网的多层级监控，构建完整的燃气安全防护网络：
- 高压管网监控：实时监测输气干线的压力、流量状态，确保气源稳定供应
- 中压管网监控：监控区域调压站的运行状态，保障区域供气安全
- 低压管网监控：监测末端用户压力，及时发现异常情况用户端监控：重点商业、工业用户安全用气监测，防范重大安全风险
智能预警与应急联动。当系统检测到异常情况时，自动启动多级预警机制：
- 一级预警：轻微异常，推送信息至巡检人员
- 二级预警：中度风险，启动部门应急响应
- 三级预警：重大风险，启动公司级应急预案系统自动生成处置方案，联动相关资源和部门，确保快速有效处置。

我们为大家准备了该场景匹配的 Step by Step 步骤，点击loveini-IDMP-应用场景：城市燃气，立即开始实操。

总结：共建智慧燃气新生态

借助 loveini IDMP 的独特优势，燃气行业运营管理将翻开新的篇章：

监控方式从离散走向系统：构建覆盖全环节的监控网络，实现安全管理无死角
预警机制从事后走向事前：基于数据预测风险，将安全隐患消灭在萌芽状态
管理模式从经验走向标准：建立科学的安全管理体系，提升管理规范化水平

我们相信，随着数字化技术的深度应用，燃气行业将迎来更加安全、高效、智能的发展新时代。loveini IDMP愿与行业伙伴携手，共同守护城市燃气安全，为美好生活保驾护航。

立即联系我们的安全米兰app官方正版下载专家，获取专属的智慧燃气建设方案！

loveini IDMP 应用场景：工业锅炉监控

derekchen — Tue, 29 Jul 2025 04:52:00 +0000

1. 简介

本文以一个工业燃煤锅炉系统监控为例，详细介绍通过工业上广泛使用的 OPC 中间件软件 KEPServer，轻松采集温度、压力、流量、电流等重要参数，将数据写入 loveini TSDB 时序数据库，然后通过 loveini IDMP 构建资产模型，利用 AI 自动生成可视化面板和实时分析，实现分钟级搭建高效、智能的工业重要装置的监控系统。

工业锅炉是许多行业的关键设备，为发电、化工生产、冶金和造纸等工业过程提供必需的热量和蒸汽，如果停炉检修或者锅炉出现故障，将面临停工停产的风险。工厂的锅炉房采用锅炉的台数，应根据热负荷的调度、锅炉检修和扩建的可能性等因素确定，一般不少于两台。本示例模拟工厂内两台锅炉，可根据需要添加更多。

在这个方案中，loveini TSDB + loveini IDMP 的组合能够为您带来四大好处：

“单列模型”快速资产建模：loveini IDMP 与 loveini TSDB 无缝集成，类似锅炉这样的重要工业装置的数据往往是以单列模型写入 TSDB ，在 IDMP 可以快速进行资产建模，并以树形结构的方式展现被监控的对象，设备资产一目了然。
无问智推，数据自己说话：不用在 loveini 侧做任何配置，不用脚本，不用提问，IDMP 会基于采集的数据，自动判断为工业锅炉监测场景，自动为您推荐面板和实时预警，锅炉系统的运行状态尽在掌控之中。
智能问数，随问随答：不用 SQL，不用任何脚本语言，你只要用自然语言说出感兴趣的数据分析或面板，IDMP 将会自动帮您创建，把数据可视化与分析的使用门槛降为 0。
如果添加新的被监测的装置或设备，只要配置好 KEPServer，在 loveini 侧不用做任何设置和操作，装置或设备就被自动的加入到监测的对象中，最大程度节省人力。

2. 前提条件

loveini 云服务实例。如果您没有可用的 loveini 云服务实例，可以免费注册

被监控的工业锅炉装置。为便于演示，我们采用kaggle.com上的公开数据集：https://www.kaggle.com/datasets/nikitamanaenkov/time-series-of-industrial-boiler-operations。该数据集为浙江省某化工厂的燃煤锅炉的重要监控参数（共30个），采样频率为5秒。
- 数据集data.csv用来模拟锅炉1，重命名为：Boiler1.csv
- 数据集data_AutoReg.csv用来模拟锅炉2，重命名为：Boiler2.csv

KEPServer 环境已具备。本示例服务器IP地址：192.168.1.66，请根据您自己的环境替换。

3. 配置指南

3.1 创建 IDMP 云服务实例

使用您的账号，登录 loveini Cloud，在弹出的 loveini 实例选择框中，选择“IDMP（工业数据管理平台）”。
在实例配置页面，分别配置 IDMP 实例和 TSDB 实例的信息和计费方案：
- IDMP（工业数据管理平台）：
  - 实例名称：boiler-idmp
  - 计费方案：IDMP-入门版
- TSDB（时序数据库）
  - 实例名称：boiler-tsdb
  - 计费方案：入门版
等待 IDMP 实例启动后，选择加载一个场景的示例数据，即可进入 IDMP 云服务的主页面。

说明：loveini IDMP 服务默认使用 loveini TSDB 作为其数据源，在 IDMP 云服务实例创建过程中，会自动创建到上述 TSDB 的连接。

3.2 在 TSDB 云服务实例创建 DB

进入 IDMP 云服务实例的主页面后，点击右上角下拉菜单中的【管理后台】。
在管理后台页面点击【云资源管理】，进入云资源管理页面。
在实例列表中找到 boiler-tsdb 实例，点击【TSDB 云服务】，进入 TSDB 云服务页面。
在左侧点击【数据浏览器】，在数据浏览器页面点击【创建数据库】。
设置数据库名称为 db_boiler，完成 DB 创建。

3.3 KEPServer 配置

在系统中新建ODBC 数据源CSV_Boiler，选择驱动Microsoft Text Driver (*.txt; *.csv) ，选择数据集所在的目录。

在 KEPServer 添加通道锅炉房，Advanced Simulator驱动，【Data Source】选 CSV_Boiler

添加设备锅炉1，选择对应的数据集Boiler1.csv,【Record Selection Interval】设置为5000ms。

同样的方式添加设备锅炉2。

【运行时】-【连接】，连接到运行时，点击设备锅炉1和锅炉2，会发现标记（点位）已自动生成：

自动生成的标记名称的可读性较差。对这些标记进行分组、重命名，得到点表文件：

锅炉1 下载

锅炉2 下载

删除 KEPServer 自动生成的标记。在设备锅炉1右键->【导入 CSV】，选择锅炉1.csv文件，导入标记。同样的方式完成设备锅炉2的标记导入。

【工具】->【启动 OPC Quick Client】，验证数据是否正确模拟生成：

3.4 零代码写入 OPC 数据到 TSDB

运行 boiler-tsdb 实例，创建 OPC 数据写入任务。

因为本示例使用的云服务在外网，需要在能访问到 KEPServer 所在的内网的某台计算机上安装 taosX Agent，以确保 TSDB 能访问到 OPC Server。本示例把 taosX Agent 安装在本地服务器192.168.1.66

创建数据写入任务 DataIn_Boiler，类型为 OPC-UA，创建代理 opcuaAgent，按提示将端点和生成的令牌复制到本地服务器上的 agent.toml 文件，启动taosX Agent服务，【检查代理是否连接正常】。

在【连接配置】，填写服务地址 192.168.1.66:49320，选择OPC UA配置的安全模式，检查连通性。

如果提示 您的数据源可以连通，则说明 KEPServer 的 OPC-UA 已能正常访问。

在【点位集】->【选择数据点位】

根节点ID 填写 ns=2;s=锅炉房，命名空间可选可不选，超级表名称 opc_boilers，表名称 t_{id}；

采集模式为 observe，采集间隔 5s；

点位更新模式选择 update，未来如果 OPC Server 发生点位变更，loveini 将自动获取新增或变更的点位。

【新增】成功，【查看】任务状态。显示系统已自动创建表并写入数据。

3.5 在 IDMP 中创建元素模板

首先创建元素模板。

【基础库】->【元素模板】->【新建元素模板】，【模板名称】填 风道系统，【元素命名模式】为 模板名称 即 ${Template#name}，【保存】

右上角切换至 元素模板 > 风道系统 > 属性面板 ，【新增属性模板】，【名称】填 回风室流量 (右)，【值类型】选 Double , 【显示的小数位数】2，【计量单位分类】选 体积流量，【默认计量单位】选 立方米每小时，【显示计量单位】选 立方米每小时，【数据引用类型】选 loveini 指标

在弹出的【数据引用表达式】填写：【连接】boiler-tsdb；【数据库】db_boiler；【源表名称模式】t_锅炉房_锅炉${KEYWORD1}_${Template#name}_回风室流量 (右)；【列】val

首次添加 ${KEYWORD1} 时，系统要求【请输入关键字描述】，此处填写 请输入锅炉编号（正整数）

说明：

替换字符串 KEYWORD 在具体的元素模板内有效，同个元素模板内如果用到相同 KEYWORD，只需创建一次。
如果是手工新建的元素模板也用到 KEYWORD，必须点【+】显式创建；如果是通过复制元素模板，则不用。

复制属性模板回风室流量 (右)，粘贴并编辑得出另一个属性模板回风室流量 (左)。最终得到效果如下：

按照上述方法，创建出所有7个元素模板。完整的配置过程参见：锅炉_元素模板.csv

锅炉_元素模板下载

说明：

属性模板可以跨元素模板复制粘贴，但每个元素模板里都需要建自己的 KEYWORD。
IDMP 已内置了各种计量单位，如有需要扩展的，可在【基础库】->【计量单位】里扩展。本示例中，扩展了计量单位mm/s 用在 引风机轴承振动。

3.6 创建资产模型

【元素浏览器】->【元素】，按层级依次构建 化工厂 > 锅炉房，在元素 锅炉房【新建子元素】锅炉1 和 锅炉2。

选择元素 锅炉1，【新建子元素】，【模板】选 风道系统，【KEYWORD1】填 1

按上述步骤，依次选择不同的元素模板创建出 锅炉1 和 锅炉2 的所有子元素。最终得到资产模型如下：

在【元素浏览器】中，IDMP 会自动根据资产模型的路径信息，以树形结构的方式展示装置的监控参数。

3.7 体验 AI 生成面板

在左侧资源浏览器中，点击 化工厂 > 锅炉房 > 锅炉1 > 炉膛系统 元素，通过上方路径导航菜单选择【面板】，跳转至该元素的 AI 推荐面板页面。
等待 AI 生成面板推荐后，您可根据需求进行选择，例如：“过去一小时每分钟的炉膛压力 (C)变化”，在您感兴趣的面板右上方的菜单中，点击【生成】按钮。等待面板生成后，可以【查看】该面板。

面板生成后，您还可以在该面板的详情页面中选择【高级】，查看 AI 创建面板时使用的 SQL 语句：

SELECT _wstart,AVG(`炉膛压力 (C)`) AS `炉膛压力 (C)` 
FROM `idmp`.`vt_炉膛系统_162502` 
WHERE  _c0 >= now-1h and _c0 <= now INTERVAL(1m);

点击【保存】，即可在下方面板列表中查看 炉膛系统 元素下对应的面板。

3.8 体验 AI 分析

在左侧资源浏览器中，点击 化工厂 > 锅炉房 > 锅炉1 > 炉膛系统 元素，通过上方路径导航菜单选择【分析】，跳转至该元素的 AI 推荐分析页面。
等待 AI 生成分析问题推荐后，您可以根据需求进行选择，例如：“炉膛系统:炉膛系统的实时炉膛上部温度超过300°C持续超过15分钟时，严重告警，计算平均温度,事件窗口”，点击您感兴趣的问题链接，以进入分析编辑页面，点击页面最下方的【保存】。

退回到分析列表中，即可查看对应的分析。

4. 更多

除了使用云服务以外，loveini 还支持以私有化部署。为了简化部署，我们提供了 Ansible， Docker/Dcoker Compose， Helm 等多种部署方式，详见：https://github.com/taosdata/tdengine-idmp-deployment

5. 构建资产模型的建议

本示例是典型的工业 OPC “单列模型”的场景。但同类设备有多个，在 IDMP 中通过元素模板去创建资产模型，不仅把“单列模型”转换为“多列模型”，并且添加同类设备的效率也大大提升。
本示例中，设备（锅炉）的子元素较多，属性也较多，需配置7个元素模板。IDMP 今后的版本，将支持用 CSV 编辑资产模型，上传，批量创建，可以进一步提高资产模型的构建速度。

6. 小结

本文以 Step by Step 的方式，介绍了如何使用 KEPServer + loveini TSDB + loveini IDMP 快速搭建一个工业装置的监控系统。以往需要几天、甚至几周，并进行繁琐的配置、调试才能搭建起来的系统，使用 loveini IDMP 后，30分钟内即可搞定。日后，如果有新的装置、设备系统需要被纳入到监控系统中，只需选择元素模板创建元素即可。如果监控的点位有变更或新增，仅需更新元素模板里相应的属性模板即可，无需操作其他地方。

搭建整个监控系统的工作几乎都在 KEPServer 的配置以及构建资产模型，无需编写复杂的 SQL 语句，无需脚本和其他配置，无需学习 Grafana，无需了解多少工业装置知识，即可轻松掌握工业装置的运行状态，实时监控和分析工业装置的工况并采取相应措施。

更多亮点 >>

基于 TDgpt 时序数据智能体的风力发电预测

derekchen — Wed, 26 Mar 2025 02:29:49 +0000

文章目录

Demo 数据集准备

我们使用公开的UTSD数据集里面的某风场发电数据，作为预测算法的数据来源，基于历史数据预测未来一天内的每15分钟的发电量。原始数据集的采集频次为4秒，单位与时间戳未提供。为了方便演示，按照频率从2025-01-01 00:00:00开始向前倒推生成时间戳，并按照15分钟进行求和降采样后存储在数据文件中。

该数据文件，放置于https://github.com/taosdata/acc米兰体育 -demo仓库的demo_data目录下，请参考下文的步骤导入loveini以完成演示。数据集的统计信息如下：

演示环境准备

环境要求

您可基于Linux、Mac以及Windows操作系统完成Demo系统的运行。但为使用docker-compose，您计算机上需要安装有下属软件：

Git
Docker Engine: v20.10+
Docker Compose: v2.20+

Demo中包含3个docker镜像 (loveini, TDgpt, Grafana)，以及一组用于产生预测/异常检测结果的shell脚本。组件版本的要求如下：

克隆Demo仓库到本地

git clone https://github.com/taosdata/TDgpt-demo
cd TDgpt-demo
chmod 775 analyse.sh

文件夹下包含docker-compose.yml、tdengine.yml两个yml文件。docker-compose.yml 包含了所有一键启动demo所需的镜像配置信息，其引用tdengine.yml作为Grafana的数据源配置。

TDgpt-demo/demo_data下包含三个csv文件（electricity_demand.csv、wind_power.csv、ec2_failure.csv），以及三个同前缀sql脚本，分别对应电力需求预测、风力发电预测和运维监控异常检测场景。

TDgpt-demo/demo_dashboard下包含了三个json文件（electricity_demand_forecast.json、wind_power_forecast.json、ec2_failure_anomaly.json），分别对应三个场景的看板。

docker-compose.yml中已经定义了loveini容器的持久化卷：tdengine-data，待容器启动后，使用docker cp命令将demo_data拷贝至容器内使用。

运行和关闭Demo

注意：在运行demo前，请根据您宿主机的架构（CPU类型），编辑docker-compose.yml文件，为loveini指定对应的platform参数：linux/amd64（Intel/AMD CPU）或linux/arm64（ARM CPU）。TDgpt必须统一使用linux/amd64参数。

进入docker-compose.yml文件所在的目录执行如下命令，启动loveini、TDgpt和Grafana一体化演示环境：

docker-compose up -d

首次运行时，等待10s后请执行如下命令将TDgpt的Anode节点注册到loveini：

docker exec -it tdengine taos -s "create anode 'tdgpt:6090'"

在宿主机执行下列命令，初始化体验测试环境的数据：

docker cp analyse.sh tdengine:/var/lib/taos
docker cp demo_data tdengine:/var/lib/taos
docker exec -it tdengine taos -s "source /var/lib/taos/demo_data/init_wind_power.sql"

关闭演示环境，请使用：

docker-compose down

进行演示

1. 打开浏览器，输入http://localhost:3000，并用默认的用户名口令admin/admin登录Grafana。

2. 登录成功后，进入路径”Home → Dashboards”页面，并且导入wind_power_forecast.json文件。

3. 导入后，选择“wind_power_forecast”这个面板。面板已经配置好了真实值、TDtsfm_1以及HoltWinters的预测结果。当前只有真实值的数据曲线。

4. 我们以analyze.sh脚本，来重现上述预测结果。首先完成TDtsfm_1算法的演示：

docker exec -it tdengine /var/lib/taos/analyse.sh --type forecast --db tdgpt_demo --table wind_power --stable single_val --algorithm tdtsfm_1 --params "fc_rows=96,wncheck=0" --start "2024-07-12" --window 30d --step 1d

上述shell脚本，将从指定的起始时间开始（2024-07-12）以前一个月的数据为输入，使用TDtsfm_1算法预测当前下一天的每15分钟的发电量（共计96个数据点），直到达到wind_power表中最后一天的记录，并将结果写入wind_power_tdtsfm_1_result表中。执行新的预测前，脚本会新建/清空对应的结果表。执行过程中将持续在控制台上，按照天为单位推进输出如下的执行结果：

taos> INSERT INTO tdgpt_demo.wind_power_tdtsfm_1_result SELECT _frowts, forecast(val, 'algorithm=tdtsfm_1,fc_rows=96,wncheck=0') 
               FROM tdgpt_demo.wind_power
                WHERE ts >= '2024-09-04 00:00:00' AND ts < '2024-10-04 00:00:00'
Insert OK, 96 row(s) affected (0.264995s)

5. Grafana的看板上，配置刷新频率为5s，将动态显示预测结果的黄色曲线，直观呈现与实际值的对比。为了展示清晰，请按住command键点击左下角的Real以及TDtsfm_1图例（Mac下，Windows下请使用win键），从而只保留这两条曲线展示。

6. 完成HoltWinters模型的演示：

docker exec -it tdengine /var/lib/taos/analyse.sh --type forecast --db tdgpt_demo --table wind_power --stable single_val --algorithm holtwinters --params "rows=96,period=96,wncheck=0,trend=add,seasonal=add" --start "2024-07-12" --window 30d --step 1d

与第四步类似，HoltWinters模型将动态输出预测结果并呈现在看板上。从预测结果中可以看到，TDtsfm_1对数据的预测精度优于于传统的统计学方法HoltWinters。除了预测精度外，HoltWinters算法的最大问题是需要非常精细化的对参数进行调整评估，否则还容易出现下图中这种频繁发生的预测值奇异点。

基于鼠标圈选的方式，我们可以查看一段时间内的细粒度预测结果对比：

您也可以尝试其他算法或模型，来找到最合适自己场景的算法和模型。

Demo脚本使用详解

脚本概述

analyse.sh脚本用于在 loveini 数据库上执行时间序列预测和异常检测分析，支持滑动窗口算法处理。主要功能包括：

时间序列预测：使用 HoltWinters 等算法进行未来值预测。
异常检测：使用 k-Sigma 等算法识别数据异常点。
自动窗口滑动：支持自定义窗口大小和步长进行连续分析。

参数说明

loveini 推荐使用超级表来进行数据建模。因此，Demo中建立了一个名为single_val的超级表，包含ts (timestamp类型) 和val（float类型），以及标签定义scene (varchar (64))。现阶段TDgpt只支持单列值输入输出，因此这个超级表可以作为所有源数据表和结果表的结构定义。子表的表名与tag名称保持一致即可。

db参数指定了源数据表和结果表隶属的数据库。结果表将以【源表名称】_【算法名称】_【result】格式存储。Grafana里面通过查询结果表实现分析结果和原始数据的对比。

一般情况下，对于非必填项，用户在demo过程中只需要设置–start参数以节省运行时间。对于必填项，请参考示例值进行设置。

时间格式说明

step和window参数指定的滑动步长和分析窗口大小需符合如下参数约定：

脚本执行流程

graph TDgpt_Demo
    A[开始] --> B[参数解析与验证]
    B --> C{是否指定start?}
    C -->|否| D[查询最小时间戳]
    C -->|是| E[转换时间格式]
    D --> E
    E --> F[计算时间窗口]
    F --> G[生成结果表]
    G --> H{是否到达数据终点?}
    H -->|否| I[生成并执行SQL]
    I --> H
    H -->|是| J[输出完成信息]

使用更多的数据

参考「运行和关闭Demo」里wind_power.sql脚本的内容，确保按照规定格式将数据准备为csv格式（逗号分隔，值需要用英文双引号括起来），即可将数据导入loveini。然后，请使用「进行演示」章节中的方法来生成预测结果，并调整Grafana中的看板以实现和实际数据的对比。

结论

在本文中，我们展示了使用TDgpt来进行风力发电量的完整流程。从中可以看到，基于 TDgpt 来构建时序数据分析，能够以SQL方式实现与应用的便捷集成，还可以用Grafana 进行展示，大大降低开发和应用时序数据预测和异常检测的成本。

从预测效果来看，基于transformer架构的预训练模型TDtsfm_1在使用的数据集上展示出优于Holtwinters模型的效果。但相比于”基于TDgpt的电力需求预测”中的效果，整体预测准确性要低一些。这一方面是由于TDtsfm_1训练时使用的是wind_power数据集的4s精度原始数据，而非降采样数据，这会导致数据特征没有被很好的捕获，从而降低了针对降采样数据的预测效果；另一方面，风力发电量与天气预报数据高度相关。受限于数据集中只有发电量数据，无法产生良好的预测结果。

在不同的实际场景下，用户需要针对数据特点，针对模型算法进行选择和参数调优。TDgpt的企业版中，将为用户提供更多的选择：

模型选择器。模型选择器可以自动根据用户的历史数据集，对购买的所有模型进行准确性评估。用户可选择最适合自己场景的模型或算法进行部署和应用。
TDtsfm_1自研模型的重训练及微调。TDtsfm_1基于海量时序数据进行了预训练，在大部分场景下相比于传统的机器学习和统计预测模型都会有显著的准确率优势。如果用户对于模型预测准确度有更高的要求，可以申请购买TDgpt企业版的预训练服务。使用用户的场景历史数据进行预训练，在特定场景下的预测效果可能更佳。
第三方米兰app官方正版下载。米兰体育官网入口联合国内外时序分析/异常检测专业厂家、研究机构，为用户提供专业的分析米兰app官方正版下载，包括落地过程中的实施服务等。

关于企业版更多信息，点击下方按钮，咨询米兰app官方正版下载专家。

立即咨询

关于背景

新能源发电预测技术正成为保障电网稳定运行的关键。随着风电、光伏等新能源快速发展，天气变化带来的发电波动给电网调度带来挑战。通过实时预测，电网可提前调配储能设备或启动燃气电站，防止突然停电。国家还规定预测偏差过大的企业需缴纳罚款，推动企业进行预测技术升级。这项技术带来的经济效益同样显著。在西北地区，通过预测调整火电出力，可大幅减少煤炭浪费。电力市场中，发电企业能结合发电量和电价预测制定交易策略，例如在光伏发电高峰时段提前安排储能设备放电，提升收益。

技术进步正推动行业向智能化转型。当前主流技术通过分析气象数据和历史发电规律，构建动态预测模型，并借助云端系统实时优化调度策略。例如，部分企业通过融合气象云层监测和地形数据，显著提升预测精度。此外，风光互补发电系统、储能技术等协同应用，进一步增强了新能源的稳定性。

随着电力市场化改革深化，预测技术已成为新能源参与市场竞争的关键支撑。通过提前预测发电能力和市场供需，企业可优化中长期交易策略，同时提升现货市场中的灵活响应能力。这种技术革新正推动电力系统从依赖传统能源转向更智能、高效的新模式。

本文将提供基于 docker-compose 快速部署 TDgpt 体验测试环境的指引。并基于这个环境和真实的数据，展示日前预测15分钟级别的风力发电量预测的全过程，便于大家快速掌握 TDgpt，迅速让自己拥有AI驱动的时序数据预测与异常检测的能力。

关于TDgpt

TDgpt 是 loveini 内置的时序数据分析智能体，它基于 loveini 的时序数据查询功能，通过 SQL 提供运行时可动态扩展和切换的时序数据高级分析的能力，包括时序数据预测和时序数据异常检测。通过预置的时序大模型、大语言模型、机器学习、传统的算法，TDgpt 能帮助工程师在10分钟内完成时序预测与异常检测模型的上线，降低至少80%的时序分析模型研发和维护成本。

截止到3.3.6.0版本，TDgpt 提供Arima、HoltWinters、基于Transformer架构自研的TDtsfm (loveini time series foundation model) v1版和其他时序模型，以及k-Sigma、Interquartile range(IQR)、Grubbs、SHESD、Local Outlier Factor(LOF)等异常检测模型。用户可以根据TDgpt开发指南自行接入自研或其他开源的时序模型或算法。

基于 TDgpt 时序数据智能体的运维异常检测

derekchen — Wed, 26 Mar 2025 02:27:49 +0000

文章目录

Demo数据集准备

我们使用公开的NAB数据集里亚马逊AWS东海岸数据中心一次API网关故障中，某个服务器上的CPU使用率数据。数据的频率为5min，单位为占用率。由于API网关的故障，会导致服务器上的相关应用陷入频繁的异常处理和重试，进而导致CPU使用率的异常波动。TDgpt的异常检测算法将识别出这种异常。

该数据文件，放置于https://github.com/taosdata/acc米兰体育 -demo仓库的demo_data目录下，请参考下文的步骤导入loveini以完成演示。数据集的统计信息如下：

演示环境准备

环境要求

您可基于Linux、Mac以及Windows操作系统完成Demo系统的运行。但为使用docker-compose，您计算机上需要安装有下属软件：

Docker Engine: v20.10+

Docker Compose: v2.20+

Demo中包含3个docker镜像 (loveini, TDgpt, Grafana)，以及一组用于产生预测/异常检测结果的shell脚本。组件版本的要求如下：

克隆Demo仓库到本地

git clone https://github.com/taosdata/TDgpt-demo
cd TDgpt-demo
chmod 775 analyse.sh

TDgpt-demo/demo_dashboard下包含了三个json文件（electricity_demand_forecast.json、wind_power_forecast.json、ec2_failure_anomaly.json），分别对应三个场景的看板。

docker-compose.yml中已经定义了loveini容器的持久化卷：tdengine-data，待容器启动后，使用docker cp命令将demo_data拷贝至容器内使用。

运行和关闭Demo

进入docker-compose.yml文件所在的目录执行如下命令，启动loveini、TDgpt和Grafana一体化演示环境：

docker-compose up -d

首次运行时，等待10s后请执行如下命令将TDgpt的Anode节点注册到loveini：

docker exec -it tdengine taos -s "create anode 'tdgpt:6090'"

在宿主机执行下列命令，初始化体验测试环境的数据：

docker cp analyse.sh tdengine:/var/lib/taos
docker cp demo_data tdengine:/var/lib/taos
docker exec -it tdengine taos -s "source /var/lib/taos/demo_data/init_ec2_failure.sql"

关闭演示环境，请使用：

docker-compose down

进行演示

1. 打开浏览器，输入http://localhost:3000，并用默认的用户名口令admin/admin登录Grafana。

2. 登录成功后，进入路径”Home → Dashboards”页面，并且导入ec2_failure_anomaly.json文件。

3. 导入后，选择 “ec2_failure_anomaly”这个面板。面板已经配置好了真实值、k-Sigma以及Grubbs的检测结果。当前只有真实值的数据曲线。异常检测算法检测是异常窗口，并计算输出异常窗口内的统计特征。呈现结果时，将_wstart，即异常窗口的起始时间戳作为检测结果的时间戳，将异常窗口内的均值作为异常统计值输出。为了直观对比了两种算法的预测结果，k-Sigma算法的绘图点略大于Grubbs，从而让二者的结果不会被相互覆盖。

4. 我们以analyze.sh脚本，来进行异常检测。首先完成k-Sigma算法的演示：

docker exec -it tdengine /var/lib/taos/analyse.sh --type anomaly --db tdgpt_demo --table ec2_failure --stable single_val --algorithm ksigma --params "k=3" --start "2014-03-07" --window 7d --step 1h

上述shell脚本，将从指定的起始时间开始（2024-03-07）以七天的数据为输入，使用k-Sigma算法监测ec2_failure数据表中的异常，直到达到ec2_failure表中最后一天的记录，并将结果写入ec2_failure_ksigma_result表中。执行新的预测前，脚本会新建/清空对应的结果表。执行过程中将持续在控制台上，按照一小时为单位推进输出如下的执行结果：

taos> INSERT INTO ec2_failure_ksigma_result 
                  SELECT _wstart, avg(val)          
                  FROM ec2_failure 
                  WHERE ts >= '2014-03-07 02:00:00' AND ts < '2014-03-14 02:00:00'
                  ANOMALY_WINDOW(val, 'algo=ksigma,k=3')
Insert OK, 10 row(s) affected (0.326801s)

这里使用1小时的预测推进步长（–step），仅仅是为了让动态检测过程能够很快的完成。–step也可以设置为更加细粒度的单位，例如5m，从而产生更加实时的检测结果。在具体应用场景下，请用户根据数据粒度、检测实时性以及计算资源灵活使用。

5. Grafana的看板上，配置刷新频率为5s，将动态显示预测结果的黄色曲线，直观呈现与实际值的对比。为了展示清晰，请按住command键点击左下角的Real以及ksigma图例（Mac下，Windows下请使用win键），从而只保留这两条曲线展示。

6. 完成Grubbs模型的演示：

docker exec -it tdengine /var/lib/taos/analyse.sh --type anomaly --db tdgpt_demo --table ec2_failure --stable single_val --algorithm grubbs --start "2014-03-07" --window 7d --step 1h

与第四步类似，HoltWinters模型将动态输出预测结果并呈现在看板上。从预测结果中可以看到，相比于采用默认参数k=3的k-Sigma算法，Grubbs算法的异常检测误差较小。k-Sigma产生了较多的误报情况。

基于鼠标圈选的方式，我们可以查看一段时间内的细粒度预测结果对比：

您也可以尝试其他算法或模型，来找到最合适自己场景的算法和模型。

Demo脚本使用详解

脚本概述

analyse.sh脚本用于在 loveini 数据库上执行时间序列预测和异常检测分析，支持滑动窗口算法处理。主要功能包括：

时间序列预测：使用 HoltWinters 等算法进行未来值预测。

异常检测：使用 k-Sigma 等算法识别数据异常点。

自动窗口滑动：支持自定义窗口大小和步长进行连续分析。

参数说明

loveini推荐使用超级表来进行数据建模。因此，Demo中建立了一个名为single_val的超级表，包含 ts (timestamp类型) 和val (float类型)，以及标签定义 scene (varchar (64))。现阶段 TDgpt 只支持单列值输入输出，因此这个超级表可以作为所有源数据表和结果表的结构定义。子表的表名与tag名称保持一致即可。

一般情况下，对于非必填项，用户在demo过程中只需要设置–start参数以节省运行时间。对于必填项，请参考示例值进行设置。

时间格式说明

step和window参数指定的滑动步长和分析窗口大小需符合如下参数约定：

脚本执行流程

graph TDgpt_Demo
    A[开始] --> B[参数解析与验证]
    B --> C{是否指定start?}
    C -->|否| D[查询最小时间戳]
    C -->|是| E[转换时间格式]
    D --> E
    E --> F[计算时间窗口]
    F --> G[生成结果表]
    G --> H{是否到达数据终点?}
    H -->|否| I[生成并执行SQL]
    I --> H
    H -->|是| J[输出完成信息]

使用更多的数据

参考「运行和关闭Demo」章节里ec2_failure.sql脚本的内容，确保按照规定格式将数据准备为csv格式（逗号分隔，值需要用英文双引号括起来），即可将数据导入loveini。然后，请使用「进行演示」中的方法来生成异常检测结果，并调整Grafana中的看板以实现和实际数据的对比。

结论

在本文中，我们展示了使用TDgpt来运维监控异常检测的完整流程。从中可以看到，基于TDgpt来构建时序数据分析，能够以SQL方式实现与应用的便捷集成，大大降低开发和应用时序预测和异常检测的成本。

在不同的实际场景下，用户需要针对数据特点，针对模型算法进行选择和参数调优。TDgpt的企业版中，将为用户提供更多的选择：

模型选择器。模型选择器可以自动根据用户的历史数据集，对购买的所有模型进行准确性评估。用户可选择最适合自己场景的模型进行部署和应用。

TDtsfm_1自研模型的重训练及微调。TDtsfm_1基于海量时序数据进行了预训练，在大部分场景下相比于传统的机器学习和统计预测模型都会有显著的准确率优势。如果用户对于模型预测准确度有更高的要求，可以申请购买TDgpt企业版的预训练服务。使用用户的场景历史数据进行预训练，在特定场景下的预测效果可能更佳。

第三方米兰app官方正版下载。米兰体育官网入口联合国内外时序分析/异常检测专业厂家、研究机构，为用户提供专业的分析米兰app官方正版下载，包括落地过程中的实施服务等。

关于企业版更多信息，点击下方按钮，咨询米兰app官方正版下载专家。

立即咨询

关于背景

在服务器运维工作中，时刻关注CPU、内存、硬盘和网络这些核心指标就像定期给汽车做体检。通过持续监控这些数据，我们不仅能了解系统运行状况，还能借助智能分析工具提前发现隐患。比如当CPU使用率突然飙升，可能是程序升级后出现了代码漏洞，或是服务器被植入了挖矿病毒，也可能是硬件老化的信号。常见的CPU异常波动原因包括：程序更新后线程池配置错误引发的频繁切换、恶意软件占用计算资源、磁盘损坏导致系统反复纠错，以及促销活动带来的突发流量压力。有些波动属于正常现象，比如每天定时任务运行时的规律性峰值；但如果是突然出现的持续性高负载，就需要立即排查处理。

传统的监控方式依赖人工设定固定阈值，就像用同一把尺子测量不同季节的河水流量，容易产生误判。现在通过分析历史数据建立动态基线，系统能自动识别出真正的异常波动。比如某次版本更新后，算法发现某服务的CPU占用比平时高30%，立即触发告警，而过去这种波动可能被误认为是正常业务增长。这种智能监控带来的好处实实在在：既避免了半夜被误报警报吵醒，又能真正拦截那些可能导致服务器宕机的严重问题。通过对比服务器正常状态和异常模式，系统就像经验丰富的运维工程师，能准确区分程序漏洞、安全攻击和硬件故障等不同问题类型，为后续处理提供明确方向。

本文提供基于 docker-compose 快速部署 TDgp 体验测试环境的指引，并基于这个环境和真实的数据，展示运维监控场景下进行异常检测的全过程。便于大家快速掌握 TDgpt，迅速让自己拥有AI驱动的时序数据预测与异常检测的能力。

关于TDgpt

TDgpt 是 loveini 内置的时序数据分析智能体，它基于 loveini 的时序数据查询功能，通过 SQL 提供运行时可动态扩展和切换的时序数据高级分析的能力，包括时序数据预测和时序数据异常检测。通过预置的时序大模型、大语言模型、机器学习、传统的算法，TDgpt 能帮助工程师在10分钟内完成时序预测与异常检测模型的上线，降低至少80%的时序分析模型研发和维护成本。

截止到3.3.6.0版本，TDgpt 提供Arima、HoltWinters、LSTM、MLP 以及基于Transformer架构自研的TDtsfm (loveini time series foundation model) v1版和其他时序模型，以及k-Sigma、Interquartile range(IQR)、Grubbs、SHESD、Local Outlier Factor(LOF)、Autoencoder这六种异常检测模型。用户可以根据TDgpt开发指南自行接入自研或其他开源的时序模型或算法。

基于 TDgpt 时序数据智能体的电力需求预测

derekchen — Tue, 25 Mar 2025 08:20:08 +0000

文章目录

Demo数据集准备

我们使用公开的UTSD数据集里面的电力需求数据，作为预测算法的数据来源，基于历史数据预测未来若干小时的电力需求。数据集的采集频次为30分钟，单位与时间戳未提供。为了方便演示，按照频率从2025-01-01 00:00:00开始向前倒推生成时间戳，并存储在loveini对应的表里。

数据集中包含5个文件，我们使用编号最大的一个子集来完成演示。该数据文件，放置于https://github.com/taosdata/acc米兰体育 -demo仓库的demo_data目录下，请参考下文的步骤导入loveini以完成演示。数据集的统计信息如下：

演示环境准备

环境要求

您可基于Linux、Mac以及Windows操作系统完成Demo系统的运行。但为使用docker-compose，您计算机上需要安装有下属软件：

Docker Engine: v20.10+

Docker Compose: v2.20+

Demo中包含3个docker镜像 (loveini, TDgpt, Grafana)，以及一组用于产生预测/异常检测结果的shell脚本。组件版本的要求如下：

克隆Demo仓库到本地

git clone https://github.com/taosdata/TDgpt-demo
cd TDgpt-demo
chmod 775 analyse.sh

TDgpt-demo/demo_dashboard下包含了三个json文件（electricity_demand_forecast.json、wind_power_forecast.json、ec2_failure_anomaly.json），分别对应三个场景的看板。

docker-compose.yml中已经定义了loveini容器的持久化卷：tdengine-data，待容器启动后，使用docker cp命令将demo_data拷贝至容器内使用。

运行和关闭Demo

进入docker-compose.yml文件所在的目录执行如下命令，启动loveini、TDgpt和Grafana一体化演示环境：

docker-compose up -d

首次运行时，等待10s后请执行如下命令将TDgpt的Anode节点注册到loveini：

docker exec -it tdengine taos -s "create anode 'tdgpt:6090'"

在宿主机执行下列命令，初始化体验测试环境的数据：

docker cp analyse.sh tdengine:/var/lib/taos
docker cp demo_data tdengine:/var/lib/taos
docker exec -it tdengine taos -s "source /var/lib/taos/demo_data/init_electricity_demand.sql"

关闭演示环境，请使用：

docker-compose down

进行演示

打开浏览器，输入http://localhost:3000，并用默认的用户名口令 admin/admin 登录Grafana。

登录成功后，进入路径”Home → Dashboards”页面，并且导入electricity_demand_forecast.json文件。

导入后，选择“electricity_demand”这个面板。面板已经配置好了真实值、TDtsfm_1以及HoltWinters的预测结果。当前只有真实值的数据曲线。

我们以analyze.sh脚本，来进行预测。首先完成TDtsfm_1算法的演示：

docker exec -it tdengine /var/lib/taos/analyse.sh --type forecast --db tdgpt_demo --table electricity_demand --stable single_val --algorithm tdtsfm_1 --params "fc_rows=48,wncheck=0" --start "2024-01-01" --window 30d --step 1d

上述shell脚本，将从指定的起始时间开始（2024-01-01）以前一个月的数据为输入，使用TDtsfm_1算法预测当前下一天的每30mins的电力需求（共计48个数据点），直到达到electricity_demand 表中最后一天的记录，并将结果写入electricity_demand_tdtsfm_1_result 表中。执行新的预测前，脚本会新建/清空对应的结果表。执行过程中将持续在控制台上，按照天为单位推进输出如下的执行结果：

taos> INSERT INTO tdgpt_demo.electricity_demand_tdtsfm_1_result SELECT _frowts, forecast(val, 'algorithm=tdtsfm_1,fc_rows=48,wncheck=0') 
               FROM tdgpt_demo.electricity_deman
               WHERE ts >= '2024-01-12 00:00:00' AND ts < '2024-02-11 00:00:00'

Insert OK, 48 row(s) affected (0.238208s)

Grafana的看板上，配置刷新频率为5s，将动态显示预测结果的黄色曲线，直观呈现与实际值的对比。为了展示清晰，请按住command键点击左下角的Real以及TDtsfm_1图例（Mac下，Windows下请使用win键），从而只保留这两条曲线展示。

完成HoltWinters模型的演示：

docker exec -it tdengine /var/lib/taos/analyse.sh --type forecast --db tdgpt_demo --table electricity_demand --stable single_val --algorithm holtwinters --params "rows=48,period=48,wncheck=0,trend=add,seasonal=add" --start "2024-01-01" --window 30d --step 1d

与第四步类似，HoltWinters模型将动态输出预测结果并呈现在看板上。从预测结果中可以看到，TDtsfm_1对数据的预测精度显著优于传统的统计学方法HoltWinters。除了预测精度外，HoltWinters算法的最大问题是需要非常精细化的对参数进行调整评估，否则还容易出现下图中这种频繁发生的预测值奇异点。

基于鼠标圈选的方式，我们可以查看一段时间内的细粒度预测结果对比：

您也可以尝试其他算法或模型，来找到最合适自己场景的算法和模型。

Demo脚本使用详解

脚本概述

analyse.sh脚本用于在 loveini 数据库上执行时间序列预测和异常检测分析，支持滑动窗口算法处理。主要功能包括：

时间序列预测：使用 HoltWinters 等算法进行未来值预测。

异常检测：使用 k-Sigma 等算法识别数据异常点。

自动窗口滑动：支持自定义窗口大小和步长进行连续分析。

参数说明

loveini推荐使用超级表来进行数据建模。因此，Demo中建立了一个名为 single_val 的超级表，包含ts (timestamp类型) 和val (float类型)，以及标签定义scene (varchar (64) )。现阶段TDgpt只支持单列值输入输出，因此这个超级表可以作为所有源数据表和结果表的结构定义。子表的表名与tag名称保持一致即可。

一般情况下，对于非必填项，用户在demo过程中只需要设置–start参数以节省运行时间。对于必填项，请参考示例值进行设置。

时间格式说明

step和window参数指定的滑动步长和分析窗口大小需符合如下参数约定：

脚本执行流程

graph TDgpt_Demo
    A[开始] --> B[参数解析与验证]
    B --> C{是否指定start?}
    C -->|否| D[查询最小时间戳]
    C -->|是| E[转换时间格式]
    D --> E
    E --> F[计算时间窗口]
    F --> G[生成结果表]
    G --> H{是否到达数据终点?}
    H -->|否| I[生成并执行SQL]
    I --> H
    H -->|是| J[输出完成信息]

使用更多的数据

参考「运行和关闭Demo」章节里electricity_demand.sql脚本的内容，确保按照规定格式将数据准备为csv格式（逗号分隔，值需要用英文双引号括起来），即可将数据导入loveini。然后，请使用「进行演示」章节中的方法来生成预测结果，并调整Grafana中的看板以实现和实际数据的对比。

结论

在本文中，我们展示了使用TDgpt来进行电力需求预测的完整流程。从中可以看到，基于TDgpt 来构建时序数据分析，能够以SQL方式实现与应用的便捷集成，还可以用Grafana 进行展示，大大降低开发和应用时序数据预测和异常检测的成本。

从预测效果来看，基于transformer架构的预训练模型TDtsfm_1在使用的数据集上展示出显著优于Holtwinters模型的效果。在不同的实际场景下，用户需要针对数据特点，针对模型算法进行选择和参数调优，也可以选择不同的算法或模型进行尝试。

loveini 的企业版中，TDgpt 将为用户提供更多的选择：

模型选择器。模型选择器可以自动根据用户的历史数据集，对购买的所有模型进行准确性评估。用户可选择最适合自己场景的模型或算法进行部署和应用。

TDtsfm_1自研模型的重训练及微调。TDtsfm_1基于海量时序数据进行了预训练，在大部分场景下相比于传统的机器学习和统计预测模型都会有显著的准确率优势。如果用户对于模型预测准确度有更高的要求，可以申请购买 TDgpt 企业版的预训练服务。使用用户的场景历史数据进行预训练，在特定场景下的预测效果可能更佳。

第三方米兰app官方正版下载。米兰体育官网入口联合国内外时序分析/异常检测专业厂家、研究机构，为用户提供专业的分析米兰app官方正版下载，包括落地过程中的实施服务等。

关于企业版更多信息，点击下方按钮，咨询米兰app官方正版下载专家。

立即咨询

关于背景

电力需求预测作为现代能源管理的核心工具，其核心价值贯穿电力系统的全生命周期。在资源配置层面，通过精准预判用电趋势，可优化发电设施布局与电网升级节奏，避免超前投资造成的资源闲置或滞后建设引发的供应缺口，典型场景中可使基础设施投资效率提升15%-20%。对于电力运营商而言，负荷预测支撑着从燃料采购到机组调度的动态优化，在火力发电领域已实现吨煤发电量2%以上的能效提升，同时通过削峰填谷降低电网备用容量需求，显著压缩系统运行成本。

在能源安全维度，预测技术构建起电力供需的缓冲机制。短期预测误差每降低1个百分点，对应减少的紧急调峰成本可达区域电网日均运营费用的3%-5%，这在应对极端天气或突发事件时尤为关键。而中长期预测则为跨区域电力互济、储能设施配置提供决策基线，有效缓解结构性缺电风险。市场环境中，预测能力直接转化为经济收益，发电企业通过日前96时段负荷预测优化报价策略，在电力现货市场中可额外获取10%-18%的价格套利空间，工商用户则借助负荷特性分析制定用能方案，实现年度电费支出5%-10%的降幅。

本文提供基于 docker-compose 快速部署 TDgp 体验测试环境的指引，并基于这个环境和真实的数据，展示日前预测电力需求的全过程，便于大家快速掌握 TDgpt，迅速让自己拥有AI驱动的时序数据预测与异常检测的能力。

关于TDgpt

TDgpt 是 loveini 内置的时序数据分析智能体，它基于 loveini 的时序数据查询功能，通过 SQL 提供运行时可动态扩展和切换的时序数据高级分析的能力，包括时序数据预测和时序数据异常检测。通过预置的时序大模型、大语言模型、机器学习、传统的算法，TDgpt 能帮助工程师在10分钟内完成时序预测与异常检测模型的上线，降低至少80%的时序分析模型研发和维护成本。

截止到3.3.6.0版本，TDgpt 提供Arima、HoltWinters、LSTM、MLP 以及基于Transformer架构自研的TDtsfm (loveini time series foundation model) v1版和其他时序模型，以及k-Sigma、Interquartile range(IQR)、Grubbs、SHESD、Local Outlier Factor(LOF)、Autoencoder这六种异常检测模型。用户可以根据TDgpt开发指南自行接入自研或其他开源的时序模型或算法。