# 30日分の電力データを180 msで処理

Python、SQL、Bash + Jqで時間別の電力消費量を集計する複数の実装を構築。Pythonの測定では、30日分のJSONLデータセット1つを180 msで処理した。

2025

状況. 同社は複数のソースから来る、形式の異なる大量の電力データを処理していた。報告間隔も1時間ごとから15分ごとまで異なり、不規則な時刻の記録もあった。この違いが、一貫して比較できるデータセットの作成を難しくしていた。正確な電力分析のため、データを一定の時間別消費量へ正規化し、地域ごとに集計する必要があった。

課題. JSONL形式の履歴データにある生のイベントを、1時間・1地域につき1行の、時刻のそろった電力消費量へ変換することが目的だった。具体的な作業は次のとおりだった:
* 時刻付きデータを厳密な1時間間隔にそろえる。
* 電源構成の値を加算し、各区間の総発電量を集計する。
* 輸入を加え輸出を差し引き、国境を越える電力融通を反映する。
* 続く分析に適した、構造化され拡張可能な形式で結果を出力する。
* さらに、30日以上の長期間と複数の国・地域にも対応できる処理効率が必要だった。

行動. Python、コマンドラインJSON処理用のJQ、SQLの3通りを実装し、それぞれ異なる状況に合わせて最適化した:

Pythonは、柔軟性、データ操作のしやすさ、メモリー内変換の効率から選んだ。純粋なPython関数を使い、次のパイプラインを構築した:
* JSONLファイルをデータフレームへ読み込む。
* 時系列を1時間間隔に再サンプリングする。
* 発電量を集計し、正味消費量（発電 + 輸入 − 輸出）を計算する。
* CSVへ出力するか、確認用の軽量SQLiteデータベースへ読み込む。

JQでは、コマンドライン環境向けに、依存関係が少なく素早く使えるフィルターチェーンを構築した。

PostgreSQLではJSONLデータを取り込み、正規化テーブルを作成して一連のSQLクエリを記述した。

性能評価には、各実装で1日分と30日分の履歴データを使用した。

結果. Python実装が最も速く、拡張性も高い結果となった:
* 1日分の処理は34 ms。
* 30日分のデータセットは180 ms。

この結果から、1秒未満の性能を保ちながら長期間を扱えることを確認した。コードも明確で保守しやすく、複数地域への拡張やETLパイプラインへの組み込みが容易だった。

複数ツールでの実装を通じ、現実の電力データパイプラインにおける時刻合わせと集計の課題に、柔軟な道具選びと性能最適化をもって対応できることを示した。

役割: プラットフォーム・データエンジニア
=> /ja/categories/databases/ カテゴリー: データベース
=> /ja/categories/postgresql/ カテゴリー: PostgreSQL
=> /ja/categories/sql/ カテゴリー: SQL
=> /ja/categories/data-engineering/ カテゴリー: データエンジニアリング
=> /ja/categories/data-pipelines/ カテゴリー: データパイプライン（ETL/ELT）
=> /ja/categories/data-analytics/ カテゴリー: データ分析
=> /ja/categories/automation/ カテゴリー: 自動化・CI/CD
=> /ja/categories/performance/ カテゴリー: 性能改善
=> /ja/categories/python/ カテゴリー: Python
=> /ja/services/database-performance/ サービス: データベース性能改善
=> /ja/services/data-pipeline-development/ サービス: データパイプライン開発（ETL/ELT）
=> /ja/services/data-analytics-bi/ サービス: データ分析・BIダッシュボード

=> https://engineer.company/ja/portfolio/a-month-of-meter-readings-in-180-milliseconds/ このページのウェブ版
