CC BY
146
УДК 681.518.3
1Финогеев А.Г., 1Нефедова И.С., 1Финогеев А.А., 1Финогеев Е.А., 2Камаев В.А., 3Финогеева А.З., 4Шевченко С.В.
хФГБОУ ВПО «Пензенский государственный университет» Пенза, Россия
2ФГБОУ ВПО «Волгоградский государственный технический университет», Волгоград, Россия 3ФГБОУ ВПО «Пензенский государственный технологический университет», Пенза, Россия 4Национальный технический университет «Харьковский политехнический институт», Харьков, Украина ИНСТРУМЕНТАЛЬНЫЕ СРЕДСТВА СБОРА И АНАЛИЗА ДАННЫХ ДИСПЕТЧЕРСКИХ SCADA СИСТЕМ ГОРОДСКОГО ЭНЕРГОСНАБЖЕНИЯ
Введение
Качественное энергоснабжение промышленных предприятий одним из основных аспектов развития экономики и успешной деятельности современного общества. Исследования процессов управления городскими энергоснабжающими службами, объединяющими электрические, тепловые, водопроводные и газовые инженерные системы, показали, что совокупность задач, решаемых на разных этапах принятия решений, можно рассматривать с точки зрения системно-синергетического подхода [1] . Структура управления системами городского энергоснабжения может быть представлена распределением выделенных функций управления по уровням иерархии, формирующих группы задач по периодичности их решения, функциональному содержанию и степени важности. Поддержка принятия управленческих решений базируется на реализации комплексных методов сбора большого числа различных данных в процессе мониторинга основных объектов системы городского энергоснабжения и технологических процессов.
В теоретической постановке задачи повышения эффективности управления учитываются следующие особенности:
реализация стратегии оптимальной балансировки при решении двух задач: самоорганизации эффек-
тивных структур автономного управления и централизованной координации подсистем нижнего уровня иерархии;
учет локальных приоритетов при принятии решений в отдельных подсистемах управления;
установка оптимальных вертикальных связей между уровнями иерархии подсистем путем подсистем верхних уровней посредством управляющих воздействий;
налаживание оптимальных горизонтальных связей между подсистемами одного уровня путем обмена структурированной информацией;
оптимизация распределения функций управления подсистемами с различными свойствами по уровням иерархии в соответствии с приоритетом принимаемых решений.
Результатом поддержки принятия решений является разработка перечня мероприятий, направленных на обеспечение оптимального и безаварийного функционирования сетей инженерных коммуникаций в городских системах генерации, транспортировки, потребления, учета и утилизации энергоресурсов.
Беспроводная среда для сбора и обработки сенсорных данных
Гетерогенная беспроводная среда сбора сенсорных данных для работы системы интеллектуального анализа включает [2,3]:
Сегменты сенсорных ZigBee сетей c узлами, соединенными с приборами промышленной автоматики, различными датчиками, системами пожарной и охранной сигнализации, управляемыми координатором сегмента (Рис. 1) .
Сети сотовой связи для сбора данных с удаленных объектов, когда нет возможности или экономической целесообразности создавать собственные VPN сети.
Спутниковая сеть для транспортного мониторинга автотранспорта предприятия и слежения за мобильными средствами связи персонала.
Сегменты WiFi и Ethernet на объектах и в диспетчерских центрах.
Интернет сегмент для удаленного доступа к информационным ресурсам SCADA систем и системы мониторинга.
Рис. 1. - Сегмент сенсорной сети теплового пункта системы энергоснабжения
Беспроводная сенсорная сеть идеальна для использования в SCADA системах для поддержки принятия решений [4]. Такая сеть является инфраструктурой для сбора данных с различных измерительных приборов, что позволяет диспетчерам не только проводить мониторинг, наблюдать и анализировать оперативные и архивные показания, но и передавать управляющие воздействия на исполнительные механизмы. Преимуществом такой сети является возможность применения энергосберегающих режимов, когда сенсорные узлы большую часть времени находятся в спящем режиме и выходят из него для снятия показаний и передачи на диспетчерский сервер. Также использование виртуальной корпоративной сети сбора данных имеет большое значение, как в финансовом плане, так и в аспекте обеспечения информационной безопасности корпоративной автоматизированной системы управления технологическими процессами энергоснабжения города [5].
В общем случае для создания транспортной среды сбора и передачи данных с объектов мониторинга системы городского энергоснабжения, распределенных на большой городской территории, необходимо использовать все виды доступных беспроводных сетей [16] , что позволяет повысить надежность за счет резервирования каналов связи. Сегмент такой гетерогенной сети сбора данных SCADA систем для автоматизированного управления городскими тепловыми сетями представлен на рисунке 2.
Рис. 2. - Сегмент беспроводной сети для сбора данных в системе теплоснабжения Инструментальные средства обработки и анализа данных
SCADA система получает оперативные и архивные данных от OPC серверов посредством узлов сенсорной сети или модемов сотовой связи и передает их в подсистему подготовки данных и «погружения» в многомерное хранилище для последующего интеллектуального анализа и прогнозирования [6].
По мере возрастания числа объектов мониторинга и количества записей в многомерном хранилище система интеллектуального анализа данных рано или поздно сталкивается с проблемами производительности. Эти проблемы могут быть связаны с неправильно спроектированной архитектурой системы или с внешними ограничениями. В роли последних могут выступать недостаточные мощности серверов приложений либо серверов баз данных, неоптимальная структура БД. Первая проблема решается добавлением серверов в кластер, а решение второй связано с оптимизацией схемы хранения данных, переписыванием кода приложения интеллектуального анализа, разбиением сложных реляционных запросов и т. д.
Для повышения эффективности выборки срезов данных из многомерного хранилища в системе предлагается метод хранения данных, основанный на комбинации промышленного SQL хранилища с распределенной нереляционной системой хранения массивов данных. Это лучший вариант решения проблемы производительности и масштабируемости хранилища. Для этого вместе с СУБД Oracle используется распределенная нереляционная система Cassandra для кэширования срезов многомерного хранилища, что обеспечивает значительное повышение скорости выборки данных, а также его отказоустойчивость и масштабируемость .
Система Cassandra на платформе Java включает в себя распределенную хеш-систему, что обеспечивает линейную масштабируемость при увеличении объема данных. В системе анализа данных и поиска знаний использована модель хранения данных в виде гипертаблицы на базе семейства столбцов, что отличается от других подобных систем, которые хранят данные в связке ключ/значение. Также реализована иерархическая организация хранения кэшей с несколькими уровнями вложенности. Специфика работы нереляционной компоненты хранилища в процессе сбора данных с объектов инженерных сетей энергоснабжения такова, что удаление и изменение данных не требуется, данные только пополняются, причем, как правило, большими блоками в моменты опроса ОРС серверов. При этом каждая отдельная запись нереляционной компоненты представляет собой кешированный срез из реляционной БД Oracle. Для оптимизация производительности исходный код Cassandra изменен в специальной сборке, которая использует блоки данных по 32Мб, что позволяет сократить их число и увеличить скорость поиска и выборки.
Инструментарий интеллектуального анализа данных и поиска знаний работает на стороне «облака» серверов и разрабатывается на платформе Java Enterprise Edition (J2EE) с использованием многослойной платформы разработки корпоративных приложений Spring framework и технологии объектнореляционного проецирования ORM (Object-relational mapping) Hibernate. Библиотека Hibernate решается задачи объектно-реляционного проецирования для связи классов Java с таблицами БД, типов данных Java с типами данных SQL. Она предоставляет средства для генерации и обновления набора таблиц в МБД, построения SQL-запросов и обработки ответов. Использование данного инструментального средства позволяет уменьшить время конфигурирования типовой системы поддержки принятии решений, которое тратится на написание SQL- и JDBC-кодов. освобождает пользователя от обработки набора данных и преобразования объектов, обеспечивает работу приложения с любыми SQL БД. Объектно-реляционный адаптер (ORM) Hibernate используется для обеспечения гибкости запросов и прозрачности работы с хранилищем через систему Cassandra, которая поддерживает в качестве промежуточного слоя кэш второго уровня между приложением интеллектуального анализа и реляционной БД.
В качестве серверной платформы в системе анализа данных и поиска знаний использован JBoss Application сервер приложений с открытым исходным кодом. Для обмена данными между клиентскими приложениями и серверами, вызова удаленных серверных процедур бизнес-логики выбраны протоколы HTTPS и AMF (Adobe Media Format). Пользовательский интерфейс реализуется с использованием платформы Adobe Flex, которая позволяет описывать интерфейсы на XML для хранения и передачи структурированных данных на мобильные клиентские приложения. Приложения клиента для визуализации структурированных данных совместно с ЦКО используют технологию ActionScript.
Система анализа данных и извлечения знаний имеет трехуровневую архитектуру, включающую: слой представления, слой серверного приложения, слой данных (Рис. 3).
Сторонние системы—^
Рис. 3. - Фрагмент архитектуры системы интеллектуального анализа и поиска знаний
Слой представления (Presentation Layer). Персонал энергоснабжающих предприятий начинает работу с системой путем открытия главного портала через запрос HTTPS к серверу приложений JBoss из стандартного браузера. После авторизации пользователь может выбрать необходимое приложение для работы. Далее сервер передает страницу с JavaScript вставками и клиентским приложением на Adobe Flex. Flex-клиент продолжает работу с сервером через протокол AMF посредством протокола HTTPS.
Слой серверного приложения (Application Server Layer). Сервер приложений получает запросы от клиентов, выполняет необходимые действия с данными и передает ответные данные клиенту. Сервер приложений выполняет как роль Web-сервера, так и роль сервера интеллектуального анализа данных. Он взаимодействует с другими серверами через интерфейс API на основе технологии Enterprise Java Beans (EJB). Сервер выполняет расчеты по алгоритмам, требующим высокой производительности вычислений (агрегации, прогнозирования, сценарного анализа) [8]. Для ускорения вычислений при работе с
большими массивами данных реализована технология CUDA (Compute Unified Device Architecture) , которая позволяет выполнять обработку данных на графическом видеопроцессоре.
Слой данных (Data Layer). Слой данных реализован на серверах СУБД Oracle. В БД Oracle в распределенных таблицах хранятся как архивные, так и оперативные данные, полученные с ОРС серверов промышленных контроллеров и других приборов автоматики. В слое с многомерными данными работают инструментальные агенты- фиды (Data Feeds), которые решают задачи интеллектуального анализа данных и извлечения знаний [9]. На данном слое также используется нереляционное (NoSQL) хранилище данных (Cassandra), которое играет роль кэша второго уровня для ORM Hibernate и взаимодействует с серверами приложений и агентами-фидами.
Инструментарий работы с данными включает такие компоненты, как:
Визуализатор срезов данных в виде гипертаблицы,
Редактор режимов агрегации данных,
Обработчик срезов анализируемых данных гиперкуба.
Визуализатор многомерных данных позволяет представить данные для анализа и результаты анализа в виде структурированной гипертаблицы.
Гипертаблица представляет собой нестандартный элемент пользовательского интерфейса системы мониторинга. Она сочетает функциональность классической таблицы с древовидной структурой с элементами управления и представления структурированных данных (знаний) на временных шкалах. Фактически гипертаблица является способом наглядной визуализации результатов интеллектуального анализа. Она позволяет наблюдать изменения архивных, текущих и прогнозных значений показателей энергоэффективности в виде структурированных знаний во времени путем перемещения ползунка по временной шкале. При обновлении данных в хранилище в гипертаблице происходят изменения значений данных в реальном
времени для каждого выбранного интервала, который задается в соответствии с выбранным горизонтом прогнозирования или периодом времени [7] .
Редактор режимов агрегации необходим для поддержки реализации механизма многоуровневой агрегации в процессе отбора данных для представления в гипертаблице. Редактор режима агрегации задает вид и содержание гипертаблицы энергетических показателей, определяет видимые столбцы значений, количество и характер уровней группировки данных, цветовые обозначения и т.п. Редактор включает собственный набор инструментов для работы с набором параметров агрегации.
Так как источники данных располагаются на географически распределенных объектах инженерных коммуникаций системы городского энергоснабжения, то система мониторинга и поддержки принятия решений должна предоставлять пользователям инструментарий геопространственного анализа. Инструментарий реализован в подсистеме пространственного анализа, реализуемой на платформе ArcGIS 9, которая работает с ЦКО загружаемой из стандартных геосервисов Google Map и Yandex Map, координатными данными из реляционной БД с описанием объектов мониторинга, срезами данных из многомерного хранилища и результатами интеллектуального анализа из гипертаблицы. Данный инструмент дает пользователям дополнительные возможности и удобство просмотра пространственной распределенной информации об объектах мониторинга с возможностью отображения на ЦКО результатов интеллектуального и пространственного анализа в виде графиков, диаграмм, таблиц и цветовых дифференцированных картографических зон.
Для обработки больших массивов данных крупные корпорации используют вычислительные кластеры, состоящие из тысяч серверных узлов, и программные решения для распределения задач между узлами на базе модели программирования распределенных вычислений «Отображение-Свертка» (Map-Reduce). Для энергоснабжающих предприятий муниципального масштаба использовать такие кластерные структуры экономически нецелесообразно. Поэтому для аналитической обработки данных многомерного хранилища и гипертаблицы реализована унифицированная архитектура вычислительного устройства (CUDA). По технологии CUDA обработка больших массивов данных в реальном времени выполняется в множестве графических процессоров видеокарты Nvidia Quadro FX 5800 4GB (240 процессоров) на основе модели распределенных вычислений «Отображение-свертка» для кластерных компьютерных систем. Принцип подобных вычислений основан на функциях отображения (map) и свертки (reduce), используемых в функциональном программировании.
Заключение
В соответствии с системно-синергетическим подходом функционирование системы мониторинга и поддержки принятия решений базируется на рассмотренных формализованных принципах управления городскими службами энергоснабжения на основе данных, собираемых с объектов инженерных коммуникаций. При проектировании системы мониторинга уровень формализации задач управления определяется наличием информации об технологических процессах генерации, транспортировки, потребления и утилизации энергоносителей, о конфигурации инженерных сетей, о характеристиках отдельных объектов системы энергоснабжения. Разработка единого многомерного хранилища и программного обеспечения системы позволит повысить качество, снизить сроки выполнения и стоимость реализации управленческих решений.
В настоящее время отдельные компоненты системы мониторинга реализуются в службе теплоснабжения г. Кузнецк Пензенской области (Россия) муниципальным предприятием «Гортеплосеть» и в службе электроснабжения г. Харьков (Украина) научно-производственными предприятиями «ХАРТЕП» и «ИНТЕП». В частности, получили дальнейшее развитие вопросы организации иерархии управления в электро- и теплоэнергетике, формирования состава и содержания задач управления на отдельных уровнях, координации и согласования процессов принятия решений на разных уровнях, повышения эффективности управления, разработки и внедрения информационных и телекоммуникационных технологий для сбора и обработки больших массивов данных.
ЛИТЕРАТУРЫ
1. Финогеев А.Г. Моделирование исследование системно-синергетических процессов в информационных средах: Монография / Пенза: Изд-во ПГУ, 2004, 223 с.
2. Финогеев А.Г., Дильман В.Б., Финогеев А.А., Маслов В.А. Оперативный дистанционный мониторинг в системе городского теплоснабжения на основе беспроводных сенсорных сетей // ж. Известия высших учебных заведений. Поволжский регион. Технические науки. - Пенза: Изд-во ПГУ. - 2010. - №
3. - с. 27-36.
3. Финогеев А.Г., Маслов В.А., Финогеев А.А. Построение информационного пространства ВУЗа на базе гетерогенной телекоммуникационной среды для поддержки процесса обучения. Сб. науч. статей «Надежность и качество 2010». - Пенза:Изд. ПГУ, 2010 г., т. 1 - с. 113-115.
4. Финогеев А.Г., Маслов В.А., Финогеев А.А. Богатырев В.Е. Мониторинг и поддержка принятия решений в системе городского теплоснабжения на базе гетерогенной беспроводной сети // Известия Волгоградского государственного технического университета. Межвузовский сборник научных статей. Серия Актуальные проблемы управления, вычислительной техники и информатики в технических системах». - Волгоград: Изд-во ВолГТУ. - 2011. - Т. 3.- № 10. - С. 73-81.
5. Камаев В.А., Щербаков М.В., Бребельс А. Интеллектуальные системы автоматизации управления энергосбережением / ж. Открытое образование. - 2011. - № 2-2. - с. 227-231.
6. Акимов А.А., Богатырев В.Е., Финогеев А.Г. Системы поддержки принятия решений на базе бес-
проводных сенсорных сетей с использованием интеллектуального анализа данных // Сб. статей Международного симпозиума «Надежность и качество». - Пенза, Изд-во Приволжский Дом знаний, 2010 г. -
с. 113-115.
7. Шевченко С.В., Камаев В.А., Манева Р.И. Применение нечетких продукционных правил и нейронных сетей для прогнозирования потребления электроэнергии в регионе / // Известия Волгоградского государственного технического университета. Межвузовский сборник научных статей. Серия Актуальные проблемы управления, вычислительной техники и информатики в технических системах». - Волгоград: Изд-во ВолГТУ. - 2012. - т. 10. - № 14. - с. 108-112.
8. Shcherbakov M., Kamaev V. Shcherbakova N. Automated electric energy consumption forecasting system based on decision tree approach / IFAC Conference on Manufacturing Modelling, Management, and Control. - S.-Petersburg State Univ., S.-Petersburg National Research Univ. of Information Technologies, Mechanics, and Optics. - - Saint-Petersburg, Russia. - 2013. - c. 1061-1066.
9. Яровенко В.А., Фоменков С.А. Freeagent-платформа для разработки мультиагентных систем. //В межвузовском сб. научных статей «Известия Волгоградского государственного технического универси-
тета. Сер. Актуальные проблемы управления, вычислительной техники и системах. Вып.13». - Волгоград: ИУНЛ ВолгГТУ, 2012, №4(91), с. 164-166.
информатики в технических
