李石磊，常 晟，邵嘉興，楊紅千

（1.同方節(jié)能工程技術(shù)有限公司，北京 100000）

隨著國(guó)內(nèi)科學(xué)技術(shù)的進(jìn)步與集中供熱的發(fā)展，集中供熱日趨供熱面積大型化、自控系統(tǒng)完善化、管理體系復(fù)雜化、新技術(shù)多樣化，同時(shí)，對(duì)信息安全與軟件安全等級(jí)的要求也越來(lái)越高。因此，解決供熱過(guò)程中管理難度大、效率低、能耗高、數(shù)據(jù)亂、維修難、預(yù)警差、數(shù)據(jù)安全等問(wèn)題，以及最大化提高生產(chǎn)效率和節(jié)約能源成本，成為急需解決的難題[1]。

因此，需要一個(gè)綜合的、全面的、統(tǒng)一的、智慧型管理與調(diào)度的供熱平臺(tái)軟件，以提高供熱運(yùn)行管理效率，滿足新時(shí)期節(jié)能環(huán)保、智慧供熱的新需求。鑒于以上原因，本文以成功應(yīng)用在實(shí)際供熱項(xiàng)目中的智慧供熱平臺(tái)為例，對(duì)在平臺(tái)建設(shè)過(guò)程中的部分關(guān)鍵技術(shù)進(jìn)行介紹。

1 技術(shù)路線

在智慧供熱平臺(tái)建設(shè)過(guò)程中，主要參與的主體有數(shù)據(jù)、存儲(chǔ)與計(jì)算、處理與分析、調(diào)度與協(xié)同。因此，分別設(shè)計(jì)了數(shù)據(jù)融合模型、分布式存儲(chǔ)與內(nèi)存計(jì)算、邊緣計(jì)算、云邊協(xié)同，用以解決各個(gè)環(huán)節(jié)中的主要問(wèn)題。具體如下：

1）建立基于GIS的多源異構(gòu)數(shù)據(jù)融合模型，對(duì)結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化進(jìn)行融合、統(tǒng)一存儲(chǔ)，同時(shí)采用postGIS中間件，實(shí)現(xiàn)基于開(kāi)源GIS引擎的城市級(jí)供熱空間數(shù)據(jù)的集成、展示與分析；

2）采用Hadoop 中的分布式文件系統(tǒng)與MapReduce中的內(nèi)存計(jì)算，建立了分布式存儲(chǔ)業(yè)務(wù)模型與實(shí)時(shí)數(shù)據(jù)業(yè)務(wù)處理模型，解決了海量歷史數(shù)據(jù)的存儲(chǔ)、實(shí)時(shí)數(shù)據(jù)的高并發(fā)傳輸問(wèn)題；

3）采用邊緣計(jì)算，建立邊緣計(jì)算業(yè)務(wù)模型，將網(wǎng)絡(luò)、計(jì)算、存儲(chǔ)、核心應(yīng)用能力等有效結(jié)合，實(shí)時(shí)對(duì)邊緣數(shù)據(jù)進(jìn)行處理，對(duì)負(fù)荷進(jìn)行調(diào)節(jié)，使之有更快的服務(wù)響應(yīng)、穩(wěn)定的服務(wù)性能、高效的傳輸處理能力；

4）采用云邊協(xié)同，建立云邊協(xié)同業(yè)務(wù)模型，將邊緣側(cè)的服務(wù)與云端實(shí)時(shí)同步，優(yōu)化資源分布、資源配置，實(shí)現(xiàn)了資源協(xié)同、策略協(xié)同、分布式計(jì)算管理，最終實(shí)現(xiàn)在海量數(shù)據(jù)、復(fù)雜應(yīng)用、多場(chǎng)景服務(wù)、高并發(fā)數(shù)據(jù)下穩(wěn)定、持久、安全、統(tǒng)一的云邊協(xié)作方式。

2 關(guān)鍵技術(shù)

首先，建立數(shù)據(jù)融合模型，對(duì)多源異構(gòu)數(shù)據(jù)進(jìn)行處理，設(shè)計(jì)出統(tǒng)一存儲(chǔ)多源異構(gòu)數(shù)據(jù)的數(shù)據(jù)模型，用以展示與存儲(chǔ)約8 萬(wàn)條管線、約2 000個(gè)熱力站、約45 萬(wàn)個(gè)建筑物、14個(gè)熱源、約1 000 萬(wàn)熱用戶、約200萬(wàn)設(shè)備、每年約100 T的數(shù)據(jù)量，解決了異構(gòu)數(shù)據(jù)的存儲(chǔ)，打通數(shù)據(jù)壁壘，對(duì)數(shù)據(jù)進(jìn)行統(tǒng)一維護(hù)與調(diào)度，為后期建立數(shù)據(jù)中臺(tái)奠定了基礎(chǔ)；其次，本文結(jié)合大數(shù)據(jù)中的Hadoop 和MapReduce，實(shí)現(xiàn)了基于Hadoop的分布式存儲(chǔ)模型與基于內(nèi)存計(jì)算的實(shí)時(shí)數(shù)據(jù)處理模型，并采用機(jī)器學(xué)習(xí)算法對(duì)熱源負(fù)荷進(jìn)行預(yù)測(cè)與調(diào)度，解決了海量歷史數(shù)據(jù)的存儲(chǔ)與高并發(fā)、秒級(jí)數(shù)據(jù)的傳輸問(wèn)題；再次，本文采用邊緣計(jì)算與云邊協(xié)同，建立了邊緣計(jì)算業(yè)務(wù)模型與云邊協(xié)同業(yè)務(wù)模型，解決了熱力站數(shù)據(jù)不準(zhǔn)、負(fù)荷過(guò)大、熱效率低等問(wèn)題。

2.1 數(shù)據(jù)融合模型設(shè)計(jì)

由于智慧供熱平臺(tái)包含的異構(gòu)數(shù)據(jù)較多、數(shù)據(jù)量極其大、類型復(fù)雜以及要與其他業(yè)務(wù)系統(tǒng)（比如收費(fèi)系統(tǒng)、客服系統(tǒng)、投訴系統(tǒng)等）進(jìn)行對(duì)接，因此，高效、安全、穩(wěn)定的數(shù)據(jù)模型設(shè)計(jì)顯得尤其重要。本文結(jié)合實(shí)際應(yīng)用，設(shè)計(jì)了LSM數(shù)據(jù)融合模型，很好地解決了生產(chǎn)運(yùn)行中結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)。

其中，數(shù)據(jù)融合算法，采用LSM 樹(shù)，即Log-Structured Merge-Trees，數(shù)據(jù)格式如圖1所示。

圖1 數(shù)據(jù)格式

圖1中，結(jié)構(gòu)化數(shù)據(jù)以Data和Meta的形式進(jìn)行存儲(chǔ)，每個(gè)Data 塊以Key-value 鍵值的形式進(jìn)行管理，每個(gè)結(jié)構(gòu)塊大小約60 K，超過(guò)60 K 的Data 塊繼續(xù)以Key-value 鍵值形式進(jìn)行分割，直至數(shù)據(jù)塊大小滿足60 K；Meta塊為元數(shù)據(jù)信息，記錄數(shù)據(jù)塊的大小、創(chuàng)建時(shí)間、索引、數(shù)據(jù)類型等關(guān)鍵數(shù)據(jù)塊信息；FileInfo數(shù)據(jù)塊存儲(chǔ)非結(jié)構(gòu)化數(shù)據(jù)，每個(gè)FileInfo 數(shù)據(jù)塊均由DataIndex 與MetaIndex 組成，DataIndex 用以記錄非結(jié)構(gòu)化數(shù)據(jù)塊信息，MetaIndex記錄非結(jié)構(gòu)化數(shù)據(jù)塊元數(shù)據(jù)信息，包括索引、時(shí)間戳、文件類型等。通過(guò)圖4數(shù)據(jù)模型，將結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行融合，方便存儲(chǔ)與管理、同時(shí)也為web 端高效、安全訪問(wèn)提供便利。

2.2 分布式存儲(chǔ)與內(nèi)存計(jì)算

由于智慧供熱平臺(tái)數(shù)據(jù)量龐大、數(shù)據(jù)結(jié)構(gòu)復(fù)雜、數(shù)據(jù)種類多等特征，利用數(shù)據(jù)融合對(duì)多源異構(gòu)數(shù)據(jù)進(jìn)行融合后，需要對(duì)海量數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)進(jìn)行存儲(chǔ)與處理。這里采用基于Hadoop 的分布式存儲(chǔ)對(duì)數(shù)據(jù)進(jìn)行多節(jié)點(diǎn)存儲(chǔ)，利用基于內(nèi)存計(jì)算的MapReduce對(duì)實(shí)時(shí)數(shù)據(jù)進(jìn)行處理，解決了海量數(shù)據(jù)存儲(chǔ)、融合、調(diào)度的問(wèn)題，同時(shí)也解決了基于海量實(shí)時(shí)數(shù)據(jù)高并發(fā)的問(wèn)題[2-5]

歷史數(shù)據(jù)與基礎(chǔ)數(shù)據(jù)分別以數(shù)據(jù)塊的形式存儲(chǔ)在Hadoop 上，Hadoop 以分布式部署在不同服務(wù)器節(jié)點(diǎn)上，經(jīng)過(guò)集群后進(jìn)行高速運(yùn)算與存儲(chǔ)，同時(shí)采用分布式文件系統(tǒng)，增強(qiáng)了系統(tǒng)的容錯(cuò)性，以此提供高吞吐量和超大數(shù)據(jù)集的訪問(wèn)。

智慧供熱平臺(tái)歷史數(shù)據(jù)龐大，主要來(lái)自于生產(chǎn)數(shù)據(jù)與業(yè)務(wù)系統(tǒng)數(shù)據(jù)。生產(chǎn)數(shù)據(jù)主要有傳感器監(jiān)測(cè)的溫度、壓力、流量等參數(shù)，50 萬(wàn)點(diǎn)/30 s 上傳至服務(wù)器端；業(yè)務(wù)數(shù)據(jù)主要有用戶收費(fèi)數(shù)據(jù)、投訴數(shù)據(jù)、客服數(shù)據(jù)、室溫?cái)?shù)據(jù)等，定時(shí)上傳至服務(wù)器。因此，龐大的數(shù)據(jù)量要求數(shù)據(jù)存儲(chǔ)和訪問(wèn)采用多服務(wù)器集群、多節(jié)點(diǎn)訪問(wèn)。首先，客戶端訪問(wèn)服務(wù)節(jié)點(diǎn)1，如果服務(wù)節(jié)點(diǎn)1 不存在該數(shù)據(jù)，則繼續(xù)向下索引服務(wù)二級(jí)節(jié)點(diǎn)；如果服務(wù)節(jié)點(diǎn)1 存在客戶端想要數(shù)據(jù)，則在該節(jié)點(diǎn)下索引數(shù)據(jù)節(jié)點(diǎn)，數(shù)據(jù)節(jié)點(diǎn)中包含多個(gè)數(shù)據(jù)塊，數(shù)據(jù)塊以Key-value 即鍵值對(duì)的形式存放數(shù)據(jù)，最終采用LSM樹(shù)數(shù)據(jù)模型對(duì)數(shù)據(jù)單元進(jìn)行索引并組織后返回給客戶端。

實(shí)時(shí)數(shù)據(jù)通過(guò)集群環(huán)境，采用內(nèi)存分布數(shù)據(jù)集進(jìn)行迭代工作負(fù)載，實(shí)現(xiàn)了大型、低延遲、50萬(wàn)實(shí)時(shí)數(shù)據(jù)秒級(jí)的并發(fā)訪問(wèn)?；贛apReduce的實(shí)時(shí)數(shù)據(jù)結(jié)構(gòu)設(shè)計(jì)如圖2所示。

圖2 實(shí)時(shí)數(shù)據(jù)結(jié)構(gòu)設(shè)計(jì)

實(shí)時(shí)數(shù)據(jù)采集過(guò)程中，首先通過(guò)實(shí)時(shí)數(shù)據(jù)驅(qū)動(dòng)器將實(shí)時(shí)數(shù)據(jù)按照一定的數(shù)據(jù)類型，比如溫度、壓力、流量、一次網(wǎng)、二次網(wǎng)等參數(shù)進(jìn)行分類；其次，將分類后的實(shí)時(shí)數(shù)據(jù)通過(guò)數(shù)據(jù)模型管理器對(duì)數(shù)據(jù)進(jìn)行分配，即根據(jù)不同的數(shù)據(jù)類型及數(shù)據(jù)價(jià)值特征分配到不同的數(shù)據(jù)工作節(jié)點(diǎn)，每個(gè)數(shù)據(jù)工作節(jié)點(diǎn)所承擔(dān)的數(shù)據(jù)量、計(jì)算力、數(shù)據(jù)大小等參數(shù)不同，使其接受數(shù)據(jù)模型管理器的統(tǒng)一調(diào)度；最后，數(shù)據(jù)工作節(jié)點(diǎn)中的執(zhí)行器，將數(shù)據(jù)、參數(shù)以及所要執(zhí)行的任務(wù)進(jìn)行打包執(zhí)行，將結(jié)果存儲(chǔ)在數(shù)據(jù)節(jié)點(diǎn)上，以實(shí)時(shí)返回給實(shí)時(shí)數(shù)據(jù)驅(qū)動(dòng)器。如果下一時(shí)刻，有相同的數(shù)據(jù)類型，該數(shù)據(jù)類型不再受數(shù)據(jù)模型管理器統(tǒng)一調(diào)度，而是按照數(shù)據(jù)記憶參數(shù)配置直接進(jìn)入相應(yīng)的數(shù)據(jù)工作節(jié)點(diǎn)參與運(yùn)算，計(jì)算完成后直接將相應(yīng)結(jié)果返回給實(shí)時(shí)數(shù)據(jù)驅(qū)動(dòng)器，這樣節(jié)省了數(shù)據(jù)傳輸執(zhí)行時(shí)間，最大限度提高數(shù)據(jù)的實(shí)時(shí)性與執(zhí)行效率。

2.3 邊緣計(jì)算與云邊協(xié)同

由于城市級(jí)超大規(guī)模集中供熱面積龐大，末端設(shè)備數(shù)量大、工況復(fù)雜、算法模型較多，如果將硬件、熱源、熱力站、熱用戶所有數(shù)據(jù)和模型均放到云端進(jìn)行執(zhí)行和調(diào)度，勢(shì)必會(huì)導(dǎo)致云端架構(gòu)復(fù)雜、維護(hù)難度大、出錯(cuò)率高、執(zhí)行效率低等問(wèn)題。因此，適當(dāng)為云端“減負(fù)”，釋放部分計(jì)算力給邊緣，讓邊緣用戶有自主計(jì)算力，能及時(shí)處理相應(yīng)業(yè)務(wù)，使云端與邊緣互相補(bǔ)充，這樣不僅不會(huì)削弱云端計(jì)算能力，還提高了整體協(xié)調(diào)、運(yùn)行能力。

在供熱中熱源、熱力站、熱用戶和主要傳感器設(shè)備作為整個(gè)智慧供熱平臺(tái)的感知層，其數(shù)據(jù)的可靠性很大程度上決定了云端對(duì)整個(gè)熱網(wǎng)的熱負(fù)荷調(diào)度，進(jìn)而影響用戶室溫、能耗及成本；同時(shí)邊緣數(shù)據(jù)的可靠性差與數(shù)據(jù)滯后性導(dǎo)致不能實(shí)時(shí)反映全網(wǎng)運(yùn)行特征，成為了急需解決的問(wèn)題。因此，采用邊緣計(jì)算業(yè)務(wù)模型，將邊緣側(cè)、服務(wù)層、接口層與硬件傳感器打包作為一個(gè)感知體，有效解決了設(shè)備容錯(cuò)率低、通信故障、傳輸延遲、計(jì)算復(fù)雜等問(wèn)題。

智慧供熱平臺(tái)云端管理多個(gè)邊緣感知體，為其提供充足的虛擬化資源，可以持久化存儲(chǔ)和動(dòng)態(tài)調(diào)整計(jì)算力，以滿足不同業(yè)務(wù)場(chǎng)景和數(shù)據(jù)并發(fā)的需求。云端通過(guò)網(wǎng)絡(luò)來(lái)控制邊緣，并提供高效、安全連接，而在網(wǎng)絡(luò)發(fā)生中斷時(shí)，中心云端會(huì)嘗試重復(fù)連接邊緣，但網(wǎng)絡(luò)中斷并不影響邊緣獨(dú)立運(yùn)行，當(dāng)網(wǎng)絡(luò)再次恢復(fù)時(shí)將任務(wù)上傳到中心云端。如圖3所示，首先，邊緣感知體通過(guò)網(wǎng)絡(luò)進(jìn)入感知體調(diào)度器，在調(diào)度器中統(tǒng)一對(duì)邊緣各個(gè)感知體進(jìn)行安全策略、資源、業(yè)務(wù)注冊(cè)；其次，感知體通過(guò)調(diào)度器統(tǒng)一分發(fā)到中心云端協(xié)作模型中，在協(xié)作層，各個(gè)感知體以及感知體對(duì)應(yīng)的請(qǐng)求服務(wù)會(huì)以注冊(cè)ID的形式被協(xié)作器按照一定的參數(shù)進(jìn)行分配，統(tǒng)一匯總智慧供熱平臺(tái)云端；最后，由云端接受各邊緣感知體的服務(wù)并參與下一步的計(jì)算與結(jié)果輸出，并將計(jì)算結(jié)果通過(guò)網(wǎng)絡(luò)返回給邊緣[6-11]

3 關(guān)鍵技術(shù)實(shí)現(xiàn)與應(yīng)用

3.1 關(guān)鍵技術(shù)實(shí)現(xiàn)

1）數(shù)據(jù)融合模型。以智慧供熱平臺(tái)中的換熱站為例，采用LSM樹(shù)，對(duì)結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化進(jìn)行融合。實(shí)現(xiàn)過(guò)程如下：

步驟1：將換熱站的空間數(shù)據(jù)和其他結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)成Json格式；創(chuàng)建非結(jié)構(gòu)化數(shù)據(jù)索引表并以base64二進(jìn)制形式進(jìn)行編碼；

步驟2：將步驟1中的數(shù)據(jù)按照?qǐng)D4數(shù)據(jù)結(jié)構(gòu)進(jìn)行處理；

步驟3：將步驟2 中數(shù)據(jù)作為一條新記錄。首先，日志文件會(huì)以append形式增加一條記錄，這樣方便以后恢復(fù)使用；其次，將該記錄的索引插入C0中，這里在內(nèi)存中完成，不涉及磁盤(pán)IO 操作；當(dāng)C0達(dá)到一定閾值或一定時(shí)間間隔后，C0中的記錄會(huì)滾動(dòng)合并到磁盤(pán)C1 中，當(dāng)C1 中的容量達(dá)到一定閾值后會(huì)向C2 合并，依次類推，直至合并至Ck，至此，完成了數(shù)據(jù)的融合與存儲(chǔ)。

通過(guò)LSM樹(shù)將不同類型的數(shù)據(jù)進(jìn)行融合，降低了不同類型數(shù)據(jù)存儲(chǔ)、讀寫(xiě)的難度，也方便對(duì)數(shù)據(jù)的維護(hù)和管理。

2）分布式存儲(chǔ)與內(nèi)存計(jì)算。智慧供熱平臺(tái)采用分布式文件系統(tǒng)HDFS 和基于內(nèi)存計(jì)算的MapReduce對(duì)數(shù)據(jù)進(jìn)行存儲(chǔ)和處理。其中，HDFS 對(duì)大量數(shù)據(jù)進(jìn)行存儲(chǔ)，而MapReduce對(duì)大量數(shù)據(jù)進(jìn)行計(jì)算。根據(jù)實(shí)際應(yīng)用中數(shù)據(jù)量，智慧供熱平臺(tái)采用40臺(tái)服務(wù)器作為數(shù)據(jù)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)服務(wù)器主要參數(shù)配置為：內(nèi)存256 G，硬盤(pán)10 T，Linux 操作系統(tǒng)；具體設(shè)計(jì)過(guò)程參考2.2章節(jié)。實(shí)現(xiàn)過(guò)程如下：

步驟1：對(duì)供熱中結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行清洗，去除掉錯(cuò)誤、冗余數(shù)據(jù)；

步驟2：將步驟1 中數(shù)據(jù)存儲(chǔ)在大數(shù)據(jù)倉(cāng)庫(kù)中，并利用Hadoop平臺(tái)實(shí)現(xiàn)數(shù)據(jù)在不同業(yè)務(wù)場(chǎng)景下進(jìn)行轉(zhuǎn)存的需要；同時(shí)利用ETL 計(jì)算框架對(duì)數(shù)據(jù)進(jìn)行處理，再利用Hive 組件，通過(guò)HiveQL 將數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)提交到MapReduce任務(wù)中；

步驟3：MapReduce 將步驟2 中的數(shù)據(jù)按照20 M（這個(gè)可以根據(jù)實(shí)際需要進(jìn)行修改）劃分為一個(gè)數(shù)據(jù)單元，分叉復(fù)制到集群環(huán)境內(nèi)其他數(shù)據(jù)服務(wù)器上；在ETL 程序分布的服務(wù)器上，用Master 服務(wù)器調(diào)度Worker服務(wù)器，并給Worker服務(wù)器分配相應(yīng)的Map任務(wù)或Reduce任務(wù)；

步驟4：對(duì)于步驟3 中分配了Map 任務(wù)的Worker，用以實(shí)現(xiàn)對(duì)數(shù)據(jù)的讀取，當(dāng)Map 任務(wù)接受到數(shù)據(jù)輸入時(shí)，會(huì)以鍵值對(duì)作為參數(shù)傳遞給Map 函數(shù)，Map函數(shù)會(huì)返回中間鍵值對(duì)，并以緩存的形式將其儲(chǔ)存在內(nèi)存上；當(dāng)中間鍵值對(duì)達(dá)到一定數(shù)量時(shí)，會(huì)被寫(xiě)入到本地磁盤(pán)，本地磁盤(pán)會(huì)以多個(gè)分區(qū)對(duì)其進(jìn)行存儲(chǔ)，每個(gè)分區(qū)對(duì)應(yīng)一個(gè)Reduce任務(wù)；Master會(huì)把中間鍵值對(duì)位置轉(zhuǎn)發(fā)給Reduce Worker；

步驟5：Master 服務(wù)器會(huì)對(duì)Worker 服務(wù)器上的任務(wù)性質(zhì)進(jìn)行判斷，如果是Reduce任務(wù)，Master會(huì)通知Worker 當(dāng)前所處具體區(qū)域位置，并由Reduce Worker把相同的鍵值對(duì)匯集起來(lái)；Reduce Worker遍歷完所有中間鍵值對(duì)后，向Reduce 函數(shù)提交查詢，Reduce 函數(shù)將輸出結(jié)果存儲(chǔ)在對(duì)應(yīng)的磁盤(pán)分區(qū)上；

步驟6：當(dāng)全部Map 任務(wù)和Reduce 任務(wù)執(zhí)行完畢后，Master 服務(wù)器會(huì)再次執(zhí)行ETL 計(jì)算框架對(duì)數(shù)據(jù)進(jìn)行處理，執(zhí)行過(guò)程重復(fù)上述操作。

通過(guò)HDFS 分布式存儲(chǔ)與MapReduce 內(nèi)存計(jì)算，有效解決了數(shù)據(jù)在高并發(fā)場(chǎng)景下存儲(chǔ)空間不足、讀寫(xiě)速度慢、數(shù)據(jù)丟失等問(wèn)題。

3）邊緣計(jì)算與云邊協(xié)同。智慧供熱平臺(tái)的邊緣側(cè)承擔(dān)了中心云端部分計(jì)算力。其物理組成包括1臺(tái)小型硬件服務(wù)器，主要參數(shù)配置：內(nèi)存4 G、硬盤(pán)10 G、顯示器1個(gè)、Linux操作系統(tǒng)；通過(guò)物理設(shè)備將終端采集器PLC連接起來(lái)，形成小型局域網(wǎng)，該小型服務(wù)器被稱為“決策機(jī)”。在決策機(jī)上部署數(shù)據(jù)處理算法用來(lái)解決數(shù)據(jù)不準(zhǔn)、容錯(cuò)率低的問(wèn)題，然后將處理后的數(shù)據(jù)上報(bào)云端；中心云端將部分計(jì)算力下放到邊緣的決策機(jī)上，讓決策機(jī)承擔(dān)底層業(yè)務(wù)工作，并定期將處理后的結(jié)果上報(bào)到云端；云端對(duì)決策機(jī)的處理結(jié)果按照一定規(guī)則進(jìn)行檢驗(yàn)與審核，最終將確認(rèn)記錄歸檔。由于邊緣具有部分自主決策能力并與云端錯(cuò)峰交互、數(shù)據(jù)同步與共享，使得在協(xié)同過(guò)程中減少由下層業(yè)務(wù)系統(tǒng)同時(shí)到達(dá)云端等待分配計(jì)算力、計(jì)算資源的時(shí)間，提高了云端與邊緣的協(xié)同效率，解決了在實(shí)際供熱中由于城市規(guī)模較大、供熱面積較廣導(dǎo)致調(diào)節(jié)滯后的問(wèn)題。

3.2 應(yīng) 用

智慧供熱平臺(tái)是基于GIS、物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能于一體，集供熱生產(chǎn)“總數(shù)據(jù)中心、總展示中心、總指揮中心、總調(diào)度中心和總管理中心”五位一體的城市級(jí)綜合管控平臺(tái)。目前平臺(tái)完成了供熱數(shù)據(jù)統(tǒng)一與共享交換體系，實(shí)現(xiàn)供熱生產(chǎn)經(jīng)營(yíng)等各類數(shù)據(jù)的整條鏈路透視化管理；通過(guò)機(jī)器學(xué)習(xí)為供熱管理人員提供科學(xué)、精準(zhǔn)的一體化運(yùn)營(yíng)解決方案，也為生產(chǎn)人員提供調(diào)度和調(diào)控的數(shù)據(jù)指標(biāo)，最終提高供熱管理的精細(xì)化程度，實(shí)現(xiàn)供熱生產(chǎn)的高效管理、精準(zhǔn)調(diào)控、節(jié)能降耗和暖民服務(wù)[12-15]。

智慧供熱平臺(tái)由設(shè)備感知層、數(shù)據(jù)存儲(chǔ)層、模型調(diào)度層、中間應(yīng)用層與頂層應(yīng)用層組成。設(shè)備感知層由硬件PLC 采集器組成，組態(tài)通過(guò)modbus 協(xié)議對(duì)PLC設(shè)備進(jìn)行數(shù)據(jù)采集，其采集的數(shù)據(jù)為秒級(jí)實(shí)時(shí)數(shù)據(jù)，另一部分則是從其他業(yè)務(wù)系統(tǒng)通過(guò)TCP/IP 協(xié)議集成的收費(fèi)、客服與室溫?cái)?shù)據(jù)；通過(guò)OPC 協(xié)議或socket 即時(shí)通訊協(xié)議將組態(tài)數(shù)據(jù)存到內(nèi)存庫(kù)中，歷史數(shù)據(jù)則存入到大數(shù)據(jù)平臺(tái)的分布式文件庫(kù)中；GIS 數(shù)據(jù)、實(shí)時(shí)數(shù)據(jù)、歷史數(shù)據(jù)通過(guò)大數(shù)據(jù)分析模型、GIS空間處理模型、數(shù)據(jù)安全模型、機(jī)器學(xué)習(xí)算法等，計(jì)算輸出到基于微服務(wù)架構(gòu)的中間應(yīng)用層中，例如地理信息系統(tǒng)、生產(chǎn)調(diào)度系統(tǒng)、能耗管理系統(tǒng)等，最終由基于微服務(wù)架構(gòu)的應(yīng)用系統(tǒng)按需輸出到智慧供熱平臺(tái)中。

4 結(jié)語(yǔ)

本文介紹了基于GIS 的智慧供熱平臺(tái)在超大規(guī)模城市集中供熱中的部分關(guān)鍵技術(shù)，結(jié)合多源數(shù)據(jù)融合算法，采用LSM 樹(shù)建立了數(shù)據(jù)融合模型，解決了供熱過(guò)程中的結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)等多源異構(gòu)數(shù)據(jù)格式不統(tǒng)一、來(lái)源不統(tǒng)一、無(wú)法統(tǒng)一存儲(chǔ)、索引低效等問(wèn)題；介紹了大數(shù)據(jù)技術(shù)中的Hadoop 與MapReduce，并采用分布式存儲(chǔ)與內(nèi)存計(jì)算，解決了在實(shí)際應(yīng)用中遇到的海量數(shù)據(jù)存儲(chǔ)、高并發(fā)、高密度、實(shí)時(shí)性要求高的問(wèn)題；通過(guò)邊緣計(jì)算與云邊協(xié)同，解決了在實(shí)際應(yīng)用中熱源、熱力站、熱用戶邊緣數(shù)據(jù)不準(zhǔn)、容錯(cuò)率低、云端協(xié)同效率低、調(diào)節(jié)滯后等問(wèn)題。

最后，基于以上技術(shù)的智慧供熱平臺(tái)在實(shí)際項(xiàng)目中平穩(wěn)運(yùn)行3 a 有余，目前平臺(tái)還處于繼續(xù)建設(shè)階段，接下來(lái)將重點(diǎn)對(duì)平臺(tái)的人工智能方面進(jìn)行建設(shè)，為城市級(jí)的智慧供熱大腦，為智慧城市建設(shè)添磚加瓦。