摘 要：為精準呈現智慧電廠整個結構特征，提出一種基于ArcObject的智慧電廠一體化大數據整合技術。利用滑動時間窗口劃分電廠數據采集任務，構建數據域模型，完成智慧電廠一體化多源異構大數據采集。運用小波分析方法，重構閾值處理后的高低頻系數，消除電廠監(jiān)測數據噪聲。讀取電廠界址點數字坐標，運用ArcObject二次開發(fā)技術得到ArcGIS面狀要素工具，挑選預先設置的要素類圖層，運用Web圖形庫、平面誤差法，實現數據動態(tài)可視化。實驗結果表明，所提技術可有效剔除數據噪聲，且數據整合效率快、準確度高，為智慧電廠的實際應用提供決策支持。

關鍵詞：智慧電廠；一體化；大數據；數據整合；ArcObject技術

中圖分類號：TP311；TM62"""""""""""""""""""""""" 文獻標識碼：A""""""""""""""""""""" 文章編號：1001-5922（2024）07-0173-04

Application of integrated data integration technology

for smart power plants based on ArcObject

LU Haotian

（China Power Engineering Consulting Group East China Electric Power Design Institute Co.，Ltd.，

Shanghai 200063，China）

Abstract： In order to accurately present the entire structural characteristics of smart power plants， an ArcObject based integrated big data integration technology for smart power plants was proposed. The sliding time window was used to divide the data collection tasks of the power plant， and the data domain model was constructed to complete the integrated multi?source heterogeneous big data collection of the smart power plant. The wavelet analysis method was used to reconstruct the high and low frequency coefficients after threshold processing to eliminate the noise of power plant monitoring data. The digital coordinates of the power plant boundary points were read， ArcObject secondary development technology was used to obtain ArcGIS surface feature tools， pre?set feature class layers were selected， Web graphics library and plane error method were used to achieve dynamic visualization of data. The experimental results showed that the proposed technology could effectively eliminate data noise， and the data integration efficiency was fast and accurate， providing decision support for the practical application of smart power plants.

Key words： smart power plants；integration；big data；data integration；arcobject technology

智慧電廠利用網絡化與信息化技術完成廠區(qū)內部不同控制裝置與系統(tǒng)之間的可靠溝通，達到企業(yè)資產分配最優(yōu)化目標［1］。智慧電廠是電力企業(yè)智能化建設的重要標志，為提高電廠運行的自動化水準，減少生產成本，為電力領域的可持續(xù)發(fā)展帶來新的契機［2］。但由于電廠內部設備繁多，數據呈多源異構形態(tài)，只有將不同形態(tài)信息加以整合，才能直觀了解電廠操作情況［3］。因此，對智慧電廠一體化大數據整合問題進行深入研究。在數據海量性特征前提下，運用歐氏距離與相似度系數，搭建定義數據樣本近似水平的歸一化綜合指標，依照推算的相似性測度最大值明確關聯目標，實現數據整合匹配［4］。利用張量化狀態(tài)表示、確定性動作輸出等指標，構建端到端決策模型，通過自動化狀態(tài)生成機制優(yōu)化深度確定性策略梯度算法，完成數據整合［5］。基于此，提出一種基于ArcObject的智慧電廠一體化大數據整合技術。

1 ""智慧電廠一體化多源異構大數據采集

為實現智慧電廠一體化大數據整合目標，首先要采集創(chuàng)建智慧電廠所需要的全部數據，因電廠結構多樣，數據呈多元化，設計一種基于滑動時間窗的多源異構大數據采集方法?；瑒訒r間窗口可階段性劃分采集任務，時間窗大小保持固定，時間位置是變化的［6］。

假設從i第個多源傳感器得到的數據采集周期為Ai，將時間窗口長度表示為：

[Aw=LCM（Ai）]"""""""""""""""""""""""" （1）

式中：[LCM（Ai）]是對多源傳感器周期[Ai]求解的最小公倍數。

將單個時間窗口的電廠數據記作域的構成部分，輸出數據域模型，數據域涵蓋域的基礎屬性，并可以被精準量化。設定[C]是域，[Aw]、[Si]、[Di]分別是各時間窗口的時間數據，將數據域內機制表示為："" [C=Aw，Si，Di]"""""""""""""""""""""""" （2）

多傳感器收集電廠信息時，獲得的初始報文通常涵蓋電流信號或電壓信號，在真實操作中，通常要根據切實需求對采集數據實施量程匹配［7］。所提方法在采集數據時將數據劃分成不同線程，憑借若干數據域并發(fā)模式依次進行多設備信息采集，降低信息延遲。

明確不同的電廠數據屬性，利用數據元推算各種電力設備在單個數據域中的真實數據量［8］。倘若數據元是E，真實數據是F，那么此時間窗口中第i個設備真實采集數據量是："" [Gs=Length（F）Vaule（E）]""""""""""""""""""""""" （3）

式中：[Length（F）]表示真實數據的比特長度；[Vaule（E）]表示數據元數值大小。

把單個數據域數據占據的字節(jié)總數記作：

[HByte=16nGs+i=1nMi]"""""""""""""""""""" （4）

式中：n是數據采集次數；[Mi]是第i個設備采集數據占用的字節(jié)數量。

與此同時，利用第i個設備的采集周期[Ai]和時間窗[Aw]，計算輸出單個數據域內采集數據的理論值：

[GLi=HByteAwAi]""""""""""""""""""""""""""""" （5）

如果[GLi]gt;[Gs]，表明采集數據內產生了噪聲信息，有部分數據在此時間窗口中沒有被全部獲??；反之，即可采集完整的電廠外部結構數據與設備信息。

2"" 數據去噪處理

針對上述內容的噪聲數據，使用小波分析進行去噪處理。將智慧電廠全部監(jiān)測數據作為實際信息與噪聲信息構成的時間序列［9?10］，記作：

[d（t）=f（t）+o（t）]"""""""""""""""""""""""" （6）

式中：[d（t）]代表真實測量數據；[f（t）]是實際信號信息；[o（t）]是信號噪聲信息。

在智慧電廠一體化數據監(jiān)測中，真實監(jiān)測數據一般是低頻信號或穩(wěn)定信號，而噪聲數據一般為高頻信號［11］。小波去噪法就是在這一特征差異基礎上進行降噪處理，利用閾值處理函數約束小波系數的取值范圍，重構閾值處理后的高低頻系數，輸出去噪后的監(jiān)測序列，完成智慧電廠一體化數據去噪。處理過程如下：

常用的小波基函數包括Haar小波、dbH小波等，將閾值的解析式描述為：

[δ=d（t）γ2lnN]"""""""""""""""""""""""" （7）

式中：[N]表示信號長度；[γ]表示噪聲標準誤差，將其進一步記作：

[γ=median（uj，k）0.674 5]""""""""""""""""""""""" （8）

式中：[median（?）]是中間值函數；[uj，k]是消除噪聲前的小波變換指數。

閾值處理函數具備硬閾值處理與軟閾值處理2種類型［12］，分別記作：

[ui，j] =[uj，k，0，uj，k ≥ δuj，klt;δ]"""""""""""""""""""""""""" （9）

[ui，j] =[sign（uj，k）（uj，k-δ），0， uj，klt;δ""""""""""""""""""""" uj，k ≥ δ]""""""""" （10）

式中：[ui，j]是消除噪聲后的小波變換系數，[sign]是符號函數。

將去噪重構后的電廠數據記作：

[P=uj×xj]"""""""""""""""""""""""""""" （11）

式中：[uj]是第j個傳感器的小波變換系數；[xj]是第j個傳感器的樣本數據總數。

3"" 基于ArcObject的智慧電廠一體化大數據

整合

ArcGIS為一種開放的地理數據分析平臺，配有優(yōu)秀的地理數據管理、編輯等功能，具有較好的結構定制與功能拓展的能力。ArcObject為ArcGIS平臺的核心功能，在Microsoft COM技術的支撐下創(chuàng)建一系列COM組件集，是新一代地理信息系統(tǒng)平臺。在開發(fā)環(huán)境上，可使用VC++、·net等多種支持COM標準的開發(fā)工具［13］，給用戶提供了2次開發(fā)與性能擴展的能力。針對智慧電廠一體化龐大的多源異構數據，使用ArcObject實現智慧電廠一體化大數據整合。

關于ArcObject的2次開發(fā)，通過以下3個方面進行：

（1）對ArcMap、ArcCatalog與ArcScene等界面實施定制或自定義；

（2）使用計算機編程語言與內置的VBA語言進行界面操控與功能拓展，在ArcMap中引入各類窗體與控件，修正系統(tǒng)界面，增加或刪除功能項；

（3）運用編程語言與工具軟件調用ArcObject的控制元件與功能組件，采用開發(fā)管理目標集合對象。ArcObject平臺使用VB制作界面與拓展功能，利用ArcObject對象庫實現ArcObject的接口。

接下來，基于ArcObject二次開發(fā)技術生成ArcGIS面狀要素工具，并進行針對性數據優(yōu)化，實現電廠大數據的快速整合。過程如下：

創(chuàng)建面要素的根本思路是讀取界址點的數字坐標，把各點的坐標分別引入IPoint接口構造位置的新點里，再運用IPointCollection接口的AddPoint把全部點引入IPointCollection類中，最終把IPointCollection接口變成IPolyGon接口。要素圖像的寫入利用IFeatureCursor類接口實現，智慧電廠面狀數據的轉換是把數字坐標都變成Excel格式，分成4列，分別是編號、北坐標、東坐標與高程。

將以上信息粘貼至界面上的GirdView表格控件內，選擇預先設定好的要素類圖層，點擊錄入即可實現智慧電廠一體化大數據整合。

為了將智慧電廠一體化數據更為真實生動地展示給用戶，讓其準確了解電廠的生產資料和安防管理情況，使用Web圖形庫進行大數據動態(tài)可視化，通過平面誤差的計算實現一體化大數據的動態(tài)加載。考慮多源異構數據不同數據層的時序差異，防止產生數據空間重疊與實現遮擋問題。

Web圖形庫是在瀏覽器內繪制并渲染的三維圖形［14］，調用的接口是開放、跨平臺的標準規(guī)范。在Web圖形庫中，利用圖元裝配實現面狀數據裁剪、透視分割與變換的操作，把頂點坐標轉換為在屏幕上顯示的坐標。

運用粒子系統(tǒng)展示智慧電廠時空數據動態(tài)變化，憑借時間目標的外部特點與運動特點組成一個不規(guī)則的模糊數據集，代入外部參數操作三維時空數據變化。粒子系統(tǒng)包含粒子集合和對應的屬性信息，粒子的關聯屬性為生產、設備、環(huán)境等，將其關聯屬性描述為：

[Qn=Att1，Att2，…，Attn]""""""""""""""""" （12）

式中：[Attt]代表粒子的關聯屬性。

更新粒子屬性，使用此粒子上一幀所處空間方位、運動速率與每兩幀的時間間隔，推導粒子當前幀的方位，把第l+1幀粒子的空間方位記作：

[positionl+1×x=positionl+1×x+vlx?tpositionl+1×y=positionl+1×y+vly?tpositionl+1×z=positionl+1×z+vlz?t]""""" （13）

式中：[positionl×x]、[positionl×y]、[positionl×z]均為粒子的運動速率分量；[?t]是時間間隔。

伴隨時間戳增多，時間戳若超出粒子軌跡序列的時間范圍，剔除該粒子。使用大量粒子組成粒子系統(tǒng)，粒子變化的靈活性可擬和多種時空變化［15］，完成動態(tài)可視化目標。在動態(tài)可視化基礎上，通過運動估計預測加載三角網格，避免時空可視化出現卡頓。

使用平面誤差方法確保智慧電廠數據動態(tài)載入網格的適配度。創(chuàng)建多分辨率模型，將模型映射的線段表示為：

[qv=r+μrz，r-μrz]"""""""""""""""""" （14）

式中：[μr]是初始網格投影點距離誤差；[z]是z軸的單位矢量。

將映射線段和屏幕高度投影誤差被稱作屏幕空間誤差，將其定義成：

[?c=-μrz（e（z×e））e×tan（θ/2）]""""""""""""""""""""" （15）

式中：[e]代表視點方向單位矢量；e代表視點方位；[θ]代表視錐角度。

智慧電廠時空數據加載過程中，極有可能產生網絡延遲、設備渲染時間久的問題，導致ArcObject平臺加載速率慢，更新時空場景時，無法進行數據交互。依照當前視點坐標與視點變化的運動矢量，評估下個時段的所處方位，預先加載部分時空內存，確保時空場景不會產生掉幀。將預測點表示為：

[I（et+1）=i=0tS（ei）×?ei]""""""""""""""""" （16）

式中：[S（ei）]是頂點概率集合；[?ei]是頂點矢量。

預先加載時空場景后，最終的一體化大數據動態(tài)加載優(yōu)化公式為：

[I（et+1）=12（?ei+S（ei））]"""""""""""""" （17）

4"" 實驗分析

為進一步探究所提方法的有效性，將文獻［4］權重相似性模型、文獻［5］深度強化學習兩種方法作為對照組進行實驗研究，實驗平臺為MATLAB。實驗指標分別為信噪比、節(jié)點能耗、F1值和時間。為達到更真實的算法性能對比，挑選網絡規(guī)模作為ArcObject平臺的應用環(huán)境，設定網絡場景內涵蓋400個傳感節(jié)點，隨機分布于1個150 m×150 m的區(qū)域中。設定實驗參數如表1所示。

信噪比（[SNR]）表示接收到的有用信號強度與干擾信號強度的比值。信噪比值越大表明數據噪聲越少，方法運算性能越優(yōu)，計算公式為：

[SNR=10×lgf2（t）i=1ns（f（t）-P）2]"""""""""""""""" （18）

式中：[ns]是信號長度。

隨機挑選智能電廠7個傳感器中的信號波形為驗證目標，使用3種方法進行信號去噪，結果如圖1所示。

由圖1可知，所提方法在整個實驗過程中的信噪比均是最大的，表明方法的去噪能力優(yōu)于其他2種方法。

3種數據整合方法伴隨時間變化的簇頭節(jié)點能量損耗對比結果如圖2所示。

由圖2可知，隨著數據整合時間增加，2種方法的節(jié)點能耗較高，而所提方法簇頭節(jié)點傳輸的數據包小于其他2種方法，在保證數據整合完整度情況下，有效降低了網絡信息通信數量，實用性更強。

F1值是用來衡量算法精度的指標，使用該指標驗證3種方法數據整合準確性，取值范圍是0～1。計算公式為：

[F1=2PHRPH+R]""""""""""""""""""""""""""" （19）

式中：[PH]為準確率；[R]為召回率。

3種方法的F1值實驗對比結果如圖3所示。

由圖3可知，在同一實驗環(huán)境下，所提方法的F1值高于其他2種方法，具有較強的計算優(yōu)勢，能夠有效提高數據整合精度。

利用支持度指標，可以衡量出給定規(guī)則應用的比例，在不同支持度下分析3種方法數據整合所需時長，結果如圖4所示。

由圖4可知，支持度越大，數據整合時間越短，所提方法的整體耗時要小于其他2種方法，證明其具備較好的數據任務處理匹配能力和網絡負載均衡性能，提高了數據整合全局效率。

5"" 結語

智慧電廠一體化大數據整合對增進電力企業(yè)生產效益與工作效率具有重要作用，由此提出一種基于ArcObject的智慧電廠一體化大數據整合技術。所提方法能高效率采集電廠整體數據，運用小波分析進行數據去噪，在ArcObject平臺支持下進行電廠數據面狀數據整合，提升數據處理能力，為電力企業(yè)的發(fā)展和決策制定提供幫助。

【參考文獻】

［1］""" 耿林霄，郭亦文，楊猛，等.基于大數據智能控制一體化平臺架構的智慧監(jiān)盤關鍵技術研究［J］.熱力發(fā)電，2021，50（9）：43?48.

［2］""" 付琨，孫顯，仇曉蘭，等.遙感大數據條件下多星一體化處理與分析［J］.遙感學報，2021，25（3）：691?707.

［3］""" 李曦凌，謝海發(fā).基于ArcObject進行電廠用地界址數據整合［J］.云南水力發(fā)電，2021，37（11）：235?237.

［4］""" 龍北平，吳家杰，鄭勤華，等.一種基于權重相似性模型的不動產數據整合方法［J］.測繪通報，2021（6）：122?126.

［5］""" 余顯，李振宇，孫勝，等.基于深度強化學習的自適應虛擬機整合方法［J］.計算機研究與發(fā)展，2021，58（12）：2783?2797.

［6］""" 張川登，張浩，賴敏.電解鋁廠整流所綜合自動化系統(tǒng)的數據采集方法研究［J］.輕金屬，2022（12）：45?48.

［7］""" 石秋娥，周喜，王軼.基于去中心化索引的IPFS數據獲取方法研究［J］.計算機工程與應用，2022，58（3）：83?90.

［8］""" 張維星，黨超群，張鎖平，等.基于多傳感器融合的波浪譜數據獲取與傳輸方法研究［J］.海洋與湖沼，2023，54（3）：645?652.

［9］""" 李凱豐，王浩全，侯清.基于小波分析聯合VMD的超聲信號去噪方法研究［J］.中國測試，2023，49（4）：52?59.

［10］""" 朱寧，徐常新，符影杰.超聲波測距系統(tǒng)中的小波去噪" 方法研究［J］.儀表技術與傳感器，2021（1）：102?106.

［11］""" 王民頓，尚俊娜.基于CEEMD和改進小波閾值法的鋼" 架結構沉降數據去噪方法［J］.大地測量與地球動力學，" 2022，42（11）：1191?1195.

［12］""" 蔡劍華，肖永良.基于廣義S變換時頻濾波的MT數據" 去噪［J］.地質與勘探，2021，57（6）：1383?1390.

［13］""" 史瀟，徐家鵬，杜毅賢，等.面向道路積水動態(tài)可視化" 的多源數據集成方法［J］.武漢大學學報（信息科學版），" 2022，47（5）：693?699.

［14］""" 李文俊，楊學強，杜家興.基于數據中臺的裝備保障數" 據集成［J］.系統(tǒng)工程與電子技術，2020，42（6）：1317?1323.

［15］""" 鄒萌萍，彭敦陸.Spark環(huán)境下不完整數據集成填充方" 法［J］.小型微型計算機系統(tǒng)，2021，42（1）：111?116.