面向燃煤发电厂多源异构数据物联网平台设计

2024-12-09王明龙杨文峰林峰

中国新技术新产品 2024年14期

摘要：传统的数据聚合方法只能处理同一个类型的数据，当对多源异构数据进行融合时，物联网平台融合质量差，处理速度慢。因此，本文提出面向燃煤发电厂多源异构数据物联网平台的设计。在硬件设计方面，选择合适的硬件，保证平台的稳定性。在软件设计方面，利用传感器采集燃煤发电厂的数据，对采集的数据进行多源数据融合，将融合后的数据进行结构化存储，同时在物联网平台中进行共享。测试结果表明，当处理多源异构数据时，面向燃煤发电厂多源异构数据物联网平台融合质量高，融合效果好，平台能够较快处理响应。

关键词：燃煤发电厂；多源异构数据；物联网平台；平台设计

中图分类号：TU 452 " " " 文献标志码：A

随着物联网技术快速发展，海量燃煤发电厂的数据呈现多源异构的特点，对多源异构数据进行聚合分析，获取燃煤发电厂数据的类别信息，有助于感知燃煤发电厂的安全态势并处理[1]。目前的难题是对海量的多源异构数据进行有效的聚合分析，并形成物联网平台。传统物联网平台数据处理方式单一，只能对来源、相同类型的数据进行处理。

因此，本文研究面向燃煤发电厂多源异构数据物联网平台设计，目的是建造一个能够整合燃煤发电厂多源异构数据的物联网平台。本文研究燃煤发电厂物联网平台合理的硬件设计，实现平台运行稳定、快速响应的目标[2]。在软件设计方面，对燃煤发电厂多源异构数据进行有效融合、存储，采用平台共享的方式，提高燃煤发电厂的运行效率，控制能耗排放。综上所述，本文面向燃煤发电厂多源异构数据物联网平台进行设计，为燃煤发电厂的智能化发展提供支持。

1 硬件设计

在面向燃煤发电厂多源异构数据物联网平台进行设计的过程中，硬件设计十分重要，合适的硬件能够保证平台稳定运行。平台硬件包括传感器、微控制器、执行器、通信接口和调制解调器等。将传感器安装在燃煤发电厂的多个位置，利用传感器检测并收集燃煤发电厂的温湿度、二氧化碳浓度和二氧化硫浓度等数据，将这些数据信息按照一定规律转化为所需的信号模式进行输出。微控制器是物联网平台的核心，可以控制和协调平台各个部分，stm32f103c8t6芯片稳定性较高。执行器的作用是控制燃煤发电厂设备的物理输出，使用RS-485接口将燃煤发电厂设备与网络进行连接。使用的调制解调器是AD9850数字频率合成器，将数字信号转换为模拟信号。在收集、处理以及存储数据的过程中，对硬件进行合理搭配可以提高效率。

2 软件设计

2.1 采集燃煤发电厂多源异构数据

当采集燃煤发电厂多源异构数据时，对燃煤发电厂物联网层次结构进行设计。燃煤发电厂物联网平台的整体架构分为4个层次，分别为由各种传感器组成的数据感知层、由各种拓扑路由连接传感器和服务器的网络层、由感知层和网络层数据储存服务器组成的数据层以及燃煤发电厂物联网应用层[3]。物联网层次架构如图1所示。

燃煤发电厂通常安装了许多传感器，配套相应的采集模块、调理器和解调仪等设备，采集燃煤发电厂多源异构数据。传感器包括温湿度计、气体传感器等，由于每个传感器的采集方式、通信方式和通信协议不同，因此本文生成1个配置文件来记录这些通信参数[4]。在程序设计中，将每个传感器抽象为一个“对象”，传感器的相关信息是该对象的属性。

2.2 多源异构数据融合

由于采集的燃煤发电厂数据来自不同传感器，数据类型不同，因此，数据是多源异构数据。本文将采集的燃煤发电厂多源异构数据进行融合处理。融合方法包括以下3个步骤。1）利用小波分析方法去除多源异构数据中的随机误差与其他干扰因子[5]。2）对多源异构数据去噪时间序列进行处理，得到1组对应的综合时间序列。3）将各个指标的综合时间序列进行整合，得到位移、应力和倾角等一系列信息。具体过程如下。

将多源异构数据视为包括干扰信息的时间序列，如公式（1）所示。

f（t）=s（t）+x（t） " " " （1）

式中：f（t）为实测数据；s（t）为实际数据；x（t）为干扰数据。

小波门限值去除干扰的主要步骤如下：选取适当的小波变换基函数和小波分解层数，对实测数据进行多尺度分解。利用所选取的门限算法以及门限处理函数来限定小波系数[6]。对经过门限处理的高频、低频系数进行重建，获得消除干扰结果。

计算门限值λ，如公式（2）所示。

（2）

式中：σ为干扰的标准差；M为信号长度。

σ的计算过程如公式（3）所示[7]。

（3）

式中：m为中值函数；wj，k为小波变换前的去除干扰系数。门限处理函数有2种形式，一种是硬门限形式，另一种是软门限形式。

硬门限处理如公式（4）所示。

（4）

软门限处理如公式（5）所示[8]。

（5）

式中：wi，j为小波变换后的系数；sign为分支决策函数。

为满足各种数据指标的要求，须将多个传感器配置在不同的位置中。采用加权平均方法对同类多个传感器的实测数据进行数据融合。该方法对各个时间点、各个传感器采集的信号进行加权平均处理。假定使用n个位移传感器采集燃煤发电厂的数据{X1，X2，…，XN}，Xj（j=1，2，…，n）为位移为j的传感器输出的数据序列。假设wj（j=1，2，…，n）是位移为j的传感器的权值，那么加权平均值的融合模型如公式（6）所示。

T1=[w1，w2，…，wn][X1，X2，…，XN]T " " "（6）

式中：T1为综合位移的时序。

由公式（6）可知，各个传感器所对应的权值是加权平均值的关键。一般情况下，一些传感器采集的数据规律性很强，其他传感器采集的数据不一定具有规律性。熵能够测量传感器提供的信息是否有效。在实际应用中，如果获得的数据是有规律的，其熵值就越低，能提供的信息就越多，其权值就越大。反之，如果获得的数据是不规律的，那么其能提供的信息就越少，相应的权值也就越小。计算第j个传感器的熵Hj，如公式（7）所示。

（7）

式中：fij为第j个传感器在状态i下的相对频率。

fij的计算过程如公式（8）所示。

（8）

式中：Xij为第j个传感器的第i次测定值。当fij=0时，fijlnfij为0。第j个传感器的权值计算过程如公式（9）所示。

（9）

式中：wj为第j个传感器的熵权；n为同类传感器的数目。

主成分分析（Principal Component Analysis，PCA）是一种有效的函数型数据降维方法，基于主成分分析进行信息融合[9]。假定数据指标T1，T2，…，TP为用熵权方法得到的各种指标的合成时间序列，p维向量T=（T1，T2，…，TP），T的成分相互关联。对T进行主成分分析。

为了克服各指标维数对合成时间序列的影响，须将其归一化。设T中第j个数据指标的第i个采样值为tij=（i=1，2，…，M；j=1，2，…，p），归一化矩阵Z如公式（10）所示。

（10）

式中：z11为位于矩阵第一行第一列的元素值；zij为第j个数据指标的第i个样本值经过归一化处理后的值；tij为T中第j个数据指标的第i个采样值；μj为期望值；σj为方差。

计算归一化矩阵Z的相关系数矩阵R以及其相应的特征值，如公式（11）所示。

（11）

计算累积贡献量，并对主要成份进行识别，如公式（12）所示。

（12）

式中：a为累计贡献量；λi为第i个特征值。当a≥0.85时，说明可用L个主成分来表达矩阵Z中包括的信息，完成对燃煤发电厂多源异构数据的融合处理。

2.3 结构化数据存储

不同类型传感器采集的物理量不同，因此在存储数据的过程中，每种类型的传感器须有一套独立的数据表。这样的设计只是将数据分门别类地存放，并没有结构化、集成化存储[10]。因此，本文在这个基础上提出一种新型的结构化存储方法，对多种传感器数据进行统一管理，进一步提高数据的集成度。传感器数据见表1。

虽然这2种传感器获得的物理量不同，但是都能够有效分离多种物理量，对多源异质数据进行结构化、一体化存储。传感器类型见表2。

2.4 共享物联网平台多源异构数据

在燃煤发电厂多源异构数据物联网平台设计过程中，本文以知识图谱为基础，将多源异构数据分布在处理器中，以此为基础，对多源异构数据进行共享。共享原理如公式（13）所示。

（13）

式中：P（Sij）为多源异构数据的共享函数；Sij为异构数据节点i的来源库；m为异构数据节点i的异构数据多源类型；bkij为描述异构数据源中Sij的位置优先权，当符合时间标记时，值取0，否则取1；F（Sij）为异构数据多源类别的权重；gkij为异构数据源中k个异构节点被分享的次数。分享度越高，其在数据库中的作用越大，能够将其与异构的数据节点进行共享。当异构数据协同性良好时，请求与异构数据的多个来源进行共享，达到共享的目的。为共享多源异构数据，本文提出一种基于知识图谱的方法，知识图谱拓扑结构如图2所示。

本文以多源异构数据为研究对象，分析其特性以及属性集合关系，获取异构数据的语义，以此为基础构建多源异构数据共享模型，如公式（14）所示。

（14）

式中：Gv，i为多源异构数据对其他异构数据的分享度；Xi为多源异构数据集的参考值。

在无法确定干扰来源的情况下，需要对多源异构数据进行差分处理和数据验证。提高多源异构数据源的优先度，从而提高多源异构数据的共享效率，达到燃煤发电厂多源异构数据物联网平台共享的目的。

3 测试

3.1 测试准备

为了验证本文面向燃煤发电厂多源异构数据物联网平台设计的可行性，本文利用MATLAB仿真平台，进行模拟试验。试验建立150 m×150 m的无线局域网，并在该局域网内随机布设80个传感节点。由于网络中的各个结点都是同质的，因此设置的初始节点的能量都是0.47 J，节点的带宽是3 bit/s，网络的传送长度是25 m。传感器采用GB-AEnet-FL网络进行配置，并设置节点，使其正确运行。设置500 m×500 m的节点分布范围，并对采集的数据进行监听。多源异构的数据发送至网络节点，以1个星期为周期进行监听。为了验证本文平台的有效性，本研究设计了3个组别，将使用本文所提出方法的群组作为试验组，另外2个采用传统物联网平台数据处理方法的群组作为对照组。分别进行多源异构数据的融合，获得融合后的数据质量，数据融合质量个数在100个以上为最佳。

3.2 测试结果及分析

为了验证本文面向燃煤发电厂多源异构数据物联网平台的多源异构数据融合技术的优越性，按照上述测试准备进行测试，得到测试结果（如图3所示）。

由测试结果可知，2个对照组在不同的时间限制条件下都未能实现预定目标。与其进行对比，本文的面向燃煤发电厂多源异构数据物联网平台的多源异构数据融合技术在15 s内就获得数据融合质量100个，随着融合时间延长，数据融合质量个数仍然在上升。测试结果表明，燃煤发电厂多源异构数据物联网平台使用本文技术进行多源异构数据融合，平台处理数据的速度较快，保证了燃煤发电厂多源异构数据物联网平台的稳定性。

4 结语

面向燃煤发电厂多源异构数据物联网平台的设计是一项艰巨而意义重大的工作，使用本文的设计能够搭建面向燃煤发电厂多源异构数据物联网平台。其成功应用可以提升燃煤发电厂的运行以及管理效率，为燃煤发电厂提供了一个智能化平台。面向燃煤发电厂多源异构数据物联网平台发展前景将会更好。

参考文献

[1]肖漫漫，马迎，刘骥琛.基于端边云协同的物联网平台的设计与实现[J].物联网技术，2023，13（11）：55-58.

[2]赖均友.基于GB-AEnet-FL网络的物联网多源异构数据聚合处理方法[J].长江信息通信，2023，36（9）：62-64.

[3]李晓如，韩勇华，彭烨.多源异构数据监控管理平台的设计与应用[J].广东水利水电，2021（11）：91-95.

[4]盛刚，李勇，张效华.某特钢企业MES系统多源异构数据采集架构设计与应用[J].仪器仪表用户，2022，29（12）：16-19.

[5]库新勃，张海龙，杨帅.基于XML格式融合多源异构数据建设智慧社区数据管理平台[J].电力勘测设计，2023（8）：1-5，17.

[7]王润泽.基于多源异构数据的苹果信息资源系统研发[D].泰安：山东农业大学，2022.

[8]张合沛，陈馈.面向多源异构信息融合的隧道群组装备数据提取技术研究[J].隧道建设（中英文），2022，42（1）：41-47.

[9]WEIMIN G ，JIAMING Z ，YICHEN L .Research on the processing

method of multi-source heterogeneous data in the intelligent agriculture