Современное развитие информационно-вычислительных и телекоммуникационных технологий обеспечивает возможность оперативного получения, цифровизации и эффективного анализа больших данных, формируемых в процессе работы или моделирования сложных объектов и систем. На этой основе была сформирована концепция цифрового двойника – виртуальной программной сущности, отражающей наиболее важные компоненты жизненного цикла объекта или системы с использованием физических и виртуальных данных, а также информации о связях между ними. В настоящее время цифровые двойники, представляющие объекты и системы в различных сферах человеческой деятельности, а также процессы их функционирования, все шире внедряются на разных этапах их создания и эксплуатации. К одной из таких сфер деятельности относится поддержка принятия решений при управлении социально-экономическими (в том числе охраняемыми) территориями и расположенными на них инфраструктурными объектами [1]. При этом особое внимание уделяется использованию экологически чистых технологий и оборудования [2].
Как правило, компоненты оборудования устанавливаются и эксплуатируются в распределенной среде различными субъектами, представляющими инфраструктурный объект. Необходимость согласования критериев эффективности функционирования оборудования и показателей обслуживания инфраструктурного объекта, которые зачастую являются весьма противоречивыми, обоснованно требует интеллектуализации управления. Перспективным подходом к реализации такого управления является применение мультиагентных систем [3].
Целью исследования является разработка цифровых двойников процессов функционирования теплонасосного оборудования инфраструктурного объекта Байкальской природной территории и реализация микросервисного взаимодействия между цифровыми двойниками. В качестве такого объекта рассматривается одна из туристических баз отдыха.
Материалы и методы исследования
Практика показывает, что применение тепловых насосов позволяет достаточно эффективно передавать тепло от низкотемпературного источника к источнику потребления тепла. При этом для обеспечения работы самих тепловых насосов используется электрическая энергия. В отличие от приборов, предназначенных для прямой трансформации электроэнергии в тепло, теплонасосное оборудование позволяет существенно снизить ее расход. Кроме того, замена угольных или мазутных котельных, существующих в настоящее время на охраняемых территориях с установленными экологическими ограничениями (к которым относится побережье озера Байкал), на теплонасосное оборудование позволяет снизить объемы потребляемого топлива, сократить вредные выбросы и, как следствие, повысить качество экологической обстановки. Поэтому исследование и оптимизация процессов работы тепловых насосов, используемых туристическими базами отдыха, безусловно, являются актуальными.
Цифровые двойники, представляющие процессы работы оборудования, реализованы тремя веб-сервисами. Первый сервис обеспечивает возможность проведения регулярных массовых расчетов по выявлению и прогнозированию трендов, а также регулярных (сезонных и суточных) колебаний и случайных отклонений в динамике изменений природно-климатических показателей (p6) [4]. Сервис обеспечивает выполнение следующих операций: постановку задачи – определение диапазона ряда данных (p1), задание целевого природно-климатического параметра (p2) и выбор метода анализа данных (p3); препроцессорную подготовку данных – извлечение указанных данных из базы ретроспективных данных и их трансформацию в целевой формат (Excel, CSV и др.), используемый выбранным методом; моделирование – выявление трендовой, сезонной, циклической и нерегулярной составляющих временного ряда данных; визуализацию результатов моделирования; постпроцессорную обработку данных – преобразование результатов расчетов в форматы данных других сервисов.
Второй сервис разработан для моделирования управления работой теплонасосного оборудования [5]. Его основными операциями являются следующие: постановка задачи – задание структуры теплонасосного оборудования (p5), указание критериев оптимальности показателей его функционирования (p7), выбор целевой функции, задание значений входных параметров модели (p8), определение метода многокритериального анализа результатов моделирования и назначение вычислительного ресурса; препроцессорная обработка данных – формирование вариантов исходных данных путем варьирования заданных значений входных параметров модели; проведение многовариантных вычислений – имитация процесса функционирования теплонасосного оборудования в течение заданного периода модельного времени для каждого варианта исходных данных; многокритериальный анализ результатов моделирования – решение прямой задачи нахождения оптимальных вариантов показателей работы теплонасосного оборудования и последующее решение обратной задачи определения оптимальных вариантов исходных данных, соответствующих найденным показателям; постпроцессорная обработка данных – преобразование результатов моделирования (p9) в целевой формат данных третьего сервиса и их сохранение в базе расчетных данных.
Элементы оборудования и эксплуатирующие их субъекты представлены в имитационной модели интеллектуальными агентами, обеспечивающими согласованное принятие решений по управлению режимами работы тепловых насосов. Модель управления и аналитические модели работы насосов представлены соответственно в [5] и [6]. Размещение агентов на оборудовании, технология его мониторинга, а также вопросы сбора, обработки и хранения текущих и ретроспективных данных приведены в [7]. В процессе взаимодействия агенты руководствуются установленными ограничениями и критериями оптимальности для процессов работы теплонасосного оборудования и эксплуатации зданий. Решение определяется в виде Парето-оптимального множества альтернатив с помощью дискретных моделей многокритериального выбора [8]. В целом агенты реализуют сценарный подход к реализации согласованных во времени цепочек событий, где каждый сценарий предполагает наличие различных возмущений, определяемых исходными данными, и применение специфических управляющих воздействий агентов, формируемых в процессе их кооперации и соперничества. Агенты функционируют в рамках платформы JADE. Для автоматизации создания, настройки, размещения и конфигурирования агентов разработаны специализированные инструментальные средства [9] в виде надстройки к JADE.
Третий сервис реализует методику анализа и оптимизации эффективности теплоснабжения зданий на побережье озера Байкал на базе тепловых насосов [10]. Сервис поддерживает следующие операции: постановку задачи – выбор имитационной модели, задание значений ее входных параметров и назначение вычислительного ресурса; моделирование – имитацию работы теплонасосного оборудования при регулярных и случайных изменениях условий эксплуатации зданий на основе метода Монте-Карло; постпроцессорную обработку данных – преобразование результатов моделирования (p10) в целевые форматы данных и их сохранение в базе расчетных данных.
Разработан прикладной программный интерфейс (API), выполненный на основе REST-подхода, для обеспечения микросервисного взаимодействия. В отличие от протокола SOAP, ответы на запросы в REST являются более компактными. Они могут быть представлены не только в XML, но и в любом другом формате. Для обмена данными используется формат JSON. Каждый из сервисов обменивается данными с другими сервисами по локальным и глобальным вычислительным сетям через GET- и POST-запросы. Создание запросов возможно программными средствами (GNU-утилитами wget или curl, а также штатными средствами различных языков программирования), что позволяет взаимодействовать с сервисами как пользователям через веб-интерфейс или из командной строки, так и программным системам, в том числе агентам. Разработчик модели загружает модель объекта и его спецификацию с помощью веб-интерфейса сервиса имитационного моделирования [5]. Когда на основе данной модели необходимо выполнять расчеты разным группам пользователей, он может опубликовать ее для совместного доступа. В контексте сервиса, модель становится новым проектом и получает уникальный идентификатор и API. С помощью сервиса происходит наследование API для выбранных моделей, что позволяет оперативно создавать новые микросервисы для реализации операций цифровых двойников.
Ниже представлен следующий пример GET-запроса с помощью утилиты командной строки curl для получения спецификации модели цифрового двойника по ее идентификатору:
curl -insecure -X GET https://10.20.0.1/DT/projects/123e4567-e89b-12d3-a456-426614174000/spec
В ответ будет получен список параметров и спецификация модели в формате JSON [5].
Для обеспечения корректного взаимодействия сервисов между собой необходимо полное соответствие спецификациям моделей. Подробные свойства каждого параметра уточняются соответствующим запросом по имени параметра следующим образом:
curl -insecure -X GET https://10.20.0.1/DT/projects/123e4567-e89b-12d3-a456-426614174000/param/ AvgHotWaterHourDemand
Ниже приведен следующий ответ на данный запрос:
{ "success":"true",
"param": {
"type": "number",
"name": "AvgHotWaterHourDemand",
"title": "Уровень часовой потребности на горячее водоснабжение",
"gpssName": "par_Q",
"value": "166.5",
"variable": " false "}}
Информация для обеспечения связей между сервисами доступна пользователям моделей. В спецификациях моделей для указания ссылок на файлы и API предусмотрены соответствующие типы данных. Они позволяют указывать как множества значений переменных, так и пути к базам данных и файлам. В моделях используются текстовые файлы с наборами значений параметров модели. Допустимо применение файлов табличных данных (CSV или XLS). Для XLS-файлов возможно выполнение вычислений значений в Excel. При задании API другого сервиса в качестве источника данных для параметра модели необходимо заполнить свойства параметра в спецификации следующим образом:
"param": {
"type": "API_number",
"apiPath": "https://10.20.0.1/DT/projects/123e4567-e89b-12d3-a456-426614174000/param/",
"token" : "a456-426614174000",
"apiParamName": "par_Q",
"name": "AvgHotWaterHourDemand",
"value": "getApi",
"apiPostData": "data.json",
"title": "Уровень часовой потребности на горячее водоснабжение",
"variable": " false "}
Для такого параметра указывается следующая информация: тип данных – API_number, адрес для доступа к API – apiPath, токен авторизации – token, имя параметра, значение которого необходимо получить – apiParamName, значение поля value – getApi (это позволит по GET-запросу получить значение выбранного параметра из другого сервиса и присвоить его текущему). Для передачи данных в другой сервис посредством POST-запроса используется поле apiPostData. Это поле предназначено для указания исходных данных, на основе которых сервис выполнит вычисления и вернет их результат в качестве ответа на запрос.
Предложенная микросервисная архитектура поддержки взаимодействия цифровых двойников в процессе анализа работы объектов обладает следующими особенностями. Агенты сбора и предварительной обработки данных с датчиков инфраструктурных объектов размещены на маломощных микрокомпьютерах, установленных на инфраструктурных объектах. В силу административных и технических ограничений данные микрокомпьютеры могут передавать небольшие объемы данных по запросу через API и периодически выгружать показатели с датчиков в удаленную базу данных. При этом агенты, представляющие разные компоненты инфраструктурного объекта, могут объединяться в мультиагентную систему для обмена накопленными знаниями и выработки управляющих сигналов, носящих на текущем этапе рекомендательный характер для операторов оборудования. При необходимости в процессе формирования ответа на запросы происходит опрос остальных агентов.
Кроме того, сервисы, которые предназначены для проведения имитационного моделирования и анализа данных, представлены агентами, размещенными на узлах вычислительной среды. Каждый процесс подготовки данных или многовариантного прогона имитационной модели цифрового двойника представлен соответствующим паспортом задания для системы управления очередями заданий, используемой в узлах среды. Благодаря этому агенты осуществляют запуск вычислений в распределенной вычислительной среде по GET- и POST-запросам через API, используя интеллектуальные методы управления потоками заданий. Таким образом, происходит автоматическое масштабирование вычислений агентами, которые запускают дополнительные процессы обработки запросов на вычислительных узлах.
Результаты исследования и их обсуждение
Композиция сервисов для определения экономически эффективных схем использования оборудования и оптимальных режимов его работы приведена в общем виде на рис. 1. Полученные с помощью первого сервиса фрагменты разложения временного ряда природно-климатических данных, собранных метеостанцией в районе локации туристической базы отдыха в течение 8 лет, на сглаженную тренд-циклическую, сезонную и случайную составляющие для аддитивной формы показаны на рисунках 2–4 соответственно.
Рис. 1. Схема композиции сервисов
Рис. 2. Трендовая составляющая
Рис. 3. Сезонная составляющая
Рис. 4. Случайная составляющая
Рис. 5. Экономическая эффективность
Расчеты, выполненные с использованием второго сервиса, организованы путем варьирования числа и мощности тепловых насосов, директивно-плановых и оптимально спрогнозированных периодов их использования, условий подключения дополнительного оборудования (бойлеров), способов учета природно-климатических показателей и др. Для каждого варианта получен стандартный отчет GPSS. Необходимая информация из отчетов автоматически извлекается, агрегируется и обрабатывается с помощью выбранного метода многокритериального анализа. В случае необходимости нахождения единственного решения применяется евклидова метрика относительно идеального варианта.
Экономическая эффективность (обратная величина к ее нормативному коэффициенту, нормирующему объемы разовых инвестиций и ежегодных текущих затрат) рассчитана для девяти Парето-оптимальных вариантов входных параметров модели управления работой теплонасосного оборудования (рис. 5). Она определена с помощью третьего сервиса на основе расчетного срока окупаемости 8 лет. Для достижения достоверности результатов модель прогонялась 50 000 раз для каждого варианта. Предварительные результаты решения задачи использованы в качестве рекомендаций специалистам по эксплуатации оборудования. Очевидно, что, с экономической точки зрения, варианты 1 и 7–9 являются предпочтительными.
Заключение
В настоящее время Байкальская природная территория становится одним из популярных мест активного отдыха россиян и зарубежных туристов, поток которых неуклонно растет каждый год. С учетом повышенных экологических требований, предъявляемых к работе инфраструктурных объектов, использование природосберегающих технологий имеет чрезвычайную важность. В статье представлен подход к разработке и применению цифровых двойников, представляющих процессы работы такого природосберегающего оборудования. Практическое применение разработанных средств показано на примере определения эффективных схем использования теплонасосного оборудования и оптимальных режимов его работы.
Работа выполнена при финансовой поддержке РФФИ и правительства Иркутской области, проект № 20-47-380002-р_а.