智慧热网云平台建设方案.docx

智慧热网云平台建设方案.docx

《智慧热网云平台建设方案.docx》由会员分享，可在线阅读，更多相关《智慧热网云平台建设方案.docx（7页珍藏版）》请在冰豆网上搜索。

智慧热网云平台建设方案

智慧热网云平台建设方案

一、概述

1、传统系统

1.1现状

传统的热力企业信息系统，是由多个子系统组成。

生产类的子系统

●热网自动化系统

●指挥调度系统

●应急指挥

●设备管理系统

●水力计算

●在线仿真

●GIS地理信息系统

经营类子系统

●收费系统

●财务系统

●人事管理

●进销存管理

●客服系统

●OA办公自动化系统

移动客户端

●Android

●IOS

●微信端（公众号或小程序）

1.2存在的问题

自身软硬件数量增加，并且越来越多样化，逐渐出现各子系统相对独立、资源设备分散、版本升级影响较大、数据不能有效共享、技术平台异构等难题，制约了热网系统的有效发展，影响了决策层对整个热力设备资产的管控。

在IT系统投资方面，为了实现新的业务增长需求，往往需要不断增加硬件、软件、网络设备的投入，以维持系统的正常运行，使得大量计算资源和计算能力得不到充分的发挥，造成巨大浪费。

2、云计算架构优势

云计算技术的蓬勃发展，恰好解决了传统热网系统发展遇到的瓶颈问题。

云计算是一种以网络作为载体，通过虚拟化技术，将计算设备、网络设备、存储设备虚拟化并构建成统一的资源池向集团公司以及个人提供服务，实现资源集中化管理与调度的技术。

在这种模式下，各类资源可以做到横向的无限扩展，无实施人员操作的情况下随时获取各类资源，根据实际使用情况按需分配资源。

同时，面向更高层，云计算可以将智能热网系统内的各子系统功能模块打包，将资源设备以应用的形式对外提供服务，这使得系统模块更加结构化，且易于编排发布和统一管理。

智能热网各系统将实时、全面地监控热源、管网、热力站、热用户以及通讯网络的运行情况，根据管网热负荷的预测和变化，调度热源按需供热，以满足全网供热热量均衡和节能的目的。

它是热力管网安全可靠、优化运行的保证。

1.1资源调度与节约复用

传统模式下热力企业上线一个新应用时，通常采用的IT架构模式为采购或调配特定的软硬件资源给每个应用。

如此会造成软硬件种类多样，差异较大，有时甚至需要开发特定接口来整合到一起，对各资源之间互用带来了许多困难。

另外，在分配资源时，为满足应用的正常使用，需要为其分配该应用在最大负荷状态下所需的资源数目。

在最大负荷状态过后，则存在大量空闲资源被占用的情况，造成许多不必要的浪费。

然而云计算架构将各类资源集中在一起以资源池形式对应用提供服务，消除了差异化。

同时，云计算可对所分配资源自动进行弹性伸缩，既可以保障应用最高负载状态下所需要的资源，又能在非峰值状态下按需使用资源，转而投入在更需要的应用上去，提高了复用率，节约了设备成本。

1.2系统整合与快速部署

在智能热网系统内各系统整合或系统升级时，传统架构下需要对业务进行中断，手动在服务器端安装配置新系统、重新搭建网络拓扑等。

而在云架构下，可对目标系统进行打包发布，以云主机形式对外提供服务。

通过云编排构建路由器、网络拓扑、负载均衡与各子系统关系模板，一键发布整套智能热网系统，实现秒级部署，灵活应对各种变更。

同时，在发布升级过程中可将旧有业务无缝热迁移至备用资源池中，保证业务的正常运行，在新系统平台部署完成后进行切换。

1.3数据与服务的高可用保障

传统环境下，智能热网系统的高可用性受到了很大考验，在复杂的内部子系统环境内，面对机柜掉电、硬盘设备损坏等突发情况容易导致业务的中断甚至数据丢失，而云平台的HA（高可靠性）特性大大提高了应对风险的能力。

在云平台内部，实现了从控制到数据存储、计算乃至服务的各个层面的高可用设计。

云服务控制层，采用多控制节点且以多活的形式对外提供计算服务。

当任一控制节点出现故障后，其他控制节点会自行接管故障控制器之前的工作。

数据存储层，使用Ceph（分布式存储）技术将所有存储资源抽象为共享存储且保持三副本状态，任一存储节点数据的丢失都可通过算法从其他节点恢复，保证数据的完整性与一致性。

计算层面的高可用性则借助了共享存储的特性，在计算节点掉电或损坏时，自动将承载任务漂移至其他计算节点，并从共享存储继续获取数据服务。

应用服务层面云平台内置负载均衡、监听器等插件，可自定义各类服务分发策略。

1.4开放性与兼容性

云平台作为承载各类系统与应用的底层架构，以云主机为载体，几乎支持所有IT（信息技术）服务的环境要求。

在平台的搭建和异构方面，云计算可以将底层各个厂家、各种技术和功能迥异的资源设备融合至虚拟化层面，消除了品牌与技术独占的隐患，降低了管理的复杂度，实现资源与设备的统一调度管理。

二、智能热网系统架构

将云计算与智能热网系统结合，搭建成为智能热网云平台，其中云平台系统内部架构分为三层，分别为:

（1）IaaS（Infrastructure-as-a-Service基础设施即服务）层。

（2）PaaS（Platform-as-a-Service平台即服务）层

（3）SaaS（Software-as-a-Service软件即服务）层。

对外智能热网云平台整体可划分为对外提供服务的接入层，智能热网云平台内部的应用层和支撑层，负责传输热网数据的传输层以及获取设备信息的感知层。

智能热网云平台整体构架如下图所示。

1、基础设施服务系统架构

基础架构服务的Iaas层是智能热网系统业务的底部支撑载体，内部又分别包括物理资源层、资源虚拟化层和云服务管理层。

其架构如图3所示。

（1）物理资源层

物理资源层指的是计算服务器集群、存储集群、网络设备等的底层物理资源，能够组成多节点资源池架构，每个节点都有着计算、存储和网络通信的能力。

（2）资源虚拟化层

资源虚拟化层是云计算的根本技术支撑，通过虚拟化技术将计算服务器、存储集群、网络形成统一虚拟资源池对上层云服务进行支持。

智能热网云平台支持多类计算虚拟化技术，存储方面则主要使用Ceph（分布式存储）构架共享存储集群，网络的虚拟化实现二层到三层及以上，利用多租户多VLAN（虚拟局域网）的方式进行网络隔离，灵活构建复杂的子网关系。

（3）云服务管理层

云服务管理层：

云服务管理层为IAAS架构中最为关键的一层，通过云服务管理可以对资源进行开关控制、动态分配、权限设置、故障恢复等管理。

同时平台可以为使用者提供自助申请虚拟资源的服务，热网工作人员可以自行对云平台租户的虚拟架构进行编辑，增添删除服务器、配置相关参数、存储容量和种类、网络拓扑等等。

2、智能热网云平台内部服务架构

在IaaS层的基础上，以将云平台与智能热网系统更深入结合为目的，构建智能热网云平台的PaaS层与SaaS层，对外提供智能热网系统的各个应用服务，其服务构架如图4所示。

云平台可以对智能热网系统所需的各类应用进行封装，为智能热网系统提供诸如数据库、共享文件、数据挖掘等云平台内置服务，这就是平台服务（Paas）层。

在这之上，云平台可以将智能热网系统下的各功能子系统：

热网监控系统、全网平衡分析系统、热网指挥调度系统、气候模型专家系统、调度任务单系统、热网能耗分析系统与供热地理信息系统进行打包封装，以服务的形式发布在云平台之上，便于企业更好地规划系统模块结构，进行编排和快速部署。

3、智能热网云平台高可用物理架构

设备按照用途、角色划分为：

控制节点、网络节点、计算节点、存储节点及计算存储融合节点。

其物理配置构架如图5所示。

（1）控制节点：

用至少3台服务器来承载智能热网云平台控制器，3台控制器同时对外提供服务，配置VRRP（虚拟路由器冗余协议）实现网络冗余及负载均衡。

采用奇数控制节点来增加仲裁机制，最多允许2个控制节点同时掉电；通过各节点的分柜部署可实现机柜之间高可用性。

（2）网络节点：

通常采用将网络节点与控制节点集成的方式进行部署，也可以如图5所示将网络节点单独部署在服务器上，支持配置VRRP实现高可用性。

（3）计算节点：

不论是生产网络、存储网络还是管理网络故障，都会触发虚拟机秒级迁移至可用计算节点，保证业务高可用。

（4）存储节点：

云平台支持将节点的本地磁盘作为存储资源加入分布式、多副本存储池。

多个副本会放置在不同机柜的不同节点上，单一节点的故障不会导致副本数据的丢失。

（5）计算存储融合节点：

云平台支持将计算与存储节点融合的方式进行部署，此方式好处为节省服务器资源，计算服务调用存储数据更加快速，适用于中小规模云平台的搭建。

三、大数据分析和人工智能

1、大数据分析

云计算平台建设完成之后，在线的大量应用软件系统将产生巨大的数据量，这些数据即包含结构性数据也包含非结构性数据，数据的种类、类型复杂，如何有效的利用并对热网的安全、调度、管理、运营产生积极影响才是“智能热网”真正的目标。

因此，将这些复杂的具有逻辑相关性的数据进一步分析、挖掘，行成一系列的数学模型，指导调度热源、热网、热力站的运行，达到节能、减员、增效的目的。

详见图7大数据分析支撑平台结构示意图。

智能热网”大数据分析可以从几个方面入手：

1、需求侧因素：

天气情况、用户室内温度、用户平日用量、节假日用量、建筑物情况、基础历史数据、投诉率等内容；2、供应侧因素：

热源出力情况、热网安全、换热效率、设备情况等内容；3、其他因素如：

趋势、政策、法律、法规等内容。

详见图6大数据分析支撑平台结构。

采用大数据分析的方法，可以产生多个不相关的数据间的关联性，进而对热网调度进行有效干预，比如，可以计算出投诉率、天气、用户室温等条件与供热温度之间的曲线关系，任意调整某一个条件就可以改变输出结果，直到得出令人满意的方案。

2、人工智能

大数据平台及数据分析建立后。

确定产品业务需求，建立数据模型，训练模型。

主流的数据模型有:

（1）分类模型

KNN、朴素贝叶斯、决策树、支持向量机、随机深林树….

（2）回归模型

线性回归、逻辑回归、神经网络…..

（3）聚类模型

Kmens、层次聚类、DBSCAN、图分类…..

（4）关联-关联规则

（5）半监督-标签传播算法