МІКРОСЕРВІС ХМАРНОГО ЗБЕРІГАННЯ ТА ОБМІНУ ДАНИМИ МОДЕЛЕЙ ПРОГНОЗУВАННЯ СИСТЕМИ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ ПРИ УПРАВЛІННІ ГІБРИДНОЮ ЕНЕРГОМЕРЕЖЕЮ

Автор(и)

DOI:

https://doi.org/10.32782/IT/2024-1-14

Ключові слова:

хмарні технології, мікросервіс, нейронна мережа, моделі прогнозування, об’єктне сховище, інтеграція даних, підтримка прийняття рішень.

Анотація

Метою роботи є розроблення мікросервісу для зберігання моделей прогнозування, які використовуються в системі підтримки прийняття рішень при управлінні гібридними енергетичними мережами, та їх метаданих. Це сприятиме упорядкуванню моделей прогнозування при їх зберіганні та підвищенню ефективності управління моделями прогнозування у хмарному сховищі. Методологія. У даній роботі використано методологію системного аналізу, проектування інформаційних систем, організації зберігання даними та файлами у хмарних сховищах. Для розроблення та тестування мікросервісу використано метод прототипування, а саме програмної реалізації прототипу мікросервісу на основі RESTful API. Розгортання мікросервісу здійснювалося з використанням контейнеризації через Docker. Наукова новизна роботи полягає у розробленні нового архітектурного рішення щодо зберігання та управління моделями прогнозування, розміщеними у хмарному сховищі S3. Спроектовано архітектуру підсистеми зберігання та обміну даними у вигляді мікросервісу з використанням архітектурного шаблону RESTful. Висновки. У результаті проведеного дослідження було досягнуто наступних результатів. Розроблено об’єктне сховище моделей прогнозування S3, що відповідає архітектурі файлових сховищ хмарних провайдерів. Розроблено мікросервіс, який реалізує API інтерфейс обробки запитів до сховища моделей прогнозування та забезпечує управління моделями прогнозування, збереженими у сховищі. Розроблений мікросервіс буде інтегрований із системою підтримки прийняття рішень при управлінні енергомережами і може використовуватися як локально, так і розгортатися на платформах провідних провайдерів хмарних сервісів. Проведено тестування мікросервісу з використанням нейромережевих прогнозних моделей електроспоживання різних типів, яке підтвердило його працездатність.

Посилання

Оstergaard Poul, Duic Neven, Noorollahi Younes, Kalogirou Soteris. Renewable energy for sustainable development. Renewable Energy. 2022. Vol. 199. P. 1145–1152. https://doi.org/10.1016/j.renene.2022.09.065

Кириленко, О. В., Снєжкін, Ю. Ф., Басок, Б. І., Базєєв, Є. Т. Енергетика, наука та інженерія: сучасний стан і виклики розвитку. Вісник НАН України. 2023. № 4, с. 3–20. https://doi.org/10.15407/visn2023.04.003

Obukhov S., Ibrahim A., Tolba M.A., M.El-Rifaie A. Power balance management of an autonomous hybrid energy system based on the dual-energy storage. Energies. 2019. Vol.12. https://doi.org/10.3390/en12244690.

Shendryk V., Boiko O., Parfenenko Y., Shendryk S., Tymchuk S. Decision Making for Energy Management in Smart Grid. Research Anthology on Clean Energy Management and Solutions. 2021. P. 1742–1776. https://doi.org/10.4018/978-1-7998-9152-9.ch077

Shendryk S., Shendryk V., Parfenenko Y., Drozdenko O., Tymchuk S. Decision Support System for Efficient Energy Management of MicroGrid with Renewable Energy Sources. Proceedings of the 11th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications, IDAACS 2021. 2021. P. 225–230. https://doi.org/10.1109/IDAACS53288.2021.9660966.

Shendryk V., Parfenenko Y., Tymchuk S., Kholiavka Y., Bielka Y. Modeling techniques of electricity consumption forecasting. AIP Conference Proceedings. 2022. Vol. 2570. https://doi.org/10.1063/5.0100123

Smith K.P., Seligman L.J., Rosenthal A., Kurcz C., Greer M., Macheret C., Sexton M., Eckstein A. Big metadata: The need for principled metadata management in big data ecosystems. Proceedings of the Third Workshop on Data analytics in the Cloud, DanaC. 2014, Snowbird, Utah, USA, pp. 13:1–13:4. https://doi.org/10.1145/2627770.2627776

Joseph S. Valacich, Christoph Schneider, Matthew Hashim. Information systems today: managing in the digital world. Pearson Education, 2022. 568 p.

Saiqa Aleem, Rabia Batool, Faheem Ahmed, Asad Khatak, and Raja Muhammad Ubaid Ullah. Architecture guidelines for saas development process. Proceedings of the 2017 International Conference on Cloud and Big Data Computing, ICCBDC 2017. 2017. P. 94–99.

Fei Hu. Big Data: Storage, Sharing, and Security. CRC Press, 2016. 430 p.

Antoni Olivé. Conceptual modeling of information systems. Springer Berlin Heidelberg, 2017. 455 p.

Roel J. Wieringa. Design science methodology: For information systems and software engineering. Springer Berlin Heidelberg, 2014. 332 p.

Raul Gracia-Tinedo, Marc Sanchez Artigas, Adrian Moreno-Martınez, Cristian Cotes, and Pedro Garcıa Lopez Actively measuring personal cloud storage. In 2013 IEEE Sixth International Conference on Cloud Computing, 2013. P.301–308.

Greg Schulz. Cloud and Virtual Data Storage Networking. Auerbach Publications, 2011. 400 p.

Design an optimal storage strategy for your cloud workload. (n.d.). cloud.google.com. URL:https://cloud.google.com/architecture/storage-advisor

Carullo, Giuliano & Di Mauro, Mario & Galderisi, Michele & Longo, Maurizio & Postiglione, Fabio & Tambasco, Marco. Object Storage in Cloud Computing Environments: An Availability Analysis. 2017. P. 178–190. https://10.1007/978-3-319-57186-7_15.

Factor, Michael & Meth, Kalman & Naor, Dalit & Rodeh, Ohad & Satran, Julian. Object storage: The future building block for storage systems. IEEE Xplore, 2005. P.119. https://doi.org/ 10.1109/LGDI.2005.1612479

Pawar S., Bhusari C., Gopnarayan A. A Study of Google Cloud Services. International Journal of Engineering Applied Sciences and Technology. 2020. Vol. 5, Issue 7, No. 2455-2143, P. 227–231. https://doi.org/10.33564/IJEAST.2020.V05I07.034

Larrucea, Xabier & Santamaria, Izaskun & Colomo-Palacios, Ricardo & Ebert, Christof. Microservices. IEEE Software, 2018. Vol. 35. P. 96–100. https://doi.org/10.1109/MS.2018.2141030

##submission.downloads##

Опубліковано

2024-06-12