Viabilize análises de medidores inteligentes com a MongoDB

Visão Geral da Solução

Com a adoção de medidores inteligentes prevista para alcançar 90% nos EUA e no Canadá até 2027, o MongoDB oferece uma plataforma completa para gerenciar e analisar dados de série temporal de medidores inteligentes em grande escala. A solução permite que as empresas de serviços públicos coletem leituras de medidores de alta frequência, processem dados de streaming em tempo real e armazenem dados históricos de maneira eficiente usando as coleções de séries temporais do MongoDB. Pipelines de agregação poderosos e fluxos de alterações permitem a detecção sofisticada de anomalias, ajudando as empresas de serviços públicos a identificar rapidamente possíveis problemas, como picos de tensão, interrupções de energia ou padrões de consumo incomuns.

À medida que o consumo de energia aumenta no mundo todo, aumentam também os dados gerados por medidores inteligentes. A nossa solução utiliza a integração do MongoDB com protocolos de mensagens IoT, como o MQTT, para ingerir dados das unidades head-end dos medidores inteligentes com confiabilidade, enquanto o suporte nativo a séries temporais do MongoDB Atlas armazena e faz queries dos dados temporais com eficiência. As empresas de serviços públicos podem aumentar a escala de milhares para milhões de medidores conectados enquanto mantêm o desempenho e a acessibilidade dos dados. Recursos avançados como o escalonamento de dados e o Atlas Online Archive ajudam a gerenciar dados históricos de maneira econômica, enquanto as funcionalidades analíticas integradas permitem fazer monitoramento em tempo real e gerar insights operacionais em dashboards e relatórios personalizáveis.

Arquiteturas de referência

Existem dois componentes principais nessa solução.

Sistema de gerenciamento de dados de medição de última geração com MongoDB

Depois que os dados do medidor inteligente são armazenados no MongoDB Atlas, eles podem ser analisados em busca de anomalias e insights. Essa solução usa três recursos importantes do MongoDB para criar um MDMS de última geração: fluxos de alterações, coleções de séries temporais e a poderosa API MongoDB Query.

Os fluxos de alterações do MongoDB permitem a captura e o processamento em tempo real de mudanças no banco de dados, como operações de inserção, o que gera insights imediatos sobre padrões de consumo de energia, anomalias do sistema e possíveis falhas. Essa capacidade em tempo real é crucial para sistemas de medidores inteligentes, pois permite uma análise oportuna pelo framework de agregação do MongoDB, detectando anomalias e despesas relacionadas a danos e interrupções no serviço.

Os dados analisados são armazenados em coleções de séries temporais. Essas coleções especializadas oferecem alta compactação, melhoram o desempenho de consultas de dados de séries temporais e possibilitam operações rápidas.

Figura 1. Arquitetura de sistema de gerenciamento de medidores inteligentes de ponta a ponta

Abordagem do modelo de dados

A solução utiliza dois modelos de dados de série temporal distintos. O primeiro modelo é projetado para dados brutos de medidores inteligentes com meter_id como metaField.

{
  "_id": "668cb56d3830323642e562d9" ,
  "timestamp": { "$date": "1720497517183" },
  "power_factor": 0.89 ,
  "power": 220.1 ,
  "frequency": 49.85,
  "meter_id": 1,
  "energy": 0.22,
  "current": 1,
  "voltage": 219.38
}

O segundo conjunto de dados inclui anomalias detectadas em várias medições com base em critérios predefinidos. Neste exemplo, as anomalias são definidas como as leituras que estão mais de três desvios-padrão acima dos valores médios. Estamos usando meter_id como metaField aqui.

{
  "_id": "668d4a023819ef77d3fc84d8",
  "timestamp": { "$date": "1720535553856" },
  "meter_id": 3,
  "data": {
    "voltage": 190.06,
    "current": 18.13,
    "power": 3445.67,
    "energy": 3.45,
    "power_factor": 0.76,
    "frequency": 49.92
  },
  "anomalies": ["voltage", "current"]
}

Construindo a Solução

Esta solução de gerenciamento de dados de medidores inteligentes demonstra uma arquitetura que utiliza o broker MQTT e o MongoDB Atlas para enfrentar os complexos desafios da coleção e análise de dados da infraestrutura energética moderna. Embora a implementação de referência exiba o MQTT Broker da Cedalo, a solução foi projetada para compatível com qualquer broker e oferece suporte à integração com vários provedores de MQTT.

Principais Aprendizados

• Gerenciamento de dados é crucial: medidores inteligentes geram volumes massivos de dados de série temporal, o que apresenta desafios significativos de interoperabilidade, privacidade e processamento eficiente. Soluções eficazes requerem bancos de dados flexíveis e dimensionáveis, capazes de lidar com fluxos de dados complexos e de alta frequência.

• O MQTT permite comunicação eficiente de IoT: o protocolo leve de publicação e inscrição é crucial para ecossistemas de medidores inteligentes, pois fornece transmissão de dados eficiente, segura e confiável entre dispositivos de IoT, agregadores e sistemas de gerenciamento.

• O MongoDB oferece soluções abrangentes para dados de IoT: com recursos como coleções de séries temporais, fluxos de mudanças, frameworks de agregação e o document model flexível, o MongoDB enfrenta desafios importantes no gerenciamento de dados de medidores inteligentes, incluindo a detecção de anomalias, análises em tempo real e armazenamento de dados dimensionável.

• Abordagem integrada é fundamental: implementações bem-sucedidas de medidores inteligentes requerem uma solução holística que combine protocolos de mensagens robustos (como MQTT), tecnologias avançadas de banco de dados e funcionalidades analíticas abrangentes para transformar dados brutos dos medidores em perspicácias acionáveis para as empresas de serviços públicos.

Tecnologias e produtos utilizados

Autores

• Dr. Humza Akhtar, MongoDB

• Rami Pinto, MongoDB

• Sebastian Rojas Arbulu, MongoDB

• Diego Canales, MongoDB