Prevedere l'energia e la domanda di energia con Machine Learning

Azure Machine Learning
Azure Data Factory
Power BI

Idee per le soluzioni

Questo articolo descrive un'idea di soluzione. L'architetto cloud può usare queste linee guida per visualizzare i componenti principali per un'implementazione tipica di questa architettura. Usare questo articolo come punto di partenza per progettare una soluzione ben progettata in linea con i requisiti specifici del carico di lavoro.

Informazioni su come Azure Machine Learning può aiutare a prevedere picchi di domanda di prodotti e servizi energetici.

Architettura

Diagramma dell'architettura: uso di servizi di Azure come Machine Learning in una soluzione che prevede l'energia e la domanda di energia.

Scaricare un file di Visio di questa architettura.

Flusso di dati

  1. I dati delle serie temporali possono essere archiviati in vari formati, a seconda dell'origine originale. I dati possono essere archiviati come file in Azure Data Lake Storage o in formato tabulare in Azure Synapse o database SQL di Azure.
  2. Lettura: Azure Machine Learning (ML) può connettersi e leggere da tali origini. L'inserimento di dati delle serie temporali in Azure Machine Learning consente a Machine Learning automatizzato (AutoML) di pre-elaborare i dati e di eseguire il training e la registrazione di un modello.
  3. Il primo passaggio all'interno di AutoML è la configurazione e la pre-elaborazione dei dati delle serie temporali. In questo passaggio i dati forniti vengono preparati per il training. I dati determinano le funzionalità e le configurazioni previste seguenti:
    • Valori mancanti imputati
    • Progettazione delle funzionalità di Festività e DateTime
    • Lag and rolling windows
    • Convalida incrociata dell'origine in sequenza
  4. Durante la fase di training, AutoML usa il set di dati pre-elaborato per eseguire il training, selezionare e spiegare il modello di previsione migliore.
    • Training del modello: è possibile usare un'ampia gamma di modelli di Machine Learning, che vanno dalle previsioni classiche, dalle reti neurali profonde e dai modelli di regressione.
    • Valutazione del modello: la valutazione dei modelli consente a AutoML di valutare le prestazioni di ogni modello sottoposto a training e consente di selezionare il modello con prestazioni migliori per la distribuzione.
    • Spiegazione: AutoML fornisce spiegazioni per il modello selezionato, che consente di comprendere meglio quali funzionalità stanno guidando i risultati del modello.
  5. Il modello con prestazioni ottimali viene registrato in Azure Machine Learning usando AutoML, che lo rende disponibile per la distribuzione.
  6. Distribuzione: il modello registrato in Azure Machine Learning può essere distribuito, che fornisce un endpoint attivo che può essere esposto per l'inferenza.
  7. La distribuzione può essere eseguita tramite servizio Azure Kubernetes (servizio Azure Kubernetes), mentre si esegue un cluster gestito da Kubernetes in cui i contenitori vengono distribuiti da immagini archiviate in Registro Azure Container. In alternativa, è possibile usare Istanze di Azure Container anziché il servizio Azure Kubernetes.
  8. Inferenza: dopo la distribuzione del modello, l'inferenza dei nuovi dati può essere eseguita tramite l'endpoint disponibile. È possibile supportare stime batch e quasi in tempo reale. I risultati dell'inferenza possono essere archiviati come documenti in Azure Data Lake Storage o in formato tabulare in Azure Synapse o database SQL di Azure.
  9. Visualizza: i risultati del modello archiviati possono essere utilizzati tramite interfacce utente, ad esempio dashboard di Power BI o applicazioni Web personalizzate. I risultati vengono scritti in un'opzione di archiviazione in un formato file o tabulare, quindi vengono indicizzati correttamente da Ricerca cognitiva di Azure. Il modello viene eseguito come inferenza batch e archivia i risultati nel rispettivo archivio dati.

Componenti

  • Azure Data Factory: gestire la manipolazione e la preparazione dei dati.
  • Machine Learning automatizzato di Azure: usare Azure ML per prevedere la domanda di energia di una determinata area.
  • MLOps: progettare, distribuire e gestire flussi di lavoro del modello di produzione.
  • Integrazione di Azure ML di Power BI: usare i risultati della stima del modello in Power BI.

Dettagli dello scenario

Il consumo energetico e la domanda di energia cambiano nel tempo. Il monitoraggio di questa modifica nel tempo comporta una serie temporale che può essere usata per comprendere i modelli e prevedere comportamenti futuri. Azure Machine Learning consente di prevedere picchi di domanda di prodotti e servizi energetici.

Questa soluzione è basata sui servizi gestiti di Azure:

Questi servizi vengono eseguiti in un ambiente a disponibilità elevata, con patch e supporto, consentendo di concentrarsi sulla soluzione anziché sull'ambiente in cui vengono eseguiti.

Potenziali casi d'uso

Questa soluzione è ideale per l'industria energetica.

Collaboratori

Questo articolo viene gestito da Microsoft. Originariamente è stato scritto dai seguenti contributori.

Autore principale:

  • Dr. Carlos Santos | Senior Cloud Solution Architect - Intelligenza artificiale e data science

Passaggi successivi

Vedere la documentazione del prodotto seguente:

Altre informazioni: