チュートリアル:Azure Notebooks (Python) を使用して天気予報データにセンサーデータを結合する

[アーティクル]
02/29/2024

風力は、気候変動への対策として化石燃料に代わるエネルギー源です。風はもともと一定のものではないため、風力のオペレーターは機械学習 (ML) モデルを作成して、風力発電能力を予測する必要があります。電力需要を満たし、送電網の安定性を確保するためには、この予測が必要となります。このチュートリアルでは、気象測定値のデモデータに Azure Maps の天気予報データを結合する方法について取り上げます。天気予報データを要求するには、Azure Maps Weather Service を呼び出します。

このチュートリアルでは、次のことについて説明します。

クラウド内の Azure Notebooks でデータファイルを操作する。
ファイルからデモデータを読み込む。
Python で Azure Maps REST API シリーズを呼び出す。
マップ上に場所データをレンダリングする。
Azure Maps の気象データ (毎日の予報) でデモデータをエンリッチする。
予測データをグラフにプロットする。

前提条件

Azure サブスクリプションをお持ちでない場合は、開始する前に無料アカウントを作成してください。

注意

Azure Maps での認証の詳細については、「Azure Maps での認証の管理」を参照してください。

Azure Notebooks の概要と基本的な使用方法については、「Azure Notebook を作成する」の手順に従ってください。

Note

このプロジェクトの Jupyter Notebook ファイルは、Weather Maps Jupyter Notebook リポジトリからダウンロードできます。

必要なモジュールとフレームワークを読み込む

必要なモジュールとフレームワークをすべて読み込むには、次のスクリプトを実行します。

import pandas as pd
import datetime
from IPython.display import Image, display
!pip install aiohttp
import aiohttp

気象データをインポートする

このチュートリアルでは、4 つの異なる風力タービンに設置されたセンサーからの気象データの測定値を利用します。サンプルデータは、30 日間分の気象データ測定値から成ります。これらの測定値は各タービンに近接する気象データセンターから収集されています。デモデータには、気温、風速、風向の各データの測定値が含まれています。 weather_dataset_demo.csv に含まれているデモデータを GitHub からダウンロードできます。次のスクリプトでは、デモデータを Azure Notebook にインポートします。

df = pd.read_csv("./data/weather_dataset_demo.csv")

毎日の予報データを要求する

このシナリオでは、センサーの設置場所ごとの毎日の予報を要求します。次のスクリプトでは、Azure Maps Weather Service の毎日の予報 API を呼び出します。この API は、現在の日付から 15 日間の天気予報を、それぞれの風力タービンについて返します。

subscription_key = "Your Azure Maps key"

# Get a lists of unique station IDs and their coordinates 
station_ids = pd.unique(df[['StationID']].values.ravel())
coords = pd.unique(df[['latitude','longitude']].values.ravel())

years,months,days = [],[],[]
dates_check=set()
wind_speeds, wind_direction = [], []

# Call azure maps Weather services to get daily forecast data for 15 days from current date
session = aiohttp.ClientSession()
j=-1
for i in range(0, len(coords), 2):
    wind_speeds.append([])
    wind_direction.append([])
    
    query = str(coords[i])+', '+str(coords[i+1])
    forecast_response = await(await session.get("https://atlas.microsoft.com/weather/forecast/daily/json?query={}&api-version=1.0&subscription-key={Your-Azure-Maps-Subscription-key}&duration=15".format(query, subscription_key))).json()
    j+=1
    for day in range(len(forecast_response['forecasts'])):
            date = forecast_response['forecasts'][day]['date'][:10]
            wind_speeds[j].append(forecast_response['forecasts'][day]['day']['wind']['speed']['value'])
            wind_direction[j].append(forecast_response['forecasts'][day]['day']['windGust']['direction']['degrees'])
            
            if date not in dates_check:
                year,month,day= date.split('-')
                years.append(year)
                months.append(month)
                days.append(day)
                dates_check.add(date)
            
await session.close()

次のスクリプトでは、Get Map Image サービスを呼び出してタービンの場所を地図上にレンダリングします。

# Render the turbine locations on the map by calling the Azure Maps Get Map Image service
session = aiohttp.ClientSession()

pins="default|la-25+60|ls12|lc003C62|co9B2F15||'Location A'{} {}|'Location B'{} {}|'Location C'{} {}|'Location D'{} {}".format(coords[1],coords[0],coords[3],coords[2],coords[5],coords[4], coords[7],coords[6])

image_response = "https://atlas.microsoft.com/map/static/png?subscription-key={Your-Azure-Maps-Subscription-key}&api-version=1.0&layer=basic&style=main&zoom=6&center={},{}&pins={}".format(subscription_key,coords[7],coords[6],pins)

static_map_response = await session.get(image_response)

poi_range_map = await static_map_response.content.read()

await session.close()

display(Image(poi_range_map))

Turbine locations

ここでは、ステーション ID に基づいて、予測データとデモデータをグループ化します。ステーション ID は、気象データセンターのものです。グループ化によって、デモデータを予測データで強化します。

# Group forecasted data for all locations
df = df.reset_index(drop=True)
forecast_data = pd.DataFrame(columns=['StationID','latitude','longitude','Year','Month','Day','DryBulbCelsius','WetBulbFarenheit','WetBulbCelsius','DewPointFarenheit','DewPointCelsius','RelativeHumidity','WindSpeed','WindDirection'])

for i in range(len(station_ids)):
    loc_forecast = pd.DataFrame({'StationID':station_ids[i], 'latitude':coords[0], 'longitude':coords[1], 'Year':years, 'Month':months, 'Day':days, 'WindSpeed':wind_speeds[i], 'WindDirection':wind_direction[i]})
    forecast_data = pd.concat([forecast_data,loc_forecast], axis=0, sort=False)
    
combined_weather_data = pd.concat([df,forecast_data])
grouped_weather_data = combined_weather_data.groupby(['StationID'])

次の表は、各地に設置されたタービンの 1 つについて、履歴データと予測データを併せて表示したものです。

# Display data for first location
grouped_weather_data.get_group(station_ids[0]).reset_index()

Grouped data

予測データをプロットする

それぞれの日付の予測値をプロットします。このプロットによって、今後 15 日間に風速と風向がどのように変化するかを見ることができます。

# Plot wind speed
curr_date = datetime.datetime.now().date()
windsPlot_df = pd.DataFrame({ 'Location A': wind_speeds[0], 'Location B': wind_speeds[1], 'Location C': wind_speeds[2], 'Location D': wind_speeds[3]}, index=pd.date_range(curr_date,periods=15))
windsPlot = windsPlot_df.plot.line()
windsPlot.set_xlabel("Date")
windsPlot.set_ylabel("Wind speed")

#Plot wind direction 
windsPlot_df = pd.DataFrame({ 'Location A': wind_direction[0], 'Location B': wind_direction[1], 'Location C': wind_direction[2], 'Location D': wind_direction[3]}, index=pd.date_range(curr_date,periods=15))
windsPlot = windsPlot_df.plot.line()
windsPlot.set_xlabel("Date")
windsPlot.set_ylabel("Wind direction")

次のグラフは、予測データを視覚化したものです。風速の変化については、左側のグラフを参照してください。風向の変化については、右側のグラフを参照してください。このデータは、データが要求された日を起点とするその後 15 日間の予測です。

Wind speed plot Wind direction plot

このチュートリアルでは、Azure Maps の REST API を呼び出して天気予報データを取得する方法について説明しました。そのデータをグラフで視覚化する方法についても説明しました。

Azure Maps の REST API を Azure Notebooks 内で呼び出す方法については、Azure Notebooks を使用した電気自動車のルート案内に関するページを参照してください。

このチュートリアルで使用した Azure Maps API シリーズの詳細については、以下を参照してください。

Azure Maps REST API シリーズの完全な一覧については、Azure Maps REST API に関する記事を参照してください。

リソースをクリーンアップする

クリーンアップが必要なリソースはありません。

次の手順

Azure Notebooks の詳細については、次を参照してください。

Azure Notebooks

チュートリアル:Azure Notebooks (Python) を使用して天気予報データにセンサー データを結合する