Prognozowanie zapotrzebowania na energię i energię przy użyciu uczenia maszynowego

Azure Machine Learning
Azure Data Factory
Power BI

Pomysły dotyczące rozwiązań

W tym artykule opisano pomysł rozwiązania. Architekt chmury może użyć tych wskazówek, aby ułatwić wizualizowanie głównych składników dla typowej implementacji tej architektury. Skorzystaj z tego artykułu jako punktu wyjścia, aby zaprojektować dobrze zaprojektowane rozwiązanie zgodne z konkretnymi wymaganiami obciążenia.

Dowiedz się, jak usługa Azure Machine Learning może pomóc w prognozowaniu skoków zapotrzebowania na produkty i usługi energetyczne.

Architektura

Diagram architektury: korzystanie z usług platformy Azure, takich jak Machine Learning, w rozwiązaniu, które prognozuje zapotrzebowanie na energię i energię.

Pobierz plik programu Visio z tą architekturą.

Przepływ danych

  1. Dane szeregów czasowych mogą być przechowywane w różnych formatach, w zależności od oryginalnego źródła. Dane mogą być przechowywane jako pliki w usłudze Azure Data Lake Storage lub w formie tabelarycznej w usłudze Azure Synapse lub Usłudze Azure SQL Database.
  2. Przeczytaj: Usługa Azure Machine Learning (ML) może łączyć się i odczytywać z takich źródeł. Pozyskiwanie danych szeregów czasowych do usługi Azure Machine Learning umożliwia automatyczne uczenie maszynowe (AutoML) wstępne przetwarzanie danych oraz trenowanie i rejestrowanie modelu.
  3. Pierwszym krokiem w ramach rozwiązania AutoML jest konfiguracja i wstępne przetwarzanie danych szeregów czasowych. W tym kroku podane dane są przygotowane do trenowania. Dane napędzają następujące funkcje i prognozowane konfiguracje:
    • Imputed missing values (Imputed missing values)
    • Inżynieria funkcji Holiday i DateTime
    • Opóźnienia i okna stopniowe
    • Krzyżowe sprawdzanie poprawności początkowego źródła
  4. Na etapie trenowania rozwiązanie AutoML używa wstępnie przetworzonego zestawu danych do trenowania, wybierania i wyjaśniania najlepszego modelu prognozowania.
    • Trenowanie modelu: można używać szerokiego zakresu modeli uczenia maszynowego, od klasycznych prognoz, głębokich sieci neuronowych i modeli regresji.
    • Ocena modelu: ocena modeli umożliwia usłudze AutoML ocenę wydajności każdego wytrenowanego modelu i umożliwia wybranie najlepszego modelu do wdrożenia.
    • Wyjaśnienie: Rozwiązanie AutoML zapewnia objaśnienie wybranego modelu, co pozwala lepiej zrozumieć, jakie funkcje napędzają wyniki modelu.
  5. Model o najlepszej wydajności jest rejestrowany w usłudze Azure Machine Learning przy użyciu rozwiązania AutoML, który udostępnia go do wdrożenia.
  6. Wdrażanie: model zarejestrowany w usłudze Azure Machine Learning można wdrożyć, który zapewnia dynamiczny punkt końcowy, który można uwidocznić na potrzeby wnioskowania.
  7. Wdrożenie można wykonać za pośrednictwem usługi Azure Kubernetes Service (AKS), uruchamiając klaster zarządzany przez platformę Kubernetes, w którym kontenery są wdrażane z obrazów przechowywanych w usłudze Azure Container Registry. Alternatywnie można użyć usługi Azure Container Instances zamiast usługi AKS.
  8. Wnioskowanie: po wdrożeniu modelu wnioskowanie nowych danych można wykonać za pośrednictwem dostępnego punktu końcowego. Przewidywania wsadowe i niemal w czasie rzeczywistym mogą być obsługiwane. Wyniki wnioskowania mogą być przechowywane jako dokumenty w usłudze Azure Data Lake Storage lub w formie tabelarycznej w usłudze Azure Synapse lub Usłudze Azure SQL Database.
  9. Wizualizacja: przechowywane wyniki modelu mogą być używane za pośrednictwem interfejsów użytkownika, takich jak pulpity nawigacyjne usługi Power BI lub za pomocą niestandardowych aplikacji internetowych. Wyniki są zapisywane w magazynie w formacie pliku lub tabelarycznym, a następnie są prawidłowo indeksowane przez usługę Azure Cognitive Search. Model działa jako wnioskowanie wsadowe i przechowuje wyniki w odpowiednim magazynie danych.

Składniki

  • Azure Data Factory: obsługa manipulowania danymi i przygotowywania.
  • Zautomatyzowane uczenie maszynowe platformy Azure: użyj usługi Azure ML, aby prognozować zapotrzebowanie na energię określonego regionu.
  • Metodyka MLOps: projektowanie, wdrażanie i zarządzanie przepływami pracy modelu produkcyjnego.
  • Integracja usługi Azure ML z usługą Power BI: korzystanie z wyników przewidywania modelu w usłudze Power BI.

Szczegóły scenariusza

Zużycie energii i zapotrzebowanie na energię zmieniają się w czasie. Monitorowanie tej zmiany w czasie powoduje szeregi czasowe, których można użyć do zrozumienia wzorców i prognozowania przyszłych zachowań. Usługa Azure Machine Learning może pomóc w prognozowaniu skoków zapotrzebowania na produkty i usługi energetyczne.

To rozwiązanie zostało utworzone w oparciu o usługi zarządzane Azure:

Usługi te działają w środowisku o wysokiej dostępności, zapewniającym poprawki i pomoc techniczną, co pozwala na koncentrację na rozwiązaniu, a nie środowisku, w którym działają usługi.

Potencjalne przypadki użycia

To rozwiązanie jest idealne dla branży energetycznej.

Współautorzy

Ten artykuł jest obsługiwany przez firmę Microsoft. Pierwotnie został napisany przez następujących współautorów.

Główny autor:

  • Dr Carlos Santos | Starszy architekt rozwiązań w chmurze — sztuczna inteligencja i Nauka o danych

Następne kroki

Zapoznaj się z następującą dokumentacją produktu:

Więcej informacji: