Previsão e demanda de energia com machine learning

Saiba como o Azure Machine Learning pode ajudar a prever picos na demanda por produtos e serviços de energia.

Arquitetura

Baixe um Arquivo Visio dessa arquitetura.

Fluxo de dados

1. Os dados de série temporal podem ser armazenados em vários formatos, dependendo de sua fonte original. Os dados podem ser armazenados como arquivos no Azure Data Lake Storage ou em formato tabular no Azure Synapse ou no Banco de Dados SQL do Azure.
2. Leia: O Azure Machine Learning (ML) pode se conectar e ler dessas fontes. A ingestão de dados de série temporal no Azure Machine Learning permite que o machine learning automatizado (AutoML) pré-processe os dados e treine e registre um modelo.
3. A primeira etapa dentro do AutoML é a configuração e o pré-processamento dos dados da série temporal. Nessa etapa, os dados fornecidos são preparados para treinamento. Os dados impulsionam os seguintes recursos e as configurações previstas:
   • Valores ausentes imputados
   • Engenharia de recursos de Feriado e DateTime
   • Atrasos e janelas sem interrupção
   • Validação cruzada de origem sem interrupção
4. Durante o estágio de treinamento, o AutoML usa o conjunto de dados pré-processado para treinar, selecionar e explicar o melhor modelo de previsão.
   • Treinamento de modelo: uma ampla gama de modelos de machine learning pode ser usada, desde previsões clássicas, redes neurais profundas e modelos de regressão.
   • Avaliação do modelo: a avaliação de modelos permite que o AutoML avalie o desempenho de cada modelo treinado e permite que você selecione o modelo de melhor desempenho para implantação.
   • Explicabilidade: o AutoML fornece explicabilidade para o modelo selecionado, o que permite que você entenda melhor quais recursos estão impulsionando os resultados do modelo.
5. O modelo com melhor desempenho é registrado no Azure Machine Learning usando o AutoML, o que o disponibiliza para implantação.
6. Implantação: o modelo registrado no Azure Machine Learning pode ser implantado, que fornece um ponto de extremidade dinâmico que pode ser exposto para inferência.
7. A implantação pode ser feita por meio do Serviço de Kubernetes do Azure (AKS), enquanto você executa um cluster gerenciado pelo Kubernetes em que os contêineres são implantados a partir de imagens armazenadas no Registro de Contêiner do Azure. Como alternativa, as Instâncias de Contêiner do Azure podem ser usadas em vez do AKS.
8. Inferência: depois que o modelo é implantado, a inferência de novos dados pode ser feita por meio do ponto de extremidade disponível. Há suporte para previsões em lotes e quase em tempo real. Os resultados da inferência podem ser armazenados como documentos no Azure Data Lake Storage ou em formato tabular no Azure Synapse ou no Banco de Dados SQL do Azure.
9. Visualize: os resultados do modelo armazenado podem ser consumidos por meio de interfaces do usuário, como painéis do Power BI ou por meio de aplicativos Web personalizados. Os resultados são gravados em uma opção de armazenamento em um formato de arquivo ou de tabela e, em seguida, são indexados corretamente pelo Azure Cognitive Search. O modelo é executado como inferência em lote e armazena os resultados no respectivo armazenamento de dados.

Componentes

• Azure Data Factory: lide com a manipulação e a preparação de dados.
• Machine Learning Automatizado do Azure: use o Azure ML para prever a demanda de energia de uma determinada região.
• MLOps: projete, implante e gerencie fluxos de trabalho do modelo de produção.
• Integração entre Azure ML e o Power BI: consuma resultados de previsão de modelo no Power BI.

Detalhes do cenário

O consumo de energia e a demanda de energia mudam ao longo do tempo. O monitoramento dessa alteração ao longo do tempo resulta em séries temporais que podem ser utilizadas para entender padrões e prever comportamentos futuros. O Azure Machine Learning pode ajudar a prever picos na demanda por produtos e serviços de energia.

Essa solução é criada nos serviços gerenciados do Azure:

• Azure Stream Analytics
• Hubs de Eventos
• Azure Machine Learning
• Banco de Dados SQL do Azure
• Data Factory
• Power BI

Esses serviços são executados em um ambiente de alta disponibilidade, com patch e suporte, permitindo que você se concentre em sua solução em vez de no ambiente em que eles são executados.

Possíveis casos de uso

Essa solução é ideal para o setor de varejo.

Colaboradores

Esse artigo é mantido pela Microsoft. Ele foi originalmente escrito pelos colaboradores a seguir.

Autor principal:

• Dr. Carlos Santos | Arquiteto sênior de soluções de nuvem - Ciência de Dados de IA &

Próximas etapas

Consulte a seguinte documentação do produto:

• Bem-vindo(a) ao Stream Analytics
• O que são Hubs de Eventos?
• Documentação do SQL Azure
• Saiba mais sobre o Data Factory
• O que é Azure Machine Learning?
• Machine Learning e Previsão de série temporal
• Power BI

Saiba mais:

• Configurar o AutoML para treinar um modelo de previsão de séries temporais com o Python
• Experimente o Notebook do Machine Learning para Previsão usando o conjunto de dados de demanda de energia.
• Experimente o módulo do Microsoft Learn: Usar o machine learning automatizado no Azure Machine Learning

Recursos relacionados

• Soluções para os setores de energia e ambiente
• Previsão do nível de tanques de petróleo e gás
• Previsão de demanda para envio e distribuição