Upravit

Prognózování spotřeby energie a spotřeby pomocí strojového učení

Azure Machine Learning
Azure Data Factory
Power BI

Nápady na řešení

Tento článek je myšlenkou řešení. Pokud chcete, abychom obsah rozšířili o další informace, jako jsou potenciální případy použití, alternativní služby, aspekty implementace nebo pokyny k cenám, dejte nám vědět tím, že nám poskytnete zpětnou vazbu k GitHubu.

Přečtěte si, jak azure Machine Učení může pomoct předpovídat špičky poptávky po energetických produktech a službách.

Architektura

Architecture diagram: using Azure services like Machine Learning in a solution that forecasts energy and power demand.

Stáhněte si soubor aplikace Visio s touto architekturou.

Tok dat

  1. Data časových řad se dají ukládat v různých formátech v závislosti na původním zdroji. Data se dají ukládat jako soubory ve službě Azure Data Lake Storage nebo v tabulkové podobě ve službě Azure Synapse nebo Azure SQL Database.
  2. Přečtěte si: Azure Machine Učení (ML) se může z těchto zdrojů připojit a číst. Příjem dat časových řad do služby Azure Machine Učení umožňuje automatizované strojové učení (AutoML) předem zpracovávat data a trénovat a registrovat model.
  3. Prvním krokem v rámci AutoML je konfigurace a předběžné zpracování dat časových řad. V tomto kroku jsou poskytnutá data připravená na trénování. Data řídí následující funkce a prognózované konfigurace:
    • Imputované chybějící hodnoty
    • Příprava funkcí Holiday and DateTime
    • Prodlevy a posuvná okna
    • Křížové ověřování původu se klouzavým původem
  4. Během fáze trénování používá AutoML předzpracovanou datovou sadu k trénování, výběru a vysvětlení nejlepšího modelu prognózování.
    • Trénování modelů: Lze použít širokou škálu modelů strojového učení, od klasických prognóz, hlubokých neurálních sítí a regresních modelů.
    • Vyhodnocení modelu: Vyhodnocení modelů umožňuje službě AutoML vyhodnotit výkon každého natrénovaného modelu a umožňuje vybrat model s nejlepším výkonem pro nasazení.
    • Vysvětlitelnost: AutoML poskytuje vysvětlitelnost vybraného modelu, což vám umožní lépe pochopit, které funkce řídí výsledky modelu.
  5. Model s nejlepším výkonem je zaregistrovaný ve službě Azure Machine Učení pomocí AutoML, který ho zpřístupní pro nasazení.
  6. Nasazení: Model zaregistrovaný ve službě Azure Machine Učení je možné nasadit, což poskytuje živý koncový bod, který je možné vystavit pro odvozování.
  7. Nasazení je možné provést prostřednictvím služby Azure Kubernetes Service (AKS), zatímco spouštíte cluster spravovaný kubernetes, ve kterém se kontejnery nasazují z imagí uložených ve službě Azure Container Registry. Alternativně je možné místo AKS použít službu Azure Container Instances.
  8. Odvozování: Po nasazení modelu je možné odvozování nových dat provést prostřednictvím dostupného koncového bodu. Dávkové a blízké předpovědi v reálném čase je možné podporovat. Výsledky odvozování se dají ukládat jako dokumenty ve službě Azure Data Lake Storage nebo v tabulkové podobě ve službě Azure Synapse nebo Azure SQL Database.
  9. Vizualizujte: Výsledky uloženého modelu je možné využívat prostřednictvím uživatelských rozhraní, jako jsou řídicí panely Power BI nebo prostřednictvím vlastních webových aplikací. Výsledky se zapisují do možnosti úložiště v souboru nebo tabulkovém formátu a pak se správně indexují službou Azure Cognitive Search. Model běží jako dávkové odvozování a ukládá výsledky do příslušného úložiště dat.

Komponenty

Podrobnosti scénáře

Spotřeba energie a poptávka po energii se v průběhu času mění. Monitorování této změny v průběhu času vede k časovým řadám, které je možné využít k pochopení vzorů a k prognózování budoucího chování. Azure Machine Učení může pomoct předpovídat špičky poptávky po energetických produktech a službách.

Toto řešení je postavené na spravovaných službách v Azure:

Tyto služby se spouští v prostředí s vysokou dostupností, opravují se a je pro ně dostupná podpora. Díky tomu se můžete zaměřit na své řešení, a ne na prostředí, ve kterém se spouští.

Potenciální případy použití

Toto řešení je ideální pro energetické odvětví.

Přispěvatelé

Tento článek spravuje Microsoft. Původně byla napsána následujícími přispěvateli.

Hlavní autor:

  • Dr. Carlos Santos | Vedoucí architekt cloudových řešení – AI a Datová Věda

Další kroky

Projděte si následující dokumentaci k produktu:

Další informace: