Optimierung der Stromversorgung

Es handelt sich hierbei um eine auf Azure basierende intelligente Lösung, die externe Open-Source-Tools einsetzt, um aus verschiedenen Energieressourcen den optimalen Kraftwerkseinsatz für ein Energienetz zu ermitteln. Ziel ist es, die Gesamtkosten, die durch diese Einsätze entstehen, zu minimieren und gleichzeitig den Energiebedarf zu befriedigen.

Aufbau

Laden Sie eine Visio-Datei dieser Architektur herunter.

Datenfluss

1. Die Beispieldaten werden über neu bereitgestellte Azure-Webaufträge gestreamt. Der Webauftrag verwendet ressourcenbezogene Daten aus Azure SQL-Datenbank, um die simulierten Daten zu generieren.
2. Der Datensimulator speist diese simulierten Daten in Azure Storage ein und schreibt eine Nachricht in Storage Queue, die im weiteren Lösungsfluss verwendet wird.
3. Ein weiterer Webauftrag überwacht die Speicherwarteschlange und leitet einen Azure Batch-Auftrag ein, sobald eine Nachricht in der Warteschlange verfügbar ist.
4. Der Azure Batch-Dienst wird zusammen mit Data Science Virtual Machines verwendet, um die Energieversorgung durch einen bestimmten Ressourcentyp angesichts der empfangenen Eingaben zu optimieren.
5. Azure SQL-Datenbank dient zum Speichern der vom Azure Batch-Dienst empfangenen Optimierungsergebnisse. Diese Ergebnisse werden dann im Power BI-Dashboard genutzt.
6. Abschließend wird Power BI zur Visualisierung der Ergebnisse eingesetzt.

Komponenten

Die wichtigsten für die Implementierung dieser Architektur verwendeten Technologien sind:

• Azure Batch
• Azure Blob Storage
• Azure Data Science Virtual Machines
• Azure SQL-Datenbank
• Azure Queue Storage
• Power BI-Dashboard

Szenariodetails

Ein Stromnetz besteht aus Energieverbrauchern und aus verschiedenen Arten von Energieversorgungs-, Handels- und Speicherkomponenten: Umspannwerke nehmen die Stromlast auf oder exportieren überschüssige Energie. Stromspeicher können Energie entladen oder für den künftigen Gebrauch speichern. Windparks und Solaranlagen (selbstgeplante Generatoren), Mikroturbinen (jederzeit verfügbare Generatoren) und Demand Response-Gebote können alle eingesetzt werden, um die Nachfrage der Verbraucher innerhalb des Netzes zu befriedigen.

Die Kosten für die Inanspruchnahme verschiedener Ressourcentypen variieren, während die Kapazitäten und die physischen Merkmale jedes Ressourcentyps die Einsatzmöglichkeiten der Ressource einschränken. Angesichts all dieser Einschränkungen besteht eine Herausforderung für den Betreiber eines intelligenten Stromnetzes darin, wie viel Energie jede Art von Ressource über einen bestimmten Zeitraum bereitstellen sollte. So kann der prognostizierte Energiebedarf aus dem Stromnetz gedeckt werden.

Mögliche Anwendungsfälle

Diese Lösung demonstriert die Fähigkeit von Azure, externe Tools wie Pyomo und CBC einzubinden, um umfangreiche numerische Optimierungsprobleme zu lösen, z. B. gemischte ganzzahlige lineare Programmierung, Parallelisierung mehrerer Optimierungsaufgaben mittels einer aus Azure Virtual Machines bestehenden Azure Batch-Instanz zu lösen. Weitere involvierte Produkte sind Azure Blob Storage, Azure Queue Storage, Azure-Web-App, Azure SQL-Datenbank und Power BI.

Nächste Schritte

Produktdokumentation:

• Was ist Azure Batch?
• Was ist Azure-Blobspeicher?
• Worum handelt es sich bei Azure Data Science Virtual Machine?
• Was ist Azure SQL-Datenbank?
• Was ist Azure Queue Storage?
• Einführung in Dashboards

Microsoft Learn-Module:

• Erstellen einer Data Science Virtual Machine-Instanz und Herstellen einer Verbindung mit ihr
• Bereitstellen von Azure SQL-Datenbank
• Einführung in Azure Blob Storage
• Ausführen von parallelen Aufgaben in Azure Batch mit der Azure CLI

Zugehörige Ressourcen

• Künstliche Intelligenz (KI): Architekturübersicht
• Data Science und maschinelles Lernen mit Azure Databricks
• Prognosen des Energiebedarfs und des Strombedarfs mit maschinellem Lernen
• Predictive Maintenance