Lösungsarchitektur: Prognostizieren des Energie- und Strombedarfs für die Energieversorgung

Erfahren Sie, wie Microsoft Azure dabei helfen kann, Nachfragespitzen bei Energieprodukten und -diensten zu prognostizieren – und Ihrem Unternehmen so einen Wettbewerbsvorteil verschafft.

Diese Lösung basiert auf diesen verwalteten Azure-Diensten: Stream Analytics, Event Hubs, Machine Learning, SQL-Datenbank, Data Factory und der Power BI. Diese Dienste werden in einer Hochverfügbarkeitsumgebung ausgeführt, gepatcht und unterstützt, sodass Sie sich auf die Lösung konzentrieren können, anstatt auf die Umgebung, in der sie ausgeführt wird.

Prognostizieren des Energie- und Strombedarfs | Microsoft Azure Ein Diagramm, dass die Beziehungen zwischen acht Produkten und Diensten veranschaulicht, die von Symbolen dargestellt werden. Ganz links sehen Sie ein Symbol, das für Beispieldaten steht. Dieses Symbol ist mit einem einseitigen Pfeil mit zwei anderen Symbolen verbunden: eines für Event Hubs und eines für SQL-Datenbank. Event Hubs erhält Daten und übergibt diese an Stream Analytics, was durch den einseitigen Pfeil rechts dargestellt wird. Stream Analytics akzeptiert auch geografische Daten von Azure Blob Storage, das von unten mit einem einseitigen Pfeil verbunden ist. Stream Analytics schreibt anschließend an Power BI, was ganz recht im Diagramm abgebildet ist. Wenn wir einen Schritt zurück machen, fließen die Daten auch zu SQL-Datenbank, was durch eine zweiseitige Verbindung mit Azure Machine Learning dargestellt wird, um prädiktive Modelle zu generieren. SQL-Datenbank ist auch mit einer geraden Linie mit Azure Data Factory verbunden, das das erneute Trainieren eines Modells orchestriert und zeitlich plant. SQL-Datenbank schreibt auch an Power BI, was, wie bereits erwähnt, ganz rechts dargestellt wird. Azure Data Factory Energy Demand Forecast(SQL) Energy Demand Forecast(Machine Learning) Geography Data(Blob Storage) Power BI Sample Data Raw event data queue(Event Hubs) Stream Analysis and Data Movement(Stream Analytics)

Implementierungsleitfaden

Produkte Dokumentation

Stream Analytics

Stream Analytics aggregiert Energieverbrauchsdaten in nahezu Echtzeit, um sie an Power BI zu schreiben.

Event Hubs

Event Hubs erfasst Energieverbrauchsdaten und übergibt diese an Stream Analytics.

Machine Learning

Machine Learning prognostiziert den Energiebedarf einer bestimmten Region anhand der erhaltenen Eingaben.

SQL-Datenbank

SQL-Datenbank speichern die Vorhersageergebnisse, die es vom Azure Machine Learning-Dienst erhalten hat. Diese Ergebnisse werden dann im Dashboard von Power BI verwendet.

Data Factory

Data Factory kümmert sich um die Orchestrierung und zeitliche Planung des erneuten Trainierens eines Modells im Stundentakt.

Power BI

Power BI visualisiert Energiebedarfsdaten aus Stream Analytics sowie vorhergesagten Energiebedarf aus SQL-Datenbank.

Zugehörige Lösungsarchitekturen