Vorhersage des Füllstands von Öl- und Gastanks

Heute wenden die meisten Versorgungsunternehmen bei Problemen mit Tankfüllständen reaktive Verfahren an. Dies führt häufig zum Überlaufen von Tanks sowie zu unvorhergesehenen Ausfällen, hohen Sanierungskosten, Vorschriftsverletzungen, teuren Reparaturen und hohen Strafgebühren. Durch eine Vorhersage des Tankfüllstands lassen sich diese und andere Probleme beheben und vermindern.

Vorhersagen lassen sich mithilfe von Echtzeit- und Verlaufsdaten erstellen, die von Sensoren, Messgeräten und Datensätzen stammen. Profitieren Sie von folgenden Vorteilen:

  • Verhindern Sie das Überlaufen von Tanks und unvorhergesehene Ausfälle.
  • Entdecken Sie Hardwarefehlfunktionen oder -ausfälle.
  • Planen Sie Wartungszyklen, Stilllegungen und Logistik.
  • Optimieren Sie den Betrieb und die Effizienz der Anlage.
  • Entdecken Sie Lechs und Stoßwellen in der Pipeline.
  • Reduzieren Sie Kosten, Strafgebühren und Ausfallzeiten.

Der Vorhersageprozess für Tankfüllstände beginnt am Quellenzufluss. Öl wird mit Messgeräten gemessen, sobald es in der Anlage ankommt und in die Tanks weitergeleitet wird. Die Füllstände werden während des Raffinierungsprozesses in den Tanks überwacht und aufgezeichnet. Danach werden die Auslassmengen für Öl, Gas und Wasser mithilfe von Sensoren, Messgeräten und Datensätzen aufgezeichnet. Anhand der Daten aus der Anlage werden dann Vorhersagen erstellt. Dies kann z.B. alle 15 Minuten erfolgen.

Die Cortana Intelligence Suite lässt sich an die verschiedenen Anforderungen von Anlagen und Unternehmen anpassen.

Beschreibung

Hinweis: Wenn Sie diese Lösung bereits bereitgestellt haben, klicken Sie hier, um sich Ihre Bereitstellung anzeigen zu lassen.

Weitere Informationen zur Struktur dieser Lösung entnehmen Sie dem Lösungsleitfaden auf GitHub.

Geschätzte Bereitstellungszeit: 20 Minuten

Die Cortana Intelligence Suite stellt über Microsoft Azure Komponenten für Datenerfassung, Datenspeicherung, Datenverarbeitung und erweiterte Analysen bereit – alle grundlegenden Elemente zum Erstellen einer Lösung für die Vorhersage von Tankfüllständen.

Diese Lösung kombiniert mehrere Azure-Dienste, um optimierte Ergebnisse zu erzielen. Event Hubs erfasst Daten zum Tankfüllstand in Echtzeit. Stream Analytics aggregiert Datenströme und stellt diese für die Visualisierung bereit. Azure SQL Data Warehouse speichert und transformiert die Tankfüllstandsdaten. Machine Learning implementiert das Vorhersagemodell und führt dieses aus. Power BI visualisiert den Tankfüllstand in Echtzeit sowie die Vorhersageergebnisse. Zum Schluss orchestriert und plant Data Factory den gesamten Datenfluss.

Bei einem Klick auf die Schaltfläche „Bereitstellen“wird ein Workflow gestartet, durch den eine Instanz der Lösung innerhalb einer Ressourcengruppe im angegebenen Azure-Abonnement bereitgestellt wird. Die Lösung umfasst mehrere Azure-Dienste (siehe unten) und einen Webauftrag, der Daten simuliert, sodass Sie unmittelbar nach der Bereitstellung über eine funktionsfähige End-to-End-Lösung verfügen.

Anweisungen zum Vorgehen nach der Bereitstellung finden Sie hier.

Technische Details und Workflow

  1. Die Daten werden als Datenpunkte oder Ereignisse an Azure Event Hubs und den Azure SQL Data Warehouse-Dienst gesendet. Diese Datenpunkte bzw. Ereignisse werden anschließend für den weiteren Lösungsworkflow verwendet.
  2. Azure Stream Analytics analysiert die Daten, um für den Eingabestream aus dem Event Hub Analysen nahezu in Echtzeit zur Verfügung stellen zu können und diese Daten zur Visualisierung in Power BI zu veröffentlichen.
  3. Mit dem Azure Machine Learning-Dienst lassen sich auf Grundlage der Eingabedaten Vorhersagen zum Tankfüllstand einer bestimmten Region treffen.
  4. Azure SQL Data Warehouse speichert die Vorhersageergebnisse, die dieser vom Azure Machine Learning-Dienst erhalten hat. Diese Ergebnisse werden dann im Dashboard von Power BI verwendet.
  5. Azure Data Factory kümmert sich um die Orchestrierung und zeitliche Planung des erneuten Trainierens eines Modells im Stundentakt.
  6. Zum Schluss werden die Ergebnisse in Power BI visualisiert, sodass Benutzer die Tankfüllstände einer Anlage in Echtzeit überwachen und anhand der vorhergesagten Füllstände ein Überlaufen verhindern können.

Haftungsausschluss

©2017 Microsoft Corporation. Alle Rechte vorbehalten. Alle Informationen werden im vorliegenden Zustand bereitgestellt und können sich ohne Vorankündigung ändern. Microsoft leistet weder ausdrücklich noch stillschweigend Gewähr hinsichtlich der hier zur Verfügung gestellten Informationen. Zur Erstellung der Lösung wurden Drittanbieterdaten verwendet. Sie sind dafür verantwortlich, die Rechte Dritter zu berücksichtigen. Hierzu zählen u.a. das Beschaffen relevanter Lizenzen, die zur Erstellung ähnlicher Datensätze benötigt werden, und das Erfüllen der jeweiligen Lizenzbedingungen.

Zugehörige Lösungsarchitekturen

Optimierung der Stromversorgung

In einem Stromnetz interagieren Stromverbraucher mit Komponenten verschiedener Art, die Strom liefern, damit handeln und ihn speichern. Mit Schaltanlagen, Batterien, Windparks, Solaranlagen, Mikroturbinen und Nachfragegeboten können die Verbraucher ihren jeweiligen Bedarf erfüllen und die Kosten der Energiezusicherung niedrig halten. Zu diesem Zweck muss der Netzbetreiber bestimmen, wie viel Strom die einzelnen Ressourcen im Verlauf eines Zeitraums zusichern müssen. Hierbei sind die Preise für die Beschaffung von Ressourcen verschiedener Art sowie ihre Kapazitäten und physischen Eigenschaften zu beachten.