Previsión de la demanda energética con aprendizaje automático

Azure Machine Learning

Azure Data Factory

Power BI

Ideas de solución

Este artículo es una idea de solución. Si te gustaría que ampliemos este artículo con más información, como posibles casos de uso, servicios alternativos, consideraciones de implementación o una guía de precios, comunícalo a través de los Comentarios de GitHub.

Aprenda cómo Azure Machine Learning puede ayudar a pronosticar los picos de demanda de productos y servicios energéticos.

Architecture

Descargue un archivo Visio de esta arquitectura.

Flujo de datos

Los datos de series temporales se pueden almacenar en varios formatos, en función de su origen. Los datos pueden almacenarse como archivos en Azure Data Lake Storage o en forma de tabla en Azure Synapse o Azure SQL Database.
Lectura: Azure Machine Learning (ML) se pueden conectar y leer desde dichos orígenes. La ingesta de datos de series temporales en Azure Machine Learning permite que el aprendizaje automático automatizado (AutoML) procese previamente los datos y entrene y registre un modelo.
El primer paso dentro de AutoML es la configuración y el procesamiento previo de los datos de series temporales. En este paso, se preparan los datos proporcionados para el entrenamiento. Los datos impulsan las siguientes características y configuraciones previstas:
- Atribución de los valores que faltan
- Ingeniería de características de vacaciones y fecha y hora
- Retardos y ventanas graduales
- Validación cruzada de origen variable
Durante la fase de entrenamiento, AutoML usa el conjunto de datos procesado previamente para entrenar, seleccionar y explicar el mejor modelo de previsión.
- Entrenamiento de modelos: se puede usar una amplia gama de modelos de Machine Learning, como la previsión clásica, las redes neuronales profundas y los modelos de regresión.
- Evaluación de modelos: la evaluación de modelos permite que AutoML evalúe el rendimiento de cada modelo entrenado y permite seleccionar el modelo de mejor rendimiento para la implementación.
- Explicación: AutoML proporciona explicaciones del modelo seleccionado, lo que le permite comprender mejor qué características impulsan los resultados del modelo.
El modelo con el mejor rendimiento se registra en Azure Machine Learning con AutoML, lo que hace que esté disponible para la implementación.
Implementación: el modelo registrado en Azure Machine Learning se puede implementar, lo que proporciona un punto de conexión en directo que se puede exponer para la inferencia.
La implementación se puede realizar mediante Azure Kubernetes Service, mientras se ejecuta un clúster administrado por Kubernetes en el que los contenedores se implementan a partir de imágenes que se almacenan en Azure Container Registry. Como alternativa, se puede usar Azure Container Instances en lugar de AKS.
Inferencia: una vez implementado el modelo, la inferencia de nuevos datos se puede realizar mediante el punto de conexión disponible. Se admiten predicciones casi en tiempo real y por lotes. Los resultados de la inferencia se pueden almacenar como documentos en Azure Data Lake Storage o en forma de tabla en Azure Synapse o Azure SQL Database.
Visualización: los resultados del modelo almacenado se pueden consumir mediante interfaces de usuario, como paneles de Power BI o mediante aplicaciones web personalizadas. Los resultados se pueden escribir en una opción de almacenamiento en formato de archivo o tabular, y luego Azure Cognitive Search los indexa adecuadamente. El modelo se ejecuta como inferencia por lotes y almacena los resultados en el almacén de datos correspondiente.

Componentes

Azure Data Factory: Controle la manipulación y preparación de los datos.
Azure Machine Learning automatizado: Use Azure ML para pronosticar la demanda de energía de una región determinada.
MLOps: Diseñe, implemente y administre flujos de trabajo de modelos de producción.
Integración de Azure ML de Power BI: consuma los resultados de la predicción del modelo en Power BI.

Detalles del escenario

El consumo de energía y la demanda de energía cambian con el tiempo. La supervisión de este cambio a lo largo del tiempo da como resultado series temporales que se pueden utilizar para comprender los patrones y predecir comportamientos futuros. Azure Machine Learning puede ayudar a pronosticar los picos de demanda de productos y servicios energéticos.

Esta solución se basa en los servicios administrados de Azure:

Estos servicios se ejecutan en un entorno de alta disponibilidad, revisado y compatible, lo que le permite centrarse en la solución, en lugar de en el entorno en que se ejecutan.

Posibles casos de uso

Esta solución es ideal para el sector energético.

Colaboradores

Microsoft mantiene este artículo. Originalmente lo escribieron los siguientes colaboradores.

Autor principal:

Dr. Carlos Santos | Arquitecto sénior de soluciones en la nube: ciencia de datos e inteligencia artificial

Pasos siguientes

Consulte la siguiente documentación de productos:

Más información:

Configuración de AutoML para entrenar un modelo de previsión de series temporales con Python
Pruebe el cuaderno de Machine Learning para la previsión mediante el conjunto de datos de demanda energética.
Pruebe el módulo de Microsoft Learn Uso de aprendizaje automático automatizado en Azure Machine Learning.