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.
Esto proporciona una solución inteligente basada en Azure que aprovecha herramientas externas de código abierto para determinar los compromisos de la unidad de energía óptima de diversos recursos energéticos para una red eléctrica. El objetivo es minimizar el costo general en el que incurren estos compromisos mientras se atiende la demanda energética.
Architecture
Descargue un archivo Visio de esta arquitectura.
Flujo de datos
- Los datos de ejemplo se transmiten mediante los trabajos web de Azure recientemente implementados. El trabajo web usa datos relacionados con los recursos de Azure SQL para generar los datos simulados.
- El simulador de datos alimenta estos datos simulados en Azure Storage y escribe el mensaje en la cola de almacenamiento, que se usará en el resto del flujo de la solución.
- Otro trabajo web supervisa la cola de almacenamiento e inicia un trabajo de Azure Batch una vez que el mensaje de la cola está disponible.
- El servicio Azure Batch, junto con Data Science Virtual Machine, se utiliza para optimizar el suministro eléctrico a partir de un tipo de generador determinado, dadas las entradas recibidas.
- Azure SQL Database se utiliza para almacenar los resultados de la optimización recibidos del servicio Azure Batch. Estos resultados se utilizan en el panel de Power BI.
- Por último, Power BI se usa para la visualización de los resultados.
Componentes
Tecnologías clave que se usan para implementar esta arquitectura:
- Azure Batch
- Azure Blob Storage
- Azure Data Science Virtual Machine
- Azure SQL Database
- Azure Queue Storage
- Panel de Power BI
Detalles del escenario
Una red eléctrica se compone de consumidores de electricidad y de varios tipos de componentes de suministro eléctrico, comercialización y almacenamiento: las subestaciones aceptan la carga de potencia o exportan la potencia excesiva; las baterías pueden descargar energía o almacenarla para un uso futuro; los parques eólicos y los paneles solares (generadores autoprogramados), las microturbinas (generadores distribuidos) y las ofertas de respuesta a la demanda pueden estar comprometidos a satisfacer la demanda de los consumidores de la red.
Los costos de solicitar diferentes tipos de recursos varían, mientras que las capacidades y las características físicas de cada tipo de recurso limitan la distribución del recurso. Con todas estas restricciones, el desafío al que debe enfrentarse el operador de la red es la cantidad de energía que debe comprometer cada tipo de generador durante un período de tiempo. Esto permite satisfacer la demanda eléctrica prevista por la red.
Posibles casos de uso
En esta solución se muestra la capacidad de Azure para adaptar herramientas externas, como Pyomo y CBC, a fin de solucionar problemas de optimización numérica a gran escala, como la programación mixta lineal y de enteros, en paralelo con varias tareas de optimización en Azure Batch de Azure Virtual Machines. Entre otros productos implicados se incluyen Azure Blob Storage, Azure Queue Storage, Azure Web Apps, Azure SQL Database y Power BI.
Pasos siguientes
Documentación del producto:
- ¿Qué es Azure Batch?
- ¿Qué es Azure Blob Storage?
- ¿Qué es Azure Data Science Virtual Machine?
- ¿Qué es Azure SQL Database?
- ¿Qué es Azure Queue Storage?
- Introducción a los paneles
Módulos de Microsoft Learn:
- Creación de una instancia de Data Science Virtual Machine y conexión a ella
- Implementación de Azure SQL Database
- Exploración de Azure Blob Storage
- Ejecución de tareas paralelas en Azure Batch con la CLI de Azure