Prévoir la demande en énergie et en électricité avec le machine learning

Découvrez comment Azure Machine Learning peut aider à prévoir les pics de demande pour les produits et services énergétiques.

Architecture

Téléchargez un fichier Visio de cette architecture.

Dataflow

1. Les données de séries chronologiques sont stockées dans différents formats, en fonction de la source d’origine. les données peuvent être stockées sous forme de fichiers dans Azure Data Lake Storage ou sous forme de tableau dans Azure Synapse ou Azure SQL Database.
2. Lecture : Azure Machine Learning (ML) peut se connecter à ces sources et lire à partir de celles-ci. L’ingestion des données de séries chronologiques dans Azure Machine Learning permet à la technologie de Machine Learning automatisé (AutoML) de prétraiter les données et d’effectuer l’apprentissage et l’inscription d’un modèle.
3. La première étape dans AutoML est la configuration et le prétraitement des données de séries chronologiques. Au cours de cette étape, les données fournies sont préparées pour l’apprentissage. Ces données alimentent les fonctionnalités suivantes et les configurations prévues :
   • Valeurs manquantes imputées
   • Ingénierie de caractéristiques Jour férié et DateHeure
   • Retards et fenêtres dynamiques
   • Validation croisée à origine dynamique
4. Pendant la phase d’apprentissage, AutoML utilise le jeu de données prétraité pour effectuer l’apprentissage de modèles de prévision, sélectionner le meilleur et l’expliquer.
   • Apprentissage du modèle : il est possible d’utiliser un large éventail de modèles Machine Learning, allant des prévisions classiques et des réseaux neuronaux profonds jusqu’aux modèles de régression.
   • Évaluation du modèle : l’évaluation des modèles permet à AutoML d’évaluer les performances de chaque modèle formé pour que vous puissiez sélectionner le modèle le plus performant pour le déploiement.
   • Explicabilité : AutoML fournit une explication du modèle sélectionné, ce qui vous permet de mieux comprendre quelles caractéristiques déterminent les résultats du modèle.
5. Le modèle le plus performant est inscrit dans Azure Machine Learning à l’aide de AutoML, ce qui le rend disponible pour le déploiement.
6. Déploiement : le modèle inscrit dans Azure Machine Learning peut être déployé, ce qui fournit un point de terminaison actif qui peut être exposé pour l’inférence.
7. Le déploiement peut être effectué via Azure Kubernetes Service (AKS), tandis que vous exécuter un cluster géré par Kubernetes dans lequel les conteneurs sont déployés à partir d’images stockées dans Azure Container Registry. Vous pouvez également utiliser Azure Container Instances à la place de AKS.
8. Inférence : une fois que le modèle est déployé, l’inférence de nouvelles données peut être effectuée via le point de terminaison disponible. Les prédictions par lots et en quasi-temps réel peuvent être prises en charge. Les résultats de l’inférence peuvent être stockés en tant que documents dans Azure Data Lake Storage ou sous forme de tableau dans Azure Synapse ou Azure SQL Database.
9. Visualisation : les résultats du modèle stocké peuvent être utilisés via des interfaces utilisateur, telles que des tableaux de bord Power BI, ou via des applications web personnalisées. Les résultats sont écrits dans une option de stockage dans un fichier ou sous forme tabulaire, puis correctement indexés par Recherche cognitive Azure. Le modèle s’exécute en tant qu’inférence de lot et stocke les résultats dans le magasin de données approprié.

Components

• Azure Data Factory : gérez la manipulation et la préparation des données.
• Machine Learning automatisé Azure : utilisez Azure ML pour prévoir la demande d’énergie d’une région en particulier.
• MLOps : concevez, déployez et gérez des workflows de modèles de production.
• Intégration d’Azure ML dans Power BI : consommez les résultats de prédiction de modèle dans Power BI.

Détails du scénario

La consommation d’énergie et la demande en énergie évoluent au fil du temps. Le monitoring de ces changements dans le temps génère des séries chronologiques qui peuvent être exploitées pour comprendre les modèles et prévoir les comportements futurs. Azure Machine Learning peut aider à prévoir les pics de demande pour les produits et services énergétiques.

Cette solution est basée sur les services gérés Azure :

• Azure Stream Analytics
• Hubs d'événements
• Azure Machine Learning
• Azure SQL Database
• Data Factory
• Power BI

Ces services fonctionnent dans un environnement à haute disponibilité, avec des correctifs et un support, ce qui vous permet de vous concentrer sur votre solution plutôt que sur l’environnement dans lequel elles opèrent.

Cas d’usage potentiels

Cette solution est idéale pour l’industrie de l’énergie.

Contributeurs

Cet article est géré par Microsoft. Il a été écrit à l’origine par les contributeurs suivants.

Auteur principal :

• Dr. Carlos Santos | Senior Cloud Solution Architect - AI & Data Science

Étapes suivantes

Voir la documentation produit suivante :

• Bienvenue dans Stream Analytics
• Qu’est-ce qu’Event Hubs ?
• Documentation Azure SQL
• En savoir plus sur Data Factory
• Qu'est-ce que Microsoft Azure Machine Learning ?
• Machine Learning et prévision de série chronologique
• Power BI

En savoir plus :

• Configurer AutoML pour effectuer l’apprentissage d’un modèle de prévision de série chronologique avec Python
• Essayez le notebook Machine Learning pour les prévisions à l’aide du jeu de données de la demande d’énergie.
• Essayez le module Microsoft Learn Utiliser le Machine Learning automatisé dans Azure Machine Learning.

Ressources associées

• Solutions pour les secteurs de l’énergie et de l’environnement
• Prévision du niveau des réservoirs de pétrole et de gaz
• Prévision de la demande pour les secteurs de la livraison et de la distribution