Az energiaellátás optimalizálása

Az energiahálózathoz csatlakozó fogyasztók különböző energiatermelő, -kereskedő és -tároló elemekkel (többek között alállomásokkal, energiatárolókkal, szélerőművekkel és napkollektorokkal, valamint mikroturbinákkal) vannak kapcsolatban, és keresletoldali válaszigényeket is benyújthatnak annak érdekében, hogy a lehető legalacsonyabb költségek mellett eleget tegyenek energiaigényüknek. Hogy ezt biztosítani tudják, a hálózatok üzemeltetőinek meg kell határozniuk, hogy adott időre mennyit foglaljanak le maguk számára a különböző erőforrásokból – ennek során pedig nem csupán az árakat, de a rendelkezésre álló kapacitást, és az erőforrások fizikai jellemzőit is figyelembe kell venni.

A megoldás a Cortana Intelligence Suite alapjaira épül, amelyet nyílt forráskódú külső eszközök egészítenek ki. Célja, hogy kiszámítsa, hogy a különböző típusú energiaforrásokból mennyit érdemes lefoglalnia a hálózat üzemeltetőjének. A megoldás bemutatja, hogyan képes a Cortana Intelligence Suite a külső eszközökkel való együttműködésre, és így párhuzamosított numerikus optimalizálása problémák megoldására egy Azure-alapú virtuális gépekből álló Azure Batch-köteg segítségével.

Leírás

Megjegyzés: Ha már üzembe helyezte ezt a megoldást, az üzemelő példányt ide kattintva érheti el.

Takarítson meg időt: kérje szakképzett SI-partnereink segítségét a megoldás megvalósíthatósági vizsgálata, üzembe helyezése és integrálása terén.

Becsült napi költség: $12

A megoldás létrehozásáról további információt a megoldás GitHubon elérhető útmutatójában talál.

Üzembe helyezés becsült ideje: 15 perc

Az energiahálózat energiafogyasztókból, valamint energiatermeléssel, -kereskedéssel és -tárolással foglalkozó elemekből áll: az alállomások fogadják a hálózatba táplált energiát, illetve továbbküldik a többletet, az energiatárolók képesek a jövőbeli használat céljából megőrizni vagy leadni a kapott energiát, a szélerőművek és a napkollektorok (önütemező termelőlétesítmények), a mikroturbinák (kihelyezhető termelőlétesítmények) és a keresletoldali válaszigények pedig egyaránt alkalmasak a hálózathoz csatlakozó fogyasztók igényeinek kiegyenlítésére. A különböző típusú erőforrások beszerzésének költsége eltérő lehet, az erőforrástípusokhoz kapcsolódó kapacitások és fizikai jellemzők pedig korlátokat szabnak az erőforrás továbbításának. Ezek miatt a korlátozások miatt az intelligens hálózatokat működtető szolgáltatók egyik legkomolyabb problémája, hogy mennyit szerezzenek be egy adott időre az egyes erőforrásokból ahhoz, hogy a hálózat garantáltan teljesíteni tudja a várható igényeket.

Ez a megoldás egy Azure-alapú, de külső nyílt forráskódú eszközöket is használó intelligens szolgáltatást kínál, amely meghatározza, hogy mennyit érdemes beszereznie a hálózatnak az egyes energiaforrás-típusokból. A cél, hogy csökkentsük a beszerzési költségeket, ugyanakkor mindig eleget tudjunk tenni az igényeknek. A megoldás bemutatja, hogyan képes az Azure befogadni a külső eszközöket (például Pyomo és CBC), és ezek segítségével lehetővé tenni a nagy léptékű numerikus optimalizációs feladatok (például vegyes egész számos-lineáris programozás) megoldását, és több optimalizálási feladatot párhuzamosan futtatni egy Azure-alapú virtuális gépekből álló Azure Batch-kötegben. A megoldás az alábbi termékeket is felhasználja: Azure Blob Storage, Azure Queue Storage, Azure Web App, Azure SQL Database, valamint Power BI.

Technikai adatok és munkafolyamat

  1. A mintaadatokat az újonnan üzembe helyezett Azure Web Jobs-feladat tölti be. A Web Job-feladat az Azure SQL-ből származó erőforrásadatokat használja a szimulált adatok létrehozására.
  2. Az adatszimuláló az Azure Storage-ba küldi a szimulált adatokat, és a megoldás folyamatának többi része által használandó üzeneteket ír a tárolási üzenetsorba.
  3. Egy másik Web Job-feladat figyeli a tárolási üzenetsort, és ha elérhetővé válik egy üzenet a sorban, elindít egy Azure Batch-feladatot.
  4. Az Azure Batch szolgáltatás és a Data Science (Adatfeldolgozás) virtuális gépek az általuk kapott adatok alapján meghatározzák, hogy mennyit érdemes lekötni az adott erőforrástípusból.
  5. Az Azure Batch szolgáltatásból származó optimalizálási eredményeket az Azure SQL Database tárolja. Az eredményeket ezt követően a Power BI irányítópultja használja fel.
  6. Végül a Power BI elvégzi az eredmények képi megjelenítését.

Jogi nyilatkozat

© 2017 Microsoft Corporation. Minden jog fenntartva. Ezt az információt jelen formájában nyújtjuk, és előzetes értesítés nélkül változhat. Az itt szereplő információkra a Microsoft nem vállal sem kifejezett, sem vélelmezett garanciát. A megoldás harmadik féltől származó adatok felhasználásával lett létrehozva. Ön felelős mások jogainak tiszteletben tartásáért, beleértve a hasonló adatkészletek létrehozásának céljából történő beszerzéseket és a vonatkozó licenceknek való megfelelőséget is.

Kapcsolódó megoldásarchitektúrák

Olajtartályszint- és gáztartályszint-előrejelzés

A mai létesítmények többsége reaktív módon kezeli a tartályszinttel kapcsolatos problémákat. Ez gyakran túlfolyást, vészleállásokat, költséges szervizelést és javítást, szabályozási problémákat, valamint bírságokat eredményez. A tatályszint-előrejelzés megkönnyíti az ilyen jellegű problémák kezelését és megszüntetését.