Ottimizzazione della fornitura di energia

Questa soluzione offre una soluzione intelligente basata su Azure, applicando strumenti open source esterni, per determinare gli impegni ottimali delle unità energetiche da varie risorse energetiche per una rete energetica. L'obiettivo è quello di ridurre i costi complessivi sostenuti da questi impegni, soddisfacendo al contempo la domanda di energia.

Architettura

Scaricare un file di Visio di questa architettura.

Flusso di dati

1. Lo streaming dei dati di esempio viene eseguito da processi Web di Azure appena distribuiti. Il processo Web usa i dati correlati alle risorse di Azure SQL per generare i dati simulati.
2. Il simulatore di dati inserisce questi dati simulati nel Archiviazione di Azure e scrive il messaggio in Archiviazione Coda che verrà usato nel resto del flusso della soluzione.
3. Un altro processo Web monitora la coda di archiviazione e avvia un processo di Azure Batch non appena il messaggio nella coda è disponibile.
4. Il servizio Azure Batch in combinazione con macchine virtuali di data science viene usato per ottimizzare la fornitura di energia da un tipi di risorsa specifico in base agli input ricevuti.
5. Il database SQL di Azure viene usato per archiviare i risultati dell'ottimizzazione ricevuti dal servizio Azure Batch. Questi risultati vengono quindi utilizzati nel dashboard di Power BI.
6. Infine, per la visualizzazione dei risultati si usa Power BI.

Componenti

Tecnologie chiave usate per implementare questa architettura:

• Azure Batch
• Archiviazione BLOB di Azure
• Macchine virtuali di data science di Azure
• Database SQL di Azure
• Archiviazione code di Azure
• Dashboard di Power BI

Dettagli dello scenario

Una rete energetica è costituita da consumatori di energia e vari tipi di componenti di fornitura di energia, trading e stoccaggio: le sottostazioni accettano il carico energetico o esportano una potenza eccessiva; Le batterie possono scaricare energia o conservarla per un uso futuro; Impianti eolici e pannelli solari (generatori auto-pianificati), micro-turbine (generatori dispatchable) e offerte di risposta alla domanda possono essere tutti impegnati a soddisfare la domanda dei consumatori all'interno della griglia.

I costi per la richiesta di diversi tipi di risorse possono variare, mentre le capacità e le caratteristiche fisiche di ogni tipo di risorsa limitano l'erogazione della risorsa. Dato tutti questi vincoli, una sfida che l'operatore smart grid deve affrontare è la quantità di energia che ogni tipo di risorse deve impegnarsi in un intervallo di tempo. Ciò consente che la domanda di energia prevista dalla griglia sia soddisfatta.

Potenziali casi d'uso

Questa soluzione dimostra la capacità di Azure di supportare strumenti esterni, ad esempio Pyomo e CBC, per risolvere problemi di ottimizzazione numerica su larga scala, ad esempio la programmazione lineare integer mista, parallelizzando più attività di ottimizzazione su Azure Batch di Azure Macchine virtuali. Altri prodotti coinvolti includono Archiviazione BLOB di Azure, Archiviazione code di Azure, app Web di Azure, database SQL di Azure e Power BI.

Passaggi successivi

Documentazione sui prodotti:

• Informazioni su Azure Batch
• Che cos'è l'archiviazione BLOB di Azure?
• Che cos'è la Data Science Virtual Machine di Azure?
• Informazioni sul database SQL di Azure
• Che cos'è la coda di Azure Archiviazione?
• Introduzione ai dashboard

Moduli di Microsoft Learn:

• Creare e connettersi a una data science virtual machine
• Distribuire database SQL di Azure
• Esplorare l'archiviazione BLOB di Azure
• Eseguire attività parallele in Azure Batch con l'interfaccia della riga di comando di Azure

Risorse correlate

• Intelligenza artificiale -Panoramica dell'architettura
• Data science e Machine Learning con Azure Databricks
• Prevedere l'energia e la domanda di energia con Machine Learning
• Manutenzione predittiva