Hopp over navigasjon

Optimalisering av energileveranse

I et strømnett engasjeres energiforbrukere med forskjellige metoder for energileveranse, -handel og -oppbevaringskomponenter slik som transformatorstasjoner, batterier, vindfarmer, solpaneler, mikroturbiner i tillegg til etterspørselsresponsbud, for å møte deres respektive behov og redusere kostnaden for energileveranse. For å gjøre dette må nettleverandøren kunne avgjøre hvor mye energi hver ressurstype kan levere over en tidsramme, basert på prisene for leveranse fra de forskjellige ressurstypene og deres kapasiteter og fysiske karakteristikker.

Løsningen er bygd på Cortana Intelligence Suite og eksterne åpen kilde-verktøy og den beregner de optimale energienhetsleveransene fra forskjellige energiressurstyper. Denne løsningen demonstrere egenskapen til Cortana Intelligence Suite til å benytte eksterne verktøy, løse parallelliserte numeriske optimaliseringsproblemer over en Azure Batch av Azure Virtual Machines.

Beskrivelse

Merk: Hvis du allerede har distribuert denne løsningen, kan du klikke her for å vise distribusjonen.

Spar tid og la en av disse opplærte SI-partnerne hjelpe deg med konseptgodkjenning, distribusjon og integrering av denne løsningen.

Estimert daglig kostnad: $12

For mer informasjon om hvordan denne løsningen er bygd, kan du gå til løsningsveiledingen i GitHub.

Estimert klargjøringstid: 15 minutter

Et strømnett består av energiforbrukere, i tillegg til forskjellige former for energileveranse, -handel og oppbevaringskomponenter: Transformatorstasjoner mottar belastning eller eksporterer overlevert kraft, batterier kan levere energi eller lagre den for fremtidig bruk, vindfarmer og solpaneler (selvkontrollerte generatorer), mikroturbiner (disponible generatorer) og etterspørselsresponsbud kan alle engasjeres for å møte behov fra kundene i strømnettet. Kostnadene ved å aktivere de forskjellige ressurstypene varierer, mens kapasitetene og de fysiske karakteristikkene til hver ressurstype begrenser effekten til ressursen. Med alle disse begrensingene, er en sentral utfordring som alle operatører av smarte strømnett møter hvor mye hver ressurstype skal levere over en tidsperiode, slik at det beregnede energibehovet fra strømnettet blir møtt.

Denne løsningen gir deg en Azure-basert smart løsning som benytter eksterne åpen kilde-verktøy som avgjør de optimale energienhetenes forpliktelser fra forskjellige energiressurstyper i et strømnett. Målet er å redusere totalkostnaden som er forbundet med disse forpliktelsene samtidig som energibehovet møtes. Denne løsningen demonstrerer Azures mulighet til å benytte eksterne verktøy, slik som Pyomo og CBC for å løse numeriske optimaliseringsproblemer i stor skala, som blandet heltalls-lineær-programmering, parallellisering av fler optimaliseringsoppgaver over en Azure Batch av Azure Virtual Machines. Andre involverte produkter inkluderer Azure Blob Storage. Azure Queue Storage, Azure Web App, Azure SQL Database i tillegg til PowerBI.

Tekniske detaljer og arbeidsflyt

  1. Prøvedataene strømmes av nylig distribuerte Azure-nettjobber. Nettjobben bruker ressursrelaterte data fra Azure SQL for å generere de simulerte dataene.
  2. Datasimulatoren mater disse simulerte dataene inn i Azure Storage og skriver meldinger i Storage Queue, som vil bli brukt i resten av løsningsflyten.
  3. En annen nettjobb overvåker lagringskøen og starter en Azure Batch-jobb så snart meldingen i køen er tilgjengelig.
  4. Azure Batch-tjenesten i kombinasjon med Data Science Virtual Machines brukes for å optimalisere energileveransen fra en spesifikk ressurstype basert på den mottatte informasjonen.
  5. Azure SQL Database brukes for å lagre optimaliseringsresultater som mottas fra Azure Batch-tjenesten. Disse resultatene brukes deretter i Power BI-dashbordet.
  6. Til slutt brukes PowerBI for resultatsvisualisering.

Ansvarsfraskrivelse

©2017 Microsoft Corporation. Med enerett. Denne informasjonen gis «som den er» og kan endres uten varsel. Microsoft gir ingen garantier, uttrykkelig eller underforstått, i forbindelse med informasjonen som oppgis her. Tredjepartsdata ble benyttet for å generere løsningen. Du er ansvarlig for å respektere andres rettigheter, inkludert anskaffelse og overhold av relevante lisenser for å opprette lignende datasett.

Relaterte løsningsarkitekturer

Prognose av olje- og gasstanknivå

I dag opererer de fleste fasiliteter reaktivt til problemene i tanknivåer. Dette fører ofte til utslipp, nødavstengninger, kostbare utbedringer, forskriftsproblemer, dyre reparasjoner og bøter. Tanknivåprognose hjelper med å administrere og unngå disse og andre problemer.