Optimalisatie van de energietoelevering

Binnen een energienetwerk zijn energieconsumenten betrokken bij diverse typen energielevering, handel en opslagonderdelen zoals substations, accu’s, windmolens, zonnepanelen en microturbines, maar ook bij vraaggedreven aanbestedingen, om aan de respectieve vraag daaraan te voldoen en de kosten voor energiecontracten te minimaliseren. Hiervoor moet de netwerkbeheerder bepalen hoeveel energie aan elk type van deze bronnen wordt toegewezen binnen een bepaalde periode, gezien de prijzen van het gebruik van verschillende energiebronnen en de capaciteiten en fysieke kenmerken daarvan.

Deze oplossing is gebouwd op de Cortana Intelligence Suite en externe opensourcetools en berekent de optimale afgifte van energie-eenheden van verschillende energiebrontypen. Deze oplossing toont het vermogen van Cortana Intelligence Suite om externe tools in te voegen om parallelle numerieke optimalisatieproblemen op te lossen via een Azure-batch met Virtuele Machines van Azure.

Beschrijving

Opmerking: als u deze oplossing al hebt geïmplementeerd, klikt u hier om de implementatie te bekijken.

Bespaar tijd en laat één van deze getrainde SI-partners u helpen met een bewijs van concept, implementatie en integratie van deze oplossing.

Geschatte dagelijkse kosten: $12

Raadpleeg de oplossingengids in GitHub voor meer informatie over de manier waarop deze oplossing is gebouwd.

Geschatte inrichtingstijd: 15 minuten

Een energienetwerk bestaat uit consumenten en diverse typen energietoelevering, handel en opslagonderdelen. Substations ontvangen stroombelasting of exporteren overtollige stroom; accu’s kunnen stroom geven of opslaan voor toekomstig gebruik; windmolens en zonnepanelen (zelfplannende generatoren), microturbines (losse generatoren) en vraaggedreven aanbestedingen kunnen allemaal worden ingezet om aan de vraag van de consumenten in het netwerk te voldoen. De kosten van het gebruik van verschillende energiebrontypen variëren. De capaciteit en de fysieke kenmerken van elk energiebrontype beperkt in welke mate de energiebron kan worden ingezet. Gezien al deze beperkingen is de hoeveelheid energie die elk energiebrontype binnen een bepaalde periode moet afgeven om aan de verwachte energievraag van het netwerk te kunnen voldoen een grote uitdaging voor de slimmenetwerkbeheerder.

Deze oplossing biedt een slimme oplossing op basis van Azure die gebruikmaakt van externe opensourcetools waarmee de optimale afgifte van energie-eenheden van verschillende energiebrontypen voor een energienetwerk wordt bepaald. Het doel is de totale kosten van deze afgiften te minimaliseren en tegelijkertijd aan de energievraag te voldoen. Deze oplossing toont het vermogen van Azure om externe tools zoals Pyomo en CBC in te voegen om grootschalige numerieke optimalisatieproblemen op te lossen, zoals lineaire programmering van gecombineerde gehele getallen en het parallel trekken van meerdere optimalisatietaken via een Azure-batch met Virtuele Machines van Azure. Andere producten die hier verband mee houden zijn onder andere Azure Blob Storage, Azure Queue Storage, Azure Web App, Azure SQL Database en Power BI.

Technische details en werkstroom

  1. De voorbeeldgegevens worden gestreamd door nieuw geïmplementeerde Azure-webtaken. Voor de webtaak worden aan de energiebron gerelateerde gegevens van Azure SQL gebruikt om de gesimuleerde gegevens te genereren.
  2. De gegevenssimulator voert deze gesimuleerde gegevens in Azure Storage in en schrijft een bericht in de opslagwachtrij. Deze wordt gebruikt in de rest van de oplossingsstroom.
  3. Een andere webtaak controleert de opslagwachtrij en initieert een Azure-batchtaak zodra een bericht beschikbaar is in de wachtrij.
  4. De Azure-batchservice wordt samen met de Data Science Virtual Machines gebruikt om de energietoelevering van een specifiek energiebrontype te optimaliseren aan de hand van de ontvangen invoergegevens.
  5. Azure SQL Database wordt gebruikt om de optimalisatieresultaten op te slaan die worden ontvangen van de Azure-batchservice. Deze resultaten worden vervolgens gebruikt voor het Power BI-dashboard.
  6. Als laatste wordt Power BI gebruikt voor visualisatie van de resultaten.

Vrijwaring

© 2017 Microsoft Corporation. Alle rechten voorbehouden. Deze informatie wordt als zodanig geleverd en kan zonder kennisgeving worden gewijzigd. Microsoft biedt geen garanties, expliciet of impliciet, met betrekking tot de hier verstrekte informatie. Gegevens van derden zijn gebruikt om de oplossing te genereren. U bent verantwoordelijk voor het respecteren van de rechten van anderen, inclusief het aanschaffen en naleven van relevante licenties om vergelijkbare gegevenssets te maken.

Gerelateerde architecturen voor oplossingen

Prognose van olie- en gastankniveau

Tegenwoordig reageren de meeste faciliteiten reactief op problemen in tankniveaus. Dit leidt vaak tot lekkages, noodstops, hoge saneringskosten, regelgevingskwesties, dure reparaties en boetes. Door een prognose te maken van het tankniveau kunt u deze en andere problemen beheren en verminderen.