Energie- en energievraag voorspellen met machine learning

Meer informatie over hoe Azure Machine Learning kan helpen bij het voorspellen van pieken in de vraag naar energieproducten en -services.

Architectuur

Een Visio-bestand van deze architectuur downloaden.

Gegevensstroom

1. Tijdreeksgegevens kunnen in verschillende indelingen worden opgeslagen, afhankelijk van de oorspronkelijke bron. Gegevens kunnen worden opgeslagen als bestanden in Azure Data Lake Storage of in tabelvorm in Azure Synapse of Azure SQL Database.
2. Lezen: Azure Machine Learning (ML) kan verbinding maken met en lezen uit dergelijke bronnen. Door tijdreeksgegevens op te nemen in Azure Machine Learning, kan geautomatiseerde machine learning (AutoML) de gegevens vooraf verwerken en een model trainen en registreren.
3. De eerste stap in AutoML is configuratie en het vooraf verwerken van de tijdreeksgegevens. In deze stap worden de opgegeven gegevens voorbereid voor training. De gegevens stations de volgende functies en voorspelde configuraties:
   • Ontbrekende waarden imputed
   • Functie-engineering voor feestdagen en datum/tijd
   • Vertragingen en lopende vensters
   • Kruisvalidatie van rolling origin
4. Tijdens de trainingsfase gebruikt AutoML de vooraf verwerkte gegevensset om het beste prognosemodel te trainen, te selecteren en uit te leggen.
   • Modeltraining: Een breed scala aan machine learning-modellen kan worden gebruikt, variërend van klassieke prognoses, deep neurale netwerken en regressiemodellen.
   • Modelevaluatie: Met de evaluatie van modellen kan AutoML de prestaties van elk getraind model beoordelen en kunt u het best presterende model voor implementatie selecteren.
   • Uitlegbaarheid: AutoML biedt uitlegbaarheid voor het geselecteerde model, zodat u beter kunt begrijpen welke functies de resultaten van het model stimuleren.
5. Het model met de beste prestaties wordt geregistreerd in Azure Machine Learning met behulp van AutoML, waardoor het beschikbaar is voor implementatie.
6. Implementeren: het model dat is geregistreerd in Azure Machine Learning, kan worden geïmplementeerd. Dit biedt een live-eindpunt dat beschikbaar kan worden gemaakt voor deductie.
7. De implementatie kan worden uitgevoerd via Azure Kubernetes Service (AKS), terwijl u een door Kubernetes beheerd cluster uitvoert waarin de containers worden geïmplementeerd vanuit installatiekopieën die zijn opgeslagen in Azure Container Registry. U kunt ook Azure Container Instances gebruiken in plaats van AKS.
8. Deductie: zodra het model is geïmplementeerd, kan de deductie van nieuwe gegevens worden uitgevoerd via het beschikbare eindpunt. Batch- en bijna realtime voorspellingen kunnen worden ondersteund. De deductieresultaten kunnen worden opgeslagen als documenten in Azure Data Lake Storage of in tabelvorm in Azure Synapse of Azure SQL Database.
9. Visualiseren: De resultaten van het opgeslagen model kunnen worden gebruikt via gebruikersinterfaces, zoals Power BI-dashboards of via aangepaste webtoepassingen. De resultaten worden geschreven naar een opslagoptie in een bestand of tabelvorm en worden vervolgens correct geïndexeerd door Azure Cognitive Search. Het model wordt uitgevoerd als batchdeductie en slaat de resultaten op in het respectieve gegevensarchief.

Onderdelen

• Azure Data Factory: gegevensmanipulatie en -voorbereiding verwerken.
• Azure Automated Machine Learning: Gebruik Azure ML om de energievraag van een bepaalde regio te voorspellen.
• MLOps: Werkstromen voor productiemodellen ontwerpen, implementeren en beheren.
• Integratie van Power BI Azure ML: Modelvoorspellingsresultaten gebruiken in Power BI.

Scenariodetails

Het energieverbruik en de vraag naar energie veranderen in de loop van de tijd. De bewaking van deze wijziging in de loop van de tijd resulteert in tijdreeksen die kunnen worden gebruikt om patronen te begrijpen en toekomstige gedragingen te voorspellen. Azure Machine Learning kan helpen bij het voorspellen van pieken in de vraag naar energieproducten en -services.

Deze oplossing is gebouwd op de beheerde services van Azure:

• Azure Stream Analytics
• Event Hubs
• Azure Machine Learning
• Azure SQL-database
• Data Factory
• Power BI

De services worden in een omgeving met hoge beschikbaarheid uitgevoerd, gepatcht en ondersteund zodat u zich op de oplossing kunt concentreren en u niet hoeft bezig te houden met de omgeving waarin de services worden uitgevoerd.

Potentiële gebruikscases

Deze oplossing is ideaal voor de energiesector.

Bijdragers

Dit artikel wordt onderhouden door Microsoft. De tekst is oorspronkelijk geschreven door de volgende Inzenders.

Hoofdauteur:

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

Volgende stappen

Raadpleeg de volgende productdocumentatie:

• Welkom bij Stream Analytics
• Wat is Event Hubs?
• Azure SQL-documentatie
• Meer informatie over Data Factory
• Wat is Azure Machine Learning?
• Machine Learning- en tijdreeksprognoses
• Power BI

Meer informatie:

• AutoML instellen voor het trainen van een tijdreeksprognosemodel met Python
• Probeer het Machine Learning-notebook voor prognoses met behulp van de gegevensset energievraag.
• Probeer de Microsoft Learn-module, geautomatiseerde machine learning gebruiken in Azure Machine Learning.

Verwante resources

• Oplossingen voor de energie- en milieuindustrie
• Prognose van olie- en gastankniveau
• Vraagprognose voor verzending en distributie