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.

Prognoses worden gemaakt door gebruik te maken van realtimegegevens en historische gegevens die eenvoudig beschikbaar zijn dankzij sensoren, meters en records. Hiermee kunt u:

  • Tanklekkages en noodstops voorkomen
  • Hardwarestoringen of fouten ontdekken
  • Onderhoud, stilleggingen en logistiek plannen
  • De efficiency van de bewerkingen en faciliteit optimaliseren
  • Lekkages en verstoppingen in de pijplijn
  • Kosten, boetes en uitvaltijd verlagen

Het tankniveauprognoseproces begint bij de bron. De olie wordt gemeten wanneer het via meters de faciliteit binnenkomt en naar tanks wordt verstuurd. Niveaus in tanks worden gecontroleerd en vastgelegd tijdens het raffinageproces en vervolgens wordt olie-, gas- en wateruitvoer vastgelegd via sensoren, meters en records. Daarna worden prognoses gemaakt aan de hand van gegevens die van de faciliteit komen; er kunnen bijvoorbeeld om het kwartier prognoses worden gemaakt.

De Cortana Intelligence Suite is flexibel en kan worden aangepast om te voldoen aan verschillende vereisten die faciliteiten en bedrijven hebben.

Beschrijving

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

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

Geschatte inrichtingstijd: 20 minuten

De Cortana Intelligence Suite voorziet in geavanceerde analysehulpprogramma's via Microsoft Azure: gegevensopname, gegevensopslag, gegevensverwerking en geavanceerde analyse-onderdelen. Alle essentiële onderdelen voor het bouwen van een prognose-oplossing voor tankniveau.

Voor deze oplossing worden meerdere Azure-services gecombineerd om krachtige voordelen te bieden. Event Hubs verzamelt realtimegegevens over het tankniveau. Stream Analytics voegt de streaminggegevens samen en maakt deze beschikbaar voor visualisatie. Azure SQL Data Warehouse slaat de gegevens over het tankniveau op en transformeert deze. Het prognosemodel wordt geïmplementeerd en uitgevoerd met Machine Learning. Het realtimetankniveau en de prognoseresultaten worden gevisualiseerd met Power BI. Ten slotte wordt de volledige gegevensstroom geordend en gepland met Data Factory.

Met de knop Implementeren wordt een werkstroom gestart waarmee een instantie van de oplossing wordt geïmplementeerd binnen een resourcegroep in het Azure-abonnement dat u opgeeft. De oplossing bevat meerdere Azure-services (hieronder beschreven) samen met een webtaak die gegevens simuleert zodat u een werkende en complete oplossing hebt direct na de implementatie.

Raadpleeg na implementatie hier de post-implementatie-instructies.

Technische details en werkstroom

  1. De gegevens worden ingevoerd in de Azure Event Hubs en Azure SQL Data Warehouse-service als gegevenspunten of gebeurtenissen die worden gebruikt in de rest van de oplossingsstroom.
  2. De gegevens worden met Azure Stream Analytics geanalyseerd om bijna realtime analyse te leveren voor de invoerstroom uit de Event Hub en om rechtstreeks te publiceren naar Power BI voor visualisatie.
  3. De Azure Machine Learning-service wordt gebruikt om een prognose te maken van het tankniveau van een bepaalde regio op basis van de ingevoerde gegevens.
  4. Azure SQL Data Warehouse wordt gebruikt om de voorspellingsresultaten op te slaan die worden ontvangen van de Azure Machine Learning-service. Deze resultaten worden vervolgens gebruikt voor het Power BI-dashboard.
  5. Azure Data Factory regisseert en plant het om het uur opnieuw trainen van modellen.
  6. Ten slotte wordt Power BI gebruikt voor visualisatie van resultaten, zodat gebruikers het tankniveau in realtime kunnen controleren vanuit een faciliteit en het prognoseniveau kunnen gebruiken om lekkage te voorkomen.

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

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.