Otimização de fornecimento de energia

Em uma rede de energia, os consumidores de energia são conectados com diversos tipos de componentes de fornecimento, troca e armazenamento de energia, tais como subestações, baterias, parques eólicos e painéis solares, microturbinas, bem como ofertas de resposta à demanda, a fim de suprir as respectivas necessidades e minimizar o custo do compromisso de energia. Para fazer tudo isso, o operador da rede deve determinar a quantidade de energia que cada tipo de recurso deve entregar em um período determinado, considerando os preços da solicitação dos diferentes tipos de recursos, bem como as capacidades e as características físicas deles.

Esta solução é criada com base na Cortana Intelligence Suite e em ferramentas externas de software livre e ela calcula os compromissos unitários de energia ideais dos diversos tipos de recursos energéticos. Essa solução demonstra a capacidade do Cortana Intelligence Suite de acomodar ferramentas externas para resolver problemas paralelizados de otimização numérica em um Lote do Azure de Máquinas Virtuais do Azure.

+ Mostrar mais – Mostrar menos

Descrição

Economize tempo e deixe que um desses parceiros de SI treinados ajude com uma prova de conceito e com a implantação e integração dessa solução.

Custo diário estimado: $12

Para obter mais detalhes de como essa solução é criada, visite o guia da solução no GitHub.

Uma rede de energia consiste em consumidores de energia, bem como nos diversos tipos de componentes de fornecimento, troca e armazenamento de energia: subestações recebem carga de energia ou exportam energia excedente; baterias podem descarregar energia ou armazená-la para uso futuro; parques eólicos e painéis solares (geradores autoprogramados), microturbinas (geradores sob demanda) e ofertas de resposta a demandas; tudo isso pode ser acionado para satisfazer a demanda dos consumidores na rede. Os custos da solicitação dos diferentes tipos de recursos variam, ao passo que as capacidades e as características físicas de cada tipo de recurso limitam o envio do recurso. Considerando todas essas restrições, um desafio crucial que um operador de rede inteligente deve enfrentar é prever a quantidade de energia que cada tipo de recurso deve entregar durante um período determinado, de modo que a demanda prevista de energia da rede seja satisfeita.

Esta solução oferece uma resposta inteligente baseada no Azure, aproveitando ferramentas externas de software livre, que determinam o compromisso unitário ideal de energia dos diversos tipos de recursos de uma rede de energia. A meta é minimizar o custo geral incorrido por esses compromissos, satisfazendo ao mesmo tempo a demanda de energia. Esta solução demonstra a capacidade do Azure de acomodar ferramentas externas, tais como Pyomo e CBC, para resolver problemas numéricos de otimização em larga escala como programação mista inteiro-linear, paralelizando várias tarefas de otimização em um Lote do Azure de Máquinas Virtuais do Azure. Outros produtos envolvidos incluem o Armazenamento de Blobs do Azure, o Armazenamento de Filas do Azure, o Aplicativo Web do Azure, o Banco de Dados SQL do Azure e também o Power BI.

Detalhes técnicos e fluxo de trabalho

  1. Os dados de exemplo são transmitidos por Trabalhos da Web do Azure implantados recentemente. O trabalho da Web usa dados relacionados com recursos do SQL do Azure para gerar os dados simulados.
  2. O simulador de dados alimenta esses dados simulados no Armazenamento do Azure e grava mensagens na fila do Armazenamento, as quais serão usadas no restante do fluxo da solução.
  3. Outro Trabalho da Web monitora a fila do armazenamento e inicializa um trabalho do Lote do Azure assim que a mensagem está disponível na fila.
  4. O serviço Lote do Azure, juntamente com as Máquinas virtuais de ciência de dados, é usado para otimizar o fornecimento de energia de um tipo de recurso específico, considerando as entradas recebidas.
  5. O Banco de Dados SQL do Azure é usado para armazenar os resultados da otimização recebidos do serviço Lote do Azure. Em seguida, esses resultados são consumidos no dashboard do Power BI.
  6. Finalmente, o Power BI é usado para a visualização dos resultados.

Aviso de isenção de responsabilidade

© 2017 Microsoft Corporation. Todos os direitos reservados. Estas informações são fornecidas “no estado em que se encontram” e poderão ser alteradas sem aviso. A Microsoft não oferece garantias, expressas ou implícitas, com relação às informações aqui fornecidas. Dados de terceiros foram utilizados para gerar esta Solução. Você é responsável por respeitar os direitos de terceiros, incluindo a obtenção e o cumprimento de licenças relevantes com o intuito de criar conjuntos de dados similares.

Energy Supply OptimisationIn an energy grid, energy consumers are engaged with various types of energy supplying, trading and storage components such as substations, batteries, windfarms and solar panels, micro-turbines, as well as demand response bids, to meet their respective demands and minimise the cost of energy commitment. To do so, the grid operator must determine how much energy each type of the resources should commit over a time frame, given the prices of soliciting different types of resources and the capacities and the physical characteristics of them.

Arquiteturas de solução relacionadas

Previsão de nível de óleo e gás do tanqueHoje, a maioria das instalações operam reativamente a problemas nos níveis de tanques. Isso geralmente resulta em derramamentos, desligamentos de emergência, custos de remediação caros, problemas regulatórios, reparos caros e multas. A previsão do nível de tanque ajuda a gerenciar e mitigar esses e outros problemas.

Previsão de nível de óleo e gás do tanque

Hoje, a maioria das instalações operam reativamente a problemas nos níveis de tanques. Isso geralmente resulta em derramamentos, desligamentos de emergência, custos de remediação caros, problemas regulatórios, reparos caros e multas. A previsão do nível de tanque ajuda a gerenciar e mitigar esses e outros problemas.