Editar

Preveja a demanda de energia e energia com aprendizado de máquina

Azure Machine Learning
Azure Data Factory
Power BI

Ideias de soluções

Este artigo é uma ideia de solução. Se você quiser que expandamos o conteúdo com mais informações, como possíveis casos de uso, serviços alternativos, considerações de implementação ou orientação de preços, informe-nos fornecendo feedback do GitHub.

Saiba como o Azure Machine Learning pode ajudar a prever picos na procura de produtos e serviços energéticos.

Arquitetura

Architecture diagram: using Azure services like Machine Learning in a solution that forecasts energy and power demand.

Transfira um ficheiro do Visio desta arquitetura.

Fluxo de dados

  1. Os dados das séries cronológicas podem ser armazenados em vários formatos, dependendo da sua fonte original. Os dados podem ser armazenados como arquivos no Armazenamento do Azure Data Lake ou em forma de tabela no Azure Synapse ou no Banco de Dados SQL do Azure.
  2. Leia: O Azure Machine Learning (ML) pode se conectar e ler dessas fontes. A ingestão de dados de séries cronológicas no Azure Machine Learning permite que o aprendizado de máquina automatizado (AutoML) pré-processe os dados e treine e registre um modelo.
  3. O primeiro passo dentro do AutoML é a configuração e o pré-processamento dos dados da série temporal. Nesta etapa, os dados fornecidos são preparados para treinamento. Os dados orientam os seguintes recursos e configurações previstas:
    • Valores em falta imputados
    • Engenharia de recursos Holiday e DateTime
    • Atrasos e janelas rolantes
    • Validação cruzada de origem rolante
  4. Durante a etapa de treinamento, o AutoML usa o conjunto de dados pré-processado para treinar, selecionar e explicar o melhor modelo de previsão.
    • Treinamento de modelos: Uma ampla gama de modelos de aprendizado de máquina pode ser usada, desde previsão clássica, redes neurais profundas e modelos de regressão.
    • Avaliação de modelos: A avaliação de modelos permite que o AutoML avalie o desempenho de cada modelo treinado e permite selecionar o modelo com melhor desempenho para implantação.
    • Explicabilidade: o AutoML fornece explicabilidade para o modelo selecionado, o que permite entender melhor quais recursos estão impulsionando os resultados do modelo.
  5. O modelo com melhor desempenho é registrado no Azure Machine Learning usando AutoML, o que o torna disponível para implantação.
  6. Implantar: o modelo registrado no Azure Machine Learning pode ser implantado, o que fornece um ponto de extremidade em tempo real que pode ser exposto para inferência.
  7. A implantação pode ser feita por meio do Serviço Kubernetes do Azure (AKS), enquanto você executa um cluster gerenciado pelo Kubernetes onde os contêineres são implantados a partir de imagens armazenadas no Registro de Contêiner do Azure. Como alternativa, as Instâncias de Contêiner do Azure podem ser usadas em vez do AKS.
  8. Inferência: Uma vez que o modelo é implantado, a inferência de novos dados pode ser feita por meio do ponto de extremidade disponível. Previsões em lote e quase em tempo real podem ser suportadas. Os resultados da inferência podem ser armazenados como documentos no Armazenamento do Azure Data Lake ou em forma de tabela no Azure Synapse ou no Banco de Dados SQL do Azure.
  9. Visualizar: os resultados do modelo armazenado podem ser consumidos por meio de interfaces de usuário, como painéis do Power BI, ou por meio de aplicativos Web personalizados. Os resultados são gravados em uma opção de armazenamento em um formato de arquivo ou tabela e, em seguida, são indexados corretamente pela Pesquisa Cognitiva do Azure. O modelo é executado como inferência em lote e armazena os resultados no respetivo armazenamento de dados.

Componentes

  • Azure Data Factory: lide com a manipulação e preparação de dados.
  • Azure Automated Machine Learning: use o Azure ML para prever a demanda de energia de uma região específica.
  • MLOps: projete, implante e gerencie fluxos de trabalho de modelos de produção.
  • Integração do Power BI Azure ML: consuma resultados de previsão de modelo no Power BI.

Detalhes do cenário

O consumo de energia e a procura de energia mudam ao longo do tempo. O monitoramento dessa mudança ao longo do tempo, resulta em séries temporais que podem ser utilizadas para entender padrões e prever comportamentos futuros. O Azure Machine Learning pode ajudar a prever picos na procura de produtos e serviços energéticos.

Esta solução baseia-se nos serviços geridos do Azure:

Estes serviços são executados num ambiente de elevada disponibilidade, corrigido e suportado, que lhe permite concentrar-se na sua solução em vez de no ambiente em que é executada.

Potenciais casos de utilização

Esta solução é ideal para a indústria de energia.

Contribuidores

Este artigo é mantido pela Microsoft. Foi originalmente escrito pelos seguintes contribuidores.

Autor principal:

  • Dr. Carlos Santos - Portugal | Arquiteto de Soluções Cloud Sênior - AI & Data Science

Próximos passos

Consulte a seguinte documentação do produto:

Saiba mais: