Прогнозирование спроса на энергию и электроэнергию с помощью машинного обучения

Узнайте, как Машинное обучение Azure помочь прогнозу пиков спроса на энергетические продукты и услуги.

Архитектура

Скачайте файл Visio для этой архитектуры.

Поток данных

1. Данные временных рядов могут храниться в различных форматах в зависимости от исходного источника. Данные можно хранить в виде файлов в Azure Data Lake служба хранилища или в табличной форме в Azure Synapse или База данных SQL Azure.
2. Чтение: Машинное обучение Azure (ML) может подключаться и читаться из таких источников. Прием данных временных рядов в Машинное обучение Azure позволяет автоматизированному машинному обучению (AutoML) предварительно обработать данные и обучить и зарегистрировать модель.
3. Первым шагом в AutoML является настройка и предварительная обработка данных временных рядов. На этом шаге предоставленные данные подготовлены для обучения. Данные содержат следующие функции и прогнозируемые конфигурации:
   • Пропущенные значения
   • Проектирование функций Holiday и DateTime
   • Задержки и свертывание окон
   • Перекрестная проверка происхождения
4. На этапе обучения AutoML использует предварительно обработанный набор данных для обучения, выбора и объяснения оптимальной модели прогнозирования.
   • Обучение модели: можно использовать широкий спектр моделей машинного обучения, начиная от классического прогнозирования, глубоких нейронных сетей и моделей регрессии.
   • Оценка модели. Оценка моделей позволяет AutoML оценивать производительность каждой обученной модели, и позволяет выбрать оптимальную модель для развертывания.
   • Объясняемость: AutoML обеспечивает объяснимость выбранной модели, что позволяет лучше понять, какие функции приводят к результатам модели.
5. Модель с оптимальной производительностью зарегистрирована в Машинное обучение Azure с помощью AutoML, что делает ее доступной для развертывания.
6. Развертывание. Модель, зарегистрированная в Машинное обучение Azure, может быть развернута, которая предоставляет динамическую конечную точку, которую можно предоставить для вывода.
7. Развертывание можно выполнить с помощью Служба Azure Kubernetes (AKS), при запуске управляемого Kubernetes кластера, в котором контейнеры развертываются из образов, хранящихся в Реестр контейнеров Azure. Кроме того, вместо AKS можно использовать Экземпляры контейнеров Azure.
8. Вывод. После развертывания модели вывод новых данных можно выполнить через доступную конечную точку. Поддерживаются пакетные и практически прогнозы в режиме реального времени. Результаты вывода можно хранить в виде документов в Azure Data Lake служба хранилища или в табличной форме в Azure Synapse или База данных SQL Azure.
9. Визуализация. Результаты хранимой модели можно использовать с помощью пользовательских интерфейсов, таких как панели мониторинга Power BI, или с помощью пользовательских веб-приложений. Результаты записываются в параметр хранилища в файле или табличном формате, а затем правильно индексируются Когнитивный поиск Azure. Модель выполняется как пакетное вывод и сохраняет результаты в соответствующем хранилище данных.

Компоненты

• Фабрика данных Azure. Обработка обработки и подготовки данных.
• Автоматизированная Машинное обучение Azure. Использование Машинного обучения Azure для прогнозирования спроса на энергию определенного региона.
• MLOps: проектирование, развертывание рабочих процессов модели и управление ими.
• Интеграция Power BI Azure ML: использование прогноза модели в Power BI.

Подробности сценария

С течением времени изменение потребления энергии и спроса на энергию. Мониторинг этого изменения с течением времени приводит к тому, что временные ряды можно использовать для понимания шаблонов и прогнозирования будущих действий. Машинное обучение Azure может помочь с прогнозом пиков спроса на энергетические продукты и услуги.

Это решение построено на основе служб под управлением Azure:

• Azure Stream Analytics
• Центры событий
• Машинное обучение Azure
• База данных SQL Azure
• Фабрика данных
• Power BI

Эти службы работают в высокодоступной среде с возможностью поддержки и внесения необходимых исправлений. Благодаря этому вы можете сосредоточиться на своем решении, а не на среде, в которой оно выполняется.

Потенциальные варианты использования

Это решение идеально подходит для энергетической отрасли.

Соавторы

Эта статья поддерживается корпорацией Майкрософт. Первоначально он был написан следующими участник.

Автор субъекта:

• Доктор Карлос Сантос | Старший архитектор облачных решений — ИИ и Обработка и анализ данных

Следующие шаги

См. следующую документацию по продукту:

• Добро пожаловать в Stream Analytics
• Что такое Центры событий?
• Документация по SQL Azure
• Дополнительные сведения о фабрике данных
• Что такое Машинное обучение Azure?
• прогнозирование Машинное обучение и временных рядов
• Power BI

Подробнее:

• Настройка AutoML для обучения модели прогнозирования временных рядов с помощью Python
• Попробуйте Машинное обучение записную книжку для прогнозирования с помощью набора данных о спросе на энергию.
• Попробуйте использовать модуль Microsoft Learn, используйте автоматизированное машинное обучение в Машинное обучение Azure.

Связанные ресурсы

• Решения для энергетики и охраны окружающей среды
• Прогнозирование уровня нефтяных и газовых баков
• Прогнозирование спроса для доставки и распределения