Lösningsidéer
Den här artikeln är en lösningsidé. Om du vill att vi ska utöka innehållet med mer information, till exempel potentiella användningsfall, alternativa tjänster, implementeringsöverväganden eller prisvägledning, kan du meddela oss genom att ge GitHub-feedback.
Den här lösningen tillhandahåller en Azure-baserad smart lösning som använder externa verktyg med öppen källkod för att fastställa optimala energienhetsåtaganden från olika energiresurser för ett energinät. Målet är att minimera totalkostnaden för all utvinning samtidigt som kundernas behov tillgodoses.
Arkitektur
Ladda ned en Visio-fil med den här arkitekturen.
Dataflöde
- Exempeldata strömmas av nyligen distribuerade Azure-webbjobb. Webbjobbet använder resursrelaterade data från Azure SQL för att generera simulerade data.
- Datasimulatorn matar in dessa simulerade data i Azure Storage och skriver meddelandet i Lagringskö som ska användas i resten av lösningsflödet.
- Ett annat webbjobb övervakar lagringskön och initierar ett Azure Batch-jobb när det finns meddelanden i kön.
- Azure Batch-tjänsten och Data Science Virtual Machines används till att optimera energitillförseln från en viss resurstyp givet mottagna indata.
- Azure SQL Database används till att lagra optimeringsresultaten som tas emot från Azure Batch-tjänsten. Resultaten visas sedan på Power BI-instrumentpanelen.
- Slutligen används Power BI till att visualisera resultatet.
Komponenter
Viktiga tekniker som används för att implementera den här arkitekturen:
- Azure Batch
- Azure Blob Storage
- Virtuella Azure Datavetenskap-datorer
- Azure SQL Database
- Azure Queue Storage
- Power BI-instrumentpanel
Information om scenario
Ett energinät består av energikonsumenter och olika typer av energiförsörjnings-, handels- och lagringskomponenter: Understationer accepterar strömbelastning eller exporterar överdriven energi; Batterier kan ladda ur energi eller lagra den för framtida användning; Vindkraftverk och solpaneler (självplanerade generatorer), mikroturbiner (sändningsbara generatorer) och anbud om efterfrågesvar kan alla användas för att tillfredsställa efterfrågan från konsumenterna inom nätet.
Kostnaderna för att använda de olika resurserna varierar, och kapaciteten och de fysiska egenskaperna hos resurserna avgör hur mycket de kan användas. Med tanke på alla dessa begränsningar är en utmaning som smartnätsoperatören måste möta hur mycket energi varje typ av resurser ska checka in under en tidsram. Detta gör att den prognostiserade energiefterfrågan från nätet är uppfylld.
Potentiella användningsfall
Den här lösningen visar azures förmåga att hantera externa verktyg, till exempel Pyomo och CBC, för att lösa storskaliga numeriska optimeringsproblem, till exempel mixad heltals-linjär programmering, parallellisering av flera optimeringsuppgifter över en Azure Batch med virtuella Azure-datorer. Andra berörda produkter är Azure Blob Storage, Azure Queue Storage, Azure Web App, Azure SQL Database och Power BI.
Nästa steg
Produktdokumentation:
- Vad är Azure Batch?
- Vad är Azure Blob Storage?
- Vad är den virtuella Azure Datavetenskap-datorn?
- Vad är Azure SQL Database?
- Vad är Azure Queue Storage?
- Introduktion till instrumentpaneler
Microsoft Learn-moduler:
- Skapa och ansluta till en Datavetenskap virtuell dator
- Distribuera Azure SQL Database
- Utforska Azure Blob Storage
- Köra parallella uppgifter i Azure Batch med Azure CLI