Prognostisera energi- och energibehov med maskininlärning

Lär dig hur Azure Machine Learning kan hjälpa dig att förutse toppar i efterfrågan på energiprodukter och -tjänster.

Arkitektur

Ladda ned en Visio-fil med den här arkitekturen.

Dataflöde

1. Tidsseriedata kan lagras i olika format, beroende på dess ursprungliga källa. Data kan lagras som filer i Azure Data Lake Storage eller i tabellform i Azure Synapse eller Azure SQL Database.
2. Läs: Azure Machine Learning (ML) kan ansluta och läsa från sådana källor. Inmatning av tidsseriedata till Azure Machine Learning gör det möjligt för automatisk maskininlärning (AutoML) att förbearbeta data och träna och registrera en modell.
3. Det första steget i AutoML är konfiguration och förbearbetning av tidsseriedata. I det här steget förbereds de angivna data för träning. Data styr följande funktioner och prognostiserade konfigurationer:
   • Imputerade saknade värden
   • Semester- och DateTime-funktionsutveckling
   • Fördröjningar och rullande fönster
   • Korsvalidering av rullande ursprung
4. Under träningsfasen använder AutoML den förbearbetade datamängden för att träna, välja och förklara den bästa prognosmodellen.
   • Modellträning: Ett brett utbud av maskininlärningsmodeller kan användas, allt från klassisk prognostisering, djupa neurala nätverk och regressionsmodeller.
   • Modellutvärdering: Utvärdering av modeller gör att AutoML kan utvärdera prestanda för varje tränad modell, och det gör att du kan välja den modell som fungerar bäst för distribution.
   • Förklaring: AutoML ger förklaring för den valda modellen, vilket gör att du bättre kan förstå vilka funktioner som driver modellresultaten.
5. Modellen med bästa prestanda registreras i Azure Machine Learning med hjälp av AutoML, vilket gör den tillgänglig för distribution.
6. Distribuera: Modellen som är registrerad i Azure Machine Learning kan distribueras, vilket ger en liveslutpunkt som kan exponeras för slutsatsdragning.
7. Distributionen kan göras via Azure Kubernetes Service (AKS), medan du kör ett Kubernetes-hanterat kluster där containrarna distribueras från avbildningar som lagras i Azure Container Registry. Du kan också använda Azure Container Instances i stället för AKS.
8. Slutsatsdragning: När modellen har distribuerats kan inferensen av nya data göras via den tillgängliga slutpunkten. Batch- och nästan realtidsförutsägelser kan stödjas. Slutsatsdragningsresultatet kan lagras som dokument i Azure Data Lake Storage eller i tabellformat i Azure Synapse eller Azure SQL Database.
9. Visualisera: De lagrade modellresultaten kan användas via användargränssnitt, till exempel Power BI-instrumentpaneler eller via anpassade webbprogram. Resultatet skrivs till ett lagringsalternativ i fil- eller tabellformat och indexeras sedan korrekt av Azure Cognitive Search. Modellen körs som batchinferens och lagrar resultatet i respektive datalager.

Komponenter

• Azure Data Factory: Hantera datamanipulering och förberedelse.
• Azure Automated Machine Learning: Använd Azure ML för att prognostisera energibehovet i en viss region.
• MLOps: Utforma, distribuera och hantera arbetsflöden för produktionsmodeller.
• Power BI Azure ML-integrering: Användning av modellförutsägelse resulterar i Power BI.

Information om scenario

Energiförbrukningen och efterfrågan på energi förändras över tid. Övervakningen av den här ändringen över tid resulterar i tidsserier som kan användas för att förstå mönster och för att förutsäga framtida beteenden. Azure Machine Learning kan hjälpa dig att förutse toppar i efterfrågan på energiprodukter och -tjänster.

Den här lösningen bygger på följande Azure-hanterade tjänster:

• Azure Stream Analytics
• Event Hubs
• Azure Machine Learning
• Azure SQL Database
• Data Factory
• Power BI

De här tjänsterna körs i en miljö med hög tillgänglighet, med korrigeringar och stöd, så att du kan fokusera på dina lösningar i stället för på den miljö som de körs i.

Potentiella användningsfall

Den här lösningen är idealisk för energiindustrin.

Deltagare

Den här artikeln underhålls av Microsoft. Det har ursprungligen skrivits av följande medarbetare.

Huvudförfattare:

• Dr Carlos Santos | Senior Cloud Solution Architect – AI &Datavetenskap

Nästa steg

Se följande produktdokumentation:

• Välkommen till Stream Analytics
• Vad är Event Hubs?
• Azure SQL-dokumentation
• Läs mer om Data Factory
• Vad är Azure Machine Learning?
• Prognostisering för maskininlärning och tidsserier
• Power BI

Läs mer:

• Konfigurera AutoML för att träna en prognosmodell för tidsserier med Python
• Prova Machine Learning Notebook för prognostisering med datauppsättningen Energiefterfrågan.
• Prova Microsoft Learn-modulen Använda automatiserad maskininlärning i Azure Machine Learning.

Relaterade resurser

• Lösningar för energi- och miljöindustrin
• Prognostisering av olje- och gastanknivå
• Efterfrågeprognoser för leverans och distribution