Lösningsarkitektur: Beräkna prognoser för efterfrågan på energi och ström för samhällsservice

Lär dig hur du med hjälp av Microsoft Azure kan beräkna prognoser för toppar i efterfrågan på energiprodukter och tjänster och därmed ge ditt företag konkurrensfördelar.

Den här lösningen har byggts på de hanterade Azure-tjänsterna: Stream Analytics, Event Hubs, Maskininlärning, SQL Database, Data Factory och 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.

Beräkna prognoser för efterfrågan på energi och ström| Microsoft Azure Diagram som visar relationen mellan åtta produkter och tjänster, i form av symboler. Längst ut till vänster visas en symbol för exempeldata. Symbolen är kopplad till två andra symboler med enkelpilar: en för Event Hubs och en för SQL Database. Event Hubs tar emot data och skickar den vidare till Stream Analytics som visas till höger med en enkelpil. Stream Analytics hämtar också geografiska data från Azure Blob Storage som är ansluten nerifrån med en enkelpil. Stream Analytics skriver sedan till Power BI som visas längst ut till höger i diagrammet. På tillbakavägen flödar exempeldata också till SQL Database, som visas med en tvåvägskoppling till Azure Machine Learning för att skapa förutsägelsemodeller. SQL Database är också kopplad med en rak linje till Azure Data Factory som i sin tur orkestrerar och schemalägger modellomskolning. SQL Database skriver också till Power BI, som alltså visas längst ut till höger. Azure Data Factory Energy Demand Forecast(SQL) Energy Demand Forecast(Machine Learning) Geography Data(Blob Storage) Power BI Sample Data Raw event data queue(Event Hubs) Stream Analysis and Data Movement(Stream Analytics)

Implementeringsanvisningar

Produkter Dokumentation

Stream Analytics

Stream Analytics sammanställer förbrukningsdata i nära realtid och skriver dem till Power BI.

Event Hubs

Event Hubs matar in råa energiförbrukningsdata och skickar dem vidare till Stream Analytics.

Maskininlärning

Machine Learning beräknar prognoser för efterfrågan på energi för en viss region med de indata som tagits emot.

SQL Database

SQL Database lagrar de förutsagda resultaten som tagits emot från Azure Machine Learning-tjänsten. Resultaten visas sedan på Power BI-instrumentpanelen.

Data Factory

Data Factory hanterar orkestrering samt schemaläggning av omskolningen av timmodellen.

Power BI

Power BI visualiserar energiförbrukningsdata från Stream Analytics samt den beräknade energiefterfrågan från SQL Database.

Närliggande lösningsarkitekturer