Makine öğrenmesi ile enerji ve güç talebini tahmin edin

Azure Machine Learning'in enerji ürünleri ve hizmetleri için talep artışlarını tahmin etme konusunda nasıl yardımcı olabileceğini öğrenin.

Mimari

Bu mimarinin bir Visio dosyasını indirin.

Veri akışı

1. Zaman serisi verileri, özgün kaynağına bağlı olarak çeşitli biçimlerde depolanabilir. Veriler Azure Data Lake Depolama içinde veya Azure Synapse veya Azure SQL Veritabanı'da tablo biçiminde dosya olarak depolanabilir.
2. Okuma: Azure Machine Learning (ML) bu tür kaynaklardan bağlanabilir ve okuyabilir. Zaman serisi verilerinin Azure Machine Learning'e alımı, otomatik makine öğrenmesinin (AutoML) verileri önceden işlemesine ve modeli eğitip kaydetmesine olanak tanır.
3. AutoML içindeki ilk adım, zaman serisi verilerinin yapılandırılması ve ön işlenmesidir. Bu adımda, sağlanan veriler eğitim için hazırlanır. Veriler aşağıdaki özellikleri ve tahmin edilen yapılandırmaları destekler:
   • Imputed missing values
   • Holiday ve DateTime özellik mühendisliği
   • Gecikmeler ve sıralı pencereler
   • Sıralı çıkış noktası çapraz doğrulaması
4. Eğitim aşamasında AutoML, en iyi tahmin modelini eğitmek, seçmek ve açıklamak için önceden işlenmiş veri kümesini kullanır.
   • Model eğitimi: Klasik tahmin, derin sinir ağları ve regresyon modellerinden oluşan çok çeşitli makine öğrenmesi modelleri kullanılabilir.
   • Model değerlendirmesi: Modellerin değerlendirilmesi, AutoML'nin eğitilen her modelin performansını değerlendirmesine olanak tanır ve dağıtım için en iyi performansı gösteren modeli seçmenizi sağlar.
   • Açıklanabilirlik: AutoML, seçilen model için açıklanabilirlik sağlar ve bu sayede model sonuçlarını hangi özelliklerin yönlendirildiğini daha iyi anlayabilirsiniz.
5. En iyi performansa sahip model, Azure Machine Learning'de AutoML kullanılarak kaydedilir ve bu da dağıtım için kullanılabilir olmasını sağlar.
6. Dağıtma: Azure Machine Learning'de kayıtlı model dağıtılabilir ve bu da çıkarım için kullanıma sunabilecek canlı bir uç nokta sağlar.
7. Azure Container Registry'de depolanan görüntülerden kapsayıcıların dağıtıldığı Kubernetes tarafından yönetilen bir küme çalıştırırken, dağıtım Azure Kubernetes Service (AKS) aracılığıyla gerçekleştirilebilir. Alternatif olarak, AKS yerine Azure Container Instances kullanılabilir.
8. Çıkarım: Model dağıtıldıktan sonra yeni verilerin çıkarımını kullanılabilir uç nokta üzerinden gerçekleştirebilirsiniz. Batch ve neredeyse gerçek zamanlı tahminler desteklenebilir. Çıkarım sonuçları, Azure Data Lake Depolama içinde veya Azure Synapse veya Azure SQL Veritabanı'da tablo biçiminde belge olarak depolanabilir.
9. Görselleştirme: Depolanan model sonuçları, Power BI panoları gibi kullanıcı arabirimleri veya özel olarak oluşturulmuş web uygulamaları aracılığıyla kullanılabilir. Sonuçlar bir dosya veya tablo biçiminde bir depolama seçeneğine yazılır, ardından Azure Bilişsel Arama tarafından düzgün dizinlenir. Model toplu çıkarım olarak çalışır ve sonuçları ilgili veri deposunda depolar.

Bileşenler

• Azure Data Factory: Veri işlemeyi ve hazırlamayı işleyebilir.
• Azure Otomatik Makine Öğrenmesi: Belirli bir bölgenin enerji talebini tahmin etmek için Azure ML'yi kullanın.
• MLOps: Üretim modeli iş akışlarını tasarlama, dağıtma ve yönetme.
• Power BI Azure ML tümleştirmesi: Power BI'da model tahmini sonuçlarını kullanın.

Senaryo ayrıntıları

Enerji tüketimi ve enerji talebi zaman içinde değişir. Bu değişikliğin zaman içinde izlenmesi, desenleri anlamak ve gelecekteki davranışları tahmin etmek için kullanılabilecek zaman serisiyle sonuçlanabilir. Azure Machine Learning, enerji ürünleri ve hizmetlerine yönelik talep artışlarını tahmin etmede yardımcı olabilir.

Bu çözüm, şu Azure yönetilen hizmetleri temel alınarak oluşturulmuştur:

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

Bu hizmetler, düzeltme eki uygulanan, desteklenen ve kullanılabilirlik düzeyi yüksek olan bir ortamda çalıştırıldığından, hizmetlerin çalıştırıldığı ortam yerine çözümünüzün kendisine odaklanabilirsiniz.

Olası kullanım örnekleri

Bu çözüm enerji endüstrisi için idealdir.

Katkıda Bulunanlar

Bu makale Microsoft tarafından yönetilir. Başlangıçta aşağıdaki katkıda bulunanlar tarafından yazılmıştır.

Asıl yazar:

• Dr. Carlos Santos | Kıdemli Bulut Çözümü Mimarı - AI & Veri Bilimi

Sonraki adımlar

Aşağıdaki ürün belgelerine bakın:

• Stream Analytics'e hoş geldiniz
• Event Hubs nedir?
• Azure SQL belgeleri
• Data Factory hakkında daha fazla bilgi edinin
• Azure Machine Learning nedir?
• Makine Öğrenmesi ve zaman serisi tahmini
• Power BI

Daha fazla bilgi edinin:

• Python ile zaman serisi tahmin modelini eğitmek için AutoML'yi ayarlama
• Enerji Talebi Veri Kümesini kullanarak Tahmin için Machine Learning Not Defteri'ni deneyin.
• Azure Machine Learning'de otomatik makine öğrenmesini kullanma başlıklı Microsoft Learn modülünü deneyin.

İlgili kaynaklar

• Enerji ve çevre endüstrileri için çözümler
• Petrol ve gaz tank seviyesi tahmini
• Gönderim ve dağıtım için talep tahmini