Çözüm mimarisi: Kamu hizmetleri için enerji ve güç talebini tahmin etme

Microsoft Azure, enerji ürünlerine ve hizmetlerine yönelik ani talep artışlarını doğru şekilde tahmin etmenize yardımcı olur.

Bu çözüm, şu Azure yönetilen hizmetleri temel alınarak oluşturulmuştur: Stream Analytics, Event Hubs, Machine Learning, SQL Veritabanı, Data Factory 'nı ve Power BI. Bu hizmetler, düzeltme eki uygulanan, desteklenen ve kullanılabilirlik düzeyi yüksek olan bir ortamda çalıştırıldığından, hizmetlerin çalıştırıldığı ortam yerine çözümünüzün kendisine odaklanabilirsiniz.

Enerji ve Güç Talebini Tahmin Etme | Microsoft Azure Sekiz ürün ve hizmet arasındaki ilişkiyi simgelerle gösteren diyagram. En solda, örnek verileri temsil eden bir simge bulunuyor. Bu simge, biri Event Hubs biri de SQL Veritabanı olmak üzere iki ayrı simgeye tek yönlü oklarla bağlı. Event Hubs, verileri alır ve sağ tarafında tek yönlü okla gösterilen Stream Analytics’e geçirir. Stream Analytics, alttan tek yönlü bir okla bağlı olan Azure Blob Depolama’dan coğrafi verileri de alır. Daha sonra Stream Analytics, diyagramın en sağında gösterilen Power BI hizmetine yazar. Yukarıda bahsedilen örnek veriler, tahmine dayalı modeller oluşturmak amacıyla SQL Veritabanı’na da (Azure Machine Learning ile çift yönlü bağlantı ilişkisinde gösteriliyor) gönderilir. SQL Veritabanı, modelin yeniden eğitilmesini düzenleyen ve zamanlayan Azure Data Factory’ye de düz bir çizgiyle bağlanıyor. SQL Veritabanı, yukarıda belirtildiği gibi en sağda bulunan Power BI hizmetine de yazar. 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)

Uygulama kılavuzu

Ürünler Belgeler

Stream Analytics

Stream Analytics, enerji tüketimi verilerini neredeyse gerçek zamanlı olarak toplar ve Power BI hizmetine yazar.

Event Hubs

Event Hubs ham enerji tüketimi verilerini alır ve Stream Analytics’e geçirir.

Machine Learning

Machine Learning, girilen verilere bağlı olarak belirli bir bölgenin enerji talebini tahmin eder.

SQL Veritabanı

SQL Veritabanı, Azure Machine Learning hizmetinden alınan tahmin sonuçlarını depolar. Bu sonuçlar daha sonra Power BI panosunda kullanılır.

Data Factory

Data Factory, modeli saatlik olarak yeniden eğitme sürecinin düzenleme ve zamanlama işlemlerini yapar.

Power BI

Power BI, Stream Analytics’ten alınan enerji tüketimi verilerinin yanı sıra SQL Veritabanı tarafından sağlanan tahmini enerji talebini de görselleştirir.

İlgili çözüm mimarileri