Prognosen des Energiebedarfs und des Strombedarfs mit maschinellem Lernen

Azure Machine Learning
Azure Data Factory
Power BI

Lösungsmöglichkeiten

In diesem Artikel ist ein Lösungsvorschlag beschrieben. Ihr Cloudarchitekt kann diesen Leitfaden verwenden, um die Hauptkomponenten einer typischen Implementierung dieser Architektur zu visualisieren. Verwenden Sie diesen Artikel als Ausgangspunkt, um eine gut durchdachte Lösung zu entwerfen, die den spezifischen Anforderungen Ihrer Workload entspricht.

Erfahren Sie, wie Azure Machine Learning helfen kann, Nachfragespitzen für Energieprodukte und -dienste vorherzusagen.

Aufbau

Architekturdiagramm: Verwenden von Azure-Diensten wie Machine Learning in einer Lösung, die den Energie- und Strombedarf prognostiziert

Laden Sie eine Visio-Datei dieser Architektur herunter.

Datenfluss

  1. Zeitreihendaten können abhängig von ihrer ursprünglichen Quelle in verschiedenen Formaten gespeichert werden. Daten können als Dateien in Azure Data Lake Storage oder in tabellarischer Form in Azure Synapse oder Azure SQL-Datenbank gespeichert werden.
  2. Lesen: Azure Machine Learning (ML) kann eine Verbindung mit solchen Quellen herstellen und aus ihnen lesen. Die Erfassung von Zeitreihendaten in Azure Machine Learning ermöglicht automatisiertes maschinelles Lernen (AutoML), um die Daten vorzuverarbeiten und ein Modell zu trainieren und zu registrieren.
  3. Der erste Schritt in AutoML ist die Konfiguration und Vorverarbeitung der Zeitreihendaten. In diesem Schritt werden die bereitgestellten Daten für das Training vorbereitet. Die Daten bilden die Grundlage für die folgenden Features und vorhergesagten Konfigurationen:
    • Imputierte fehlende Werte
    • Feiertags- und DateTime-Featureentwicklung
    • Verzögerungen und rollierende Fenster
    • Kreuzvalidierung mit rollierendem Ursprung
  4. Während der Trainingsphase nutzt AutoML das vorverarbeitete Dataset, um das beste Vorhersagemodell zu trainieren, auszuwählen und zu erläutern.
    • Modelltraining: Es kann eine Vielzahl von Machine Learning-Modellen verwendet werden, die von klassischen Vorhersagen über Deep Neural Networks bis hin zu Regressionsmodellen reichen.
    • Modellauswertung: Die Auswertung von Modellen ermöglicht AutoML die Bewertung der Leistung jedes trainierten Modells. Sie können das Modell mit der besten Leistung für die Bereitstellung auswählen.
    • Erklärbarkeit: AutoML bietet Erklärbarkeit für das ausgewählte Modell. Dadurch können Sie besser verstehen, welche Features die Modellergebnisse beeinflussen.
  5. Das Modell mit der besten Leistung wird in Azure Machine Learning mit AutoML registriert, wodurch es für die Bereitstellung verfügbar wird.
  6. Bereitstellen: Das in Azure Machine Learning registrierte Modell kann bereitgestellt werden, wodurch ein Liveendpunkt bereitgestellt wird, der für Rückschlüsse verfügbar gemacht werden kann.
  7. Die Bereitstellung kann über Azure Kubernetes Service (AKS) erfolgen, während Sie einen von Kubernetes verwalteten Cluster ausführen, in dem die Container aus Images bereitgestellt werden, die in Azure Container Registry gespeichert sind. Alternativ kann Azure Container Instances anstelle von AKS verwendet werden.
  8. Rückschluss: Nach der Bereitstellung des Modells können neue Daten über den verfügbaren Endpunkt rückgeschlossen werden. Batchvorhersagen und Vorhersagen nahezu in Echtzeit können unterstützt werden. Die Rückschlussergebnisse können als Dokumente in Azure Data Lake Storage oder in tabellarischer Form in Azure Synapse oder Azure SQL-Datenbank gespeichert werden.
  9. Visualisieren: Die gespeicherten Modellergebnisse können über Benutzeroberflächen wie Power BI-Dashboards oder über benutzerdefinierte Webanwendungen genutzt werden. Die Ergebnisse werden in eine Speicheroption im Datei- oder Tabellenformat geschrieben und dann ordnungsgemäß von Azure Cognitive Search indiziert. Das Modell wird als Batchrückschluss ausgeführt und speichert die Ergebnisse im jeweiligen Datenspeicher.

Komponenten

Szenariodetails

Der Energieverbrauch und der Energiebedarf ändern sich im Laufe der Zeit. Die Überwachung dieser Änderung im Laufe der Zeit führt zu Zeitreihendaten, die genutzt werden können, um Muster zu verstehen und zukünftiges Verhalten zu prognostizieren. Azure Machine Learning kann helfen, Nachfragespitzen bei Energieprodukten und -diensten vorherzusagen.

Diese Lösung basiert auf den folgenden verwalteten Azure-Diensten:

Diese Dienste werden in einer Hochverfügbarkeitsumgebung ausgeführt, gepatcht und unterstützt, sodass Sie sich auf die Lösung selbst konzentrieren können und nicht auf die Umgebung, in der sie ausgeführt werden, konzentrieren müssen.

Mögliche Anwendungsfälle

Diese Lösung ist ideal für die Energiewirtschaft geeignet.

Beitragende

Dieser Artikel wird von Microsoft gepflegt. Er wurde ursprünglich von folgenden Mitwirkenden geschrieben:

Hauptautor:

Nächste Schritte

Weitere Informationen finden Sie in der folgenden Produktdokumentation:

Weitere Informationen: