Prognózování poptávky

Data Factory
Event Hubs
Machine Learning
SQL Database
Stream Analytics

Nápad řešení Solution Idea

Pokud se chcete podívat, jak nás rozšířit tento článek o další informace, podrobnosti implementace, doprovodné materiály nebo příklady kódu, dejte nám vědět s názory na GitHubu.If you'd like to see us expand this article with more information, implementation details, pricing guidance, or code examples, let us know with GitHub Feedback!

Přesné předpovědi špičky v poptávce na vyžádání pro produkty a služby můžou společnosti poskytnout konkurenční výhodu.Accurately forecasting spikes in demand for products and services can give a company a competitive advantage. Toto řešení se zaměřuje na Prognózování poptávky v energetickém odvětví.This solution focuses on demand forecasting within the energy sector.

ArchitekturaArchitecture

Diagram architektury Stáhnout SVG této architektury.Architecture diagram Download an SVG of this architecture.

PřehledOverview

Přesné předpovědi špičky v poptávce na vyžádání pro produkty a služby můžou společnosti poskytnout konkurenční výhodu.Accurately forecasting spikes in demand for products and services can give a company a competitive advantage. Tím lepší prognózování dosáhnete tím, že se zvyšují nároky na poptávku a menší rizika držíte na nepotřebném inventáři.The better the forecasting, the more they can scale as demand increases, and the less they risk holding onto unneeded inventory. Případy použití zahrnují Předpověď poptávky za produkt v maloobchodě nebo online obchodě, předpovědi nemocnicových návštěv a předvídání spotřeby energie.Use cases include predicting demand for a product in a retail/online store, forecasting hospital visits, and anticipating power consumption.

Toto řešení se zaměřuje na Prognózování poptávky v energetickém odvětví.This solution focuses on demand forecasting within the energy sector. Úspora energie není nákladově efektivní, takže pomůcky a generátory napájení potřebují předpovědět budoucí spotřebu energie, aby mohli efektivně vyrovnávat nabídku s poptávkou.Storing energy is not cost-effective, so utilities and power generators need to forecast future power consumption so that they can efficiently balance the supply with the demand. Během špičky může krátké poskytnutí výpadků způsobit výpadky.During peak hours, short supply can result in power outages. Naopak příliš mnoho dodávek může vést k plýtvání prostředky.Conversely, too much supply can result in waste of resources. Pokročilé techniky prognózování poptávky podrobně vyžadují hodinovou poptávku a hodiny špičky pro určitý den a umožňují poskytovateli energie optimalizovat proces generování napájení.Advanced demand forecasting techniques detail hourly demand and peak hours for a particular day, allowing an energy provider to optimize the power generation process. Toto řešení pomocí Cortana Intelligence umožňuje energetickým společnostem rychle zavést výkonnou technologii předpovědi do jejich podnikání.This solution using Cortana Intelligence enables energy companies to quickly introduce powerful forecasting technology into their business.

PodrobnostiDetails

Cortana Intelligence Suite poskytuje pokročilé analytické nástroje prostřednictvím komponent Microsoft Azure – příjmu dat, ukládání dat, zpracování dat a pokročilé analýzy – to znamená všechny základní prvky pro vytvoření prognózy poptávky pro řešení energií.The Cortana Intelligence Suite provides advanced analytics tools through Microsoft Azure - data ingestion, data storage, data processing and advanced analytics components - all of the essential elements for building an demand forecasting for energy solution.

Toto řešení kombinuje několik služeb Azure a poskytuje výkonné výhody.This solution combines several Azure services to provide powerful advantages. Event Hubs shromažďuje data o spotřebě v reálném čase.Event Hubs collects real-time consumption data. Stream Analytics agreguje streamovaná data a zpřístupňuje je pro vizualizaci.Stream Analytics aggregates the streaming data and makes it available for visualization. Azure SQL ukládá a transformuje data o spotřebě.Azure SQL stores and transforms the consumption data. Machine Learning implementuje a spustí model prognózy.Machine Learning implements and executes the forecasting model. PowerBI vizualizuje spotřebu energie v reálném čase a také výsledky prognóz.PowerBI visualizes the real-time energy consumption as well as the forecast results. Nakonec Data Factory orchestruje a plánuje celý tok dat.Finally, Data Factory orchestrates and schedules the entire data flow.

Tlačítko nasadit spustí pracovní postup, který nasadí instanci řešení v rámci skupiny prostředků v předplatném Azure, které zadáte.The 'Deploy' button will launch a workflow that will deploy an instance of the solution within a Resource Group in the Azure subscription you specify. Toto řešení zahrnuje několik služeb Azure (popsaných níže) spolu s webovou úlohou, která simuluje data. to znamená, že okamžitě po nasazení budete mít fungující ucelené řešení.The solution includes multiple Azure services (described below) along with a web job that simulates data so that immediately after deployment you have a working end-to-end solution. Ukázková data tohoto řešení se simulují z veřejně dostupných dat z NYISO.The sample data of this solution is simulated from publicly available data from the NYISO.

Technické podrobnosti a pracovní postupTechnical details and workflow

  1. Ukázková data se streamují nově nasazenými webovými úlohami Azure.The sample data is streamed by newly deployed Azure Web Jobs.
  2. Tyto syntetické datové kanály do Azure Event Hubs a Azure SQL Service jako datové body nebo události, které se použijí ve zbytku toku řešení.This synthetic data feeds into the Azure Event Hubs and Azure SQL service as data points or events, that will be used in the rest of the solution flow.
  3. Azure Stream Analytics analyzovat data, abyste poskytovali analýzy téměř v reálném čase pro vstupní datový proud z centra událostí a přímo publikovali do PowerBI pro vizualizaci.Azure Stream Analytics analyze the data to provide near real-time analytics on the input stream from the event hub and directly publish to PowerBI for visualization.
  4. Azure Machine Learning se používá k odhadu poptávky po energii konkrétní oblasti podle přijatých vstupních hodnot.Azure Machine Learning is used to make forecast on the energy demand of particular region given the inputs received.
  5. Azure SQL Database slouží k uložení výsledků předpovědi přijatých od Azure Machine Learning.Azure SQL Database is used to store the prediction results received from Azure Machine Learning. Tyto výsledky se pak spotřebují na řídicím panelu Power BI.These results are then consumed in the Power BI dashboard.
  6. Azure Data Factory zpracovává orchestraci a plánování hodinového přeškolení modelu.Azure Data Factory handles orchestration, and scheduling of the hourly model retraining.
  7. Nakonec se Power BI používá pro vizualizaci výsledků, takže uživatelé mohou monitorovat spotřebu energie z oblasti v reálném čase a použít odhad poptávky za účelem optimalizace procesu generování nebo distribuce napájení.Finally, Power BI is used for results visualization, so that users can monitor the energy consumption from a region in real time and use the forecast demand to optimize the power generation or distribution process.

Informace o cenáchPricing Info

K vašemu předplatnému Azure, které se používá pro nasazení, se účtují poplatky za využití služeb používaných v tomto řešení.Your Azure subscription used for the deployment will incur consumption charges on the services used in this solution. Podrobnosti o cenách najdete na stránce s cenami Azure.For pricing details, visit the Azure Pricing Page.