Optimalizace dodávek energie

Batch
Blob Storage
Data Science Virtual Machine
Queue Storage
SQL Database

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!

V energetické síti se zákazníci s energií podílejí na různých typech energetických dodávek, obchodování a součástí úložiště, jako jsou například podstanicey, baterie, windfarms a sluneční panely, mikroturbíny, a také nabídky poptávky na vyžádání, aby splnily příslušné požadavky a minimalizovaly náklady na energetické závazky.In an energy grid, energy consumers are engaged with various types of energy supplying, trading, and storage components such as substations, batteries, windfarms and solar panels, micro-turbines, as well as demand response bids, to meet their respective demands and minimize the cost of energy commitment. K tomu je potřeba, aby operátor mřížky určil, kolik energie má každý typ prostředků potvrdit v časovém rámci, a to na základě cen oslovování různých typů prostředků a kapacit a fyzických vlastností těchto prostředků.To do so, the grid operator must determine how much energy each type of the resources should commit over a time frame, given the prices of soliciting different types of resources and the capacities and the physical characteristics of them.

Toto řešení je postavené na Cortana Intelligence Suite a externích Open Source nástrojích a počítá se o optimálních závazcích v oblasti energetické energie z různých typů energetických zdrojů.This solution is built upon Cortana Intelligence Suite and external open-source tools, and it computes the optimal energy unit commitments from various types of energy resources. Toto řešení předvádí možnost Cortana Intelligence Suite pro přijetí externích nástrojů a řešení paralelních problémů s optimalizací přes Azure Batch Azure Virtual Machines.This solution demonstrates the ability of Cortana Intelligence Suite to accommodating external tools, to solve parallelized numerical optimization problems over an Azure Batch of Azure Virtual Machines.

ArchitekturaArchitecture

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

PopisDescription

Ušetřete čas a nechte některého z těchto výukových partnerů , které vám pomůžou s ověřením konceptu, nasazení & integrace tohoto řešení.Save time and let one of these trained SI partners help you with a proof of concept, deployment & integration of this solution.

Odhadované denní náklady: $12Estimated Daily Cost: $12

Další podrobnosti o tom, jak je toto řešení sestavené, najdete v Průvodci řešením na GitHubu.For more details on how this solution is built, visit the solution guide in GitHub.

Energetická mřížka se skládá z uživatelů energie a také různých typů zásobování energií, obchodování a komponent úložiště: Podstanice akceptují zatížení napájení nebo export nadměrného výkonu. Baterie můžou vypouštět energii nebo ho uložit pro budoucí použití; Windfarms a slunečníek (sami naplánované generátory), mikroturbíny (neopravitelné generátory) a nabídky poptávky na vyžádání můžou být schopné uspokojit poptávku od spotřebitelů v rámci této tabulky.An energy grid consists of energy consumers, as well as various types of energy supplying, trading, and storage components: Substations accepts power load or exports excessive power; Batteries may discharge energy or store it for future use; Windfarms and solar panel (self-scheduled generators), micro-turbines (dispatchable generators), and demand response bids can all be engaged to satisfying the demand from the consumers within the grid. Náklady na oslovování různých typů prostředků se liší, ale kapacity a fyzické charakteristiky každého typu prostředku omezují odeslání prostředku.The costs of soliciting different types of resources vary, while the capacities and the physical characteristics of each resource type limit the dispatch of the resource. Vzhledem k tomu, že jsou všechna tato omezení, je nutné, aby se při použití operátoru inteligentních mřížek, který je v daném časovém rámci, vytvářely ústřední výzvou k tomu, aby byla splněna předpokládaná energie z mřížky.Given all these constraints, a central challenge the smart grid operator must face, is how much energy each type of the resources should commit over a time frame, so that the forecasted energy demand from the grid are satisfied.

Toto řešení poskytuje inteligentní řešení založené na Azure s využitím externích open source nástrojů, které určují optimální závazky energetické jednotky z různých typů energetických zdrojů pro energetickou mřížku.This solution provides an Azure-based smart solution, leveraging external open-source tools, that determines the optimal energy unit commitments from various types of energy resources for an energy grid. Cílem je minimalizovat celkové náklady vzniklé těmito závazky a přitom uspokojit požadavky na energii.The goal is to minimize the overall cost incurred by these commitments while satisfying the energy demand. Toto řešení předvádí schopnost Azure využít externí nástroje, jako je Pyomo a CBC, k řešení problémů s numerickou optimalizací, jako je smíšené celé číslo – lineární programování, virtuálního více úloh optimalizace nad Azure Batch Virtual Machines Azure.This solution demonstrates the ability of Azure to accommodating external tools, such as Pyomo and CBC, to solve large-scale numerical optimization problems such as mixed integer-linear programming, parallelizing multiple optimization tasks over an Azure Batch of Azure Virtual Machines. Mezi další zahrnuté produkty patří Azure Blob Storage, Azure Queue Storage, Azure Web App, Azure SQL Database i Power BI.Other involved products include Azure Blob Storage, Azure Queue Storage, Azure Web App, Azure SQL Database, as well as Power BI.

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. Webová úloha používá data související s prostředky z Azure SQL k vygenerování simulovaných dat.The web job uses resource related data from Azure SQL to generate the simulated data.
  2. Simulátor dat přesměruje tato Simulovaná data do Azure Storage a zapisuje zprávu do fronty úložiště, která bude použita ve zbytku toku řešení.The data simulator feeds this simulated data into the Azure Storage and writes message in Storage Queue, that will be used in the rest of the solution flow.
  3. Jiná webová úloha sleduje frontu úložiště a iniciuje Azure Batch úlohu, když je zpráva ve frontě k dispozici.Another Web Job monitors the storage queue and initiate an Azure Batch job once message in the queue is available.
  4. Služba Azure Batch společně se službou data vědu Virtual Machines se používá k optimalizaci spotřeby energie z konkrétního typu prostředku podle přijatých vstupů.The Azure Batch service together with Data Science Virtual Machines is used to optimize the energy supply from a particular resource type given the inputs received.
  5. Azure SQL Database slouží k uložení výsledků optimalizace přijatých od služby Azure Batch.Azure SQL Database is used to store the optimization results received from the Azure Batch service. Tyto výsledky se pak spotřebují na řídicím panelu Power BI.These results are then consumed in the Power BI dashboard.
  6. Nakonec se Power BI používá pro vizualizaci výsledků.Finally, Power BI is used for results visualization.