Prognosen des Energiebedarfs und des Strombedarfs mit maschinellem Lernen

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

Aufbau

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

• Azure Data Factory: Verwalten von Datenbearbeitung und -aufbereitung
• Azure Automated Machine Learning: Verwenden von Azure ML für die Prognose des Energiebedarfs einer bestimmten Region
• MLOps: Entwerfen, Bereitstellen und Verwalten von Produktionsmodell-Workflows
• Power BI-Integration in Azure ML: Nutzen der Ergebnisse der Modellvorhersage in Power BI.

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:

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

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:

• Dr. Carlos Santos | Senior Cloud Solution Architect – AI & Data Science

Nächste Schritte

Weitere Informationen finden Sie in der folgenden Produktdokumentation:

• Willkommen bei Stream Analytics
• Was ist Event Hubs?
• Azure SQL-Dokumentation
• Weitere Informationen zu Data Factory
• Was ist Azure Machine Learning?
• Machine Learning und Zeitreihenvorhersagen
• Power BI

Weitere Informationen:

• Einrichten von AutoML zum Trainieren eines Zeitreihenvorhersagemodells mit Python
• Probieren Sie das Machine Learning-Notebook zur Vorhersage mithilfe des Datasets für den Energiebedarf aus.
• Testen Sie das Microsoft Learn-Modul Verwenden von automatisiertem maschinellem Lernen in Azure Machine Learning.

Zugehörige Ressourcen

• Lösungen für die Energie- und Umweltbranche
• Vorhersage des Füllstands von Öl- und Gastanks
• Bedarfsvorhersage für Versand und Distribution