Optimisation de l’approvisionnement en énergie

Batch
Stockage Blob
Data Science Virtual Machine
Stockage File d’attente
Base de données SQL

Idée de solution

Si vous souhaitez nous voir développer cet article avec d’autres informations, telles que des cas d’usage potentiels, d’autres services, des considérations d’implémentation ou un guide des prix, faites-le nous savoir avec les Commentaires de GitHub.

Description

Un réseau énergétique est constitué de consommateurs d'énergie, ainsi que de divers types de composants d'approvisionnement, d'échange commercial et de stockage d'énergie : Les sous-stations acceptent une charge électrique ou exportent l'excédent. Les batteries peuvent décharger de l'énergie ou la stocker pour une utilisation ultérieure. Les parcs éoliens et les panneaux solaires (générateurs autoprogrammés), les micro-turbines (générateurs secondaires) et les offres de réponse à la demande peuvent tous être engagés pour satisfaire la demande des consommateurs au sein du réseau. Les coûts liés à la sollicitation de différents types de ressources varient, tandis que les capacités et les caractéristiques physiques de chaque type de ressource limitent la distribution de la ressource. Compte tenu de toutes ces contraintes, l'un des principaux défis pour l'exploitant du réseau intelligent consiste à déterminer la quantité d'énergie que chaque type de ressources doit engager sur une période donnée afin de satisfaire la demande d'énergie prévue.

Cette solution consiste en une solution intelligente basée sur Azure utilisant des outils open source externes afin de déterminer les engagements optimaux pour les unités énergétiques issues de diverses ressources énergétiques pour un réseau électrique. L'objectif est de réduire le coût global engendré par ces engagements tout en satisfaisant la demande d'énergie. Cette solution démontre la capacité d'Azure à prendre en charge des outils externes, tels que Pyomo et CBC, pour résoudre les problèmes d'optimisation numérique à grande échelle, comme la programmation linéaire en nombres entiers mixtes, en parallélisant différentes tâches d'optimisation sur un lot Azure Batch de machines virtuelles Azure. Les autres produits concernés incluent le stockage Blob Azure, le stockage File d'attente Azure, Azure Web App, Azure SQL Database et Power BI.

Pour en savoir plus sur la création de cette solution, consultez le Guide de solution dans GitHub.

Architecture

Diagramme d’architecture Télécharger une SVG de cette architecture.

Détails techniques et workflow

  1. L’échantillon de données est diffusé en continu par les travaux web Azure nouvellement déployés. Le travail web utilise des données liées aux ressources d'Azure SQL pour générer les données simulées.
  2. Le simulateur de données alimente ces données simulées dans le stockage Azure et écrit un message dans la file d'attente de stockage, lequel sera utilisé dans le reste du flux de la solution.
  3. Un autre travail web surveille la file d'attente de stockage et lance un travail Azure Batch une fois que le message est disponible dans la file d'attente.
  4. Le service Azure Batch et les machines virtuelles DSVM sont utilisés pour optimiser l'approvisionnement en énergie d'un type de ressource particulier en fonction des apports reçus.
  5. Azure SQL Database est utilisé pour stocker les résultats d'optimisation reçus du service Azure Batch. Ces résultats sont ensuite utilisés dans le tableau de bord Power BI.
  6. Enfin, Power BI est utilisé pour la visualisation des résultats.