자습서: Azure Notebooks(Python)를 사용하여 센서 데이터를 일기 예보 데이터와 조인
풍력 발전은 기후 변화에 대처하기 위한 화석 연료의 대체 에너지원 중 하나입니다. 풍력은 본질적으로 일관되지 않으므로 풍력 발전 사업자는 풍력 발전 용량을 예측하기 위해 ML(기계 학습) 모델을 빌드해야 합니다. 이 예측은 전력 수요를 충족하고 그리드 안정성을 보장하는 데 필요합니다. 이 자습서에서는 Azure 지도 일기 예보 데이터를 날씨 판독값에 대한 데모 데이터와 결합하는 방법을 살펴봅니다. Azure 지도 Weather Services를 호출하여 일기 예보 데이터를 요청합니다.
이 자습서에서는 다음을 수행합니다.
필수 조건
Azure 구독이 없는 경우 시작하기 전에 체험 계정을 만듭니다.
참고 항목
Azure Maps의 인증에 대한 자세한 내용은 Azure Maps의 인증 관리를 참조하세요.
Azure Notebook에 익숙해지고 시작하는 방법을 알아보려면 Azure Notebook 만들기 지침을 따르세요.
참고 항목
이 프로젝트의 Jupyter Notebook 파일은 Weather 지도 Jupyter Notebook 리포지토리에서 다운로드할 수 있습니다.
필요한 모듈 및 프레임워크 로드
필요한 모든 모듈 및 프레임워크를 로드하려면 다음 스크립트를 실행합니다.
import pandas as pd
import datetime
from IPython.display import Image, display
!pip install aiohttp
import aiohttp
날씨 데이터 가져오기
이 자습서에서는 4개의 서로 다른 풍력 터빈에 설치된 센서의 날씨 데이터 판독값을 사용합니다. 샘플 데이터는 30일간의 날씨 판독값으로 구성됩니다. 이러한 판독값은 각 터빈 위치 근처의 날씨 데이터 센터에서 수집됩니다. 데모 데이터에는 온도, 풍속 및 방향에 대한 데이터 판독값이 포함됩니다. GitHub에서 weather_dataset_demo.csv 포함된 데모 데이터를 다운로드할 수 있습니다. 다음 스크립트는 데모 데이터를 Azure Notebook으로 가져옵니다.
df = pd.read_csv("./data/weather_dataset_demo.csv")
일일 예측 데이터 요청
이 시나리오에서는 각 센서 위치에 대한 일일 예측을 요청하려고 합니다. 다음 스크립트는 Azure 지도 Weather Services의 일일 예측 API를 호출합니다. 이 API는 현재 날짜로부터 다음 15일 동안 각 풍력 터빈에 대한 일기 예보를 반환합니다.
subscription_key = "Your Azure Maps key"
# Get a lists of unique station IDs and their coordinates
station_ids = pd.unique(df[['StationID']].values.ravel())
coords = pd.unique(df[['latitude','longitude']].values.ravel())
years,months,days = [],[],[]
dates_check=set()
wind_speeds, wind_direction = [], []
# Call azure maps Weather services to get daily forecast data for 15 days from current date
session = aiohttp.ClientSession()
j=-1
for i in range(0, len(coords), 2):
wind_speeds.append([])
wind_direction.append([])
query = str(coords[i])+', '+str(coords[i+1])
forecast_response = await(await session.get("https://atlas.microsoft.com/weather/forecast/daily/json?query={}&api-version=1.0&subscription-key={Your-Azure-Maps-Subscription-key}&duration=15".format(query, subscription_key))).json()
j+=1
for day in range(len(forecast_response['forecasts'])):
date = forecast_response['forecasts'][day]['date'][:10]
wind_speeds[j].append(forecast_response['forecasts'][day]['day']['wind']['speed']['value'])
wind_direction[j].append(forecast_response['forecasts'][day]['day']['windGust']['direction']['degrees'])
if date not in dates_check:
year,month,day= date.split('-')
years.append(year)
months.append(month)
days.append(day)
dates_check.add(date)
await session.close()
다음 스크립트는 맵 이미지 가져오기 서비스를 호출하여 맵에 터빈 위치를 렌더링합니다.
# Render the turbine locations on the map by calling the Azure Maps Get Map Image service
session = aiohttp.ClientSession()
pins="default|la-25+60|ls12|lc003C62|co9B2F15||'Location A'{} {}|'Location B'{} {}|'Location C'{} {}|'Location D'{} {}".format(coords[1],coords[0],coords[3],coords[2],coords[5],coords[4], coords[7],coords[6])
image_response = "https://atlas.microsoft.com/map/static/png?subscription-key={Your-Azure-Maps-Subscription-key}&api-version=1.0&layer=basic&style=main&zoom=6¢er={},{}&pins={}".format(subscription_key,coords[7],coords[6],pins)
static_map_response = await session.get(image_response)
poi_range_map = await static_map_response.content.read()
await session.close()
display(Image(poi_range_map))
스테이션 ID를 기반으로 하는 데모 데이터를 사용하여 예측 데이터를 그룹화합니다. 스테이션 ID는 날씨 데이터 센터용입니다. 이 그룹화는 데모 데이터를 예측 데이터로 보강합니다.
# Group forecasted data for all locations
df = df.reset_index(drop=True)
forecast_data = pd.DataFrame(columns=['StationID','latitude','longitude','Year','Month','Day','DryBulbCelsius','WetBulbFarenheit','WetBulbCelsius','DewPointFarenheit','DewPointCelsius','RelativeHumidity','WindSpeed','WindDirection'])
for i in range(len(station_ids)):
loc_forecast = pd.DataFrame({'StationID':station_ids[i], 'latitude':coords[0], 'longitude':coords[1], 'Year':years, 'Month':months, 'Day':days, 'WindSpeed':wind_speeds[i], 'WindDirection':wind_direction[i]})
forecast_data = pd.concat([forecast_data,loc_forecast], axis=0, sort=False)
combined_weather_data = pd.concat([df,forecast_data])
grouped_weather_data = combined_weather_data.groupby(['StationID'])
다음 표에서는 터빈 위치 중 하나에 대한 결합된 기록 및 예측 데이터를 표시합니다.
# Display data for first location
grouped_weather_data.get_group(station_ids[0]).reset_index()
예측 데이터 그리기
예측된 값을 예측한 날짜와 비교하여 표시합니다. 이 플롯을 사용하면 다음 15일 동안 풍속 및 풍향 변화를 확인할 수 있습니다.
# Plot wind speed
curr_date = datetime.datetime.now().date()
windsPlot_df = pd.DataFrame({ 'Location A': wind_speeds[0], 'Location B': wind_speeds[1], 'Location C': wind_speeds[2], 'Location D': wind_speeds[3]}, index=pd.date_range(curr_date,periods=15))
windsPlot = windsPlot_df.plot.line()
windsPlot.set_xlabel("Date")
windsPlot.set_ylabel("Wind speed")
#Plot wind direction
windsPlot_df = pd.DataFrame({ 'Location A': wind_direction[0], 'Location B': wind_direction[1], 'Location C': wind_direction[2], 'Location D': wind_direction[3]}, index=pd.date_range(curr_date,periods=15))
windsPlot = windsPlot_df.plot.line()
windsPlot.set_xlabel("Date")
windsPlot.set_ylabel("Wind direction")
다음 그래프는 예측 데이터를 시각화합니다. 풍속 변화의 경우 왼쪽 그래프를 참조하세요. 바람 방향의 변경은 오른쪽 그래프를 참조하세요. 이 데이터는 데이터가 요청된 날로부터 다음 15일 동안 예측됩니다.
이 자습서에서 Azure Maps REST API를 호출하여 날씨 예측 데이터를 가져오는 방법을 알아보았습니다. 그래프에서 데이터를 시각화하는 방법도 알아보았습니다.
Azure Notebooks 내에서 Azure 지도 REST API를 호출하는 방법에 대한 자세한 내용은 Azure Notebooks를 사용하여 EV 라우팅을 참조하세요.
이 자습서에서 사용되는 Azure 지도 API를 탐색하려면 다음을 참조하세요.
Azure 지도 REST API의 전체 목록은 Azure 지도 REST API를 참조하세요.
리소스 정리
정리가 필요한 리소스가 없습니다.
다음 단계
Azure Notebooks에 대한 자세한 내용은 다음을 참조하세요.