Efterfrågeprognostisering

Data Factory
Event Hubs
Machine Learning
SQL Database
Stream Analytics

Lösnings idé Solution Idea

Om du vill se den här artikeln med mer information, implementerings information, prissättnings vägledning eller kod exempel kan du berätta för oss med GitHub feedback!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!

En bättre prognos av toppar i efter frågan på produkter och tjänster kan ge företaget en konkurrens för del.Accurately forecasting spikes in demand for products and services can give a company a competitive advantage. Den här lösningen fokuserar på prognoser för efter frågan inom energi sektorn.This solution focuses on demand forecasting within the energy sector.

ArkitekturArchitecture

Arkitektur diagram Ladda ned en SVG -arkitektur.Architecture diagram Download an SVG of this architecture.

ÖversiktOverview

En bättre prognos av toppar i efter frågan på produkter och tjänster kan ge företaget en konkurrens för del.Accurately forecasting spikes in demand for products and services can give a company a competitive advantage. Bättre Prognosticering, desto mer kan de skalas när efter frågan ökar, och de mindre de riskerar att inneha till onödiga lager.The better the forecasting, the more they can scale as demand increases, and the less they risk holding onto unneeded inventory. Användnings fall omfattar förutsägelse efter frågan för en produkt i en butik/onlinebutik, prognostiserat sjukhus besök och förväntar sig energi förbrukning.Use cases include predicting demand for a product in a retail/online store, forecasting hospital visits, and anticipating power consumption.

Den här lösningen fokuserar på prognoser för efter frågan inom energi sektorn.This solution focuses on demand forecasting within the energy sector. Att lagra energi är inte kostnads effektivt, så att verktyg och kraft generatorer behöver prognostisera framtida strömförbrukning så att de effektivt kan balansera försörjningen med efter frågan.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. Under arbets belastningar kan kort försörjning leda till strömavbrott.During peak hours, short supply can result in power outages. För stor försörjning kan till och med leda till slöseri med resurser.Conversely, too much supply can result in waste of resources. Avancerad beräknings teknik för efter frågan per timme och hög belastnings tid för en viss dag, så att en energi leverantör kan optimera processen för att skapa en energi.Advanced demand forecasting techniques detail hourly demand and peak hours for a particular day, allowing an energy provider to optimize the power generation process. Den här lösningen med Cortana Intelligence gör det möjligt för energi bolag att snabbt introducera kraftfull teknik för prognostisering i sin verksamhet.This solution using Cortana Intelligence enables energy companies to quickly introduce powerful forecasting technology into their business.

InformationDetails

Cortana Intelligence Suite innehåller avancerade analys verktyg via Microsoft Azure data inmatning, data lagring, data bearbetning och avancerade analys komponenter – alla viktiga element för att skapa en prognos för efter frågan för energi lösning.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.

Den här lösningen kombinerar flera Azure-tjänster för att ge kraftfulla fördelar.This solution combines several Azure services to provide powerful advantages. Event Hubs samlar in förbruknings data i real tid.Event Hubs collects real-time consumption data. Stream Analytics sammanställer strömmande data och gör dem tillgängliga för visualisering.Stream Analytics aggregates the streaming data and makes it available for visualization. Azure SQL lagrar och transformerar förbruknings data.Azure SQL stores and transforms the consumption data. Machine Learning implementerar och kör prognos modellen.Machine Learning implements and executes the forecasting model. PowerBI visualiserar energi förbrukningen i real tid samt prognos resultatet.PowerBI visualizes the real-time energy consumption as well as the forecast results. Slutligen Data Factory dirigerar och schemalägger hela data flödet.Finally, Data Factory orchestrates and schedules the entire data flow.

Med knappen distribuera startas ett arbets flöde som distribuerar en instans av lösningen inom en resurs grupp i den Azure-prenumeration du anger.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. Lösningen innehåller flera Azure-tjänster (beskrivs nedan) tillsammans med ett webb jobb som simulerar data så att du har en fungerande heltäckande lösning direkt efter distributionen.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. Exempel data för den här lösningen simuleras från offentligt tillgängliga data från NYISO.The sample data of this solution is simulated from publicly available data from the NYISO.

Teknisk information och arbets flödeTechnical details and workflow

  1. Exempel data strömmas av nyligen distribuerade Azure-webbjobb.The sample data is streamed by newly deployed Azure Web Jobs.
  2. Dessa syntetiska data matas in i Azure Event Hubs och Azure SQL-tjänsten som data punkter eller händelser som kommer att användas i resten av lösnings flödet.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 analysera data för att tillhandahålla analys i nära real tid på indataströmmen från händelsehubben och publicera dem direkt till PowerBI för visualisering.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 används för att göra en prognos på energi efter frågan för en viss region som har fått de indata som tagits emot.Azure Machine Learning is used to make forecast on the energy demand of particular region given the inputs received.
  5. Azure SQL Database används för att lagra de förutsägelse resultat som tas emot från Azure Machine Learning.Azure SQL Database is used to store the prediction results received from Azure Machine Learning. Dessa resultat förbrukas sedan i Power BI instrument panelen.These results are then consumed in the Power BI dashboard.
  6. Azure Data Factory hanterar dirigering och schemaläggning av omskolningen av Tim modellen.Azure Data Factory handles orchestration, and scheduling of the hourly model retraining.
  7. Slutligen används Power BI för visualisering av resultat, så att användarna kan övervaka energi förbrukningen från en region i real tid och använda prognos behovet för att optimera strömförbrukningen eller distributions processen.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.

Pris informationPricing Info

Din Azure-prenumeration som används för distributionen debiteras förbruknings avgifter för tjänsterna som används i den här lösningen.Your Azure subscription used for the deployment will incur consumption charges on the services used in this solution. Pris information finns på sidan med priser för Azure.For pricing details, visit the Azure Pricing Page.