Optimering av energiförsörjning

Batch
Blob Storage
Data Science Virtual Machine
Queue Storage
SQL Database

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!

I ett energi rutnät används energi förbrukarna av olika typer av strömförsörjnings-, handels-och lagrings komponenter, till exempel understationer, batterier, windfarms och solplattor, Mikroturbiner, samt erbjudanden för efter frågan, för att uppfylla deras respektive krav och minimera kostnaderna för energi åtagandet.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. För att göra det måste rutnäts operatorn bestämma hur mycket energi varje typ av resurser ska utföras under en tidsram, med hänsyn till priserna för att begära olika typer av resurser och kapaciteter och deras fysiska egenskaper.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.

Den här lösningen bygger på Cortana Intelligence Suite och externa verktyg med öppen källkod, och beräknar den optimala energi enhets åtagandet från olika typer av energi resurser.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. Den här lösningen visar möjligheten att Cortana Intelligence Suite att kunna utnyttja externa verktyg för att lösa parallella numeriska optimerings problem i en 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.

ArkitekturArchitecture

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

BeskrivningDescription

Spara tid och låt en av dessa utbildade si-partners hjälpa dig med ett koncept bevis, distribution & integrering av den här lösningen.Save time and let one of these trained SI partners help you with a proof of concept, deployment & integration of this solution.

Beräknad daglig kostnad: $12Estimated Daily Cost: $12

Mer information om hur den här lösningen har skapats finns i lösnings guiden i GitHub.For more details on how this solution is built, visit the solution guide in GitHub.

Ett energi rutnät består av energi förbrukare och olika typer av strömförsörjnings-, handels-och lagrings komponenter: under stationerna får ström belastning eller export för hög strömförbrukning. Batterier kan kräva energi eller lagras för framtida användning. Windfarms och solpanelen (själv schemalagda generatorer), Mikroturbiner (avsändare) och erbjudanden för svar på begäran kan alla användas för att tillgodose behoven från konsumenter i rutnätet.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. Kostnaderna för att begära olika typer av resurser varierar, medan kapaciteten och de fysiska egenskaperna för varje resurs typ begränsar sändningen av resursen.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. Med hänsyn till alla dessa begränsningar måste en central utmaning som operatorn för smarta rutnät riktas mot, vara så mycket energi varje typ av resurser som ska utföras under en tidsram, så att den prognostiserade energi efter frågan från rutnätet uppfylls.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.

Den här lösningen ger en Azure-baserad smart lösning med hjälp av externa verktyg med öppen källkod som avgör de optimala energi enhets åtagandena från olika typer av energi resurser för ett energi rutnät.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. Målet är att minimera den totala kostnaden för dessa åtaganden samtidigt som du uppfyller energi behovet.The goal is to minimize the overall cost incurred by these commitments while satisfying the energy demand. Den här lösningen visar Azures möjlighet att få externa verktyg, till exempel Pyomo och CBC, för att lösa storskaliga numeriska optimerings problem, till exempel blandad heltals linjär programmering, för att minska flera optimerings uppgifter över en Azure Batch av Azure Virtual Machines.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. Andra berörda produkter är Azure-Blob Storage, Azure Queue Storage, Azure Web App, Azure SQL Database, samt Power BI.Other involved products include Azure Blob Storage, Azure Queue Storage, Azure Web App, Azure SQL Database, as well as Power BI.

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. Webb jobbet använder resursbaserade data från Azure SQL för att generera simulerade data.The web job uses resource related data from Azure SQL to generate the simulated data.
  2. Data simulatorn strömmar dessa simulerade data till Azure Storage och skriver meddelande i lagrings kön som kommer att användas i resten av lösnings flödet.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. Ett annat webb jobb övervakar lagrings kön och initierar ett Azure Batch jobb när ett meddelande i kön är tillgängligt.Another Web Job monitors the storage queue and initiate an Azure Batch job once message in the queue is available.
  4. Azure Batchs tjänsten tillsammans med data vetenskap Virtual Machines används för att optimera energi försörjningen från en viss resurs typ, med tanke på vilka indata som tagits emot.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 används för att lagra optimerings resultaten som tas emot från Azure Batchs tjänsten.Azure SQL Database is used to store the optimization results received from the Azure Batch service. Dessa resultat förbrukas sedan i Power BI instrument panelen.These results are then consumed in the Power BI dashboard.
  6. Slutligen används Power BI för visualisering av resultat.Finally, Power BI is used for results visualization.