Cómo pronosticar la demanda de energía con machine learning

El consumo de energía y la demanda de energía cambian con el tiempo. La supervisión de este cambio a lo largo del tiempo da como resultado series temporales que se pueden aprovechar para comprender los patrones y para predecir comportamientos futuros. Microsoft Azure puede ayudar a predecir con precisión los picos de demanda de productos y servicios energéticos para ofrecer una ventaja competitiva para las empresas. 

Esta solución se basa en los servicios administrados de Azure: Azure Stream Analytics, Event Hubs, Azure Machine Learning, Azure SQL Database, Data Factory y Power BI. Estos servicios se ejecutan en un entorno de alta disponibilidad, revisado y compatible, lo que le permite centrarse en la solución, en lugar de en el entorno en que se ejecutan. 

Previsión de la demanda energética con machine learning

Diagrama de arquitectura: 

Uso de servicios de Azure como Machine Learning en una solución que pronostica la demanda de energía

Flujo de trabajo:

Los datos de series temporales se pueden almacenar en varios formatos, en función de su origen. Los datos pueden almacenarse como archivos en Azure Data Lake Storage o en forma de tabla en Azure Synapse o Azure SQL Database. 

Lectura:

Azure Machine Learning (ML) se pueden conectar y leer desde dichos orígenes. La ingesta de datos de series temporales en Azure Machine Learning permite que el aprendizaje automático automatizado (AutoML) procese previamente los datos y entrene y registre un modelo. 

Durante la fase de entrenamiento, AutoML aprovecha el conjunto de datos procesado previamente para entrenar, seleccionar y explicar el mejor modelo de previsión. 

Entrenamiento de modelos: 

Se puede usar una amplia gama de modelos de Machine Learning, como la previsión clásica, las redes neuronales profundas y los modelos de regresión. 

Evaluación de modelos: 

la evaluación de modelos permite que AutoML evalúe el rendimiento de cada modelo entrenado y permite seleccionar el modelo de mejor rendimiento para la implementación. 

Explicación: 

AutoML proporciona la capacidad de proporcionar la explicación del modelo seleccionado. Esto le permite comprender mejor qué características impulsan los resultados del modelo. 

El modelo con el mejor rendimiento se registra en Azure Machine Learning con AutoML, lo que hace que esté disponible para la implementación. 

Implementación: el modelo registrado en Azure Machine Learning se puede implementar, lo que proporciona un punto de conexión en directo que se puede exponer para la inferencia. 

La implementación se puede realizar mediante Azure Kubernetes Service, mientras se ejecuta un clúster administrado por Kubernetes en el que los contenedores se implementan a partir de imágenes que se almacenan en Azure Container Registry. Como alternativa, se puede usar Azure Container Instances en lugar de AKS. 

Inferencia: 

una vez implementado el modelo, la inferencia de nuevos datos se puede realizar mediante el punto de conexión disponible. Se admiten predicciones casi en tiempo real y por lotes. Los resultados de la inferencia se pueden almacenar como documentos en Azure Data Lake Storage o en forma de tabla en Azure Synapse o Azure SQL Database. 

Visualización: 

Los resultados del modelo almacenado se pueden consumir mediante interfaces de usuario, como paneles de Power BI o mediante aplicaciones web personalizadas. Los resultados se pueden escribir en una opción de almacenamiento en formato de archivo o tabular, y luego Azure Cognitive Search los indexa adecuadamente. El modelo se ejecuta como inferencia por lotes y almacena los resultados en el almacén de datos correspondiente.