Számítási terminál

A Compute Terminal egy feladatütemező webes felülettel és REST API-val, kifejezetten energiaközösségi adminisztrátorok számára. Biztonságos, hatékony környezetet ad összetett szkriptek futtatásához- a számlázási kalkulációktól a a gépi tanuláson alapuló előrejelzésekig. A platform azonnal indítható AWS EC2 példányokat használ, így képes nagy erőforrás-igényű modellek futtatására, amelyek a modern energiamenedzsmenthez szükségesek.

Fő funkciók

1. Automatizált feladatfuttatás

   • A feladatmotor felülete egyszerűvé teszi az Ansible playbookok automatizálását és kezelését, minimális kézi beavatkozással.

2. Komplex energiamenedzsment playbookok

   • Előre konfigurált playbookok kritikus szimulációkhoz és számításokhoz:
     • Tárolók optimális ütemezése: töltés/kisütés időzítése prediktív modellek és valós idejű adatok alapján.
     • Terhelésáramlás AI-val: RNN-alapú load-flow szimulációk a hálózat stabilitásáért és hatékonyságáért.
     • Feszültségszabályozás: AI-vezérelt valós idejű feszültségszabályozás a rendszer egyensúlyáért.

3. Tarifa- és pénzügyi szimulációk

   • Tarifa-szcenáriók elemzése, megtérülés (ROI) kalkuláció különböző projektekhez; automatizált számlázás a transzparens, egységes számlákhoz.

4. Nagy teljesítmény és skálázhatóság

   • Az AWS EC2 biztosítja a nagy AI-modellek és szimulációk futtatását; a rendszer dinamikusan skáláz a feladat igénye szerint.

5. Felhasználóbarát felület

   • Intuitív webes UI, ahol az adminisztrátorok ütemezhetik, figyelhetik, kezelhetik a playbookokat; különböző technikai háttérrel rendelkező felhasználók számára is átlátható.

A Compute Terminal forradalmasítja az energiamenedzsmentet az adminisztrátorok számára: egyesíti az AI-t és az automatizálást az erőforrások és a pénzügyi elemzések optimalizálásához, skálázható, hatékony és könnyen használható módon.

SageMaker

Az adminisztrátorok használhatják az Amazon felügyelet nélküli beépített SageMaker algoritmusait is, például:

• K-Means: diszkrét csoportokat keres az adatokban úgy, hogy a csoporton belül a tagok minél hasonlóbbak, csoportok között pedig minél különbözőbbek legyenek.
• Főkomponens-analízis (PCA): csökkenti az adathalmaz dimenziószámát a főkomponensekre vetítéssel, miközben a lehető legtöbb információt megőrzi.
• Random Cut Forest (RCF): anomáliákat detektál jól strukturált adathalmazokban az „elszigeteltség” mértéke alapján.

Példa: RCF algoritmus

• Adatfolyam: a bejövő adatok folytonos sora.
• RCF algoritmus: a faépítés és az anomália pontszám számítása.
• Véletlen vágásokból épülő fák: a tér több véletlen vágással történő felosztása.
• Anomália pontszám: a pont elszigeteltségének mértéke a fákban.
• Eredmény: a pont anomáliának vagy normál viselkedésnek minősül a pontszám alapján.

Ez a vázlat magas szinten mutatja be, hogyan dolgozza fel az RCF az adatokat és jelöli az anomáliákat; a részletek a konkrét igények szerint finomíthatók.