本指南可協助公用事業公司從電錶資料管理系統 (MDMS) 或直接從機車端供電系統 (HES) 擷取資料，並將其與其他資料來源結合，包括天氣和地理資訊系統 (GIS) 資料。公用事業公司將能夠透過主動分析以及以人工智慧和機器學習 (AI/ML) 為基礎的預測來偵測電錶和配電電路異常，執行電路平衡，阻止能源盜竊，預測需求，以及增強客戶參與度。
請注意：本指引已更新。架構圖是增強版本，可自動部署下列新功能：資料湖、資料擷取/ML 管道、視覺化元件、MDMS/HES 模擬器，以及增強型負載測試。範例程式碼也隨著新功能進行了更新。
架構圖
[文字]
步驟 1
從多種 AWS 工具中選擇以擷取客戶和電錶資料，例如用於自訂配接器的 AWS Lambda、用於批次處理的 AWS SFTP 和 AWS Storage Gateway，以及用於串流資料的 Amazon Kinesis 、Amazon Simple Notification Service (Amazon SNS) 和 Amazon Simple Queue Service (Amazon SQS)。
步驟 2
使用 Amazon Timestream 存放時間序列資料，使用 AWS Glue 和 Amazon EMR 處理資料，以及使用 Amazon Simple Storage Service (Amazon S3) 進行原始資料和封存儲存。時間序列資料可直接傳送至分析服務，例如 Amazon EMR 和 Amazon Athena，以供進一步處理。
步驟 3
從 S3 儲存貯體取得原始資料，並將其傳送至 AWS Glue 和 Amazon EMR，以自動執行擷取、轉換和載入 (ETL) 程序或加值處理。使用 Amazon S3 Glacier 取得封存副本和保留合規性。
步驟 4
您最終的清理和策管資料集會存放在資料湖中的 S3 儲存貯體內。使用 AWS Glue Data Catalog 建立中繼資料目錄，讓所有資料都可見且可搜尋。使用 AWS 安全、身分和合規服務確保資料安全。
步驟 5
使用 Amazon EMR 執行複雜的分析。使用 Athena 對您的資料湖和倉儲執行一次性資料探索和查詢。
步驟 6
搭配 Amazon Redshift，使用標準 SQL 查詢數 PB 的結構化、時間序列和半結構化資料。
步驟 7
使用 Amazon QuickSight 或 Amazon Managed Grafana，建立和發佈包含 AI/ML 洞見的互動式儀表板。
步驟 8
使用 Amazon SageMaker、Amazon Forecast 和 Amazon Personalize 偵測網格異常，預測能源用量，以及預測設備故障。
Amazon Pinpoint 可讓您與客戶溝通並衡量客戶參與度。將分析和機器學習輸出與 Amazon Pinpoint 相結合，以建立個人化的客戶目標細分和行銷活動。
步驟 1
從多種 AWS 工具中選擇以擷取客戶和電錶資料，例如用於自訂配接器的 AWS Lambda、用於批次處理的 AWS SFTP 和 AWS Storage Gateway，以及用於串流資料的 Amazon Kinesis 、Amazon Simple Notification Service (Amazon SNS) 和 Amazon Simple Queue Service (Amazon SQS)。
步驟 2
使用 Amazon Timestream 存放時間序列資料，使用 AWS Glue 和 Amazon EMR 處理資料，以及使用 Amazon Simple Storage Service (Amazon S3) 進行原始資料和封存儲存。時間序列資料可直接傳送至分析服務，例如 Amazon EMR 和 Amazon Athena，以供進一步處理。
步驟 3
從 S3 儲存貯體取得原始資料，並將其傳送至 AWS Glue 和 Amazon EMR，以自動執行擷取、轉換和載入 (ETL) 程序或加值處理。使用 Amazon S3 Glacier 取得封存副本和保留合規性。
步驟 4
您最終的清理和策管資料集會存放在資料湖中的 S3 儲存貯體內。使用 AWS Glue Data Catalog 建立中繼資料目錄，讓所有資料都可見且可搜尋。使用 AWS 安全、身分和合規服務確保資料安全。
步驟 5
使用 Amazon EMR 執行複雜的分析。使用 Athena 對您的資料湖和倉儲執行一次性資料探索和查詢。
步驟 6
搭配 Amazon Redshift，使用標準 SQL 查詢數 PB 的結構化、時間序列和半結構化資料。
步驟 7
使用 Amazon QuickSight 或 Amazon Managed Grafana，建立和發佈包含 AI/ML 洞見的互動式儀表板。
步驟 8
使用 Amazon SageMaker、Amazon Forecast 和 Amazon Personalize 偵測網格異常，預測能源用量，以及預測設備故障。
Amazon Pinpoint 可讓您與客戶溝通並衡量客戶參與度。將分析和機器學習輸出與 Amazon Pinpoint 相結合，以建立個人化的客戶目標細分和行銷活動。
Well-Architected 支柱
AWS Well-Architected Framework 可協助您了解在雲端建立系統時所做決策的利弊。該架構的六根支柱讓您能夠學習設計和操作可靠、安全、高效、經濟高效且永續的系統的架構最佳實務。使用 AWS Well-Architected Tool (在 AWS 管理主控台中免費提供)，您可以透過回答每根支柱的一組問題來針對這些最佳實務審查您的工作負載。
上方的架構圖是一個考量到 Well-Architected 最佳實務而建立的的解決方案的範例。若要完全實現 Well-Architected，您應該盡可能地多遵循 Well-Architected 的最佳實務。
-
卓越營運閱讀卓越營運白皮書
AWS Glue 和 Athena 會組織資料並監控資料存取。您可以在 QuickSight 和 Amazon Managed Grafana 中使用儀表板、報告和通知進一步分析資料。您可以從任何裝置存取這些儀表板，並將其嵌入您的應用程式和網站中。AWS CloudFormation 可管理基礎設施和應用程式堆疊，讓您可以針對不同的使用案例進行變更並測試指引。
-
安全性閱讀安全白皮書
AWS Glue Data Catalog 已啟用加密功能。AWS Glue 寫入 Amazon S3 的所有中繼資料都經過加密。我們建議使用最低權限原則來設計 AWS Identity and Access Management (IAM) 角色，這表示授予角色在特定條件下完成特定動作所需的最少存取權。這會將資料存取權僅提供給必要的使用者和資源。
-
可靠性閱讀可靠性白皮書
AWS Glue、Amazon S3 和 Athena 均為無伺服器，並且會隨著資料量的增加而擴展資料存取效能。AWS Glue 會佈建、設定和擴展執行資料整合任務所需的資源。Athena 無須設定及管理任何伺服器或資料倉儲，即可查詢您的資料。Amazon SNS 和 Amazon SQS 可讓您在不中斷的情況下增加資料擷取。
-
效能達成效率閱讀效能達成效率白皮書
您可以將本指南與自己的電錶讀數搭配使用，並根據您的要求採用。將資料轉換為內部資料格式後 (如相關實作指南中所述)，示範功能和儀表板會透明地運作。
-
成本最佳化閱讀成本最佳化白皮書
本指南會盡可能使用無伺服器服務，例如 Lambda、Athena 和 Kinesis，協助您避免前期成本，並且只需為使用的資源付費。我們以非無伺服器方式使用 Amazon EMR 來控制和最佳化節點，使其根據您的使用案例更具成本效益。
-
永續發展閱讀永續發展白皮書
S3 Glacier 使用磁帶儲存而非固態記憶體來封存資料，有助於最佳化儲存空間。Amazon SNS 和 Amazon SQS 會將應用程式分離，以避免執行資源等待載入。
Implementation 資源
提供了詳細的指南，以在您的 AWS 賬戶中實驗和使用。建立指南的每個階段 (包括部署、使用和清理) 都經過檢查以準備部署。
範本程式碼是一個起點。它經過了產業驗證、具有規範性但並非明確性，並且可以幫助您開始。
免責聲明
範例程式碼、軟體庫、命令列工具、概念驗證、範本或其他相關技術 (包括我們的人員提供的任何上述技術) 依據 AWS 客戶協議或您與 AWS 之間的相關書面協議 (以適用者為準) 作為 AWS 內容提供給您。您不得在您的生產帳戶、生產或其他關鍵資料中使用此 AWS 內容。您有責任根據您的特定品質控制實務和標準，依生產級用途來測試、保護和最佳化 AWS 內容 (如範例程式碼)。部署 AWS 內容可能會因建立或使用 AWS 收費資源 (如執行 Amazon EC2 執行個體或使用 Amazon S3 儲存) 而產生 AWS 費用。
本指引中對第三方服務或組織的參考並不意味著 Amazon 或 AWS 與第三方之間的認可、贊助或聯繫。AWS 的指引是技術起點，您可以在部署架構時自訂與第三方服務的整合。