Postingan ini ditulis bersama Hernan Figueroa, Sr. Manager Data Science di Marubeni Power International.
Marubeni Power International Inc (MPII) memiliki dan berinvestasi dalam platform bisnis listrik di Amerika. Vertikal penting bagi MPII adalah manajemen aset untuk energi terbarukan dan aset penyimpanan energi, yang sangat penting untuk mengurangi intensitas karbon infrastruktur listrik kami. Bekerja dengan aset energi terbarukan memerlukan solusi digital yang prediktif dan responsif, karena pembangkit energi terbarukan dan kondisi pasar listrik terus berubah. MPII menggunakan mesin pengoptimalan penawaran pembelajaran mesin (ML) untuk menginformasikan proses pengambilan keputusan hulu dalam pengelolaan dan perdagangan aset daya. Solusi ini membantu analis pasar merancang dan melakukan strategi penawaran berdasarkan data yang dioptimalkan untuk profitabilitas aset daya.
Dalam postingan ini, Anda akan mempelajari bagaimana Marubeni mengoptimalkan keputusan pasar dengan menggunakan rangkaian luas analitik AWS dan layanan ML, untuk membangun solusi Power Bid Optimization yang tangguh dan hemat biaya.
Ikhtisar solusi
Pasar listrik memungkinkan perdagangan tenaga dan energi untuk menyeimbangkan pasokan dan permintaan listrik di jaringan listrik dan untuk memenuhi kebutuhan keandalan jaringan listrik yang berbeda. Pelaku pasar, seperti operator aset MPII, terus-menerus menawar kuantitas listrik dan energi ke pasar listrik ini untuk mendapatkan keuntungan dari aset listrik mereka. Pelaku pasar dapat mengajukan penawaran ke pasar yang berbeda secara bersamaan untuk meningkatkan profitabilitas suatu aset, tetapi perlu mempertimbangkan batas kekuatan aset dan kecepatan respons serta kendala operasional aset lainnya dan interoperabilitas pasar tersebut.
Solusi mesin pengoptimalan tawaran MPII menggunakan model ML untuk menghasilkan tawaran yang optimal untuk berpartisipasi di pasar yang berbeda. Tawaran yang paling umum adalah tawaran energi sehari-hari, yang harus diajukan 1 hari sebelum hari perdagangan sebenarnya, dan tawaran energi waktu-nyata, yang harus diajukan 75 menit sebelum jam perdagangan. Solusi tersebut mengatur penawaran dinamis dan pengoperasian aset daya serta memerlukan penggunaan pengoptimalan dan kemampuan prediktif yang tersedia dalam model ML-nya.
Solusi Power Bid Optimization mencakup beberapa komponen yang memainkan peran tertentu. Mari telusuri komponen yang terlibat dan fungsi bisnisnya masing-masing.
Pengumpulan dan konsumsi data
Lapisan pengumpulan dan penyerapan data terhubung ke semua sumber data upstream dan memuat data ke dalam data lake. Penawaran pasar listrik membutuhkan setidaknya empat jenis input:
- Prakiraan permintaan listrik
- Perkiraan cuaca
- Sejarah harga pasar
- Prakiraan harga listrik
Sumber data ini diakses secara eksklusif melalui API. Oleh karena itu, komponen penyerapan harus mampu mengelola autentikasi, sumber data dalam mode tarik, pemrosesan awal data, dan penyimpanan data. Karena data diambil setiap jam, mekanisme juga diperlukan untuk mengatur dan menjadwalkan tugas penyerapan.
Persiapan data
Seperti kebanyakan kasus penggunaan ML, persiapan data memainkan peran penting. Data berasal dari sumber yang berbeda dalam beberapa format. Sebelum siap dikonsumsi untuk pelatihan model ML, harus melalui beberapa langkah berikut:
- Gabungkan set data per jam berdasarkan waktu kedatangan. Dataset lengkap harus mencakup semua sumber.
- Tingkatkan kualitas data dengan menggunakan teknik seperti standardisasi, normalisasi, atau interpolasi.
Di akhir proses ini, data yang dikuratori dipentaskan dan tersedia untuk konsumsi lebih lanjut.
Pelatihan dan penerapan model
Langkah selanjutnya terdiri dari pelatihan dan penerapan model yang mampu memprediksi penawaran pasar yang optimal untuk membeli dan menjual energi. Untuk meminimalisir resiko underperformance, Marubeni menggunakan teknik ensemble modeling. Pemodelan ansambel terdiri dari menggabungkan beberapa model ML untuk meningkatkan performa prediksi. Marubeni memadukan keluaran model prediksi eksternal dan internal dengan rata-rata tertimbang untuk memanfaatkan kekuatan semua model. Model internal Marubeni didasarkan pada arsitektur Long Short-Term Memory (LSTM), yang didokumentasikan dengan baik dan mudah diterapkan serta disesuaikan di TensorFlow. Amazon SageMaker mendukung penerapan TensorFlow dan banyak lingkungan ML lainnya. Model eksternal adalah hak milik, dan deskripsinya tidak dapat disertakan dalam postingan ini.
Dalam kasus penggunaan Marubeni, model penawaran melakukan pengoptimalan numerik untuk memaksimalkan pendapatan menggunakan versi modifikasi dari fungsi tujuan yang digunakan dalam publikasi Peluang Penyimpanan Energi di CAISO.
SageMaker memungkinkan Marubeni menjalankan ML dan algoritme pengoptimalan numerik dalam satu lingkungan. Ini penting, karena selama pelatihan model internal, output dari pengoptimalan numerik digunakan sebagai bagian dari fungsi kerugian prediksi. Untuk informasi selengkapnya tentang cara menangani kasus penggunaan pengoptimalan numerik, lihat Memecahkan masalah pengoptimalan numerik seperti penjadwalan, perutean, dan alokasi dengan Amazon SageMaker Processing.
Kami kemudian menerapkan model tersebut melalui titik akhir inferensi. Karena data baru diserap secara berkala, model perlu dilatih ulang karena lama kelamaan akan menjadi basi. Bagian arsitektur nanti dalam posting ini memberikan detail lebih lanjut tentang siklus hidup model.
Pembuatan data tawaran daya
Setiap jam, solusi memprediksi jumlah dan harga optimal di mana daya harus ditawarkan di pasarโdisebut juga tawaran. Kuantitas diukur dalam MW dan harga diukur dalam $/MW. Tawaran dihasilkan untuk beberapa kombinasi kondisi pasar yang diprediksi dan dirasakan. Tabel berikut menunjukkan contoh final kurva tawaran keluaran untuk jam operasi 17 di simpul perdagangan ilustratif dekat kantor Marubeni di Los Angeles.
Tanggal | jam | Pasar | Lokasi | MW | Harga |
11/7/2022 | 17 | Energi RT | LCIENEGA_6_N001 | 0 | $0 |
11/7/2022 | 17 | Energi RT | LCIENEGA_6_N001 | 1.65 | $80.79 |
11/7/2022 | 17 | Energi RT | LCIENEGA_6_N001 | 5.15 | $105.34 |
11/7/2022 | 17 | Energi RT | LCIENEGA_6_N001 | 8 | $230.15 |
Contoh ini menunjukkan kesediaan kita untuk menawar listrik 1.65 MW jika harga listrik minimal $80.79, 5.15 MW jika harga listrik minimal $105.34, dan 8 MW jika harga listrik minimal $230.15.
Operator sistem independen (ISO) mengawasi pasar listrik di AS dan bertanggung jawab untuk memberikan dan menolak tawaran untuk mempertahankan keandalan jaringan listrik dengan cara yang paling ekonomis. Operator Sistem Independen California (CAISO) mengoperasikan pasar listrik di California dan menerbitkan hasil pasar setiap jam sebelum jendela penawaran berikutnya. Dengan merujuk silang kondisi pasar saat ini dengan ekuivalennya pada kurva, analis dapat menyimpulkan pendapatan yang optimal. Solusi Power Bid Optimization memperbarui tawaran mendatang menggunakan informasi pasar baru yang masuk dan keluaran prediksi model baru
Ikhtisar arsitektur AWS
Arsitektur solusi yang diilustrasikan pada gambar berikut mengimplementasikan semua lapisan yang disajikan sebelumnya. Ini menggunakan layanan AWS berikut sebagai bagian dari solusi:
- Layanan Penyimpanan Sederhana Amazon (Amazon S3) untuk menyimpan data berikut:
- Harga, cuaca, dan memuat data prakiraan dari berbagai sumber.
- Data terkonsolidasi dan ditambah siap digunakan untuk pelatihan model.
- Kurva tawaran keluaran disegarkan setiap jam.
- Amazon SageMaker untuk melatih, menguji, dan menerapkan model untuk melayani tawaran yang dioptimalkan melalui titik akhir inferensi.
- Fungsi Langkah AWS untuk mengatur pipeline data dan ML. Kami menggunakan dua mesin negara:
- Satu mesin status untuk mengatur pengumpulan data dan memastikan bahwa semua sumber telah diserap.
- Satu mesin status untuk mengatur alur ML serta alur kerja pembuatan penawaran yang dioptimalkan.
- AWS Lambda untuk mengimplementasikan fungsionalitas penyerapan, prapemrosesan, dan pascapemrosesan:
- Tiga fungsi untuk menyerap umpan data input, dengan satu fungsi per sumber.
- Satu fungsi untuk mengkonsolidasikan dan menyiapkan data untuk pelatihan.
- Satu fungsi yang membuat perkiraan harga dengan memanggil titik akhir model yang diterapkan di dalam SageMaker.
- Amazon Athena untuk memberikan pengembang dan analis bisnis akses SQL ke data yang dihasilkan untuk analisis dan pemecahan masalah.
- Jembatan Acara Amazon untuk memicu penyerapan data dan pipeline ML sesuai jadwal dan sebagai respons terhadap peristiwa.
Di bagian berikut, kami membahas alur kerja secara lebih rinci.
Pengumpulan dan persiapan data
Setiap jam, mesin status Step Functions persiapan data dipanggil. Ini memanggil setiap fungsi Lambda penyerapan data secara paralel, dan menunggu keempatnya selesai. Fungsi pengumpulan data memanggil API sumber masing-masing dan mengambil data selama satu jam terakhir. Setiap fungsi kemudian menyimpan data yang diterima ke dalam bucket S3 masing-masing.
Fungsi-fungsi ini berbagi baseline implementasi umum yang menyediakan blok penyusun untuk manipulasi data standar seperti normalisasi atau indeksasi. Untuk mencapai ini, kami menggunakan lapisan Lambda dan Piala AWS, seperti yang dijelaskan dalam Menggunakan AWS Lambda Layers dengan AWS Chalice. Hal ini memastikan semua developer menggunakan pustaka dasar yang sama untuk membuat logika persiapan data baru dan mempercepat implementasi.
Setelah keempat sumber diserap dan disimpan, mesin status akan memicu fungsi Lambda persiapan data. Data perkiraan harga daya, cuaca, dan beban diterima dalam JSON dan file yang dibatasi karakter. Setiap bagian rekaman dari setiap file membawa stempel waktu yang digunakan untuk mengonsolidasikan umpan data menjadi satu kumpulan data yang mencakup jangka waktu 1 jam.
Konstruk ini menyediakan alur kerja yang digerakkan sepenuhnya oleh peristiwa. Persiapan data pelatihan dimulai segera setelah semua data yang diharapkan diserap.
Pipeline ML
Setelah persiapan data, kumpulan data baru disimpan ke dalam Amazon S3. Aturan EventBridge memicu pipeline ML melalui mesin status Step Functions. Mesin negara menggerakkan dua proses:
- Periksa apakah model pembuatan kurva penawaran adalah yang terbaru
- Secara otomatis memicu pelatihan ulang model saat performa menurun atau model lebih lama dari jumlah hari tertentu
Jika usia model yang diterapkan saat ini lebih tua dari kumpulan data terbaru dengan ambang batas tertentuโkatakanlah 7 hariโmesin status Step Functions memulai pipeline SageMaker yang melatih, menguji, dan menerapkan titik akhir inferensi baru. Jika modelnya masih terbaru, alur kerja melewati saluran ML dan beralih ke langkah pembuatan tawaran. Apa pun status modelnya, kurva tawaran baru dihasilkan setelah pengiriman kumpulan data per jam yang baru. Diagram berikut mengilustrasikan alur kerja ini. Secara default, StartPipelineExecution
tindakan tidak sinkron. Kita dapat membuat mesin negara menunggu akhir alur sebelum menerapkan langkah pembuatan tawaran dengan menggunakan 'Tunggu panggilan balik' pilihan.
Untuk mengurangi biaya dan waktu ke pasar dalam membangun solusi percontohan, Marubeni menggunakan Inferensi Tanpa Server Amazon SageMaker. Hal ini memastikan bahwa infrastruktur dasar yang digunakan untuk pelatihan dan penerapan dikenakan biaya hanya jika diperlukan. Hal ini juga membuat proses pembangunan pipeline menjadi lebih mudah karena developer tidak perlu lagi mengelola infrastruktur. Ini adalah opsi bagus untuk beban kerja yang memiliki periode tidak aktif di antara lonjakan lalu lintas. Saat solusi matang dan beralih ke produksi, Marubeni akan meninjau desain mereka dan mengadopsi konfigurasi yang lebih sesuai untuk penggunaan yang dapat diprediksi dan stabil.
Pembuatan tawaran dan kueri data
Fungsi Lambda pembuatan tawaran secara berkala memanggil titik akhir inferensi untuk menghasilkan prediksi per jam dan menyimpan hasilnya ke dalam Amazon S3.
Pengembang dan analis bisnis kemudian dapat menjelajahi data menggunakan Athena dan Microsoft Power BI untuk visualisasi. Data juga dapat disediakan melalui API untuk aplikasi bisnis hilir. Pada fase percontohan, operator secara visual berkonsultasi dengan kurva penawaran untuk mendukung aktivitas transaksi kekuatan mereka di pasar. Namun, Marubeni sedang mempertimbangkan untuk mengotomatiskan proses ini di masa mendatang, dan solusi ini memberikan landasan yang diperlukan untuk melakukannya.
Kesimpulan
Solusi ini memungkinkan Marubeni untuk sepenuhnya mengotomatiskan pemrosesan data dan pipeline penyerapannya serta mengurangi waktu penerapan model prediktif dan pengoptimalan dari beberapa jam menjadi beberapa menit. Kurva penawaran sekarang dihasilkan secara otomatis dan terus diperbarui saat kondisi pasar berubah. Mereka juga menyadari pengurangan biaya sebesar 80% saat beralih dari titik akhir inferensi yang disediakan ke titik akhir tanpa server.
Solusi peramalan MPII adalah salah satu inisiatif transformasi digital baru-baru ini yang diluncurkan oleh Marubeni Corporation di sektor ketenagalistrikan. MPII berencana membangun solusi digital tambahan untuk mendukung platform bisnis listrik baru. MPII dapat mengandalkan layanan AWS untuk mendukung strategi transformasi digital mereka di banyak kasus penggunaan.
"Kami dapat berfokus pada pengelolaan rantai nilai untuk platform bisnis baru, mengetahui bahwa AWS mengelola infrastruktur digital yang mendasari solusi kami."
โ Hernan Figueroa, Sr. Manager Data Science di Marubeni Power International.
Untuk informasi lebih lanjut tentang bagaimana AWS membantu organisasi energi dalam transformasi digital dan inisiatif keberlanjutan mereka, lihat Energi AWS.
Marubeni Power International adalah anak perusahaan dari Marubeni Corporation. Marubeni Corporation adalah konglomerat bisnis perdagangan dan investasi utama Jepang. Misi Marubeni Power International adalah mengembangkan platform bisnis baru, menilai tren dan teknologi energi baru, serta mengelola portofolio daya Marubeni di Amerika. Jika Anda ingin tahu lebih banyak tentang Marubeni Power, lihat https://www.marubeni-power.com/.
Tentang Penulis
Hernan Figueroa memimpin inisiatif transformasi digital di Marubeni Power International. Timnya menerapkan ilmu data dan teknologi digital untuk mendukung strategi pertumbuhan Marubeni Power. Sebelum bergabung dengan Marubeni, Hernan adalah Data Scientist di Columbia University. Dia memegang gelar Ph.D. di Teknik Elektro dan BS di Teknik Komputer.
Lino Bresia adalah Eksekutif Akun Utama yang berbasis di NYC. Dia memiliki pengalaman teknologi lebih dari 25 tahun dan telah bergabung dengan AWS pada tahun 2018. Dia mengelola pelanggan perusahaan global saat mereka mengubah bisnis mereka dengan layanan cloud AWS dan melakukan migrasi berskala besar.
Narsis Zekpa adalah Arsitek Solusi Senior yang berbasis di Boston. Dia membantu pelanggan di AS Timur Laut mempercepat transformasi bisnis mereka melalui solusi yang inovatif dan dapat diskalakan, di AWS Cloud. Ketika Narcisse tidak sedang membangun, dia menikmati menghabiskan waktu bersama keluarganya, bepergian, memasak, bermain bola basket, dan berlari.
Pedram Jahangiri adalah Arsitek Solusi Perusahaan dengan AWS, dengan gelar PhD di bidang Teknik Listrik. Dia memiliki pengalaman 10+ tahun di industri energi dan TI. Pedram memiliki pengalaman langsung selama bertahun-tahun dalam semua aspek Analisis Lanjutan untuk membangun solusi kuantitatif dan berskala besar untuk perusahaan dengan memanfaatkan teknologi cloud.
Sarah Childers adalah Manajer Akun yang berbasis di Washington DC. Dia adalah mantan pendidik sains yang menjadi penggila cloud yang berfokus untuk mendukung pelanggan melalui perjalanan cloud mereka. Sarah menikmati bekerja bersama tim termotivasi yang mendorong diversifikasi ide untuk membekali pelanggan dengan solusi paling inovatif dan komprehensif.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/how-marubeni-is-optimizing-market-decisions-using-aws-machine-learning-and-analytics/
- :adalah
- $NAIK
- 1
- 10
- 100
- 2018
- 7
- 8
- a
- Sanggup
- Tentang Kami
- mempercepat
- mengakses
- diakses
- Akun
- Mencapai
- di seluruh
- Tindakan
- kegiatan
- Tambahan
- alamat
- mengambil
- memajukan
- maju
- Keuntungan
- algoritma
- Semua
- alokasi
- di samping
- Amazon
- Amazon SageMaker
- Americas
- jumlah
- analisis
- Analis
- analisis
- dan
- Angeles
- api
- Lebah
- aplikasi
- arsitektur
- ADALAH
- kedatangan
- AS
- aspek
- aset
- manajemen aset
- Aktiva
- At
- ditambah
- Otentikasi
- mengotomatisasikan
- secara otomatis
- mengotomatisasi
- tersedia
- rata-rata
- AWS
- AWS Lambda
- Pembelajaran Mesin AWS
- Saldo
- mendasarkan
- berdasarkan
- Dasar
- dasar
- Bola basket
- BE
- karena
- menjadi
- sebelum
- makhluk
- TERBAIK
- antara
- tawaran
- Blok
- boston
- luas
- membangun
- Bangunan
- bisnis
- Aplikasi Bisnis
- Transformasi Bisnis
- Pembelian
- by
- california
- panggilan
- bernama
- panggilan
- Panggilan
- CAN
- tidak bisa
- kemampuan
- mampu
- karbon
- kasus
- kasus
- tertentu
- rantai
- perubahan
- mengubah
- karakter
- beban
- memeriksa
- awan
- layanan cloud
- koleksi
- Columbia
- kombinasi
- menggabungkan
- Umum
- lengkap
- komponen
- luas
- komputer
- Teknik Komputer
- Kondisi
- konfigurasi
- konglomerat
- menghubungkan
- Mempertimbangkan
- mengingat
- mengkonsolidasikan
- terus-menerus
- kendala
- membangun
- dikonsumsi
- konsumsi
- terus menerus
- memasak
- PERUSAHAAN
- Biaya
- pengurangan biaya
- hemat biaya
- menutupi
- penutup
- kritis
- referensi silang
- dikuratori
- terbaru
- Sekarang
- melengkung
- pelanggan
- menyesuaikan
- data
- Danau Data
- Persiapan data
- pengolahan data
- ilmu data
- ilmuwan data
- penyimpanan data
- Data-driven
- kumpulan data
- Tanggal
- hari
- dc
- Pengambilan Keputusan
- keputusan
- Default
- pengiriman
- Permintaan
- menyebarkan
- dikerahkan
- penggelaran
- penyebaran
- penyebaran
- menyebarkan
- dijelaskan
- deskripsi
- Mendesain
- rinci
- rincian
- mengembangkan
- pengembang
- berbeda
- digital
- Transformasi digital
- membahas
- berbeda
- berjenis
- selama
- dinamis
- setiap
- Terdahulu
- mudah
- Mudah
- Listrik
- elektro
- listrik
- aktif
- diaktifkan
- memungkinkan
- mendorong
- Titik akhir
- energi
- Mesin
- Teknik
- memastikan
- Memastikan
- Enterprise
- pelanggan perusahaan
- perusahaan
- penggemar
- Lingkungan Hidup
- lingkungan
- Setara
- Eter (ETH)
- peristiwa
- Setiap
- contoh
- khusus
- eksekutif
- diharapkan
- pengalaman
- menyelidiki
- luar
- keluarga
- Sudah diambil
- Angka
- File
- File
- terakhir
- Fokus
- terfokus
- berikut
- Untuk
- Ramalan
- Bekas
- Foundations
- FRAME
- segar
- dari
- sepenuhnya
- fungsi
- fungsi
- fungsi
- lebih lanjut
- masa depan
- menghasilkan
- dihasilkan
- menghasilkan
- generasi
- Aksi
- Go
- besar
- kisi
- Pertumbuhan
- hands-on
- Memiliki
- membantu
- membantu
- memegang
- JAM
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- Namun
- HTML
- HTTPS
- ide-ide
- Siaga
- melaksanakan
- implementasi
- mengimplementasikan
- penting
- in
- memasukkan
- termasuk
- termasuk
- masuk
- Meningkatkan
- independen
- industri
- informasi
- Infrastruktur
- inisiatif
- inovatif
- memasukkan
- intern
- Internasional
- Interoperabilitas
- investasi
- Investasikan
- memanggil
- terlibat
- IT
- Industri IT
- NYA
- Jepang
- Jobs
- bergabung
- bergabung
- perjalanan
- jpg
- json
- Kicks
- Tahu
- Mengetahui
- danau
- besar-besaran
- Terbaru
- peluncuran
- lapisan
- lapisan
- Memimpin
- BELAJAR
- pengetahuan
- leveraging
- perpustakaan
- siklus hidup
- 'like'
- batas
- memuat
- beban
- Panjang
- lagi
- itu
- Los Angeles
- lepas
- mesin
- Mesin belajar
- Mesin
- terbuat
- memelihara
- utama
- MEMBUAT
- mengelola
- pengelolaan
- manajer
- mengelola
- pelaksana
- manipulasi
- banyak
- Pasar
- kondisi pasar
- pasar
- matang
- Maksimalkan
- mekanisme
- Memori
- Microsoft
- memperkecil
- menit
- Misi
- ML
- mode
- model
- pemodelan
- model
- dimodifikasi
- lebih
- paling
- termotivasi
- bergerak
- beberapa
- Dekat
- perlu
- Perlu
- dibutuhkan
- kebutuhan
- New
- berikutnya
- simpul
- jumlah
- NYC
- tujuan
- memperoleh
- of
- ditawarkan
- Office
- on
- ONE
- beroperasi
- operasi
- operasi
- operasional
- operator
- operator
- optimal
- optimasi
- dioptimalkan
- mengoptimalkan
- pilihan
- organisasi
- Lainnya
- keluaran
- memiliki
- Paralel
- bagian
- peserta
- partisipasi
- lalu
- dirasakan
- melakukan
- prestasi
- periode
- tahap
- pilot
- pipa saluran
- rencana
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- Bermain
- bermain
- portofolio
- Pos
- kekuasaan
- Power BI
- Sumber Daya listrik
- Bisa ditebak
- diprediksi
- memprediksi
- ramalan
- Prediksi
- Prediksi
- Mempersiapkan
- disajikan
- harga pompa cor beton mini
- perkiraan harga
- harga
- Utama
- Sebelumnya
- masalah
- proses
- proses
- pengolahan
- Produksi
- profitabilitas
- keuntungan
- hak milik
- memberikan
- menyediakan
- Publikasi
- Terbit
- kualitas
- kuantitatif
- siap
- real-time
- menyadari
- diterima
- baru
- catatan
- menurunkan
- Bagaimanapun juga
- keandalan
- mengandalkan
- Terbarukan
- energi terbarukan
- merupakan
- wajib
- membutuhkan
- itu
- tanggapan
- tanggung jawab
- responsif
- Hasil
- pelatihan ulang
- pendapatan
- ulasan
- Risiko
- kuat
- Peran
- peran
- Aturan
- Run
- berjalan
- s
- pembuat bijak
- sama
- terukur
- menjadwalkan
- Ilmu
- ilmuwan
- Bagian
- bagian
- sektor
- Penjualan
- melayani
- Tanpa Server
- Layanan
- set
- Share
- jangka pendek
- harus
- Pertunjukkan
- Sederhana
- serentak
- tunggal
- So
- larutan
- Solusi
- beberapa
- Segera
- sumber
- sumber
- Sourcing
- tertentu
- kecepatan
- Pengeluaran
- SQL
- standar
- Negara
- mantap
- Langkah
- Tangga
- Masih
- penyimpanan
- menyimpan
- tersimpan
- toko
- strategi
- Penyelarasan
- kekuatan
- menyerahkan
- disampaikan
- anak perusahaan
- seperti itu
- menyediakan
- Penawaran dan Permintaan
- mendukung
- pendukung
- Mendukung
- Keberlanjutan
- sistem
- tabel
- Mengambil
- tim
- teknik
- Teknologi
- Teknologi
- tensorflow
- uji
- tes
- bahwa
- Grafik
- Masa depan
- Negara
- mereka
- karena itu
- Ini
- Melalui
- waktu
- timestamp
- untuk
- Trading
- lalu lintas
- Pelatihan VE
- Pelatihan
- kereta
- .
- Mengubah
- Transformasi
- Strategi Transformasi
- transisi
- Perjalanan
- Tren
- memicu
- Berbalik
- jenis
- kami
- pokok
- universitas
- Pembaruan
- Data Hulu
- us
- penggunaan
- menggunakan
- gunakan case
- nilai
- berbagai
- versi
- melalui
- visualisasi
- menunggu
- Washington
- Washington DC
- Cara..
- Cuaca
- BAIK
- yang
- akan
- Kerelaan
- dengan
- dalam
- alur kerja
- kerja
- akan
- tahun
- zephyrnet.dll