2023. november 4., szombat

Havi fogyasztás termelés alakulása

 



Termelés alakulása (2023.02-10):



Számértékek

2.hó 0.630 MWh
3.hó 1.013 MWh
4.hó 1.092 MWh
5.hó 1.274 MWh
6.hó 1.303 MWh
7.hó 1.371 MWh
8.hó 1.208 MWh
9.hó 1.136 MWh
10.hó 0.728 MWh

Fogyasztás és termelés alakulása (202302-10):


Nyári hónapokban sokkal nagyobb a termelés mint a fogyasztás. Télen éppen elég a havi egyenleg.


Számértékek

Hónap     Fogyasztás Termelés     Egyenleg

Február     220,437 554,711     334,274

Március     190,162 918,248     728,086

Április     183,724 985,006     801,282

Május     141,331 1173,893    1032,562

Június     123,368 1195,876     1072,508

Július     149,407 1291,609     1142,202

Augusztus    183,067 1106,084     923,017

Szeptember    176,37 1017,696     841,326

Október       242,761     647,077     404,316




























2023. augusztus 13., vasárnap

Budapesti vihar hatása (35 - hibakód)

2023.08.05. Budapesti vihar, áram kimaradás és egyéb hiba



 Egy fázis hiány

A nagy viharban több órás áramkimaradás és fázis kiesés jelentkezett










Alkalmazás felületén is jelentkezett a probléma:






Az inverter hiba eseményt jelzett ezért kikapcsoltam és a facebook fórumon és a napelem szerelő cégtől is tanácsot kértem amire vegyes válaszokat kaptam :

FaceBook:

Én bekapcsolva hagynám. Ha lesz 3. fázis, el fog indulni. Ez nem maga a napelemes rendszer hibája, így a hiba is "kitörlődik".


Kivéve, ha a szerelők első bekapcsolásra rosszul kötnek vissza valamit; pl. nulla szakadás van, vagy felcserélnek egy fázist a nullával. Az összes szolár inverter kiég, de persze le fogják tagadni, mert másodikra már jól kötik be. Kb. egy tucat inverter járt nálam így megsütve. Én be nem merném kapcsolni, míg minden nincs tökéletes rendben! 50-100 Ft értékű villanyért nem ölnék meg egy fél-egymilliós invertert.


Szerelő cég:

Amíg a nincs meg a három fázis, addig sajnos az inverter biztosan nem fog működni. Addig mindig "hibát" fog jelezni, hogy nincs megfelelő hálózati feszültség. Szerintem csak akkor kapcsolja vissza, ha a hálózat megfelelő.


Végül kikapcsolva hagytam az invertert és csak a áramszolgáltatás teljes vissza állása után kapcsoltam be.


Bekapcsolás után az első 10 percben a beragadt hiba üzenet jelent meg az alkalmazásban és a WEB lapos információs oldalon, de aztán frissítette magát és szépen 'kizöldült'. 

Mindent rendben azt üzente.





2023. július 2., vasárnap

Napi fogyasztás és termelés alakulása

EON és SolPlanet portál adatok alapján alakulása


2023.08.10-09.01


2023.07.02-07.16






Valami miatt a 2023.07.06. záró adata nem jelenik meg a SolPlanet portálon.





Három hét napi fogy-termelés alakulása 15 perces lépésekben







Havonkénti napi fogy-term adatok

















2023. június 30., péntek

2023.06 napenergia termelés

 2023.06 napenergia termelés


Éves termelés alakulása





Hónap naponkénti termelés alakulása







Legjobb nap termelés alakulása



 




EON órás termelés-fogyasztás alakulás






Esős, felhős napok hatása jelentős volt a hónapban. Ez napenergia termelésben rossz viszont a növényeknek jó.














2023. április 28., péntek

SolPlanet router és eszköz adatok

 Az inverter modem kapcsolat adatait egyszerű web böngészővel is el lehet érni.


Előszór tudnunk kell az inverter modem IP címét :

Keresésnél erre figyeljünk : espressif 




Ha ezt tudjuk és például : 192.168.53.8 (ha nem ez akkor a címben a sajátra kell cserélni)



Melyik hálózatot használja  inverter modem :

http://192.168.53.8:8484/wlanget.cgi?info=2

=>

{"mode":"STATION","sid":"KL_penge","srh":-61,"ip":"192.168.53.8","gtw":"192.168.53.1","msk":"255.255.255.0"}

Magyarázat

  • sid: router neve
  • gtw: router átjáró cím
  • ip : inverter modem ip cím (hát ezt tudtuk)
  • msk: ip cím maszk
  • srh: jel erősség




Hálózati kapcsolat IP adatok:

http://192.168.53.8:8484/wlanget.cgi?info=3

=>

{"mode":"STATION","ip":"192.168.53.8","gtw":"192.168.53.1","msk":"255.255.255.0"}

Magyarázat

  • gtw: router átjáró cím
  • ip : inverter modem ip cím (hát ezt tudtuk)
  • msk: ip cím maszk


Inverter modem által elérhető Wifi hálózatok adatai

http://192.168.53.8:8484/wlanget.cgi?info=4

=>

{"num":"11","wif":[

{"sid":"c4cbb6","srh":"3"},

{"sid":"KL_pe","srh":"1"},

{"sid":"Telekom-56a588","srh":"1"},

{"sid":"digi_1","srh":"1"},

{"sid":"Pe00","srh":"0"},

{"sid":"DIGI-01022236","srh":"0"},

{"sid":"Pe02","srh":"0"},

{"sid":"PIX-LINK-2.4G","srh":"0"},

{"sid":"Telekom-52e708","srh":"0"},

{"sid":"Telekom-b28e10-2.4GHz","srh":"0"},

{"sid":"agiwifi","srh":"0"}]}


Magyarázat

sid : router azonosító (név)

srh: jelszint megfelelőség (1 vagy nagyobb: jó, 0: gyenge)


Tehát a lista elemek közül 4 db router is alkalmas lenne a jelszint alapján a hálózat kapcsolatra a Solplanet felhő felé.




Általános eszköz adatok lekérdezése közvetlen/lokális hálózaton:


Wifi modem / Wifi Stick adatlap lekérdezése

http://192.168.53.8:8484/getdev.cgi?device=0

=>

{"psn":"B32****,"key":"***********","typ":5,"nam":"Wi-Fi Stick","mod":"B32***","muf":"AISWEI","brd":"AISWEI","hw":"M11","sw":"20A12-013R","wsw":"ESP32-WROOM-32U","tim":"2023-04-27 13:22:32","pdk":"a5****","ser":"2b****","protocol":"V1.0","host":"eu-central-1","port":1883,"status":0}

Magyarázat:

szoftver verzió, azonosítók

nam : név

mod : modem tipus

host: melyik régióhoz kapcsolódik




Inverter lekérdezése adatlap lekérdezése

http://192.168.53.8:8484/getdev.cgi?device=2

=>

{"inv":[{"isn":"SP00****1","add":3,"safety":64,"rate":10000,"msw":"V610-03043-02 ","ssw":"V610-60009-00 ","tsw":"V610-11009-01 ","pac":3284,"etd":370,"eto":25980,"err":0,"cmv":"V2.1.1AV2.00","mty":51}],"num":1}

Magyarázat:

szoftver verzió, azonosítók

rate: névleges teljesítmény

pac: pillanatnyi teljesítmény

etd: napi teljesítmény

err: hibakód



Okos mérő adatlap lekérdezés (ha van, de nekem nincs)

http://192.168.53.8:8484/getdev.cgi?device=3

=>

{"mod":0,"enb":0,"exp_m":0,"regulate":5,"enb_PF":0,"target_PF":0,"abs":0,"abs_offset":0,"total_pac":2602,"total_fac":10000,"meter_pac":0}




Egyébb csatlakoztatott eszköz adatlap lekérdezés (ha van, de nekem nincs)

http://192.168.53.8:8484/getdev.cgi?device=4

=>

{"isn":"xxx","stu_r":0,"mod_r":0,"stu_c":0,"cha":0,"muf":0,"mod":0,"num":0,"fir_r":0}




2023. április 2., vasárnap

2023 év termelés, fogyasztás alakulása

 2023. évi termelés alakulása a hónapokban





  • 2023.02 hó csúcs : 8861 Wh  és 9000 Wh feletti 5 perc: 0
  • 2023.03 hó csúcs : 9980 Wh  és 9000 Wh feletti 5 perc: 36
  • 2023.04 hó csúcs : 9993 Wh  és 9000 Wh feletti 5 perc: 56
  • 2023.03 hó csúcs : 9981 Wh  és 9000 Wh feletti 5 perc: 53




Havi termelés napi megoszlása


2023.02. hó (630 KWh)





2023.03. hó (1013 KWh)




2023.04. hó (1092 KWh)








2023.05. hó (1274 KWh)








Kirészletezve a 2023.04. hó napi fogyasztás és termelés alakulása






Napi csúcs termelés alakulása 


2023.05.09.-én  (61.3 KWh)





2023.04.05.-én (53.5 KWh)




2023.04.12.-én (59.8 KWh)









2023.04.26.-án  (60.1 KWh)






2023.06.01.-én (59.5 KWh)








Termelés és fogyasztás alakulása



2023.02. hónap




2023.03. hónap





2023.04. hónap





2023.05. hónap


2023. március 20., hétfő

Elemzés pythonnal

EON és Solplanet forrás adatok elemzése


 

Code:

import datetime
import pandas as pd
import warnings
import datetime as dt
from matplotlib import pyplot as plt

plt.rcParams['figure.figsize'] = [125]

warnings.filterwarnings("ignore")
##kl_file =r'c:\Users\kecskemetil\Documents\sj\napelem\solplanet_napok\Daily Energy20230'
## c:\Users\kecskemetil\Documents\sj\napelem\solplanet_napok\t202303\Daily Energy20230301.xls
## c:\Users\kecskemetil\Documents\sj\napelem\solplanet_napok\t202303\Daily Energy20230301.xls
kl_file =r'c:\Users\kecskemetil\Documents\sj\napelem\solplanet_napok\t202303\Daily Energy20230'

kl_tartalom  = pd.read_excel(kl_file +'301.xls')  ## 02.01. betöltés
for i in range(302,317):                          ## 02.02-02.28. betöltés  megadása (202,229)
    kl_file2 = kl_file + '{}.xls'.format(i)
#    print(kl_file2)
    kl_tmp = pd.read_excel(kl_file + '{}.xls'.format(i))
    kl_tartalom = kl_tartalom.append(kl_tmp, ignore_index = True)
    
##  dátumtipusra alakítás
kl_tartalom["Time"] = pd.to_datetime(kl_tartalom["Time"],format= "%Y-%m-%d %H:%M:%S")
                    
## egy excelbe mentés
kl_tartalom.to_excel(r"c:\Users\kecskemetil\Documents\sj\napelem\solplanet_napok\t202303\KL_napenergia_ossz.xlsx", sheet_name='Munka1',index=False)

## dátum kiválasztás (szűrés)
kl_tartalom.query("Time >= '2023-03-11' and Time < '2023-03-13'", inplace = True)  ## [128 rows x 5 columns]
#kl_tartalom = kl_tartalom[(kl_tartalom['Time'] > "2023-02-16") & (kl_tartalom['Time'] < "2023-02-17")] 
#kl_tartalom = kl_tartalom[kl_tartalom['Time'].dt.strftime('%Y-%m-%d') == '2023-02-16']

## felesleges mezők kihagyása
kl_tartalom.drop(labels=['SN.','Vpv1''Vpv2','Ipv1','Ipv2'
'Vac1''Vac2''Vac3''Iac1''Iac2''Iac3','Fac','Temp','E-Total''H-Total'], axis=1, inplace=True)


## idő kimetszése
#kl_tartalom["Time2"] = kl_tartalom["Time"].dt.time
#kl_tartalom["Time2"] = kl_tartalom["Time"].dt.hour
#kl_tartalom["Time"] = kl_tartalom["Time"].dt.strftime('%H:%M')

#kl_tartalom["Time2"] = [d.time() for d in kl_tartalom["Time"]]

#pd.to_datetime(kl_tartalom['Time'], format='%H:%M')
        
## mezők kiválasztása megjelenítésnél
#print(kl_tartalom[['Time', 'Pac','E-Today']])

## redezés
kl_tartalom.sort_values(["Pac""Time"],
               axis = 0, ascending = False,
               inplace = True,
               na_position = "first")

kl_tartalom = kl_tartalom.set_index('Time')

nyomtatas ='''
kl_tartalom['Pac'].plot(kind="bar")
plt.title("Napelem termelés")
plt.xlabel("Dátum")
plt.ylabel("Pac (Wh)")
'''

#kl_tartalom.plot(kind="bar")

print(kl_tartalom.head(20))



=>
                      Pac  E-Today
Time                                
2023-03-11 09:29:35  9919.0      5.9
2023-03-11 09:04:35  9419.0      3.8
2023-03-11 09:59:35  9162.0      8.7
2023-03-11 10:29:35  9050.0     11.7
2023-03-11 10:54:35  8830.0     14.0
2023-03-12 09:52:48  8580.0     18.3
2023-03-12 09:47:48  8530.0     17.6
2023-03-12 09:57:48  8519.0     19.0
2023-03-12 09:42:48  8497.0     16.9
2023-03-12 10:07:48  8489.0     20.5
2023-03-12 10:02:48  8488.0     19.7
2023-03-12 10:17:48  8487.0     21.9
2023-03-12 09:32:48  8454.0     15.5
2023-03-12 09:37:48  8453.0     16.2
2023-03-12 09:27:48  8426.0     14.8
2023-03-12 10:22:48  8421.0     22.6
2023-03-12 10:12:48  8406.0     21.2
2023-03-12 09:07:48  8340.0     12.0
2023-03-12 09:22:48  8328.0     14.1
2023-03-12 10:27:48  8315.0     23.3

[ ]

=>

Time Pac Time2 9_2 2023-03-12 09:02:48 8073.0 9_7 2023-03-12 09:07:48 8340.0 9_12 2023-03-12 09:12:48 8296.0 9_17 2023-03-12 09:17:48 8258.0 9_22 2023-03-12 09:22:48 8328.0 9_27 2023-03-12 09:27:48 8426.0 9_32 2023-03-12 09:32:48 8454.0 9_37 2023-03-12 09:37:48 8453.0 9_42 2023-03-12 09:42:48 8497.0 9_47 2023-03-12 09:47:48 8530.0 9_52 2023-03-12 09:52:48 8580.0 9_57 2023-03-12 09:57:48 8519.0 10_2 2023-03-12 10:02:48 8488.0 10_7 2023-03-12 10:07:48 8489.0 10_12 2023-03-12 10:12:48 8406.0 10_17 2023-03-12 10:17:48 8487.0 10_22 2023-03-12 10:22:48 8421.0 10_27 2023-03-12 10:27:48 8315.0 10_32 2023-03-12 10:32:48 8257.0 10_37 2023-03-12 10:37:48 8257.0


## Solplanet napi csúcs pillanatnyi termelés keresése
import datetime
import pandas as pd
import warnings
import datetime as dt
from matplotlib import pyplot as plt
#import matplotlib.pyplot as plt

plt.rcParams['figure.figsize'] = [125]
warnings.filterwarnings("ignore")

kl_file = r"c:\Users\kecskemetil\Documents\sj\napelem\solplanet_napok\KL_napenergia_ossz202302.xlsx"
kl_tartalom = pd.read_excel(kl_file, sheet_name='forras')

##  dátumtipusra alakítás (napra csonkolás)
kl_tartalom["Time"] = pd.to_datetime(kl_tartalom["Time"],format= "%Y-%m-%d %H:%M:%S").dt.date
#print(kl_tartalom)
#print('-------------------------')

## felesleges mezők kihagyása
kl_tartalom.drop(labels=['SN.','Vpv1''Vpv2','Ipv1','Ipv2'
'Vac1''Vac2''Vac3''Iac1''Iac2''Iac3','Fac','Temp''H-Total''Pac'], axis=1, inplace=True)
## 'E-Total', 'E-Today'
solplanet = kl_tartalom.groupby("Time").max()
print('------------max érték-------------')
print(kl_tartalom.max())

print('------------max értékek naponta-------------')
print(solplanet)

=>

------------max érték------------- Time 2023-02-28 E-Total 630.2 E-Today 40.0 dtype: object ------------max értékek naponta------------- E-Total E-Today Time 2023-02-01 1.4 1.4 2023-02-02 25.6 24.2 2023-02-03 27.2 1.6 2023-02-04 39.9 12.7 2023-02-05 65.4 25.5 2023-02-06 91.3 25.9 2023-02-07 124.7 33.4 2023-02-08 159.3 34.6 2023-02-09 193.8 34.5 2023-02-10 227.5 33.7 2023-02-11 248.5 21.0 2023-02-12 279.2 30.7 2023-02-13 314.6 35.4 2023-02-14 350.1 35.5 2023-02-15 386.0 35.9 2023-02-16 407.8 21.8 2023-02-17 422.3 14.5 2023-02-18 442.7 20.4 2023-02-19 456.8 14.1 2023-02-20 474.0 17.2 2023-02-21 514.0 40.0 2023-02-22 534.2 20.2 2023-02-23 543.6 9.4 2023-02-24 569.9 26.3 2023-02-25 581.1 11.2 2023-02-26 590.7 9.6 2023-02-27 608.6 17.9 2023-02-28 630.2 21.6


## EON napi csúcs pillanatnyi termelés keresése
import datetime
import pandas as pd
import warnings
import datetime as dt
from matplotlib import pyplot as plt
#import matplotlib.pyplot as plt
#plt.rcParams['figure.figsize'] = [12, 5]

warnings.filterwarnings("ignore")

kl_file = r"c:\Users\kecskemetil\Documents\sj\napelem\eon_napok\eon_napi_fogy_term_kl.xlsx"
kl_tartalom = pd.read_excel(kl_file)
## üres cserélésése 0-ra
kl_tartalom.fillna(0,inplace=True)
#kl_tartalom = kl_tartalom.fillna(0)

##  dátumtipusra alakítás (napra csonkolás)
kl_tartalom["Idő"] = pd.to_datetime(kl_tartalom["Idő"],format= "%Y-%m-%d %H:%M:%S").dt.date
kl_tartalom["Idő"] = kl_tartalom["Idő"] - pd.Timedelta(hours=24, minutes=0, seconds=0)  # egy nap elvétele 

## felesleges mezők kihagyása
kl_tartalom.drop(labels=['Nappali DP_1-1:3.8.0*1','Nappali DP_1-1:4.8.0*1''Fogy15[kWh]''Term15[kWh]'], axis=1, inplace=True)
kl_tartalom = kl_tartalom.astype({'FogyNp[kWh]':'float','TermNp[kWh]':'float'})


#kl_tartalom['FogyNp[kWh]_uj'] =   kl_tartalom['FogyNp[kWh]'].shift(-1)
#kl_tartalom['FogyNp[kWh]_uj'] = kl_tartalom['FogyNp[kWh]'].diff()
#kl_tartalom = kl_tartalom.diff(axis=1)
#df =kl_tartalom['Idő'].shift(-1) 

print('------------max érték-------------')
print(kl_tartalom.max())

print('------------max értékek naponta-------------')
eon = kl_tartalom.groupby("Idő").max()
print(eon)

=>

------------max érték------------- Idő 2023-02-28 FogyNp[kWh] 220.437 TermNp[kWh] 554.711 dtype: object ------------max értékek naponta------------- FogyNp[kWh] TermNp[kWh] Idő 2023-01-31 0.000 0.000 2023-02-01 3.774 1.113 2023-02-02 10.991 23.146 2023-02-03 27.420 23.651 2023-02-04 38.404 34.271 2023-02-05 52.082 54.455 2023-02-06 58.019 78.959 2023-02-07 65.290 111.178 2023-02-08 72.391 141.962 2023-02-09 86.684 171.488 2023-02-10 94.539 202.470 2023-02-11 102.160 219.726 2023-02-12 114.188 244.711 2023-02-13 119.458 277.997 2023-02-14 124.083 311.977 2023-02-15 133.923 345.505 2023-02-16 143.289 363.081 2023-02-17 148.332 375.794 2023-02-18 158.496 391.736 2023-02-19 165.351 402.445 2023-02-20 169.740 417.722 2023-02-21 175.464 454.240 2023-02-22 180.782 472.952 2023-02-23 188.916 480.163 2023-02-24 193.329 503.806 2023-02-25 200.655 511.735 2023-02-26 210.811 517.609 2023-02-27 215.183 534.438 2023-02-28 220.437 554.711




import matplotlib.pyplot as plt

### összefüzés
eon.index.name = 'Idő'
# eon['Fogy_eltolt'] =  eon['FogyNp[kWh]'].shift(1)
eon['Fogy_delta'] = eon['FogyNp[kWh]'].diff()
eon['Term_delta'] = eon['TermNp[kWh]'].diff()
solplanet.index.name = 'Time'
#print(eon)
print('-----------------')
print(solplanet.merge(eon, left_on='Time', right_on='Idő', right_index=True))
print('-----------------')
kimenet = pd.merge(solplanet, eon, left_on='Time', right_on='Idő', right_index=True)
print( kimenet.columns)

#print(pd.merge(solplanet, eon, how="inner", on=["Time", "Idő"]))
#print(solplanet[['Idő', 'FogyNp[kWh]','TermNp[kWh]']].merge(eon, how="inner" , left_on='Time', right_on='Idő'))
#print(pd.merge(solplanet, eon))

## egy excelbe mentés
# kimenet.to_excel(r"c:\Users\kecskemetil\Documents\sj\napelem\solplanet_napok\t202303\KL_eon_solplanet_ossz.xlsx", sheet_name='Munka1',index=True)

dt = datetime.datetime.now() - datetime.timedelta(days=1)  ## tegnapi nap
datum  = '{:%Y-%m-%d}'.format(dt)
# Excel írható objektum létrehozása (név tartalmazza a futás dátumot)
writer = pd.ExcelWriter(r'c:\Users\kecskemetil\Documents\sj\napelem\solplanet_napok\t202303\KL_eon_solplanet_ossz_'+datum+'_kesz.xlsx')
kimenet.to_excel(writer, sheet_name='Havi_ossz', index=True)

workbook  = writer.book
worksheet = writer.sheets['Havi_ossz']
(max_row, max_col) = kimenet.shape

#worksheet.autofilter(0, 0, max_row, max_col - 1)  # auto szűrő és adattábla létrehozása
## idex mező miatt kell
indexek=['Ido']
indexek.extend(kimenet.columns)

# Tábla formázás
column_settings = [{'header': column} for column in indexek]
#worksheet.add_table(0, 0, max_row, max_col - 1, {'columns': column_settings}) ## index nélkül
#worksheet.set_column(0, max_col - 1, 15) ## oszlop szélessség 15-re állítás   ## index nélkül

worksheet.add_table(00, max_row, max_col , {'columns': column_settings}) ## index nélkül
worksheet.set_column(0, max_col , 15## oszlop szélessség 15-re állítás   ## index nélkül


# diagram beszúrás
chart = workbook.add_chart({'type''line'})               ## column, pie, line, area, scatter' // circle', 'size': 7}

## első oszlop a kategoria, tobbi oszlop adatok és az értékek 
for i in range(max_col):
    if i != 0 :
        chart.add_series({
'name': ['Havi_ossz'0, i],
'categories': ['Havi_ossz'10, max_row , 0],
'values': ['Havi_ossz'1, i, max_row ,i],
#'overlap':-10,
})



worksheet.insert_chart(1, max_col +1, chart)


# Az excel állomány mentése
writer.save()
writer.close()

kimenet.plot()
plt.show()

=>

----------------- E-Total E-Today FogyNp[kWh] TermNp[kWh] Fogy_delta Term_delta Time 2023-02-01 1.4 1.4 3.774 1.113 3.774 1.113 2023-02-02 25.6 24.2 10.991 23.146 7.217 22.033 2023-02-03 27.2 1.6 27.420 23.651 16.429 0.505 2023-02-04 39.9 12.7 38.404 34.271 10.984 10.620 2023-02-05 65.4 25.5 52.082 54.455 13.678 20.184 2023-02-06 91.3 25.9 58.019 78.959 5.937 24.504 2023-02-07 124.7 33.4 65.290 111.178 7.271 32.219 2023-02-08 159.3 34.6 72.391 141.962 7.101 30.784 2023-02-09 193.8 34.5 86.684 171.488 14.293 29.526 2023-02-10 227.5 33.7 94.539 202.470 7.855 30.982 2023-02-11 248.5 21.0 102.160 219.726 7.621 17.256 2023-02-12 279.2 30.7 114.188 244.711 12.028 24.985 2023-02-13 314.6 35.4 119.458 277.997 5.270 33.286 2023-02-14 350.1 35.5 124.083 311.977 4.625 33.980 2023-02-15 386.0 35.9 133.923 345.505 9.840 33.528 2023-02-16 407.8 21.8 143.289 363.081 9.366 17.576 2023-02-17 422.3 14.5 148.332 375.794 5.043 12.713 2023-02-18 442.7 20.4 158.496 391.736 10.164 15.942 2023-02-19 456.8 14.1 165.351 402.445 6.855 10.709 2023-02-20 474.0 17.2 169.740 417.722 4.389 15.277 2023-02-21 514.0 40.0 175.464 454.240 5.724 36.518 2023-02-22 534.2 20.2 180.782 472.952 5.318 18.712 2023-02-23 543.6 9.4 188.916 480.163 8.134 7.211 2023-02-24 569.9 26.3 193.329 503.806 4.413 23.643 2023-02-25 581.1 11.2 200.655 511.735 7.326 7.929 2023-02-26 590.7 9.6 210.811 517.609 10.156 5.874 2023-02-27 608.6 17.9 215.183 534.438 4.372 16.829 2023-02-28 630.2 21.6 220.437 554.711 5.254 20.273











Link:

https://github.com/klajosw/python/blob/master/kl_py_eon_solplanet.ipynb

Havi fogyasztás termelés alakulása

  Termelés alakulása (2023.02-10): Számértékek 2.hó 0.630 MWh 3.hó 1.013 MWh 4.hó 1.092 MWh 5.hó 1.274 MWh 6.hó 1.303 MWh 7.hó 1.3...