Napelemem

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

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

Forrás adatok:

https://github.com/klajosw/python/blob/master/SolPlanet_ossz202302.xlsx

https://github.com/klajosw/python/blob/master/SolPlanet_ossz202303.xlsx

https://github.com/klajosw/python/blob/master/SolPlanet_ossz202304.xlsx

https://github.com/klajosw/python/blob/master/SolPlanet_ossz202305.xlsx

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'] = [12, 5]

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
[ ]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
## 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\solplanet_napok\t202303\KL_napenergia_ossz.xlsx"
kl_tartalom = pd.read_excel(kl_file)
##  dátumtipusra alakítás
kl_tartalom["Time"] = pd.to_datetime(kl_tartalom["Time"],format= "%Y-%m-%d %H:%M:%S") ## 2023.03.01  6:22:58
## dátum kiválasztás (szűrés)
kl_tartalom.query("Time >= '2023-03-12 09:00' and Time < '2023-03-12 12:00'", inplace = True)  ## [128 rows x 5 columns]
## felesleges mezők kihagyása
kl_tartalom.drop(labels=['SN.','Vpv1', 'Vpv2','Ipv1','Ipv2', 
'Vac1', 'Vac2', 'Vac3', 'Iac1', 'Iac2', 'Iac3','Fac','Temp','E-Total', 'H-Total', 'E-Today'], axis=1, inplace=True)
##  ora:perc_másodperc alakítás
kl_tartalom["Time2"] = pd.to_datetime(kl_tartalom["Time"],format= "%H:%M:%S") ## 2023.03.01  6:22:58
## redezés
kl_tartalom.sort_values(["Time2", "Pac"],
               axis = 0, ascending = True,  #False,
               inplace = True,
               na_position = "first")
#kl_tartalom['min']  = kl_tartalom["Time"].dt.round("min").dt.minute
kl_tartalom['Time2']  = kl_tartalom["Time2"].dt.hour.astype('string') + '_'+ kl_tartalom["Time"].dt.minute.astype('string')  ##,d1.second)
kl_tartalom['Pac']  = kl_tartalom["Pac"].astype(float)
kl_tartalom = kl_tartalom.set_index('Time2')
print(kl_tartalom.head(20))
kl_tartalom.plot()
#kl_tartalom.Time = pd.to_numeric(kl_tartalom.Time)
#kl_tartalom.plot.scatter(x = 'Time', y = 'Pac')
#kl_tartalom.plot(kind = 'scatter', x = 'Time', y = 'Pac')
plt.show()

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'] = [12, 5]
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(0, 0, 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', 1, 0, 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