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

2023 március hó termelés alakulása

 A termelés és fogyasztás alakulása márciusban:

2023 március rész (24.-ig)

2023 Február

A két egyenoldal eltérés oka

Risen Energy 405 W (RSM40-8-405M BLACK)    25 db ( 2 string : 14 + 11 elemmel)

36 V/napelemmel figyelembe véve :    36*14 = 504 V / 36*11 = 396 V

Arányosítással számolva 11 db a 14 -nek a 78 %-a tehát a feszültségek alakulása  ->  500 V * 0.78=390 V

És a végső összehasonlítás 2023 évre

Hó      Terv KWh    Tény KWh

1     470,7             ???

2     604,1             630

3     1059,6         1013

4     1281,6         1092

5     1307,4         1274

6     1332,2

7     1422,9

8     1386

9     1131,5

10     911,5

11     542

12     399,5

Évi     11849

2023. február hó termelés alakulása

 Napelem termelés alakulása  (2023) februárban

Emlékeztetőnek : Dél-keleti tájolású, budapesti házon

 - ASW10K-LT-G2 Pro                                                1  db

 - Risen Energy 405 W (RSM40-8-405M BLACK)    25 db ( 2 string : 14 + 11 elemmel)

(String. Több, azonos típusú és teljesítményű napelem modul összekapcsolásából álló villamos hálózat.)

Én úgy érzem, hogy jól teljesített. 

Elvárásom 

https://re.jrc.ec.europa.eu/pvg_tools/en/

https://re.jrc.ec.europa.eu/api/PVcalc?lat=47.4274962&lon=19.2079601&peakpower=1&loss=14

Hó      KWh

1     470,7

2     604,1

3     1059,6

4     1281,6

5     1307,4

6     1332,2

7     1422,9

8     1386

9     1131,5

10     911,5

11     542

12     399,5

Évi     11849

Link: https://pvsol-online.valentin-software.com

Pár napot kivéve (téli hónapban is) mindig hozta az eddigi napi átlag fogyasztást (15 KWh)

Átlag fogyasztás előző évi adatok alapján:

Napelemes termelés átlag cél számok:

napi : 30 KWh     havi : 800 KWh    éves : 10 MWh

Az 5 percenként feldolgozás alapján az alábbi csúcs termelések voltak:

A legnagyobb termelési csúcs 02.02.-én 9:50-kor volt. 

Ekkor 8,861 KWh teljesítmény jött ki az inverterből

EON és napelem termelés összevetése

EON adatok a referencia, de ott 00:00:00 óra a dátum adat ezért gyakorlatban egy nap elcsúszás van.

Nagyjából összefüggnek az adatok. A termelési 6 óra időintervallumban többnyire a ház teljes fogyasztását ellátja és még többet is termel.

Februárban nyolc felhős nap fordult elő, amikor 15KWh termelésnél kevesebb jött össze:

Kukkantsunk be a márciusba:

Ebből a legfontosabb, hogy egy felhős nap volt, amikor a fogyasztás több volt mint a termelés 

(jobbszélső oszlopban pirosozva).


Növekszik a nap beesési szög és a termelés napi időtartománya is növekszik 

(03.01-03.10. között vizsgálva már 10 perccel hosszabb ideig dolgozik):

2023-03-11 09:29:35 -kor a pillanatnyi termelés 9,919 KWh volt, tehát majdnem elérte a 10 KWh-t.

Csak így tovább.