Napelemem: python

A következő címkéjű bejegyzések mutatása: python. Összes bejegyzés megjelenítése

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

2023. február 18., szombat

Cloud lementett napi adatok feldolgozása pythonnal

A napi adatok excel állományba lementése után a feldolgozás automatizálásra mutatok egy mintát.

Egy könyvtárba elhelyezett xls-eken végig megy és egybe olvassa, rendez, szűr, mezőket kiválaszt, diagramot gyárt minta jelleggel.

A forrás elérhető :

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

Solplanet helyi lekérdezése és eredmény állományba írása

Linux-osok simán összeraknak erre egy scriptet, ezért a windows-osoknak mutatok példát.

PowerShell script-es megoldás

Minden windows alatt ott van PowerShell ISE ezért ezt választottam

A PS parancs amit saját hálózati IP cím és inverter azonosításával módosítani kell:

Invoke-RestMethod -Uri "http://192.168.0.101:8484/getdevdata.cgi?device=2&sn=SP0%%%%%%" |Format-Table -Property tim, tmp, pac, sac, qac, etd, eto, vac, iac, vpv, ipv, err |

Out-File -FilePath c:\Users\User\Documents\kl\napelem\kl_blog\java\kl_sol_ps.txt -Encoding ASCII -Width 120 -Append

Az eredmény ilyen lesz a képernyőn:

Az eredmény ilyen lesz az állományban:

tim tmp pac sac qac etd eto vac iac vpv ipv err

--- --- --- --- --- --- --- --- --- --- --- --- ---

20230218114622 449 6351 6351 2 131 4354 {2360, 2351, 2342} {90, 90, 90} {4642, 3691} {784, 787} 0

Windows ütemező készítése a 10 percenkénti futáshoz

Nézzük egy hasonló megoldást java-ban

Ez bonyolultabb mert java fejlesztői környezettet igényel.

Minden faxni nélkül nekünk most csak a java.exe és javac.exe kell én ezeket a példában az adroind studo-ból használtam.

Tehát kell egy JsonReader22.java file

import java.io.BufferedInputStream;

import java.io.FileOutputStream;

import java.io.IOException;

import java.net.URL;

import java.nio.channels.Channels;

import java.nio.channels.ReadableByteChannel;

import java.time.format.DateTimeFormatter;

import java.time.LocalDate;

import java.time.LocalDateTime;

import java.time.LocalTime;

import java.time.Month;

import java.util.concurrent.TimeUnit;

public class JsonReader22 {

public static void main(String[] args) {

System.out.println("Első argumentum: "+args[0]);

System.out.println("Második argumentum: "+args[1]);

String url = "http://" + args[0] + ":8484/getdevdata.cgi?device=2&sn=" + args[1];

System.out.println("url: "+url);

String out_file = "kl_kesz";

LocalDate datum = LocalDate.now();

LocalDateTime dt = LocalDateTime.now();

DateTimeFormatter df = DateTimeFormatter.ofPattern("_yyyy-MM-dd"); //HH-mm-ss_");

String date_text = dt.format(df);

DateTimeFormatter df2 = DateTimeFormatter.ofPattern("_yyyy-MM-dd_HH-mm-ss_");

String date_text2 = dt.format(df2);

System.out.println("Formázott dátum : "+ date_text);

try {

downloadUsingNIO(url, out_file + date_text2 + ".json"); // futásonként egy-egy filebe

downloadUsingStream(url, out_file + date_text + ".json"); // napi futás egy file töltése összefűzéssel

} catch (IOException e) {

e.printStackTrace();

}

private static void downloadUsingStream(String urlStr, String file) throws IOException{

URL url = new URL(urlStr);

BufferedInputStream bis = new BufferedInputStream(url.openStream());

FileOutputStream fis = new FileOutputStream(file, true);

byte[] buffer = new byte[1024];

int count=0;

while((count = bis.read(buffer,0,1024)) != -1)

{

fis.write(buffer, 0, count);

}

System.out.println(buffer);

String textToAppend = "\n";

byte[] strToBytes = textToAppend.getBytes();

fis.write(strToBytes);

fis.close();

bis.close();

}

private static void downloadUsingNIO(String urlStr, String file) throws IOException {

URL url = new URL(urlStr);

ReadableByteChannel rbc = Channels.newChannel(url.openStream());

FileOutputStream fos = new FileOutputStream(file, true);

fos.getChannel().transferFrom(rbc, 0, Long.MAX_VALUE);

fos.close();

rbc.close();

}

És kell egy kl.bat file:

REM JAVA forrás fordítás CLASS-ra

"c:\Program Files\Android\Android Studio\jbr\bin\javac.exe" JsonReader22.java

REM futtatás paraméterben az IP cim és inverter azonosító

"c:\Program Files\Android\Android Studio\jbr\bin\java.exe" JsonReader22 192.168.0.101 SP0%%

Összefűzős eredmény:

{"flg":1,"tim":"20230218132702","tmp":407,"fac":5000,"pac":893,"sac":893,"qac":0,"eto":4392,"etd":169,"hto":183,"pf":88,"wan":0,"err":0,"vac":[2311,2315,2305],"iac":[14,14,14],"vpv":[4676,3655],"ipv":[113,98],"str":[]}

{"flg":1,"tim":"20230218132722","tmp":407,"fac":5000,"pac":851,"sac":851,"qac":0,"eto":4392,"etd":169,"hto":183,"pf":88,"wan":0,"err":0,"vac":[2323,2311,2315],"iac":[13,14,13],"vpv":[4652,3633],"ipv":[108,94],"str":[]}

{"flg":1,"tim":"20230218133102","tmp":403,"fac":5000,"pac":1276,"sac":1276,"qac":0,"eto":4393,"etd":170,"hto":183,"pf":93,"wan":0,"err":0,"vac":[2334,2323,2313],"iac":[20,19,19],"vpv":[4728,3720],"ipv":[157,149],"str":[]}

{"flg":1,"tim":"20230218133152","tmp":402,"fac":5001,"pac":1261,"sac":1261,"qac":0,"eto":4393,"etd":170,"hto":183,"pf":93,"wan":0,"err":0,"vac":[2345,2265,2326],"iac":[19,19,19],"vpv":[4739,3699],"ipv":[157,142],"str":[]}

{"flg":1,"tim":"20230218133222","tmp":401,"fac":5000,"pac":1219,"sac":1219,"qac":0,"eto":4393,"etd":170,"hto":183,"pf":93,"wan":0,"err":0,"vac":[2344,2280,2312],"iac":[19,18,18],"vpv":[4741,3721],"ipv":[151,137],"str":[]}

{"flg":1,"tim":"20230218133412","tmp":400,"fac":4998,"pac":1487,"sac":1487,"qac":0,"eto":4393,"etd":170,"hto":183,"pf":95,"wan":0,"err":0,"vac":[2371,2268,2321],"iac":[22,22,22],"vpv":[4861,3968],"ipv":[189,150],"str":[]}

{"flg":1,"tim":"20230218135512","tmp":397,"fac":5000,"pac":3270,"sac":3270,"qac":1,"eto":4400,"etd":177,"hto":184,"pf":99,"wan":0,"err":0,"vac":[2378,2379,2328],"iac":[47,46,46],"vpv":[5130,4067],"ipv":[371,363],"str":[]}

{"flg":1,"tim":"20230218135652","tmp":399,"fac":5001,"pac":3009,"sac":3009,"qac":1,"eto":4401,"etd":178,"hto":184,"pf":98,"wan":0,"err":0,"vac":[2382,2368,2321],"iac":[43,42,43],"vpv":[5075,4055],"ipv":[341,337],"str":[]}

{"flg":1,"tim":"20230218135722","tmp":399,"fac":5000,"pac":2948,"sac":2948,"qac":1,"eto":4402,"etd":179,"hto":184,"pf":98,"wan":0,"err":0,"vac":[2384,2363,2320],"iac":[42,41,42],"vpv":[5120,4024],"ipv":[332,333],"str":[]}

Egy egy állományos eredmény:

És nézzünk egy pythonos megoldást is.

A python program

import urllib.request, json

## beolvasás

with urllib.request.urlopen("http://192.168.0.101:8484/getdevdata.cgi?device=2&sn=SP00%%") as url:

data = json.load(url)

## állományba írás

with open(r"c:\Users\User\Documents\kl\napelem\kl_blog\java\kl_kesz_py_2023-02-18.json", "w") as outfile:

json.dump(data, outfile)

## formázott megjelenítés

print(f"""A mai ({data['tim'][0:4]}.{data['tim'][4:6]}.{data['tim'][6:8]}) termelés: {data['etd']/10:04.1f} KWh

és a pillanatnyi ({data['tim'][8:10]}:{data['tim'][10:12]}:{data['tim'][12:14]} -kor) termelés: {data['pac']} Wh

""")

## csoportos megjelenítés

print('-'*60)

for key, value in data.items():

print(key, value)

Az eredmény

A mai (2023.02.18) termelés: 20.2 KWh 
és a pillanatnyi (16:01:32 -kor) termelés: 533 Wh

------------------------------------------------------------
flg 1
tim 20230218160132
tmp 372
fac 5005
pac 533
sac 533
qac 0
eto 4425
etd 202
hto 186
pf 77
wan 0
err 0
vac [2352, 2313, 2270]
iac [9, 9, 10]
vpv [4621, 3642]
ipv [67, 59]
str []

Megjegyzés

Azért programozó guruknak jelzem, hogy feleslegesen ne 'gyúrjanak' rajtam, hogy igen csúnya ez a megoldás, meg ezt nem így kellene megcsinálni....

Ennyi időt szántam rá, mikor működött befejeztetem.

Napelemem