-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathGanze_Untersuchung.py
243 lines (195 loc) · 8.6 KB
/
Ganze_Untersuchung.py
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
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
# Import all the stuff needed
import os
import reegis
import my_reegis
import time
from my_reegis import alternative_scenarios
import deflex
import pandas as pd
import numpy as np
from reegis import config as cfg
from my_reegis import results
from my_reegis import reegis_plot
from my_reegis import upstream_analysis
from my_reegis import plots_de21
from matplotlib import pyplot as plt
import oemof_visio as oev
#cfg.init(paths=[os.path.dirname(deflex.__file__),
# os.path.dirname(my_reegis.__file__)])
cfg.init()
exit(0)
# # Schritt 1a: Erstelle ein Szenario mit Reegis aus Daten aus dem Internet
year = 2014 # Zur Wahl stehen 2014, 2013, 2012
geom = 'de21' # Geometrien sind de02, de17, de21, de22
#p = deflex.basic_scenario.create_basic_scenario(year, rmap=geom )
for geom in ['de02']:
for inc_fac in [1.55]:
# Schritt 1b: Alternativ: Lade vorhandenes Szenario
name = '{0}_{1}_{2}'.format('deflex', year, geom)
path = os.path.join(cfg.get('paths', 'scenario'), 'deflex', str(year))
csv_dir = name + '_csv'
csv_path = os.path.join(path, csv_dir)
meta = {'year': year,
'model_base': 'deflex',
'map': geom, #
'solver': cfg.get('general', 'solver')}
sc = deflex.Scenario(name=name, year=2014, meta=meta)
sc.load_csv(csv_path)
# Schritt 2: Manipuliere Daten, um gewünschtes Szenario zu erhalten
# Erhöhe Anteil EE
#inc_fac = 1
alternative_scenarios.increase_re_share(sc, inc_fac)
# Reduziere Kraftwerkspark (Kernkraft, Braun- und Steinkohle)
alternative_scenarios.reduce_power_plants(sc, lignite = 0)
# Füge Gas Kapazitäten hinzu
#alternative_scenarios.add_one_gas_turbine(sc, nominal_value=20000)
# Erhöhe WP-Anteil -> Fehlermeldung, ggf. muss Kennlinie eingegeben werden
#alternative_scenarios.more_heat_pumps(sc,heat_pump_fraction=0.5, cop=2.5)
# Schritt 3: Bereite Berechnung vor
# Schreibe die Table Collection in das Energiesystemobjekt
sc.table2es()
# Erstelle Optimierungsmodell
sc.create_model()
# setze emission limit 25% weniger
em_limit = 181869813461 * 0,75
def generic_integral_limitdflx(om, keyword, flows=None, limit=None):
if flows is None:
flows = {}
for (i, o) in om.flows:
if hasattr(om.flows[i, o], keyword):
flows[(i, o)] = om.flows[i, o]
else:
for (i, o) in flows:
if not hasattr(flows[i, o], keyword):
raise AttributeError(
('Flow with source: {0} and target: {1} '
'has no attribute {2}.').format(
i.label, o.label, keyword))
limit_name = "integral_limit_" + keyword
setattr(om, limit_name, po.Expression(
expr=sum(om.flow[inflow, outflow, t]
* om.timeincrement[t]
* sequence(getattr(flows[inflow, outflow], keyword))[t]
for (inflow, outflow) in flows
for t in om.TIMESTEPS)))
setattr(om, limit_name + "_constraint", po.Constraint(
expr=(getattr(om, limit_name) <= limit)))
return om
# emission absolute aus szenarienrechnung: 181869813461
generic_integral_limitdflx(sc.model, keyword='emission', limit=em_limit)
# Löse das Optimierungsmodell
sc.solve()
# Speichere den Dump
res_path = os.path.join(path, 'results_{0}'.format(cfg.get('general', 'solver')),'DB')
os.makedirs(res_path, exist_ok=True)
inc_fac_str = str(int(inc_fac*100))
out_file = os.path.join(res_path, name + '_' + inc_fac_str + '.esys')
sc.dump_es(out_file)
# Schritt 4: Analyse der Ergebnisse
# Laden des dumps
# Festlegen von EE-Anteil, Jahr und Geometrie zum Laden der Ergebnisse
ee, year, geom = 200, 2014, 'de21'
inc_ee = '_' + str(ee)
name = '{0}_{1}_{2}'.format('deflex', year, geom)
path = os.path.join('/home/dbeier/reegis/scenarios/deflex', str(year))
res_path = os.path.join(path, 'results_cbc','DB', name + inc_ee + '.esys')
# Lade gelöstes Energiesystem der Wahl in den Workspace
sc_calc = results.load_es(res_path)
#sc_calc = results.load_es('/home/dbeier/reegis/scenarios/deflex/2014/results_cbc/deflex_2014_de02.esys')
# Market Clearing Prices und Emissionen des Systems
cost_em_param = results.fetch_cost_emission(sc_calc, with_chp=True)
cost_em = upstream_analysis.get_emissions_and_costs(sc_calc,with_chp=True)
# Plotte MCP und Emissionen
cost_em.mcp[1000:2000].plot()
plt.title('Market Clearing Prices')
plt.ylabel('€/MWh')
plt.show()
cost_em.emission[1000:2000].plot()
plt.title('Mittlere Emissionen')
plt.ylabel('g/kWh_el')
plt.show()
# Energieflussbilanzen um alle Knoten: Händisch
# multi_reg_res = results.get_multiregion_bus_balance(sc_calc).groupby(
# level=[1, 2], axis=1).sum()
#
# multi_reg_res[('out', 'losses')] = (multi_reg_res[('out', 'export')] -
# multi_reg_res[('in', 'import')])
# del multi_reg_res[('out', 'export')]
# del multi_reg_res[('in', 'import')]
#
# oev.plot.io_plot(df_in=multi_reg_res['in'],
# df_out=multi_reg_res['out'],
# smooth=True)
# plt.show()
# Deckung der Last mit "run"
my_reegis.reegis_plot.plot_multiregion_io(sc_calc)
plt.show()
# Mittlere Emissionen
mrbb = results.get_multiregion_bus_balance(sc_calc).groupby(level=[0,3], axis=1).sum()
EE = mrbb.DE01['ee'] + mrbb.DE02['ee']; share_ee = EE / mrbb.DE01['electricity']
em_mean = (1-share_ee)*cost_em.emission
# Vollaststunden der Technologien ausgeben lassen
flh = results.fullloadhours(sc_calc)
# Emissionen nach Energeiträgern aufgelöst
results.emissions(sc_calc)
# Plot all buses
reegis_plot.plot_bus_view(es=sc_calc)
# Für Konsole
#reegis_plot.plot_bus_view2(es=sc_calc)
#Geoplots
#DE 13 ist SH und DE20 SH-angebundes offshore Gebiet
d = {'DE01': 0.7, 'DE02': 0.5, 'DE03': 2, 'DE04': 2, 'DE05': 1,'DE06': 1.5, 'DE07': 1.5, 'DE08': 2, 'DE09': 2.5, 'DE10': 3, 'DE11': 2.5, 'DE12': 3, 'DE13': 10.1, 'DE14': 0.5, 'DE15': 1,
'DE16': 2, 'DE17': 2.5, 'DE18': 3, 'DE19': 0, 'DE20': 0, 'DE21': 0}
s = pd.Series(d)
df = pd.DataFrame(s, columns=['value'])
p1 = reegis_plot.plot_regions(offshore=['DE21', 'DE20', 'DE19'], legend=False, label_col='index', textbox=False)
p2 = reegis_plot.plot_regions(data=df, data_col='value', label_col=None)
plt.show()
# Level 0 = Regionen
# Level 1 = in / out flow
# Level 2 = Flüsse sortiert nach oemof Klassen
# Level 3 = chp / ee / electricity / pp
# Level 4 = Energieträger (bio/geo/coal/hydro/solar/wind etc.)
## Mittlere CO2-Belastung berechnen
mrbb = results.get_multiregion_bus_balance(sc_calc).groupby(level=[0,4], axis=1).sum()
## Übung: Installierte PV-Leistung plotten
# Vollaststunden je Erzeugungseinheit
vlh = results.fullloadhours(sc_calc)
# Index des DataFrame auslesen
index = vlh.index
# Überprüfe alle indexlevel auf den Bestandteil solar
solar = [x for x in index if 'solar' in x[2]]
# Extrahiere Installierte Leistung je Bundesland
p_inst_solar = vlh.loc[solar]['nominal_value']
#region_pv = p_inst_solar.index.get_level_values(3) Zugriff auf eine Indexebene über .get_level_values
pv_inst = {}
for i,v in p_inst_solar.items():
pv_inst.update({i[3]:v})
s = pd.Series(pv_inst)
df = pd.DataFrame(s, columns=['value'])
p1 = reegis_plot.plot_regions(data=df, data_col='value', label_col=None)
plt.title('Installierte PV-Leistung nach Netzzone')
plt.show()
region_pv = p_inst_solar.index.get_level_values(3)
## Übung: Erzeugungsschwerpunkte für Zeitschritt x darstellen
mrbb = results.get_multiregion_bus_balance(sc_calc)
p_saldo = mrbb.groupby(level=[0,2], axis=1).sum()
# Bilde für jede Region die Differenz aus Im- und Export. Negative Werte bedeuten Überschuss (Verbraucherpfeilsystem)
list_temp = []
for n in region_pv:
#tmp = pd.DataFrame(data = p_saldo[n]['import'] - p_saldo[n]['export'], columns=[n])
tmp = pd.DataFrame(data=p_saldo[n]['export'] - p_saldo[n]['import'] , columns=[n])
list_temp.append(tmp)
lb = pd.concat(list_temp, axis=1)
index = lb.index
plt.figure()
for hh in range(0,12,3):
#hh = 8550 - 1 # Stunde des Jahres, die angezeigt werden soll (vorne)
plt.clf()
lb_t = lb[hh:hh+1]
lb_plt = pd.DataFrame(lb_t.iloc[0,:])
lb_plt = pd.DataFrame(lb_plt, columns=[str(index[hh])])
plt_lb = reegis_plot.plot_regions(data=lb_plt, data_col= str(index[hh]), label_col=None)
plt.title('Leistungsbilanz ' + str(lb.index[hh]))
plt.show()
time.sleep(2)