mirror of
https://github.com/Akkudoktor-EOS/EOS.git
synced 2025-04-19 00:45:22 +00:00
Flask Server
This commit is contained in:
Bla Bla
parent
74c9d349d1
commit
0dd766e8a6
@ -3,7 +3,6 @@
|
||||
Dieses Projekt bietet eine umfassende Lösung zur Simulation und Optimierung eines Energiesystems, das auf erneuerbaren Energiequellen basiert. Mit Fokus auf Photovoltaik (PV)-Anlagen, Batteriespeichern (Akkus), Lastmanagement (Verbraucheranforderungen), Wärmepumpen, Elektrofahrzeugen und der Berücksichtigung von Strompreisdaten ermöglicht dieses System die Vorhersage und Optimierung des Energieflusses und der Kosten über einen bestimmten Zeitraum.
|
||||
|
||||
## Todo
|
||||
- `Backend:` Flask Server
|
||||
- `Backend:` Mehr Optimierungsparameter
|
||||
- `Frontend:` User Management
|
||||
- `Frontend:` Grafische Ausgabe
|
||||
@ -11,7 +10,7 @@ Dieses Projekt bietet eine umfassende Lösung zur Simulation und Optimierung ein
|
||||
- `Frontend:` Festeingestellte E-Autos / Wärmepumpen in DB
|
||||
- `Simulation:` Wärmepumpe allgemeineren Ansatz
|
||||
- `Simulation:` Strompreisvorhersage > 1D (Timeseries Forecast)
|
||||
-
|
||||
- `Dynamische Lasten:` z.B. eine Spülmaschine, welche gesteuert werdeb jabb,
|
||||
|
||||
|
||||
## Installation
|
||||
@ -42,8 +41,6 @@ In diesem Projekt werden verschiedene Klassen verwendet, um die Komponenten eine
|
||||
|
||||
- `HeatPump`: Simuliert eine Wärmepumpe, einschließlich ihres Energieverbrauchs und ihrer Effizienz unter verschiedenen Betriebsbedingungen.
|
||||
|
||||
- `EAuto`: Repräsentiert ein Elektrofahrzeug mit spezifischen Ladeanforderungen und -zeiten, optimiert die Ladevorgänge basierend auf Energieverfügbarkeit und -kosten.
|
||||
|
||||
- `Strompreis`: Bietet Informationen zu den Strompreisen, ermöglicht die Optimierung des Energieverbrauchs und der -erzeugung basierend auf Tarifinformationen.
|
||||
|
||||
- `EMS`: Das Energiemanagementsystem (EMS) koordiniert die Interaktion zwischen den verschiedenen Komponenten, führt die Optimierung durch und simuliert den Betrieb des gesamten Energiesystems.
|
||||
|
||||
@ -11,6 +11,8 @@ from modules.class_load_container import *
|
||||
from modules.class_eauto import *
|
||||
|
||||
from pprint import pprint
|
||||
import matplotlib
|
||||
matplotlib.use('Agg') # Setzt das Backend auf Agg
|
||||
import matplotlib.pyplot as plt
|
||||
from modules.visualize import *
|
||||
from deap import base, creator, tools, algorithms
|
||||
@ -83,7 +85,7 @@ def optimize():
|
||||
stats.register("min", np.min)
|
||||
stats.register("max", np.max)
|
||||
|
||||
algorithms.eaMuPlusLambda(population, toolbox, 50, 100, cxpb=0.5, mutpb=0.5, ngen=500, stats=stats, halloffame=hof, verbose=True)
|
||||
algorithms.eaMuPlusLambda(population, toolbox, 100, 200, cxpb=0.3, mutpb=0.3, ngen=500, stats=stats, halloffame=hof, verbose=True)
|
||||
#algorithms.eaSimple(population, toolbox, cxpb=0.2, mutpb=0.2, ngen=1000, stats=stats, halloffame=hof, verbose=True)
|
||||
return hof[0]
|
||||
|
||||
@ -180,7 +182,7 @@ def durchfuehre_simulation(parameter):
|
||||
|
||||
#print(o)
|
||||
|
||||
#visualisiere_ergebnisse(gesamtlast, pv_forecast, specific_date_prices, o,best_solution[0::2],best_solution[1::2] , temperature_forecast, start_hour, prediction_hours)
|
||||
visualisiere_ergebnisse(gesamtlast, pv_forecast, specific_date_prices, o,best_solution[0::2],best_solution[1::2] , temperature_forecast, start_hour, prediction_hours)
|
||||
|
||||
#print(eauto)
|
||||
return {"discharge_hours_bin":discharge_hours_bin, "eautocharge_hours_float":eautocharge_hours_float ,"result":o ,"eauto_obj":eauto}
|
||||
|
||||
@ -4,6 +4,17 @@ import numpy as np
|
||||
import json, os
|
||||
from datetime import datetime
|
||||
import hashlib, requests
|
||||
import pytz
|
||||
|
||||
# Beispiel: Umwandlung eines UTC-Zeitstempels in lokale Zeit
|
||||
utc_time = datetime.strptime('2024-03-28T01:00:00.000Z', '%Y-%m-%dT%H:%M:%S.%fZ')
|
||||
utc_time = utc_time.replace(tzinfo=pytz.utc)
|
||||
|
||||
# Ersetzen Sie 'Europe/Berlin' mit Ihrer eigenen Zeitzone
|
||||
local_time = utc_time.astimezone(pytz.timezone('Europe/Berlin'))
|
||||
print(local_time)
|
||||
|
||||
|
||||
|
||||
class HourlyElectricityPriceForecast:
|
||||
def __init__(self, source, cache_dir='cache', abgaben=0.00019):
|
||||
@ -48,8 +59,12 @@ class HourlyElectricityPriceForecast:
|
||||
|
||||
def get_price_for_daterange(self, start_date_str, end_date_str):
|
||||
"""Gibt alle Preise zwischen dem Start- und Enddatum zurück."""
|
||||
start_date = datetime.strptime(start_date_str, "%Y-%m-%d")
|
||||
end_date = datetime.strptime(end_date_str, "%Y-%m-%d")
|
||||
start_date_utc = datetime.strptime(start_date_str, "%Y-%m-%d").replace(tzinfo=pytz.utc)
|
||||
end_date_utc = datetime.strptime(end_date_str, "%Y-%m-%d").replace(tzinfo=pytz.utc)
|
||||
start_date = start_date_utc.astimezone(pytz.timezone('Europe/Berlin'))
|
||||
end_date = end_date_utc.astimezone(pytz.timezone('Europe/Berlin'))
|
||||
|
||||
|
||||
price_list = []
|
||||
|
||||
while start_date <= end_date:
|
||||
|
||||
@ -1,6 +1,11 @@
|
||||
import numpy as np
|
||||
from modules.class_load_container import Gesamtlast # Stellen Sie sicher, dass dies dem tatsächlichen Importpfad entspricht
|
||||
import matplotlib
|
||||
matplotlib.use('Agg') # Setzt das Backend auf Agg
|
||||
|
||||
import matplotlib.pyplot as plt
|
||||
from matplotlib.backends.backend_pdf import PdfPages
|
||||
|
||||
|
||||
|
||||
def visualisiere_ergebnisse(gesamtlast, pv_forecast, strompreise, ergebnisse, discharge_hours, laden_moeglich, temperature, start_hour, prediction_hours):
|
||||
@ -8,140 +13,188 @@ def visualisiere_ergebnisse(gesamtlast, pv_forecast, strompreise, ergebnisse, d
|
||||
#####################
|
||||
# 24h
|
||||
#####################
|
||||
|
||||
# Last und PV-Erzeugung
|
||||
plt.figure(figsize=(14, 14))
|
||||
plt.subplot(3, 2, 1)
|
||||
stunden = np.arange(0, prediction_hours)
|
||||
|
||||
|
||||
# Einzellasten plotten
|
||||
for name, last_array in gesamtlast.lasten.items():
|
||||
plt.plot(stunden, last_array, label=f'{name} (Wh)', marker='o')
|
||||
|
||||
# Gesamtlast berechnen und plotten
|
||||
gesamtlast_array = gesamtlast.gesamtlast_berechnen()
|
||||
plt.plot(stunden, gesamtlast_array, label='Gesamtlast (Wh)', marker='o', linewidth=2, linestyle='--')
|
||||
plt.xlabel('Stunde')
|
||||
plt.ylabel('Last (Wh)')
|
||||
plt.title('Lastprofile')
|
||||
plt.grid(True)
|
||||
plt.legend()
|
||||
with PdfPages('visualisierungsergebnisse.pdf') as pdf:
|
||||
|
||||
|
||||
# Last und PV-Erzeugung
|
||||
plt.figure(figsize=(14, 14))
|
||||
plt.subplot(3, 2, 1)
|
||||
stunden = np.arange(0, prediction_hours)
|
||||
|
||||
|
||||
# Einzellasten plotten
|
||||
for name, last_array in gesamtlast.lasten.items():
|
||||
plt.plot(stunden, last_array, label=f'{name} (Wh)', marker='o')
|
||||
|
||||
# Gesamtlast berechnen und plotten
|
||||
gesamtlast_array = gesamtlast.gesamtlast_berechnen()
|
||||
plt.plot(stunden, gesamtlast_array, label='Gesamtlast (Wh)', marker='o', linewidth=2, linestyle='--')
|
||||
plt.xlabel('Stunde')
|
||||
plt.ylabel('Last (Wh)')
|
||||
plt.title('Lastprofile')
|
||||
plt.grid(True)
|
||||
plt.legend()
|
||||
|
||||
|
||||
# Strompreise
|
||||
stundenp = np.arange(1, len(strompreise)+1)
|
||||
plt.subplot(3, 2, 2)
|
||||
plt.plot(stundenp, strompreise, label='Strompreis (€/Wh)', color='purple', marker='s')
|
||||
plt.title('Strompreise')
|
||||
plt.xlabel('Stunde des Tages')
|
||||
plt.ylabel('Preis (€/Wh)')
|
||||
plt.legend()
|
||||
plt.grid(True)
|
||||
# Strompreise
|
||||
stundenp = np.arange(0, len(strompreise))
|
||||
plt.subplot(3, 2, 2)
|
||||
plt.plot(stundenp, strompreise, label='Strompreis (€/Wh)', color='purple', marker='s')
|
||||
plt.title('Strompreise')
|
||||
plt.xlabel('Stunde des Tages')
|
||||
plt.ylabel('Preis (€/Wh)')
|
||||
plt.legend()
|
||||
plt.grid(True)
|
||||
|
||||
# Strompreise
|
||||
stundenp = np.arange(1, len(strompreise)+1)
|
||||
plt.subplot(3, 2, 3)
|
||||
plt.plot(stunden, pv_forecast, label='PV-Erzeugung (Wh)', marker='x')
|
||||
plt.title('PV Forecast')
|
||||
plt.xlabel('Stunde des Tages')
|
||||
plt.ylabel('Wh')
|
||||
plt.legend()
|
||||
plt.grid(True)
|
||||
# Strompreise
|
||||
stundenp = np.arange(1, len(strompreise)+1)
|
||||
plt.subplot(3, 2, 3)
|
||||
plt.plot(stunden, pv_forecast, label='PV-Erzeugung (Wh)', marker='x')
|
||||
plt.title('PV Forecast')
|
||||
plt.xlabel('Stunde des Tages')
|
||||
plt.ylabel('Wh')
|
||||
plt.legend()
|
||||
plt.grid(True)
|
||||
|
||||
# Temperatur Forecast
|
||||
plt.subplot(3, 2, 4)
|
||||
plt.title('Temperatur Forecast °C')
|
||||
plt.plot(stunden, temperature, label='Temperatur °C', marker='x')
|
||||
plt.xlabel('Stunde des Tages')
|
||||
plt.ylabel('°C')
|
||||
plt.legend()
|
||||
plt.grid(True)
|
||||
# Temperatur Forecast
|
||||
plt.subplot(3, 2, 4)
|
||||
plt.title('Temperatur Forecast °C')
|
||||
plt.plot(stunden, temperature, label='Temperatur °C', marker='x')
|
||||
plt.xlabel('Stunde des Tages')
|
||||
plt.ylabel('°C')
|
||||
plt.legend()
|
||||
plt.grid(True)
|
||||
|
||||
pdf.savefig() # Speichert den aktuellen Figure-State im PDF
|
||||
plt.close() # Schließt die aktuelle Figure, um Speicher freizugeben
|
||||
|
||||
|
||||
#####################
|
||||
# Start_Hour
|
||||
#####################
|
||||
|
||||
plt.figure(figsize=(14, 10))
|
||||
stunden = np.arange(start_hour, prediction_hours)
|
||||
# Eigenverbrauch, Netzeinspeisung und Netzbezug
|
||||
plt.subplot(3, 2, 1)
|
||||
plt.plot(stunden, ergebnisse['Eigenverbrauch_Wh_pro_Stunde'], label='Eigenverbrauch (Wh)', marker='o')
|
||||
plt.plot(stunden, ergebnisse['Netzeinspeisung_Wh_pro_Stunde'], label='Netzeinspeisung (Wh)', marker='x')
|
||||
plt.plot(stunden, ergebnisse['Netzbezug_Wh_pro_Stunde'], label='Netzbezug (Wh)', marker='^')
|
||||
plt.plot(stunden, ergebnisse['Verluste_Pro_Stunde'], label='Verluste (Wh)', marker='^')
|
||||
plt.title('Energiefluss pro Stunde')
|
||||
plt.xlabel('Stunde')
|
||||
plt.ylabel('Energie (Wh)')
|
||||
plt.legend()
|
||||
|
||||
|
||||
|
||||
|
||||
plt.subplot(3, 2, 2)
|
||||
plt.plot(stunden, ergebnisse['akku_soc_pro_stunde'], label='PV Akku (%)', marker='x')
|
||||
plt.plot(stunden, ergebnisse['E-Auto_SoC_pro_Stunde'], label='E-Auto Akku (%)', marker='x')
|
||||
plt.legend(loc='upper left')
|
||||
#####################
|
||||
# Start_Hour
|
||||
#####################
|
||||
|
||||
plt.figure(figsize=(14, 10))
|
||||
stunden = np.arange(start_hour, prediction_hours)
|
||||
# Eigenverbrauch, Netzeinspeisung und Netzbezug
|
||||
plt.subplot(3, 2, 1)
|
||||
plt.plot(stunden, ergebnisse['Eigenverbrauch_Wh_pro_Stunde'], label='Eigenverbrauch (Wh)', marker='o')
|
||||
plt.plot(stunden, ergebnisse['Netzeinspeisung_Wh_pro_Stunde'], label='Netzeinspeisung (Wh)', marker='x')
|
||||
plt.plot(stunden, ergebnisse['Netzbezug_Wh_pro_Stunde'], label='Netzbezug (Wh)', marker='^')
|
||||
plt.plot(stunden, ergebnisse['Verluste_Pro_Stunde'], label='Verluste (Wh)', marker='^')
|
||||
plt.title('Energiefluss pro Stunde')
|
||||
plt.xlabel('Stunde')
|
||||
plt.ylabel('Energie (Wh)')
|
||||
plt.legend()
|
||||
|
||||
|
||||
|
||||
|
||||
plt.subplot(3, 2, 2)
|
||||
plt.plot(stunden, ergebnisse['akku_soc_pro_stunde'], label='PV Akku (%)', marker='x')
|
||||
plt.plot(stunden, ergebnisse['E-Auto_SoC_pro_Stunde'], label='E-Auto Akku (%)', marker='x')
|
||||
plt.legend(loc='upper left')
|
||||
|
||||
ax1 = plt.subplot(3, 2, 3)
|
||||
for hour, value in enumerate(discharge_hours):
|
||||
#if value == 1:
|
||||
ax1.axvspan(hour, hour+1, color='red',ymax=value, alpha=0.3, label='Entlademöglichkeit' if hour == 0 else "")
|
||||
for hour, value in enumerate(laden_moeglich):
|
||||
#if value == 1:
|
||||
ax1.axvspan(hour, hour+1, color='green',ymax=value, alpha=0.3, label='Lademöglichkeit' if hour == 0 else "")
|
||||
ax1.legend(loc='upper left')
|
||||
ax1 = plt.subplot(3, 2, 3)
|
||||
for hour, value in enumerate(discharge_hours):
|
||||
#if value == 1:
|
||||
ax1.axvspan(hour, hour+1, color='red',ymax=value, alpha=0.3, label='Entlademöglichkeit' if hour == 0 else "")
|
||||
for hour, value in enumerate(laden_moeglich):
|
||||
#if value == 1:
|
||||
ax1.axvspan(hour, hour+1, color='green',ymax=value, alpha=0.3, label='Lademöglichkeit' if hour == 0 else "")
|
||||
ax1.legend(loc='upper left')
|
||||
|
||||
|
||||
pdf.savefig() # Speichert den aktuellen Figure-State im PDF
|
||||
plt.close() # Schließt die aktuelle Figure, um Speicher freizugeben
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
plt.grid(True)
|
||||
fig, axs = plt.subplots(1, 2, figsize=(14, 10)) # Erstellt 1x2 Raster von Subplots
|
||||
gesamtkosten = ergebnisse['Gesamtkosten_Euro']
|
||||
gesamteinnahmen = ergebnisse['Gesamteinnahmen_Euro']
|
||||
gesamtbilanz = ergebnisse['Gesamtbilanz_Euro']
|
||||
verluste = ergebnisse['Gesamt_Verluste']
|
||||
|
||||
# Kosten und Einnahmen pro Stunde auf der ersten Achse (axs[0])
|
||||
axs[0].plot(stunden, ergebnisse['Kosten_Euro_pro_Stunde'], label='Kosten (Euro)', marker='o', color='red')
|
||||
axs[0].plot(stunden, ergebnisse['Einnahmen_Euro_pro_Stunde'], label='Einnahmen (Euro)', marker='x', color='green')
|
||||
axs[0].set_title('Finanzielle Bilanz pro Stunde')
|
||||
axs[0].set_xlabel('Stunde')
|
||||
axs[0].set_ylabel('Euro')
|
||||
axs[0].legend()
|
||||
axs[0].grid(True)
|
||||
|
||||
# Zusammenfassende Finanzen auf der zweiten Achse (axs[1])
|
||||
labels = ['GesamtKosten [€]', 'GesamtEinnahmen [€]', 'GesamtBilanz [€]']
|
||||
werte = [gesamtkosten, gesamteinnahmen, gesamtbilanz]
|
||||
colors = ['red' if wert > 0 else 'green' for wert in werte]
|
||||
axs[1].bar(labels, werte, color=colors)
|
||||
axs[1].set_title('Finanzübersicht')
|
||||
axs[1].set_ylabel('Euro')
|
||||
|
||||
# Zweite Achse (ax2) für die Verluste, geteilt mit axs[1]
|
||||
ax2 = axs[1].twinx()
|
||||
ax2.bar('GesamtVerluste', verluste, color='blue')
|
||||
ax2.set_ylabel('Verluste [Wh]', color='blue')
|
||||
ax2.tick_params(axis='y', labelcolor='blue')
|
||||
|
||||
pdf.savefig() # Speichert die komplette Figure im PDF
|
||||
plt.close() # Schließt die Figure
|
||||
|
||||
|
||||
# plt.figure(figsize=(14, 10))
|
||||
# # Kosten und Einnahmen pro Stunde
|
||||
# plt.subplot(1, 2, 1)
|
||||
# plt.plot(stunden, ergebnisse['Kosten_Euro_pro_Stunde'], label='Kosten (Euro)', marker='o', color='red')
|
||||
# plt.plot(stunden, ergebnisse['Einnahmen_Euro_pro_Stunde'], label='Einnahmen (Euro)', marker='x', color='green')
|
||||
# plt.title('Finanzielle Bilanz pro Stunde')
|
||||
# plt.xlabel('Stunde')
|
||||
# plt.ylabel('Euro')
|
||||
# plt.legend()
|
||||
|
||||
|
||||
# plt.grid(True)
|
||||
# #plt.figure(figsize=(14, 10))
|
||||
# # Zusammenfassende Finanzen
|
||||
# #fig, ax1 = plt.subplot(1, 2, 2)
|
||||
# fig, ax1 = plt.subplots()
|
||||
# gesamtkosten = ergebnisse['Gesamtkosten_Euro']
|
||||
# gesamteinnahmen = ergebnisse['Gesamteinnahmen_Euro']
|
||||
# gesamtbilanz = ergebnisse['Gesamtbilanz_Euro']
|
||||
# labels = ['GesamtKosten [€]', 'GesamtEinnahmen [€]', 'GesamtBilanz [€]']
|
||||
# werte = [gesamtkosten, gesamteinnahmen, gesamtbilanz]
|
||||
# colors = ['red' if wert > 0 else 'green' for wert in werte]
|
||||
|
||||
# ax1.bar(labels, werte, color=colors)
|
||||
# ax1.set_ylabel('Euro')
|
||||
# ax1.set_title('Finanzübersicht')
|
||||
|
||||
# # Zweite Achse (ax2) für die Verluste, geteilt mit ax1
|
||||
# ax2 = ax1.twinx()
|
||||
# verluste = ergebnisse['Gesamt_Verluste']
|
||||
# ax2.bar('GesamtVerluste', verluste, color='blue')
|
||||
# ax2.set_ylabel('Verluste [Wh]', color='blue')
|
||||
|
||||
# # Stellt sicher, dass die Achsenbeschriftungen der zweiten Achse in der gleichen Farbe angezeigt werden
|
||||
# ax2.tick_params(axis='y', labelcolor='blue')
|
||||
|
||||
# pdf.savefig() # Speichert den aktuellen Figure-State im PDF
|
||||
# plt.close() # Schließt die aktuelle Figure, um Speicher freizugeben
|
||||
|
||||
|
||||
# plt.title('Gesamtkosten')
|
||||
# plt.ylabel('Euro')
|
||||
|
||||
|
||||
# plt.legend()
|
||||
# plt.grid(True)
|
||||
|
||||
# plt.tight_layout()
|
||||
#plt.show()
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
plt.grid(True)
|
||||
plt.figure(figsize=(14, 10))
|
||||
# Kosten und Einnahmen pro Stunde
|
||||
plt.subplot(1, 2, 1)
|
||||
plt.plot(stunden, ergebnisse['Kosten_Euro_pro_Stunde'], label='Kosten (Euro)', marker='o', color='red')
|
||||
plt.plot(stunden, ergebnisse['Einnahmen_Euro_pro_Stunde'], label='Einnahmen (Euro)', marker='x', color='green')
|
||||
plt.title('Finanzielle Bilanz pro Stunde')
|
||||
plt.xlabel('Stunde')
|
||||
plt.ylabel('Euro')
|
||||
plt.legend()
|
||||
|
||||
|
||||
# Zusammenfassende Finanzen
|
||||
fig, ax1 = plt.subplots()
|
||||
gesamtkosten = ergebnisse['Gesamtkosten_Euro']
|
||||
gesamteinnahmen = ergebnisse['Gesamteinnahmen_Euro']
|
||||
gesamtbilanz = ergebnisse['Gesamtbilanz_Euro']
|
||||
labels = ['GesamtKosten [€]', 'GesamtEinnahmen [€]', 'GesamtBilanz [€]']
|
||||
werte = [gesamtkosten, gesamteinnahmen, gesamtbilanz]
|
||||
colors = ['red' if wert > 0 else 'green' for wert in werte]
|
||||
|
||||
ax1.bar(labels, werte, color=colors)
|
||||
ax1.set_ylabel('Euro')
|
||||
ax1.set_title('Finanzübersicht')
|
||||
|
||||
# Zweite Achse (ax2) für die Verluste, geteilt mit ax1
|
||||
ax2 = ax1.twinx()
|
||||
verluste = ergebnisse['Gesamt_Verluste']
|
||||
ax2.bar('GesamtVerluste', verluste, color='blue')
|
||||
ax2.set_ylabel('Verluste [Wh]', color='blue')
|
||||
|
||||
# Stellt sicher, dass die Achsenbeschriftungen der zweiten Achse in der gleichen Farbe angezeigt werden
|
||||
ax2.tick_params(axis='y', labelcolor='blue')
|
||||
|
||||
|
||||
# plt.title('Gesamtkosten')
|
||||
# plt.ylabel('Euro')
|
||||
|
||||
|
||||
# plt.legend()
|
||||
# plt.grid(True)
|
||||
|
||||
# plt.tight_layout()
|
||||
plt.show()
|
||||
|
||||
|
||||
5
test.py
5
test.py
@ -74,7 +74,10 @@ filepath = os.path.join (r'test_data', r'strompreise_akkudokAPI.json') # Pfad z
|
||||
#price_forecast = HourlyElectricityPriceForecast(source=filepath)
|
||||
price_forecast = HourlyElectricityPriceForecast(source="https://api.akkudoktor.net/prices?start="+date_now+"&end="+date+"")
|
||||
specific_date_prices = price_forecast.get_price_for_daterange(date_now,date)
|
||||
|
||||
# print("13:",specific_date_prices[13])
|
||||
# print("14:",specific_date_prices[14])
|
||||
# print("15:",specific_date_prices[15])
|
||||
# sys.exit()
|
||||
# WP
|
||||
##############
|
||||
leistung_wp = wp.simulate_24h(temperature_forecast)
|
||||
|
||||
Loading…
x
Reference in New Issue
Block a user