Flask Server

README.md

@@ -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.

flask_server.py

@@ -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}

modules/class_strompreis.py

@@ -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")
+        start_date_utc = datetime.strptime(start_date_str, "%Y-%m-%d").replace(tzinfo=pytz.utc)
-        end_date = datetime.strptime(end_date_str, "%Y-%m-%d")
+        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:

modules/visualize.py

@@ -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 
     #####################
-    
+    with PdfPages('visualisierungsergebnisse.pdf') as pdf:
-    # Last und PV-Erzeugung
+
-    plt.figure(figsize=(14, 14))
+        
-    plt.subplot(3, 2, 1)
+        # Last und PV-Erzeugung
-    stunden = np.arange(0, prediction_hours)
+        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')
+        # Einzellasten plotten
-    
+        for name, last_array in gesamtlast.lasten.items():
-    # Gesamtlast berechnen und plotten
+            plt.plot(stunden, last_array, label=f'{name} (Wh)', marker='o')
-    gesamtlast_array = gesamtlast.gesamtlast_berechnen()
+        
-    plt.plot(stunden, gesamtlast_array, label='Gesamtlast (Wh)', marker='o', linewidth=2, linestyle='--')
+        # Gesamtlast berechnen und plotten
-    plt.xlabel('Stunde')
+        gesamtlast_array = gesamtlast.gesamtlast_berechnen()
-    plt.ylabel('Last (Wh)')
+        plt.plot(stunden, gesamtlast_array, label='Gesamtlast (Wh)', marker='o', linewidth=2, linestyle='--')
-    plt.title('Lastprofile')
+        plt.xlabel('Stunde')
-    plt.grid(True)
+        plt.ylabel('Last (Wh)')
-    plt.legend()
+        plt.title('Lastprofile')
+        plt.grid(True)
+        plt.legend()
 
 
-    # Strompreise
+        # Strompreise
-    stundenp = np.arange(1, len(strompreise)+1)
+        stundenp = np.arange(0, len(strompreise))
-    plt.subplot(3, 2, 2)
+        plt.subplot(3, 2, 2)
-    plt.plot(stundenp, strompreise, label='Strompreis (€/Wh)', color='purple', marker='s')
+        plt.plot(stundenp, strompreise, label='Strompreis (€/Wh)', color='purple', marker='s')
-    plt.title('Strompreise')
+        plt.title('Strompreise')
-    plt.xlabel('Stunde des Tages')
+        plt.xlabel('Stunde des Tages')
-    plt.ylabel('Preis (€/Wh)')
+        plt.ylabel('Preis (€/Wh)')
-    plt.legend()
+        plt.legend()
-    plt.grid(True)
+        plt.grid(True)
 
-    # Strompreise
+        # Strompreise
-    stundenp = np.arange(1, len(strompreise)+1)
+        stundenp = np.arange(1, len(strompreise)+1)
-    plt.subplot(3, 2, 3)
+        plt.subplot(3, 2, 3)
-    plt.plot(stunden, pv_forecast, label='PV-Erzeugung (Wh)', marker='x')
+        plt.plot(stunden, pv_forecast, label='PV-Erzeugung (Wh)', marker='x')
-    plt.title('PV Forecast')
+        plt.title('PV Forecast')
-    plt.xlabel('Stunde des Tages')
+        plt.xlabel('Stunde des Tages')
-    plt.ylabel('Wh')
+        plt.ylabel('Wh')
-    plt.legend()
+        plt.legend()
-    plt.grid(True)
+        plt.grid(True)
 
-    # Temperatur Forecast
+        # Temperatur Forecast
-    plt.subplot(3, 2, 4)
+        plt.subplot(3, 2, 4)
-    plt.title('Temperatur Forecast °C')
+        plt.title('Temperatur Forecast °C')
-    plt.plot(stunden, temperature, label='Temperatur °C', marker='x')
+        plt.plot(stunden, temperature, label='Temperatur °C', marker='x')
-    plt.xlabel('Stunde des Tages')
+        plt.xlabel('Stunde des Tages')
-    plt.ylabel('°C')
+        plt.ylabel('°C')
-    plt.legend()
+        plt.legend()
-    plt.grid(True)
+        plt.grid(True)
+
+        pdf.savefig()  # Speichert den aktuellen Figure-State im PDF
+        plt.close()  # Schließt die aktuelle Figure, um Speicher freizugeben
 
 
-    #####################
+        #####################
-    # Start_Hour  
+        # Start_Hour  
-    #####################    
+        #####################    
-    
+        
-    plt.figure(figsize=(14, 10))
+        plt.figure(figsize=(14, 10))
-    stunden = np.arange(start_hour, prediction_hours)
+        stunden = np.arange(start_hour, prediction_hours)
-    # Eigenverbrauch, Netzeinspeisung und Netzbezug
+        # Eigenverbrauch, Netzeinspeisung und Netzbezug
-    plt.subplot(3, 2, 1)
+        plt.subplot(3, 2, 1)
-    plt.plot(stunden, ergebnisse['Eigenverbrauch_Wh_pro_Stunde'], label='Eigenverbrauch (Wh)', marker='o')
+        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['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['Netzbezug_Wh_pro_Stunde'], label='Netzbezug (Wh)', marker='^')
-    plt.plot(stunden, ergebnisse['Verluste_Pro_Stunde'], label='Verluste (Wh)', marker='^')
+        plt.plot(stunden, ergebnisse['Verluste_Pro_Stunde'], label='Verluste (Wh)', marker='^')
-    plt.title('Energiefluss pro Stunde')
+        plt.title('Energiefluss pro Stunde')
-    plt.xlabel('Stunde')
+        plt.xlabel('Stunde')
-    plt.ylabel('Energie (Wh)')
+        plt.ylabel('Energie (Wh)')
-    plt.legend()
+        plt.legend()
-    
+        
-    
+        
-    
+        
-    
+        
-    plt.subplot(3, 2, 2)
+        plt.subplot(3, 2, 2)
-    plt.plot(stunden, ergebnisse['akku_soc_pro_stunde'], label='PV Akku (%)', marker='x')
+        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.plot(stunden, ergebnisse['E-Auto_SoC_pro_Stunde'], label='E-Auto Akku (%)', marker='x')
-    plt.legend(loc='upper left')
+        plt.legend(loc='upper left')
 
-    ax1 = plt.subplot(3, 2, 3)
+        ax1 = plt.subplot(3, 2, 3)
-    for hour, value in enumerate(discharge_hours):
+        for hour, value in enumerate(discharge_hours):
-        #if value == 1:
+            #if value == 1:
-        ax1.axvspan(hour, hour+1, color='red',ymax=value, alpha=0.3, label='Entlademöglichkeit' if hour == 0 else "")
+            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):
+        for hour, value in enumerate(laden_moeglich):
-        #if value == 1:
+            #if value == 1:
-        ax1.axvspan(hour, hour+1, color='green',ymax=value, alpha=0.3, label='Lademöglichkeit' if hour == 0 else "")
+            ax1.axvspan(hour, hour+1, color='green',ymax=value, alpha=0.3, label='Lademöglichkeit' if hour == 0 else "")
-    ax1.legend(loc='upper left')
+        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()
 

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)