mirror of
https://github.com/Akkudoktor-EOS/EOS.git
synced 2025-08-25 06:52:23 +00:00
E-Auto/Wallbox wird jetzt mit diskreten Ladezuständen versehen, in der
config.py einstellbar Jeder DisCharge = 0 (Akkus nicht benutzen) wird mit 1Cent Strafe belegt, da die Lastverteilung fehlt. Also wenn es egal ist, soll er den Akku anschalten.
This commit is contained in:
Bla Bla
@@ -30,7 +30,7 @@ class Wechselrichter:
|
||||
# Akku
|
||||
geladene_energie, verluste_laden_akku = self.akku.energie_laden(restleistung_nach_verbrauch, hour)
|
||||
rest_überschuss = restleistung_nach_verbrauch - (geladene_energie+verluste_laden_akku)
|
||||
# if hour == 12:
|
||||
# if hour == 1:
|
||||
# print("Erzeugung:",erzeugung)
|
||||
# print("Last:",verbrauch)
|
||||
# print("Akku:",geladene_energie)
|
||||
@@ -44,8 +44,8 @@ class Wechselrichter:
|
||||
verluste += rest_überschuss - netzeinspeisung
|
||||
else:
|
||||
netzeinspeisung = rest_überschuss
|
||||
#if hour ==10:
|
||||
# print(rest_überschuss," ",restleistung_nach_verbrauch, " Gela:",geladene_energie," Ver:",verluste_laden_akku)
|
||||
#if hour ==14:
|
||||
# print("Erz:",erzeugung," Last:",verbrauch, " RestPV:",rest_überschuss," ",restleistung_nach_verbrauch, " Gela:",geladene_energie," Ver:",verluste_laden_akku," Einsp:",netzeinspeisung)
|
||||
verluste += verluste_laden_akku
|
||||
|
||||
|
||||
@@ -71,73 +71,4 @@ class Wechselrichter:
|
||||
eigenverbrauch = erzeugung + aus_akku
|
||||
|
||||
|
||||
# if erzeugung > verbrauch:
|
||||
# if verbrauch > self.max_leistung_wh:
|
||||
|
||||
# else:
|
||||
|
||||
|
||||
# überschuss = self.max_leistung_wh - verbrauch
|
||||
|
||||
# geladene_energie, verluste_laden_akku = self.akku.energie_laden(überschuss, hour)
|
||||
# rest_überschuss = überschuss - geladene_energie
|
||||
# verluste += verluste_laden_akku
|
||||
|
||||
# if (rest_überschuss > self.max_leistung_wh):
|
||||
# netzeinspeisung = self.max_leistung_wh
|
||||
# verluste += rest_überschuss - self.max_leistung_wh
|
||||
# else:
|
||||
# netzeinspeisung = rest_überschuss
|
||||
|
||||
# eigenverbrauch = verbrauch
|
||||
|
||||
# else:
|
||||
# benötigte_energie = verbrauch - erzeugung
|
||||
# max_akku_leistung = self.akku.max_ladeleistung_w
|
||||
|
||||
# rest_ac_leistung = max(max_akku_leistung - erzeugung,0)
|
||||
|
||||
# if benötigte_energie < rest_ac_leistung:
|
||||
# aus_akku, akku_entladeverluste = self.akku.energie_abgeben(benötigte_energie, hour)
|
||||
# else:
|
||||
# aus_akku, akku_entladeverluste = self.akku.energie_abgeben(rest_ac_leistung, hour)
|
||||
|
||||
|
||||
# verluste += akku_entladeverluste
|
||||
|
||||
# netzbezug = benötigte_energie - aus_akku
|
||||
# eigenverbrauch = erzeugung + aus_akku
|
||||
|
||||
# # Berechnung der gesamten verarbeiteten Energie
|
||||
# total_verarbeitet = eigenverbrauch
|
||||
# if total_verarbeitet > self.max_leistung_wh:
|
||||
# verluste += total_verarbeitet - self.max_leistung_wh
|
||||
|
||||
return netzeinspeisung, netzbezug, verluste, eigenverbrauch
|
||||
|
||||
|
||||
# def energie_verarbeiten(self, erzeugung, verbrauch, hour):
|
||||
|
||||
# verluste = 0
|
||||
# netzeinspeisung = 0
|
||||
# netzbezug = 0.0
|
||||
# eigenverbrauch = 0.0
|
||||
|
||||
# if erzeugung > verbrauch:
|
||||
# überschuss = erzeugung - verbrauch
|
||||
# geladene_energie, verluste_laden_akku = self.akku.energie_laden(überschuss, hour)
|
||||
# verluste += verluste_laden_akku
|
||||
|
||||
# netzeinspeisung = überschuss - geladene_energie-verluste_laden_akku
|
||||
# eigenverbrauch = verbrauch
|
||||
# netzbezug = 0.0
|
||||
# # Noch Netzbezug nötig
|
||||
# else:
|
||||
# netzeinspeisung = 0.0
|
||||
# benötigte_energie = verbrauch - erzeugung
|
||||
# aus_akku, akku_entladeverluste = self.akku.energie_abgeben(benötigte_energie, hour)
|
||||
# verluste += akku_entladeverluste
|
||||
# netzbezug = benötigte_energie - aus_akku
|
||||
# eigenverbrauch = erzeugung+aus_akku
|
||||
|
||||
# return netzeinspeisung, netzbezug, verluste, eigenverbrauch # Keine Einspeisung, Netzbezug, aus Akku, Verluste, Eigenverbrauch
|
||||
|
||||
@@ -23,7 +23,8 @@ from deap import base, creator, tools, algorithms
|
||||
import numpy as np
|
||||
import random
|
||||
import os
|
||||
|
||||
sys.path.append(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
|
||||
from config import *
|
||||
|
||||
def isfloat(num):
|
||||
try:
|
||||
@@ -38,7 +39,7 @@ class optimization_problem:
|
||||
self.strafe = strafe
|
||||
self.opti_param = None
|
||||
self.fixed_eauto_hours = prediction_hours-optimization_hours
|
||||
|
||||
self.possible_charge_values = moegliche_ladestroeme_in_prozent
|
||||
|
||||
|
||||
def split_individual(self, individual):
|
||||
@@ -74,7 +75,9 @@ class optimization_problem:
|
||||
# PARAMETER
|
||||
self.toolbox = base.Toolbox()
|
||||
self.toolbox.register("attr_bool", random.randint, 0, 1)
|
||||
self.toolbox.register("attr_float", random.uniform, 0, 1) # Für kontinuierliche Werte zwischen 0 und 1 (z.B. für E-Auto-Ladeleistung)
|
||||
#self.toolbox.register("attr_float", random.uniform, 0, 1) # Für kontinuierliche Werte zwischen 0 und 1 (z.B. für E-Auto-Ladeleistung)
|
||||
self.toolbox.register("attr_choice", random.choice, self.possible_charge_values) # Für diskrete Ladeströme
|
||||
|
||||
self.toolbox.register("attr_int", random.randint, start_hour, 23)
|
||||
|
||||
###################
|
||||
@@ -83,14 +86,14 @@ class optimization_problem:
|
||||
if opti_param["haushaltsgeraete"]>0:
|
||||
def create_individual():
|
||||
attrs = [self.toolbox.attr_bool() for _ in range(self.prediction_hours)] # 24 Bool-Werte für Entladen
|
||||
attrs += [self.toolbox.attr_float() for _ in range(self.prediction_hours)] # 24 Float-Werte für Laden
|
||||
attrs += [self.toolbox.attr_choice() for _ in range(self.prediction_hours)] # 24 Float-Werte für Laden
|
||||
attrs.append(self.toolbox.attr_int()) # Haushaltsgerät-Startzeit
|
||||
return creator.Individual(attrs)
|
||||
|
||||
else:
|
||||
def create_individual():
|
||||
attrs = [self.toolbox.attr_bool() for _ in range(self.prediction_hours)] # 24 Bool-Werte für Entladen
|
||||
attrs += [self.toolbox.attr_float() for _ in range(self.prediction_hours)] # 24 Float-Werte für Laden
|
||||
attrs += [self.toolbox.attr_choice() for _ in range(self.prediction_hours)] # 24 Float-Werte für Laden
|
||||
return creator.Individual(attrs)
|
||||
|
||||
|
||||
@@ -113,14 +116,14 @@ class optimization_problem:
|
||||
|
||||
|
||||
|
||||
|
||||
#discharge_hours_bin = np.full(self.prediction_hours,0)
|
||||
ems.set_akku_discharge_hours(discharge_hours_bin)
|
||||
|
||||
# Setze die festen Werte für die letzten x Stunden
|
||||
for i in range(self.prediction_hours - self.fixed_eauto_hours, self.prediction_hours):
|
||||
eautocharge_hours_float[i] = 0.0 # Setze die letzten x Stunden auf einen festen Wert (oder vorgegebenen Wert)
|
||||
|
||||
|
||||
#print(eautocharge_hours_float)
|
||||
|
||||
ems.set_eauto_charge_hours(eautocharge_hours_float)
|
||||
|
||||
@@ -141,9 +144,15 @@ class optimization_problem:
|
||||
if worst_case:
|
||||
gesamtbilanz = gesamtbilanz * -1.0
|
||||
|
||||
discharge_hours_bin, eautocharge_hours_float, spuelstart_int = self.split_individual(individual)
|
||||
|
||||
# Für jeden Discharge 0, eine kleine Strafe von 1 Cent, da die Lastvertelung noch fehlt. Also wenn es egal ist, soll er den Akku entladen lassen
|
||||
for i in range(0, self.prediction_hours):
|
||||
if discharge_hours_bin[i] == 0.0: # Wenn die letzten x Stunden von einem festen Wert abweichen
|
||||
gesamtbilanz += 0.01 # Bestrafe den Optimierer
|
||||
|
||||
|
||||
# E-Auto nur die ersten self.fixed_eauto_hours
|
||||
eautocharge_hours_float = individual[self.prediction_hours:self.prediction_hours * 2]
|
||||
for i in range(self.prediction_hours - self.fixed_eauto_hours, self.prediction_hours):
|
||||
if eautocharge_hours_float[i] != 0.0: # Wenn die letzten x Stunden von einem festen Wert abweichen
|
||||
gesamtbilanz += self.strafe # Bestrafe den Optimierer
|
||||
@@ -186,7 +195,7 @@ class optimization_problem:
|
||||
|
||||
# Genetischer Algorithmus
|
||||
def optimize(self,start_solution=None):
|
||||
population = self.toolbox.population(n=400)
|
||||
population = self.toolbox.population(n=600)
|
||||
hof = tools.HallOfFame(1)
|
||||
|
||||
stats = tools.Statistics(lambda ind: ind.fitness.values)
|
||||
@@ -199,7 +208,7 @@ class optimization_problem:
|
||||
if start_solution is not None and start_solution != -1:
|
||||
population.insert(0, creator.Individual(start_solution))
|
||||
|
||||
algorithms.eaMuPlusLambda(population, self.toolbox, mu=200, lambda_=300, cxpb=0.3, mutpb=0.4, ngen=500, stats=stats, halloffame=hof, verbose=True)
|
||||
algorithms.eaMuPlusLambda(population, self.toolbox, mu=200, lambda_=300, cxpb=0.3, mutpb=0.4, ngen=300, stats=stats, halloffame=hof, verbose=True)
|
||||
#algorithms.eaSimple(population, self.toolbox, cxpb=0.2, mutpb=0.2, ngen=1000, stats=stats, halloffame=hof, verbose=True)
|
||||
|
||||
member = {"bilanz":[],"verluste":[],"nebenbedingung":[]}
|
||||
@@ -231,12 +240,12 @@ class optimization_problem:
|
||||
akku_size = parameter['pv_akku_cap'] # Wh
|
||||
|
||||
einspeiseverguetung_euro_pro_wh = np.full(self.prediction_hours, parameter["einspeiseverguetung_euro_pro_wh"]) #= # € / Wh 7/(1000.0*100.0)
|
||||
|
||||
discharge_array = np.full(self.prediction_hours,1) #np.array([1, 0, 1, 0, 1, 1, 1, 1, 1, 0, 1, 1, 0, 1, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 0, 0, 0, 1, 1, 1, 1, 0, 1, 1, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 1, 0]) #
|
||||
akku = PVAkku(kapazitaet_wh=akku_size,hours=self.prediction_hours,start_soc_prozent=parameter["pv_soc"], max_ladeleistung_w=5000)
|
||||
discharge_array = np.full(self.prediction_hours,1) #np.array([1, 0, 1, 0, 1, 1, 1, 1, 1, 0, 1, 1, 0, 1, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 0, 0, 0, 1, 1, 1, 1, 0, 1, 1, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 1, 0]) #
|
||||
akku.set_charge_per_hour(discharge_array)
|
||||
|
||||
|
||||
laden_moeglich = np.full(self.prediction_hours,1) # np.array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 1, 1, 0, 1, 1, 1, 0, 0, 0, 0, 1, 1, 1, 1, 0, 1, 1, 0, 0])
|
||||
|
||||
|
||||
eauto = PVAkku(kapazitaet_wh=parameter["eauto_cap"], hours=self.prediction_hours, lade_effizienz=parameter["eauto_charge_efficiency"], entlade_effizienz=1.0, max_ladeleistung_w=parameter["eauto_charge_power"] ,start_soc_prozent=parameter["eauto_soc"])
|
||||
eauto.set_charge_per_hour(laden_moeglich)
|
||||
min_soc_eauto = parameter['eauto_min_soc']
|
||||
|
||||
Reference in New Issue
Block a user