EU SES

UE -SES - Sistema de energia sustentável europeia para Python

A UE-SES é uma ferramenta de modelagem de sistema de energia que maximiza o uso de fontes de dados pré-processadas hospedadas na Web. A UE-SES oferece uma abordagem automatizada de processamento de dados para criar modelos de sistemas de energia, mantendo a flexibilidade de selecionar a resolução espacial do modelo.

O UE-SES se concentra nos 27 países da UE, além de Reino Unido, Noruega e Suíça. A ferramenta de modelagem cria um conjunto de dados das áreas do Nuts 2 com base em uma seleção de cenários. O cenário especifica os países de interesse e os cenários disponíveis em fontes de dados. Os dados espaciais das áreas do Nuts 2 são agregados em um conjunto de dados de regiões de acordo com um método selecionado de definição de regiões. O conjunto de dados das regiões e a estrutura de modelagem de Calliope podem ser usados para criar o modelo do sistema de energia. Até agora, a ferramenta de modelagem da UE-SES pode construir e resolver modelos de otimização que incluem o setor de energia e o setor de aquecimento residencial e terciário.

Características

• Construa o conjunto de dados no nível espacial da área do Nuts 2.
• Defina regiões de acordo com as fronteiras nacionais, limites administrativos ou usando o método das regiões max-P.
• Use o conjunto de dados de regiões agregadas espacialmente para criar e resolver o modelo de otimização de energia.

Instalação

1. Clone o repositório do seu computador e vá para o diretório criado.

 git clone https://github.com/ENSYSTRA/EU-SES.git
cd EU-SES

2. Use Anaconda para construir um novo ambiente

 conda env create -f environment.yml

3. Ative o ambiente

 conda activate euses-env

Construindo um modelo

Abaixo está um exemplo de script que pode ser usado para construir e executar um modelo de otimização de calor e potência para a Áustria e a Suíça. O script Python deve ser executado no ambiente EUSE-ENV CONDA.

Exemplo de script

 import euses
import calliope
import numpy as np

# First specify countries and year of interest
# Use nomenclature of countries given in euses/parameters.py
year = 2010
countries = [ 'Austria' , 'Switzerland' ]

# The build_dataset function builds the xarray areas dataset
example = euses . build_dataset ( countries , year )

# The areas dataset can be called using:
example . ds

# Select power plant technologies of interest. Technologies selected must have specifications listed in calliope_model/techs_elec_heat.yaml
techs_considered = [ 'Combined cycle' , 'Solar' , 'Wind' , 'Wind Offshore' ]
techs_removed = np . setdiff1d ( example . ds . coords [ 'tech' ]. values , techs_considered )
example . ds = example . ds . drop ( techs_removed , dim = 'tech' )

# The areas dataset and the preferred regionalisation method is used to build the regions dataset.
# The supported regionalisation methods include using national (nuts0) and administrative boundaries (nuts1). It also possible to define the regions using the max-p regions method (max_p_regions).
# In this example the national boundaries method is selected.
# Before the dataset is loaded
example . ds . load ()
example . create_regions ( 'nuts0' )

# Build a power and heat optimisation calliope model with a limitation on CO2 emission.  
# The specifications of the technologies within the model are in the calliope_model folder.
# The default solver used is cbc, in this example the pyomo pre installed solver glpk is used.
example . create_calliope_model ( op_mode = 'plan' , sectors = [ 'power' , 'heat' ], co2_cap_factor = 0.2 , national = True )
model = calliope . Model ( 'calliope_model/model.yaml' , scenario = 'time_3H' , override_dict = { 'run.solver' : 'glpk' })
model . run ()

# The model optimisation results can then be analysed using calliope analysising tools described in https://calliope.readthedocs.io/en/stable/user/analysing.html
model . plot . capacity ( array = 'energy_cap' )

Fontes de dados

Os downloads da UE-SES pré-processados disponíveis em público de várias plataformas hospedadas na Web necessárias. Os dados extraídos são então organizados, padronizados e estruturados no conjunto de dados de áreas. As fontes dos dados usadas no modelo estão listadas abaixo.

Componente de dados	Fonte	link
Nuts 2 áreas (geometria, ID)	Eurostat - Gisco	1
População	Centro de Pesquisa Conjunta-GHS-POP-2015A	2
Demanda por hora de eletricidade	ENTSOE	3
Aqueça a demanda por hora	HotMaps	4
Fatores de temperatura, vento e solar	Renováveis.ninja	5
Informação de usinas hidrelétricas	Informação de energia hidrelétrica para estudos do sistema de energia	6
Capacidade de usina hidrelétrica	JRC Hydro-Power Plants Database	7
Usinas de energia convencionais	Dados do sistema de energia aberta	8
Usinas de energia renovável	Dados do sistema de energia aberta	9
Potencial solar (UE 27 + Reino Unido)	JRC Data Open	10
Potencial eólico onshore e offshore (UE 27 + Reino Unido)	JRC Data Open	11
Potencial solar (Suíça)	Literatura + pegada de construção de mapa de rua aberta	12, 13
Potencial solar (Noruega)	Literatura + pegada de construção de mapa de rua aberta	14, 15
Potencial eólico offshore (Noruega)	Literatura	16
Potencial eólico em terra (Noruega)	HotMaps	17
Potencial eólico em terra (Suíça)	Bundesamt für Energie BFE - Konzept Windenergie	18

Reconhecimento

Este trabalho foi realizado pelo ESR 5 do projeto Ensystra e possibilitado por meio de financiamento do Programa de Pesquisa e Inovação da Horizonte 2020 da União Europeia sob o Contrato de Grantes de Marie Skłodowska-Curie no: 765515.

Licença

Copyright 2021 Christian Fleischer

Licenciado sob a licença Apache, versão 2.0 (a "licença"); Você não pode usar esse arquivo, exceto em conformidade com a licença. Você pode obter uma cópia da licença em

   http://www.apache.org/licenses/LICENSE-2.0

A menos que exigido pela lei aplicável ou acordada por escrito, o software distribuído pela licença é distribuído "como está", sem garantias ou condições de qualquer tipo, expressa ou implícita. Consulte a licença para o idioma específico que rege as permissões e limitações sob a licença.