EU SES
v1.3
EU-SES-это инструмент моделирования энергетической системы, который максимизирует использование предварительно обработанных источников данных, проведенных в Интернете. EU-SES предлагает автоматизированный подход обработки данных для создания моделей энергосистемы при сохранении гибкости выбора пространственного разрешения модели.
ЕС-SES концентрируется на 27 странах ЕС плюс Великобритания, Норвегия и Швейцария. Инструмент моделирования создает набор данных областей Nuts 2 на основе выбора сценария. В сценарии указывается интересующие страны и сценарии, доступные в источниках данных. Пространственные данные областей орехов 2 агрегируются в набор данных регионов в соответствии с выбранным методом определения областей. Набор данных регионов и структура моделирования Calliope могут затем использоваться для построения модели энергосистемы. До сих пор инструмент моделирования EU-SES может создавать и решать модели оптимизации, которые включают энергетический сектор и жилой и третичный сектор отопления.
git clone https://github.com/ENSYSTRA/EU-SES.git
cd EU-SES
conda env create -f environment.yml
conda activate euses-env
Ниже приведен пример сценария, который можно использовать для создания и запуска модели оптимизации тепла и мощности для Австрии и Швейцарии. Сценарий Python должен работать в среде Conda EUSES-ENV.
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' )EU-SES загружает предварительно обработанные общедоступные данные с нескольких необходимых платформ, полученных в Интернете. Извлеченные данные затем организуются, стандартизируются и структурируются в рамках набора данных. Источники данных, используемых в модели, указаны ниже.
| Компонент данных | Источник | связь |
|---|---|---|
| Области гайки 2 (геометрия, ID) | Евростат - Гиско | 1 |
| Население | Совместный исследовательский центр-GHS-Pop-2015a | 2 |
| Электричество почасовое спрос | entsoe | 3 |
| Тепло почасовой спрос | Hotmaps | 4 |
| Факторы температуры, ветра и солнечной батареи | Возобновляемые источники. Ninja | 5 |
| Гидроэлектростанции притока | Гидроэнергетический приток для исследований энергетической системы | 6 |
| Гидроэлектростанция емкость | База данных гидропробычи JRC | 7 |
| Обычные электростанции | Данные открытой системы питания | 8 |
| Возобновляемые электростанции | Данные открытой системы питания | 9 |
| Солнечный потенциал (ЕС 27 + Великобритания) | JRC Open Data | 10 |
| Потенциал ветра на берегу и оффшор (ЕС 27 + Великобритания) | JRC Open Data | 11 |
| Солнечный потенциал (Швейцария) | Литература + открытая уличная карта здание | 12, 13 |
| Солнечный потенциал (Норвегия) | Литература + открытая уличная карта здание | 14, 15 |
| Оффшорный ветровый потенциал (Норвегия) | Литература | 16 |
| Потенциал ветра на берегу (Норвегия) | Hotmaps | 17 |
| Потенциал ветра на берегу (Швейцария) | Bundesamt für Energie Bfe - Конзепт Винденерги | 18 |
Эта работа была выполнена ESR 5 проекта Essystra и стала возможной благодаря финансированию Программы исследований и инноваций в области исследований и инноваций Европейского Союза в рамках соглашения о гранте Marie Skthodowska-Curie № 765515.
Copyright 2021 Кристиан Флейшер
Лицензировано по лицензии Apache, версия 2.0 («Лицензия»); Вы не можете использовать этот файл, кроме как в соответствии с лицензией. Вы можете получить копию лицензии на
http://www.apache.org/licenses/LICENSE-2.0
Если не требуется применимый закон или не согласен в письменной форме, программное обеспечение, распространяемое по лицензии, распределяется по основам «как есть», без каких -либо гарантий или условий, явных или подразумеваемых. См. Лицензию для конкретного языка, регулирующих разрешения и ограничения по лицензии.
