Moin zusammen.
Ganz ähnlich wie Andreas will ich mein DIY Nulleinspeise-System dahingehend erweitern, dass es geschickt, entsprechend der Preisvorhersagen, Strom aus dem Netz in den Akku lädt, oder eben auch nicht, falls z.B. die Preistendenz nach unten geht oder die Differenzen zwischen den Phasen einfach zu gering sind. Dau brauche ich die Prognosen.
Die Day-Ahead Daten lassen sich z.B. in der Tibber App anschauen. Leider sind das alles nur Graphen. Da ich das Ganze automatisieren möchte, wäre ein Download als csv oder eine API Anbindung ideal. Leider haben mein Kumpel ChatGPT und ich im Netz nichts Braucbares gefunden.
Kennt da jemand von Euch eine Quelle?
Vielen Dank vorab...
http://forecast.solar/ - aber wie das mit dem Wetter halt so ist, da kann es Abweichungen geben. Ansonsten Sonnenscheidauer vom DWD holen? Für HomeAssistant gibt es beides auf Knopfdruck
Hi mager.
Das ist AUCH sehr interessant, danke! Was ich ja brauche, sind die prognostizierten Börsenstrompreise um zu sehen, ob sich ein Netzladen am nächsten Tag lohnt und wann am ehesten.
Allerdings ist es auch wichtig zu sehen, wieviel kWh's denn man so über den Tag erntet, von daher ist die Seite wirklich sehr hilfreich. Insbesondere der Befehl um den json-Block mit den stündlichen Werten zu bekommen ist tatsächlich gut.
Im Prinzip geht es allerdings kaum darum, immer genau das Wetter für den folgenden Tag zu treffen, sondern eher darum, durchschnittlich möglichst besser mit der Energie hauszuhalten. Selbst grundsätzlich den Akku aus dem Netz zu laden wenn er Nachts annähernd leer ist, und den Strom dann morgens und Abends zu nutzen dürfte durchschnittlich bilanziell positiv ausfallen. Schöner wäre es aber, die Tage auszulassen, an denen das wenig bringt oder gar kontraproduktiv ist.
Als Bastelheinis, die wir hier ja alle sind, wollen wir natürlich das Optimum herausholen, ist ja klar. 😉
Moin zusammen.
Ganz ähnlich wie Andreas will ich mein DIY Nulleinspeise-System dahingehend erweitern, dass es geschickt, entsprechend der Preisvorhersagen, Strom aus dem Netz in den Akku lädt, oder eben auch nicht, falls z.B. die Preistendenz nach unten geht oder die Differenzen zwischen den Phasen einfach zu gering sind. Dau brauche ich die Prognosen.
Die Day-Ahead Daten lassen sich z.B. in der Tibber App anschauen. Leider sind das alles nur Graphen. Da ich das Ganze automatisieren möchte, wäre ein Download als csv oder eine API Anbindung ideal. Leider haben mein Kumpel ChatGPT und ich im Netz nichts Braucbares gefunden.
Kennt da jemand von Euch eine Quelle?
Vielen Dank vorab...
Ich kenne von Awatar https://api.awattar.de/v1/marketdata
Die Daten müssten sich automatisiert verarbeiten lassen (JSON)
Super!
Genau das habe ich gesucht. Vielen Dank, petrel! 😀 👍
Falls es interessiert, hiermit ziehe ich mir die Datein in einen Pandas Dataframe:
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Wed Mar 8 17:53:34 2023
@author: monokristallin
"""
import pandas as pd
import numpy as np
import requests
import json
import pandas as pd
url = 'https://api.awattar.de/v1/marketdata'
response = requests.get(url)
data = json.loads(response.content)
print("\n--- Datenobjekt---")
print(data)
df = pd.DataFrame(data['data'])
print("\n--- Pandas Dataframe---")
print(df)
df.drop(['end_timestamp', 'unit'], axis=1, inplace=True)
print("\n--- Pandas Dataframe gekürzt---")
print(df)
df['start_timestamp'] = df['start_timestamp'].div(1000).astype(int)
df['marketprice'] = df['marketprice'].add(5) # aufrunden
df['marketprice'] = df['marketprice'].div(10).astype(int)
print("\n--- Pandas Dataframe aufbereitet---")
print(df)
("\n--- Pandas Dataframe Zeit konvertiert---")
df['start_timestamp'] = pd.to_datetime(df['start_timestamp'], unit='s')
print(df)