EOS演示页面：预测数据可视化与图表展示-优快云博客

EOS演示页面：预测数据可视化与图表展示

【免费下载链接】EOS This repository features an Energy Optimization System (EOS) that optimizes energy distribution, usage for batteries, heat pumps& household devices. It includes predictive models for electricity prices (planned), load forecasting& dynamic optimization to maximize energy efficiency & minimize costs. Founder Dr. Andreas Schmitz (YouTube @akkudoktor) 项目地址: https://gitcode.com/GitHub_Trending/eos5/EOS

概述

EOS（Energy Optimization System）演示页面是能源优化系统的核心可视化界面，通过Bokeh图表库实现了多维度能源数据的实时可视化展示。该页面集成了光伏发电预测、电价预测、气象数据、负载预测等关键功能，为用户提供直观的能源系统状态监控和数据分析能力。

核心功能模块

1. 光伏发电预测可视化

def DemoPVForecast(predictions: pd.DataFrame, config: dict) -> FT:
    source = ColumnDataSource(predictions)
    provider = config["pvforecast"]["provider"]

    plot = figure(
        x_axis_type="datetime",
        title=f"PV Power Prediction ({provider})",
        x_axis_label="Datetime",
        y_axis_label="Power [W]",
        sizing_mode="stretch_width",
        height=400,
    )

    plot.vbar(
        x="date_time",
        top="pvforecast_ac_power",
        source=source,
        width=BAR_WIDTH_1HOUR * 0.8,
        legend_label="AC Power",
        color="lightblue",
    )
    return Bokeh(plot)

功能特点：

时间序列柱状图展示光伏交流功率预测
支持多光伏平面配置（最多4个平面）
实时显示不同方位角和倾角的光伏板发电情况
自适应宽度设计，确保在不同屏幕尺寸下的显示效果

2. 电价预测可视化

def DemoElectricityPriceForecast(predictions: pd.DataFrame, config: dict) -> FT:
    source = ColumnDataSource(predictions)
    provider = config["elecprice"]["provider"]

    plot = figure(
        x_axis_type="datetime",
        y_range=Range1d(
            predictions["elecprice_marketprice_kwh"].min() - 0.1,
            predictions["elecprice_marketprice_kwh"].max() + 0.1,
        ),
        title=f"Electricity Price Prediction ({provider})",
        x_axis_label="Datetime",
        y_axis_label="Price [€/kWh]",
        sizing_mode="stretch_width",
        height=400,
    )
    plot.vbar(
        x="date_time",
        top="elecprice_marketprice_kwh",
        source=source,
        width=BAR_WIDTH_1HOUR * 0.8,
        legend_label="Market Price",
        color="lightblue",
    )
    return Bokeh(plot)

数据指标：

市场电价（€/kWh）预测
自动调整Y轴范围确保数据可视化效果
支持Akkudoktor和EnergyCharts等多种数据提供商

3. 气象数据可视化

3.1 温湿度双轴图表

def DemoWeatherTempAirHumidity(predictions: pd.DataFrame, config: dict) -> FT:
    source = ColumnDataSource(predictions)
    provider = config["weather"]["provider"]

    plot = figure(
        x_axis_type="datetime",
        title=f"Air Temperature and Humidity Prediction ({provider})",
        x_axis_label="Datetime",
        y_axis_label="Temperature [°C]",
        sizing_mode="stretch_width",
        height=400,
    )
    # 添加湿度次级Y轴
    plot.extra_y_ranges["humidity"] = Range1d(start=-5, end=105)
    y2_axis = LinearAxis(y_range_name="humidity", axis_label="Relative Humidity [%]")
    y2_axis.axis_label_text_color = "green"
    plot.add_layout(y2_axis, "left")

    plot.line("date_time", "weather_temp_air", source=source, 
              legend_label="Air Temperature", color="blue")
    plot.line("date_time", "weather_relative_humidity", source=source,
              legend_label="Relative Humidity [%]", color="green",
              y_range_name="humidity")
    return Bokeh(plot)

3.2 辐照度三线图表

def DemoWeatherIrradiance(predictions: pd.DataFrame, config: dict) -> FT:
    source = ColumnDataSource(predictions)
    provider = config["weather"]["provider"]

    plot = figure(
        x_axis_type="datetime",
        title=f"Irradiance Prediction ({provider})",
        x_axis_label="Datetime",
        y_axis_label="Irradiance [W/m2]",
        sizing_mode="stretch_width",
        height=400,
    )
    plot.line("date_time", "weather_ghi", source=source,
              legend_label="Global Horizontal Irradiance", color="red")
    plot.line("date_time", "weather_dni", source=source,
              legend_label="Direct Normal Irradiance", color="green")
    plot.line("date_time", "weather_dhi", source=source,
              legend_label="Diffuse Horizontal Irradiance", color="blue")
    return Bokeh(plot)

气象数据维度： | 数据指标 | 单位 | 描述 | |---------|------|------| | 气温 | °C | 环境空气温度 | | 相对湿度 | % | 空气湿度百分比 | | 总水平辐照度 | W/m² | 水平面上的总太阳辐射 | | 直接法向辐照度 | W/m² | 垂直于太阳方向的直接辐射 | | 散射水平辐照度 | W/m² | 天空散射辐射 |

4. 负载预测可视化

def DemoLoad(predictions: pd.DataFrame, config: dict) -> FT:
    source = ColumnDataSource(predictions)
    provider = config["load"]["provider"]
    if provider == "LoadAkkudoktor":
        year_energy = config["load"]["provider_settings"]["loadakkudoktor_year_energy"]
        provider = f"{provider}, {year_energy} kWh"

    plot = figure(
        x_axis_type="datetime",
        title=f"Load Prediction ({provider})",
        x_axis_label="Datetime",
        y_axis_label="Load [W]",
        sizing_mode="stretch_width",
        height=400,
    )
    # 添加标准差次级Y轴
    stddev_min = predictions["load_std"].min()
    stddev_max = predictions["load_std"].max()
    plot.extra_y_ranges["stddev"] = Range1d(start=stddev_min - 5, end=stddev_max + 5)
    y2_axis = LinearAxis(y_range_name="stddev", axis_label="Load Standard Deviation [W]")
    y2_axis.axis_label_text_color = "green"
    plot.add_layout(y2_axis, "left")

    plot.line("date_time", "load_mean", source=source,
              legend_label="Load mean value", color="red")
    plot.line("date_time", "load_mean_adjusted", source=source,
              legend_label="Load adjusted by measurement", color="blue")
    plot.line("date_time", "load_std", source=source,
              legend_label="Load standard deviation", color="green",
              y_range_name="stddev")
    return Bokeh(plot)

负载预测特性：

均值负载预测曲线（红色）
测量调整后的负载曲线（蓝色）
负载标准差置信区间（绿色）
双Y轴设计，主轴为负载功率，次轴为标准差

技术架构

可视化技术栈

mermaid

数据流架构

mermaid

配置参数详解

演示页面使用标准化的配置参数：

{
  "elecprice": {
    "charges_kwh": 0.21,
    "provider": "ElecPriceAkkudoktor"
  },
  "general": {
    "latitude": 52.5,
    "longitude": 13.4
  },
  "prediction": {
    "historic_hours": 48,
    "hours": 48
  },
  "load": {
    "provider": "LoadAkkudoktor",
    "provider_settings": {
      "loadakkudoktor_year_energy": 20000
    }
  },
  "pvforecast": {
    "planes": [
      {
        "peakpower": 5.0,
        "surface_azimuth": 170,
        "surface_tilt": 7,
        "userhorizon": [20,27,22,20],
        "inverter_paco": 10000
      }
    ],
    "provider": "PVForecastAkkudoktor"
  },
  "weather": {
    "provider": "BrightSky"
  }
}

部署与使用

启动演示服务

# 启动EOS服务器
python -m akkudoktoreos.server.server

# 启动EOSdash演示界面
python -m akkudoktoreos.server.eosdash

访问演示页面

默认访问地址：http://localhost:8504/eosdash/demo

页面布局

演示页面采用响应式网格布局：

mermaid

最佳实践

1. 数据更新策略

演示页面采用智能数据更新机制：

首次访问时自动获取最新预测数据
配置临时切换确保演示数据准确性
完成后自动恢复原始配置

2. 可视化优化技巧

使用适当的时间间隔（1小时柱状图宽度）
自动调整Y轴范围确保数据可见性
多Y轴设计处理不同量级的数据
颜色编码区分不同类型的数据系列

3. 性能考虑

Bokeh客户端渲染减轻服务器压力
数据序列化优化减少网络传输
缓存策略提升重复访问性能

总结

EOS演示页面通过专业的可视化技术，将复杂的能源预测数据转化为直观易懂的图表展示。其多维度、交互式的设计理念，为能源系统管理者提供了强大的决策支持工具。无论是光伏发电预测、电价波动分析，还是负载模式识别，都能通过这个统一的界面获得清晰的数据洞察。

该演示页面不仅展示了EOS系统的技术能力，更体现了数据可视化在能源优化领域的重要价值，为用户提供了从数据到洞察的完整解决方案。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考