pv_input auskommentiert

pv_input.py

@@ -1,3 +1,13 @@
+# 3 Möglichkeiten für Ertragsberechnung: Clear Sky Modell, TMY oder POA-Data
+# Clear Sky: Strahlungsmodell, welches theoretische Strahlungsdaten an bestimmten Standpunkt enthält welche eine flache Oberfläche treffen  - vewerndet g(i)-Strahlungsdaten
+# TMY = Typical Meteorolical Year - reale Strahlungsdaten welche eine flache Oberfläche treffen  - vewerndet g(i)-Strahlungsdaten
+# POA = Plane of Array - was das PV-Modul (und dessen Ausrichtung) wirklich trifft - verwendet POA-Strahlungsdaten
+
+# G(i), poa_global = Global irradiance on inclined plane (W/m^2)
+# Gb(i), poa_direct = Beam (direct) irradiance on inclined plane (W/m^2)
+# Gd(i), poa_sky_diffuse = Diffuse irradiance on inclined plane (W/m^2)
+# Gr(i), poa_ground_diffuse = Reflected irradiance on inclined plane (W/m^2)
+
 import pvlib
 import pandas as pd
 import matplotlib.pyplot as plt
@@ -29,7 +39,7 @@ surface_azimuth = 180
 # Temperaturparameter definieren
 temperature_parameters = TEMPERATURE_MODEL_PARAMETERS['sapm']['open_rack_glass_glass']
 
-# Location+PVSystem-Objekte anlegen und Modelchain damit füttern
+# Location + PVSystem-Objekte anlegen und Modelchain damit füttern
 location = Location(latitude, longitude, tz)
 system = PVSystem(surface_tilt=surface_tilt, surface_azimuth=surface_azimuth, module_parameters=module, 
                   inverter_parameters=inverter, temperature_model_parameters=temperature_parameters, 
@@ -39,7 +49,8 @@ modelchain = ModelChain(system, location)
 
 # Ertragssimulation mit Clear-Sky Modell
 
-# times = pd.date_range(start='2021-07-01', end ='2021-07-07', freq='1h', tz=location.tz)
+# Index-Spalte mit Zeiten für clear-sky Dataset anlegen
+# times = pd.date_range(start='2020-01-01', end ='2020-12-31', freq='1h', tz=location.tz)
 
 # clear_sky = location.get_clearsky(times)
 # #clear_sky.plot(figsize=(16,9))
@@ -48,21 +59,24 @@ modelchain = ModelChain(system, location)
 
 # Ertragssimulation mit realen Strahlungsdaten aus Wetterjahr
 
-# Hier ist Süden Azimuth = 0
-# POA = Plane Of Array
+# Hier ist Süden Azimuth = 0°, bei PVLib ist es 180°
 poa_data, meta, inputs = pvlib.iotools.get_pvgis_hourly(latitude=latitude, longitude=longitude, start=year, end=year, raddatabase='PVGIS-SARAH3', components=True, surface_tilt=surface_tilt, 
                                surface_azimuth=surface_azimuth-180, outputformat='json', usehorizon=True, userhorizon=None, pvcalculation=False, peakpower=None, 
                                pvtechchoice='crystSi', mountingplace='free', loss=0, trackingtype=0, optimal_surface_tilt=False, optimalangles=False, 
                                url='https://re.jrc.ec.europa.eu/api/', map_variables=True, timeout=30)
-# Spaltennamen umschreiben, sodass Modelchain sie verwenden kann
+
+# Notwendige Spalten ausrechnen und hinzufügen, sodass Modelchain sie verwenden kann
 poa_data['poa_diffuse'] = poa_data['poa_sky_diffuse'] + poa_data['poa_ground_diffuse']
 poa_data['poa_global'] = poa_data['poa_diffuse'] + poa_data['poa_direct']
 
+# Daten in csv exportieren
 #poa_data.to_csv('poa_data.csv') 
-#Index des Dataframe mit datetime-Index von Pandas überschreiben
+
+# Index des Dataframe mit datetime-Index von Pandas überschreiben
 poa_data.index = pd.to_datetime((poa_data.index))
+# Diese Funktion benötigt POA-Daten anstatt g(i)-Daten -> DOKU
 modelchain.run_model_from_poa(poa_data)
 
+# Ergebnis plotten
 modelchain.results.ac.plot(figsize=(16,9))     
-
 plt.show()