Einlesen .csv angepasst

neighborhood.py

@@ -1,7 +1,9 @@
+# https://stackoverflow.com/questions/63511090/how-can-i-smooth-data-in-python
 import numpy as np
 import matplotlib.pyplot as plt
 import pv_input as pv
 import pandas as pd
+from scipy.signal import savgol_filter   
 
 
 
@@ -43,10 +45,10 @@ class Consumer:
         self.consumption_profile = self.create_consumption_profile()
         self.final_consumption = self.calculate_final_consumption()
 
-    # Vebrauchsprofil aus CSV-Datei in Dataframe einlesen und die Leistungs-Series extrahieren, Werte in Watt umrechnen und mit 4 multiplizieren, da Originalwerte 15-minütlich waren
+    # Vebrauchsprofil aus CSV-Datei in Dataframe einlesen und die Leistungs-Series extrahieren, Werte in Watt umrechnen 
     def create_consumption_profile(self):
-        consumption_profile = pd.read_csv('Lastprofil_final_H0.csv',delimiter=';')
-        return consumption_profile['Leistung']*1000*4
+        consumption_profile = pd.read_csv('Lastprofile_gesamt.csv',delimiter=';')
+        return consumption_profile['Leistung']*1000
     
     # Verbrauchsprofil mit der Anzahl der Haushalte multiplizieren
     def calculate_final_consumption(self):
@@ -63,11 +65,10 @@ class Neighborhood:
     # Gesamterzeugung, Gesamtverbrauch und Nettoverbrauch plotten
     def plot_consumption(self):
         total_consumption = -1*(self.consumer.final_consumption + self.producer.final_consumption)
-        total_consumption_mean = total_consumption.rolling(168).mean()
         total_production = self.producer.final_production
-        total_production_mean = total_production.rolling(168).mean()
         net_value = total_consumption + total_production
         net_value_mean = net_value.rolling(168).mean()
+        net_value_filtered = net_value.apply(savgol_filter, window_length=168, polyorder=2)
         
         # X-Werte anlegen, einen Wert löschen da 8761 Werte vorhanden sind, aber nur 8760 benötigt werden
         x = pd.date_range(start='2018-12-31', end ='2019-12-31', freq='1h')