# Supression des variables précédentes from IPython import get_ipython get_ipython().magic('reset -sf') # Importation des packages import numpy as np import pandas as pd import matplotlib.pyplot as plt import pathlib as pl current_WD = pl.Path().absolute() print(current_WD) # Importation et lecture des données data1 = pd.read_csv (f"{current_WD}/18_010113_311218_hora.csv", delimiter=';', decimal=',') data2 = pd.read_csv (f"{current_WD}/18_010119_311219_hora.csv", delimiter=';', decimal=',') data3 = pd.read_csv (f"{current_WD}/18_010120_311220_hora.csv", delimiter=';', decimal=',') data4 = pd.read_csv (f"{current_WD}/insh.csv", delimiter=';', decimal=',' ) df = data1.head(0) df = df.append(data1) df = df.append(data2) df = df.append(data3) df = df.append(data4) df.drop_duplicates(subset=None, keep='first', inplace=False) # Définition du format de la date df['Datetime'] = pd.to_datetime(df['timestamp'],format='%d/%m/%Y-%H:%M:%S') df = df.set_index('Datetime') df.loc[df.tsa == -9999,['tsa']] = np.nan df.loc[df.tsf == -9999,['tsf']] = np.nan df.loc[df.tss == -9999,['tss']] = np.nan df.loc[df.plu == -9999,['plu']] = np.nan df.loc[df.ens == -9999,['ens']] = np.nan df = df.drop_duplicates(subset=None, keep='first', inplace=False) df = df.sort_values('Datetime') start_date = '2013-01-01' end_date = '2015-12-31 23:00:00' # Filtrage du DataFrame afin de ne garder que les lignes en dehors de la plage de dates spécifiées df = df[(df.index > end_date)] # Affichage du DF filtré print(df) #### Création d'une année type #### import calendar # Fonction pour supprimer les données du 29 février (années bissextiles) def remove_leap_day_data(df): return df[~((df.index.month == 2) & (df.index.day == 29) & ((df.index.year >= 2000) & (df.index.year % 4 == 0)))] # Suppression des données du 29 février df = remove_leap_day_data(df) # Calcul des moyennes horaires pour chaque journée de l'année df['dayofyear'] = df.index.dayofyear df_hourly_mean = df.groupby(['dayofyear', df.index.hour]).mean() df_hourly_mean.reset_index(inplace=True) df_hourly_mean = df_hourly_mean.drop(df_hourly_mean[df_hourly_mean['dayofyear'] == 365].index) # Visualisation des données moyennes pour l'année print(df_hourly_mean) print(df_hourly_mean.index) #### Traitement des données du vent #### # Définition des valeurs de z2 et z_ref z2 = 2 # Hauteur à laquelle la vitesse du vent est mesurée [m] z_ref = 60 # Hauteur de référence en mètres z0 = 0.2 # Rugosité de l'environnement # Fonction de calcul de v_ref en fonction de v_2 def calculate_v_ref(v_2, z_2, z_ref, z0): return v_2 * (np.log(z_ref / z0) / np.log(z_2 / z0)) # Application de la fonction calculate_v_ref à la colonne 'vvt' du DataFrame df_hourly_mean['vvt']= df_hourly_mean['vvt'].apply(lambda x: calculate_v_ref(x, z2, z_ref, z0)) ## Traitement des données de consommation data4.columns = ['date', 'puissance'] # Convertion de la colonne 'date' en datetime data4['date'] = pd.to_datetime(data4['date'], format='%d/%m/%Y %H:%M', errors='coerce') # Suppression les lignes avec des valeurs NaN data4 = data4.dropna(subset=['date', 'puissance']) data4.drop(data4.tail(1).index, inplace=True) # Calcul de l'heure de l'année et conservation de celle-ci comme colonne distincte data4['heure_année'] = data4['date'].apply(lambda x: (x.dayofyear - 1) * 24 + x.hour) # Réglage de la colonne 'date' comme index data4.set_index('date', inplace=True) # Groupement par heure de l'année et calcul de la moyenne, si nécessaire data4_resampled = data4.resample('H').mean() # Affichage des premières lignes pour vérifier print("\nConsommation :\n", data4_resampled) print(df) print(df_hourly_mean)

######calcule des potentielle de production ###### ##Biomasse production_biomasse_anuelle = 55000000 #[kWh] production_biomasse_horaire_moy = np.full(8760, production_biomasse_anuelle/8760) print(production_biomasse_anuelle, 'kWh (production biomasse totale)') ## tracer le graphique plt.figure(figsize=(25, 15)) plt.plot(df_hourly_mean['dayofyear'], production_biomasse_horaire_moy, label='production biomasse', color='green') plt.xlabel('Temps',fontsize = 25) plt.ylabel('production biomasse [kWh]',fontsize = 25) #plt.title('Production biomasse en fonction du temps',fontsize = 25) plt.legend(fontsize = 20) plt.xticks(fontsize=20) plt.yticks(fontsize=20) plt.grid(True) plt.savefig('biom') plt.show() ## Variable photovoltaïque S = 16229.26 # Surface exploitable [m²] ens = df_hourly_mean['ens'] # Ensoleillement [W/m²] Ir = ens/1000 # kW/m² # Irradiation solaire [kWh/m²] Cp = 0.9 # Coefficient de performance de l'installation R_pv = 0.22 # Rendement des panneaux photovoltaïques # Calcul de la puissance photovoltaïque (kW) production_photovoltaique = S * R_pv * Cp * ens # Rendement des panneaux photovoltaïques print(sum(production_photovoltaique/1000), 'kWh (production photovoltaïque totale)') # Tracer le graphique plt.figure(figsize=(25, 15)) plt.plot(df_hourly_mean['dayofyear'], production_photovoltaique/1000, label='Puissance photovoltaïque', color='orange') plt.xlabel('Temps', fontsize=25) plt.ylabel('Production photovoltaïque [kWh]', fontsize=25) #plt.title('Production photovoltaïque en fonction du temps', fontsize=25) plt.legend(fontsize = 20) plt.xticks(fontsize=20) plt.yticks(fontsize=20) plt.grid(True) plt.savefig('PV') plt.show() ### calcule eolienne d= 1.125 #densité du vent vitesse_vent = df_hourly_mean['vvt'] # Paramètres pour les éoliennes de 900 kW nombre_eolienne_1 = 6 diametre_rotor_1 = 54 # Diamètre du rotor pour le premier type d'éolienne en mètres surface_pales_1 = np.pi * (diametre_rotor_1 / 2) ** 2 # Surface balayée par les pales pour le premier type d'éolienne en mètres carrés coefficient_puissance_1 = 0.3 # Coefficient de puissance pour le premier type d'éolienne # Paramètres pour les éoliennes de 1MW nombre_eolienne_2 = 6 diametre_rotor_2 = 61 # Diamètre du rotor pour le deuxième type d'éolienne en mètres surface_pales_2 = np.pi * (diametre_rotor_2 / 2) ** 2 # Surface balayée par les pales pour le deuxième type d'éolienne en mètres carrés coefficient_puissance_2 = 0.3 # Coefficient de puissance pour le deuxième type d'éolienne # Paramètres pour les éoliennes de 900 kW et de 1MW puissance_nominal_1 = 900 * 1000 # 900 kW en watts puissance_nominal_2 = 1000 * 1000 # 1 MW en watts # Production éolienne pour chaque heure production_eolienne = np.zeros(len(vitesse_vent)) # Calcul de la production éolienne for i, vent in enumerate(vitesse_vent): if 2.5 <= vent < 13.5: # Calcul basé sur la formule de la puissance éolienne production_eolienne[i] = 0.5 * d * ( surface_pales_1 * coefficient_puissance_1 * (vent ** 3) * nombre_eolienne_1 + surface_pales_2 * coefficient_puissance_2 * (vent ** 3) * nombre_eolienne_2 ) elif 13.5 <= vent < 25: # Puissance nominale atteinte production_eolienne[i] = puissance_nominal_1 * nombre_eolienne_1 + puissance_nominal_2 * nombre_eolienne_2 # Pas de production au-delà de 25 m/s ou en dessous de 2.5 m/s # Affichage de la somme totale de la production éolienne print(sum(production_eolienne)/1000, 'kWh (production éolienne totale)') # Tracé du graphique plt.figure(figsize=(25,15)) plt.plot(production_eolienne/1000, label='Puissance éolienne', color='blue') plt.xlabel('Heures de l\'année', fontsize=25) plt.ylabel('Production éolienne [kWh]', fontsize=25) plt.legend(fontsize = 20) plt.xticks(fontsize=20) plt.yticks(fontsize=20) #plt.title('Production éolienne en fonction du temps', fontsize=25) plt.legend(fontsize=20) plt.savefig('eolien') plt.show() # Calcul de la production totale production_hors_biomasse = production_photovoltaique/1000 + production_eolienne/1000 production_totale = production_photovoltaique/1000 + production_eolienne/1000 + production_biomasse_horaire_moy #[kWh] print(sum(production_totale), 'kWh (production totale)') #[kWh] # Tracé du graphique de la production totale plt.figure(figsize=(25, 15)) plt.plot(production_totale, label='Production totale', color='purple') plt.xlabel('Heures de l\'année', fontsize=25) plt.ylabel('Production totale [kWh]', fontsize=25) #plt.title('Production totale photovoltaïque, éolienne et biomasse', fontsize=25) plt.legend(fontsize = 20) plt.xticks(fontsize=20) plt.yticks(fontsize=20) plt.grid(True) plt.savefig('prodtot') plt.show() # Création du graphique combiné plt.figure(figsize=(25, 15)) # Tracer la production biomasse plt.plot(df_hourly_mean['dayofyear'], production_biomasse_horaire_moy, label='Production biomasse', color='green') # Tracer la production photovoltaïque plt.plot(df_hourly_mean['dayofyear'], production_photovoltaique/1000, label='Puissance photovoltaïque', color='orange') # Tracer la production éolienne plt.plot(df_hourly_mean['dayofyear'], production_eolienne/1000, label='Puissance éolienne', color='blue') # Tracer la production totale plt.plot(df_hourly_mean['dayofyear'], production_totale, label='Production totale', color='purple') # Ajouter les étiquettes et la légende plt.xlabel('Temps', fontsize=25) plt.ylabel('Production [kWh]', fontsize=25) #plt.title('Comparaison des productions biomasse, photovoltaïque et éolienne', fontsize=25) plt.legend(fontsize=20) plt.xticks(fontsize=20) plt.yticks(fontsize=20) plt.grid(True) plt.show() print(production_totale)

##Estimation des profils de production PV des ménages #Paramètres densité_pv = 1.5 #Nbre panneaux par habitant pop_lln = 10503 # Nbre habitant LLN (2021), Mémoire Théo Schepers panneaux = pop_lln * densité_pv #Nombre de panneaux a LLN surf_moy_panneau = 1.7 #[m^2]surface moyenne d'un PV ## Variable photovoltaïque Surf_panneaux = surf_moy_panneau * panneaux # Estimation de la surface de pv [m²] ens = df_hourly_mean['ens'] # Ensoleillement [W/m²] Ir = ens/1000 # Irradiation solaire [kWh/m²] Cp = 0.9 # Coefficient de performance de l'installation R_pv = 0.22 # Rendement des panneaux photovoltaïques # Calcul de la puissance photovoltaïque (kW) production_photovoltaique_men = Surf_panneaux * R_pv * Cp * ens # Rendement des panneaux photovoltaïques print(sum(production_photovoltaique_men/1000), 'kWh (production photovoltaïque totale)') # Tracer le graphique plt.figure(figsize=(25, 15)) plt.plot(df_hourly_mean['dayofyear'], production_photovoltaique/1000, label='Puissance photovoltaïque', color='orange') plt.xlabel('Temps', fontsize=25) plt.ylabel('Estimation de la production photovoltaïque des ménages (kWh)', fontsize=25) plt.title('Production photovoltaïque des ménages en fonction du temps', fontsize=25) plt.legend(fontsize=20) plt.xticks(fontsize=20) plt.yticks(fontsize=20) plt.grid(True) plt.show()

##### Calcul des consommations de l'UCLouvain ###### import matplotlib.pyplot as plt import matplotlib.dates as mdates from tabulate import tabulate # Importation des packages nécessaires import pandas as pd # Création de consommation horaire consommation_horaire = data4_resampled["puissance"] # Retirer les jours bissextiles consommation_horaire = remove_leap_day_data(consommation_horaire) # Concorder le début des consommations UCL avec celles des partenaires derniere_ligne = consommation_horaire.iloc[-1:] consommation_horaire = consommation_horaire.iloc[:-1] consommation_horaire = pd.concat([derniere_ligne, consommation_horaire], ignore_index=True) ## Création d'un tableau statistique # Calculer la consommation mensuelle consommation_mensuelle = data4_resampled.resample('M').sum() consommation_mensuelle_tracé = consommation_mensuelle['puissance'] / 1000 # Changement des unités : kWh => MWh # Calculer les statistiques mensuelles tableau_statistiques_mensuelles = data4_resampled['puissance'].resample('M').agg(['min', 'max', 'mean', 'sum']).round(2).reset_index() # Renommer les colonnes pour plus de clarté tableau_statistiques_mensuelles.columns = ['Mois', 'Minimum [kWh]', 'Maximum [kWh]', 'Moyenne [kWh]', 'Somme [MWh]'] # Convertir la colonne 'Somme [kWh]' en MWh tableau_statistiques_mensuelles['Mois'] = ['Janvier','Février','Mars','Avril','Mai','Juin','Juillet','Aout','Septembre','Octobre','Novembre','Décembre'] tableau_statistiques_mensuelles['Somme [MWh]'] = (tableau_statistiques_mensuelles['Somme [MWh]'] / 1000).round(2) # Afficher le tableau formaté tableau_formate = tabulate(tableau_statistiques_mensuelles, headers='keys', tablefmt='pretty', showindex=False) print(tableau_formate) ## Création du graphique de consomation mensuelle en bâtonnets plt.figure(figsize=(12, 6)) ax = consommation_mensuelle_tracé.plot(kind='bar', color='skyblue') month_labels = [pd.to_datetime(str(date)).strftime('%B') for date in consommation_mensuelle_tracé.index] ax.set_xticklabels(month_labels, rotation=45) plt.xticks(rotation=45) #plt.title('Consommation mensuelle totale 2022') plt.xlabel('Mois',) plt.ylabel('Consommation totale (MWh)') plt.show() ## Création du graphique de consommation annuel plt.figure(figsize=(40, 15)) plt.plot(consommation_horaire, label='consommation', color='green', linewidth=4) #plt.title('Consommation annuelle totale 2022', fontsize=40) plt.xlabel('Temps', fontsize=35) plt.ylabel('Consommation totale (kWh)', fontsize=35) plt.xticks(fontsize=30) plt.yticks(fontsize=30) plt.grid(True) plt.savefig('UCL') plt.show() ##Représentation hebdomadaire # Fonction pour tracer le graphique pour une semaine donnée def plot_week(data, start_date, end_date, title): # Filtrer les données pour la semaine donnée week_data = data[start_date:end_date] plt.figure(figsize=(15, 5)) plt.plot(week_data['puissance'], label='Consommation', color='blue', linewidth=1.5) plt.title(title, fontsize=16) plt.xlabel('Date', fontsize=20) plt.ylabel('Consommation (kWh)', fontsize=20) plt.grid(True) plt.xticks(rotation=45,fontsize=12) plt.yticks(fontsize=12) plt.savefig(title) plt.legend() plt.show() # Dates de début et de fin pour les semaines spécifiques dates_semaines = { 'Consommation première semaine de janvier': ('2022-01-01', '2022-01-07'), 'Consommation première semaine de mai': ('2022-05-02', '2022-05-08'), 'Consommation troisième semaine de juillet': ('2022-07-18', '2022-07-24'), 'Consommation mois de juillet': ('2022-07-01', '2022-07-31'), 'Consommation mois d aout' : ('2022-08-01','2022-08-31'), 'Consommation troisième semaine de decembre': ('2022-12-19', '2022-12-25') } # Tracer les graphiques pour chaque semaine for title, (start_date, end_date) in dates_semaines.items(): plot_week(data4, start_date, end_date, title)

### caalcule des profile de Consommation des ménages à LLN ### ##Import des packages from scipy.interpolate import make_interp_spline import pandas as pd ##Importation et lecture des données conso_menage = pd.read_csv (f"{current_WD}/ConsMen.csv", delimiter=';', decimal=',') df_menage = conso_menage.head(0) df_menage = df_menage.append(conso_menage) df_menage = df_menage.drop(8760) # Créer un nouvel index temporel index = pd.date_range(start='2021-01-01', end='2022-01-01', freq='H') # Supprimer la dernière valeur de l'index index = index[:-1] # Assigner le nouvel index à df_menage df_menage = df_menage.set_index(index) ##Création d'un tableau statistique # Calculer les statistiques mensuelles tableau_statistiques_menages = df_menage['conso_m [kWh]'].resample('M').agg(['min', 'max', 'mean', 'sum']).round(2).reset_index() # Renommer les colonnes pour plus de clarté tableau_statistiques_menages.columns = ['Mois', 'Minimum [kWh]', 'Maximum [kWh]', 'Moyenne [kWh]', 'Somme [MWh]'] # Convertir la colonne 'Somme [kWh]' en MWh tableau_statistiques_menages['Mois'] = ['Janvier', 'Février', 'Mars', 'Avril', 'Mai', 'Juin', 'Juillet', 'Aout', 'Septembre', 'Octobre', 'Novembre', 'Décembre'] tableau_statistiques_menages['Somme [MWh]'] = (tableau_statistiques_menages['Somme [MWh]'] / 1000).round(2) # Afficher le tableau formaté tableau_formate_menages = tabulate(tableau_statistiques_menages, headers='keys', tablefmt='pretty', showindex=False) print(tableau_formate_menages) ## Création du graphique de consommation annuelle plt.figure(figsize=(25, 15)) plt.plot(df_menage['Time of the year [kWh]'], df_menage['conso_m [kWh]']) plt.xlabel('Temps [heures]', fontsize=16) plt.ylabel('Consommation des ménages [kWh]', fontsize = 16) plt.xticks(fontsize=16) plt.yticks(fontsize=16) #plt.title('Consommation des ménages sur l année') plt.savefig('Conso_Men') plt.show #Représentation hebdomadaire # Fonction pour tracer le graphique pour une semaine donnée pour la consommation des ménages de LLN def plot_week_menage(data, start_date, end_date, title): # Filtrer les données pour la semaine donnée week_data = data[start_date:end_date] plt.figure(figsize=(15, 5)) plt.plot(week_data['conso_m [kWh]'], label='Consommation', color='green', linewidth=1.5) #plt.title(title, fontsize=16) plt.xlabel('Date', fontsize=18) plt.ylabel('Consommation (kWh)', fontsize=18) plt.grid(True) plt.xticks(rotation=45, fontsize=15) plt.yticks(fontsize=15) plt.legend() plt.savefig(title) plt.show() # Dates de début et de fin pour les semaines spécifiques des ménages à LLN dates_semaines_menage = { 'Consommation ménages deuxième semaine de janvier': ('2021-01-02', '2021-01-08') #'Consommation première semaine de mai': ('2021-05-03', '2021-05-09'), #'Consommation troisième semaine de juillet': ('2021-07-19', '2021-07-25'), #'Consommation mois de juillet': ('2021-07-01', '2021-07-31'), #'Consommation mois d aout' : ('2021-08-01','2021-08-31'), #'Consommation troisième semaine de decembre': ('2021-12-20', '2021-12-26') } # Tracer les graphiques pour chaque semaine des ménages à LLN for title, (start_date, end_date) in dates_semaines_menage.items(): plot_week_menage(df_menage, start_date, end_date, title) # Calculer la consommation annuelle total conso_men_tot= df_menage['conso_m [kWh]'].sum() print ("Consommation annuelle (GWh, 2021)':", conso_men_tot/1000000)

### Consommation des bus éléctrique passant par LLN ### # Livraison de 38 bus 100% électriques dans les 2 ans --> hypothèse! ##Variables kmBW= 6230713 #km parcouru dans le BW https://rapportannuel.letec.be/rapport/#amelioration-offre-transport nbr_bus = 94 #nombre de bus (flotte) dans le BW https://rapportannuel.letec.be/rapport/#amelioration-offre-transport kmBW_1=kmBW/nbr_bus #km parcouru pour un bus dans le BW https://rapportannuel.letec.be/rapport/#amelioration-offre-transport kmBUS=kmBW_1/(356) #km parcouru pour une journée par 1 bus kmBUS_h=kmBW_1/(356*15) #km parcouru par heure par 1 bus (sachant qu'il ne consomme que 15h par jour) conso_busE_km = 1.6 #kWh/km https://roulezelectrique.com/autobus-electriques-vs-autobus-hybrides-lelectricite-plus-chere-que-le-diesel-a-moins-de-53-000-kmannee/ conso_busE = conso_busE_km*kmBUS #consommation d'un bus par journée conso_busE_h = conso_busE_km*kmBUS_h #consommation d'un bus par heure #print(conso_busE_h) ##Calcul de la capacité de la batterie pendant une semaine type # Initialiser la valeur valeur = conso_busE # Initialiser une liste pour stocker les valeurs valeurs_liste = [conso_busE] #Première boucle - retirer la consommation d'un bus pour une heure à chaque heure while valeur >= 0: valeurs_liste.append(valeur) valeur -= conso_busE_h # Deuxième boucle - ajouter 50 à la dernière valeur de la première boucle derniere_valeur = valeurs_liste[-1] nouvelles_valeurs_liste = [] while derniere_valeur <= conso_busE: nouvelles_valeurs_liste.append(derniere_valeur) derniere_valeur += 50 derniere_heure = [conso_busE] # Concaténer les deux listes resultat_liste = valeurs_liste + nouvelles_valeurs_liste + derniere_heure # Créer un DataFrame à partir de la liste combinée df_bus = pd.DataFrame({'Valeur': resultat_liste}) derniere_valeur_2 = nouvelles_valeurs_liste[-1] ##Création d'un semaine type bus_5 = resultat_liste*5 liste_selectionnee = [valeur if valeur >= 98 else 98 for valeur in resultat_liste] bus_WK = [] bus_WK = liste_selectionnee *2 bus_sem = bus_5 + bus_WK df_bus_sem = pd.DataFrame({'Valeur': bus_sem}) #Représentation de la capacité de la batterie pendant cette semaine type plt.figure(figsize=(25, 15)) plt.plot(df_bus_sem.index/24, df_bus_sem['Valeur'], label='Consommation') plt.xticks(fontsize=20) plt.yticks(fontsize=20) #plt.title('Capacité de la batterie', fontsize = 20) plt.xlabel('Temps [jours]', fontsize = 20) plt.ylabel('Production [kWh]', fontsize = 20) plt.legend(loc='upper right', fontsize = 10) plt.savefig('Bus_semaine_type') ##Consommation du bus (ce que la borne de recharge lui donne) pendant une semaine type # Créer un DataFrame avec un index de 0 à 23 df_bus_new = pd.DataFrame(index=range(24)) df_bus_new['Conso'] = 0 df_bus_new.loc[:5, 'Conso'] = 50 df_bus_semaine = pd.concat([df_bus_new.copy().assign(jour=i) for i in range(7)], ignore_index=True) #Représentation des consommation du bus plt.figure(figsize=(25, 15)) plt.plot(df_bus_semaine.index/24, df_bus_semaine['Conso'], label='Consommation') plt.xticks(fontsize=20) plt.yticks(fontsize=20) #plt.title('Consommation d un bus', fontsize = 20) plt.xlabel('Temps [jours]', fontsize = 25) plt.ylabel('Consommation [kWh]', fontsize = 25) plt.legend(loc='upper right', fontsize = 20) plt.savefig('Conso_BUS') ##Calcul de la consommation annuelle du bus df_bus_annee_new = pd.concat([df_bus_semaine] *52, ignore_index=True) premiere_jour = df_bus_annee_new.head(24) # Concaténer le DataFrame avec les 24 premières lignes à la fin df_bus_annee_new = pd.concat([df_bus_annee_new, premiere_jour], ignore_index=True) # Afficher le DataFrame après les modifications #print(df_bus_annee_new) # Visualisation de la time series sur une année #plt.figure(figsize=(25, 15)) #plt.plot(df_bus_annee_new.index/24, df_bus_annee_new['Conso']) #plt.xlabel('Temps') #plt.ylabel('Conso [kWh]') #plt.title('Time Series sur une année') #plt.show() #Résultats de consommation annuelle conso_bus_ann_new = df_bus_annee_new['Conso'].sum() print("La consommation annuelle du bus est :", conso_bus_ann_new, '[kWh]') #print(df_bus_semaine) #print(df_bus_annee_new) ##Scénario : 38 bus électriques qui circulent à LLN # Visualisation de la time series sur une année #plt.figure(figsize=(25, 15)) #plt.plot(df_bus_annee_new.index/24, (df_bus_annee_new['Conso'])*38) #plt.xlabel('Temps') #plt.ylabel('Conso') #plt.title('Time Series sur une année') #plt.show() # Consommation annuelle conso_bus_ann_new = df_bus_annee_new['Conso'].sum() print("La consommation annuelle des 38 bus est :", conso_bus_ann_new*38, '[kWh]')

### Consommation des batiments communaux à LLN ### ##Variable consommation_annuelle_communale = 1712842.58 # [kWh] - Consommation totale de tous les batiments communaux en 2022 ##Construction du profil communal avec le profil de l'UCL (Hypothèses : ils ont la même tendance de consommation) # Calcul de la moyenne horaire de l'UCLouvain moyenne_uclouvain = consommation_horaire.mean() # Calcul du facteur d'ajustement pour la commune facteur_ajustement = consommation_annuelle_communale / (moyenne_uclouvain * len(consommation_horaire)) # Ajustement du profil annuel de la commune en fonction du profil horaire de l'UCLouvain profil_annuel_communal_ajuste = consommation_horaire * facteur_ajustement # Affichage des résultats print("Moyenne horaire de l'UCLouvain :", moyenne_uclouvain) print("Facteur d'ajustement pour la commune :", facteur_ajustement) #print("Profil annuel communal ajusté :\n", profil_annuel_communal_ajuste) ## Création du graphique de consommation annuel plt.figure(figsize=(40, 15)) plt.plot(profil_annuel_communal_ajuste, label='consommation', color='red', linewidth=4) #plt.title("Consommation annuelle totale de la commune", fontsize=40) plt.xlabel('Temps', fontsize=35) plt.ylabel('Consommation totale [kWh]', fontsize=35) plt.xticks(fontsize=30) plt.yticks(fontsize=30) plt.grid(True) plt.savefig('Conso_COMM') plt.show() plt.figure(figsize=(40, 15)) plt.plot(profil_annuel_communal_ajuste[0:168], label='consommation', color='red', linewidth=4) #plt.title("Consommation annuelle totale de la commune", fontsize=40) plt.xlabel('Temps', fontsize=40) plt.ylabel('Consommation totale [kWh]', fontsize=40) plt.xticks(fontsize=30) plt.yticks(fontsize=30) plt.grid(True) plt.savefig('Conso_COMM_hebdo') plt.show()

### Consommation des batiments du Parc scientifiques de LLN ### ##Variables conso_parc_annuel = 30000000 #kWh - Energie donnée par l'UCL au Parc sur un an # idéal = 28541011 conso_parc_horaire = conso_parc_annuel/8760 #kWh - Energie donnée par l'UCL par heure ##Visualisation de la consommation annuelle du Parc #Création de l'index index = pd.date_range(start='2021-01-01', end='2021-12-31 23:00:00', freq='H') # Créer un DataFrame avec la même valeur pour chaque heure df_parc = pd.DataFrame(index=index, columns=['consommation'], data=conso_parc_horaire) #Représentation plt.figure(figsize=(40, 15)) plt.plot(df_parc['consommation']) plt.title('Consommation annuelle totale du Parc Scientifique', fontsize=40) plt.xlabel('Temps', fontsize=35) plt.ylabel('Consommation totale (kWh)', fontsize=35) plt.xticks(fontsize=30) plt.yticks(fontsize=30) plt.grid(True) plt.show()

###Consommation totale de la CER### TOT_conso = pd.DataFrame(index=range(1,8761), columns=["date", "conso UCL",'conso_menage','conso_TEC']) TOT_conso['date']=consommation_horaire.index TOT_conso['conso UCL'] = consommation_horaire.values TOT_conso['conso_menage'] = df_menage['conso_m [kWh]'].values TOT_conso['conso_TEC'] = df_bus_annee_new.values TOT_conso['conso_Com'] = profil_annuel_communal_ajuste.values TOT_conso['conso_Parc'] = df_parc['consommation'].values print(TOT_conso) CONS = TOT_conso[['conso UCL']].values + TOT_conso[['conso_menage']].values +TOT_conso[['conso_TEC']].values +TOT_conso[['conso_Com']].values#+TOT_conso[['conso_Parc']].values print(CONS)

# Create a stackplot prod_S2 = sum(production_eolienne)/1000+sum(production_photovoltaique)/1000+production_biomasse_anuelle print(prod_S2) plt.figure(figsize=(30, 15)) plt.stackplot( df_hourly_mean.index[:]/24, production_biomasse_horaire_moy[:], production_photovoltaique[:]/1000, production_eolienne[:]/1000, labels=['Biomass', 'Photovoltaic', 'Wind'], colors=['green','orange', 'b'] ) plt.plot( df_hourly_mean.index[:]/24, TOT_conso[['conso UCL']].values, label='Consommation UCL', color='red',linewidth=5) plt.axhline(0, color='black', linestyle='--', linewidth=2) # Add labels and legend #plt.title("consomation et production annuelles de l'UCL pour le Senario 2",fontsize = 30) plt.xlabel('Time [days]',fontsize = 30) plt.ylabel('Production [kWh]',fontsize = 30) plt.legend(loc='upper left',fontsize = 25) plt.xticks(fontsize=25) plt.yticks(fontsize=25) # Show the plot plt.savefig('Production annuelle full et consommation UCL') plt.show()

# Create a stackplot prod_S3 = sum(production_photovoltaique)/1000+production_biomasse_anuelle print(prod_S3) plt.figure(figsize=(35, 25)) plt.stackplot( df_hourly_mean.index[:]/24, production_biomasse_horaire_moy[:], production_photovoltaique[:]/1000, labels=['Biomass', 'Photovoltaic'] ) plt.plot( df_hourly_mean.index[:]/24, TOT_conso[['conso UCL']].values, label='Consommation UCL', color='red',linewidth=5) plt.axhline(0, color='black', linestyle='--', linewidth=2) # Add labels and legend plt.xlabel('Time [days]',fontsize=30) plt.ylabel('Production [kWh]',fontsize=30) #plt.title("consomation et production annuelles de l'UCL pour le Senario 3",fontsize = 30) plt.legend(loc='upper left',fontsize=25) plt.xticks(fontsize=25) plt.yticks(fontsize=25) # Show the plot plt.savefig('Production annuelle photo bio et consommation UCL') plt.show()

# Create a stackplot prod_S4 = sum(production_eolienne)/1000+production_biomasse_anuelle print(prod_S4) plt.figure(figsize=(35, 25)) plt.stackplot( df_hourly_mean.index[:]/24, production_biomasse_horaire_moy[:], production_eolienne[:]/1000, labels=['Biomass', 'Wind'] ) plt.plot( df_hourly_mean.index[:]/24, TOT_conso[['conso UCL']].values, label='Consommation UCL', color='red',linewidth=5) plt.axhline(0, color='black', linestyle='--', linewidth=2) # Add labels and legend plt.xlabel('Time [days]',fontsize=30) plt.ylabel('Production [kWh]',fontsize=30) #plt.title("consomation et production annuelles de l'UCL pour le Senario 4",fontsize = 30) plt.legend(loc='upper left',fontsize=25) plt.xticks(fontsize=25) plt.yticks(fontsize=25) # Show the plot plt.savefig('Production annuelle eol bio et consommation UCL') plt.show()

# Create a stackplot prod_S5 = sum(production_eolienne)/1000+sum(production_photovoltaique)/1000 print(prod_S5) plt.figure(figsize=(15, 10)) plt.stackplot( df_hourly_mean.index[:]/24, production_photovoltaique[:]/1000, production_eolienne[:]/1000, labels=['Photovoltaic', 'Wind'] ) plt.plot( df_hourly_mean.index[:]/24, TOT_conso[['conso UCL']].values, label='Consommation UCL', color='red',linewidth=5) plt.axhline(0, color='black', linestyle='--', linewidth=2) # Add labels and legend plt.xlabel('Time [days]',fontsize=15) plt.ylabel('Production [kWh]',fontsize=15) #plt.title("consomation et production annuelles de l'UCL pour le sénario 5",fontsize = 30) plt.legend(loc='upper left',fontsize=10) plt.xticks(fontsize=10) plt.yticks(fontsize=10) # Show the plot plt.savefig('Production annuelle photo eol et consommation UCL') plt.show()

# Create a stackplot prod_S2 = sum(production_eolienne)/1000+sum(production_photovoltaique)/1000+production_biomasse_anuelle print(prod_S2) plt.figure(figsize=(35, 25)) plt.stackplot( df_hourly_mean.index[0:168]/24, production_biomasse_horaire_moy[0:168], production_photovoltaique[0:168]/1000, production_eolienne[0:168]/1000, labels=['Biomass', 'Photovoltaic', 'Wind'], colors=['green','orange', 'b'] ) plt.plot( df_hourly_mean.index[0:168]/24, TOT_conso.iloc[0:168,1].values, label='Consommation UCL', color='red',linewidth=5) plt.axhline(0, color='black', linestyle='--', linewidth=2) # Add labels and legend plt.xlabel('Time [days]',fontsize=45) plt.ylabel('Production [kWh]',fontsize=45) #plt.title("consomation et production annuelles de l'UCL pour le sénario 2",fontsize = 30) plt.legend(loc='upper left',fontsize=35) plt.xticks(fontsize=25) plt.yticks(fontsize=25) plt.ylim(0, 17000) # Show the plot plt.savefig('Production hebdo full et consommation UCL ') plt.show()

# Create a stackplot prod_S3 = sum(production_photovoltaique)/1000+production_biomasse_anuelle print(prod_S3) plt.figure(figsize=(35, 25)) plt.stackplot( df_hourly_mean.index[0:168]/24, production_biomasse_horaire_moy[0:168], production_photovoltaique[0:168]/1000, labels=['Biomass', 'Photovoltaic'], colors=['green','orange' ] ) plt.plot( df_hourly_mean.index[0:168]/24, TOT_conso.iloc[0:168,1].values, label='Consommation UCL', color='red',linewidth=5) plt.axhline(0, color='black', linestyle='--', linewidth=2) # Add labels and legend plt.xlabel('Time [days]',fontsize=45) plt.ylabel('Production [kWh]',fontsize=45) plt.legend(loc='upper left',fontsize=35) plt.xticks(fontsize=25) plt.yticks(fontsize=25) plt.ylim(0, 17000) # Show the plot plt.savefig('Production hebdo sol bio et consommation UCL ') plt.show()

# Create a stackplot prod_S4 = sum(production_eolienne)/1000+production_biomasse_anuelle print(prod_S4) plt.figure(figsize=(35, 25)) plt.stackplot( df_hourly_mean.index[0:168]/24, production_biomasse_horaire_moy[0:168], production_eolienne[0:168]/1000, labels=['Biomass', 'Wind'], colors=['green', 'b'] ) plt.plot( df_hourly_mean.index[0:168]/24, TOT_conso.iloc[0:168,1].values, label='Consommation UCL', color='red',linewidth=5) plt.axhline(0, color='black', linestyle='--', linewidth=2) # Add labels and legend plt.xlabel('Time [days]',fontsize=45) plt.ylabel('Production [kWh]',fontsize=45) #plt.title("Profil de consomation et production hebdomadaire de l'UCL pour le sénario 4",fontsize = 30) plt.legend(loc='upper left',fontsize=35) plt.xticks(fontsize=25) plt.yticks(fontsize=25) plt.ylim(0, 17000) # Show the plot plt.savefig('Production hebdo eol bio et consommation UCL ') plt.show()

# Create a stackplot prod_S5 = sum(production_eolienne)/1000+sum(production_photovoltaique)/1000 print(prod_S5) plt.figure(figsize=(35, 25)) plt.stackplot( df_hourly_mean.index[0:168]/24, production_photovoltaique[0:168]/1000, production_eolienne[0:168]/1000, labels=['Photovoltaic', 'Wind'], colors=['orange', 'b'] ) plt.plot( df_hourly_mean.index[0:168]/24, TOT_conso.iloc[0:168,1].values, label='Consommation UCL', color='red',linewidth=5) plt.axhline(0, color='black', linestyle='--', linewidth=2) # Add labels and legend plt.xlabel('Time [days]',fontsize=45) plt.ylabel('Production [kWh]',fontsize=45) #plt.title("Profil de consomation et production hebdomadaire de l'UCL pour le Senario 5",fontsize = 30) plt.legend(loc='upper left',fontsize=35) plt.xticks(fontsize=25) plt.yticks(fontsize=25) plt.ylim(0, 17000) # Show the plot plt.savefig('Production hebdo sol eol et consommation UCL ') plt.show()

# Create a stackplot #prod_S[] = sum(production_eolienne)/1000+sum(production_photovoltaique)/1000+production_biomasse_anuelle #print(prod_S2) production_biomasse_j=np.zeros(365) production_photovoltaique_j=np.zeros(365) production_eolienne_j=np.zeros(365) CONS_j=np.zeros(365) j=np.zeros(365) daily_biomass_production = np.full(365, production_biomasse_anuelle / 365) for i in range(365): #production_biomasse_j[i:] = sum(production_biomasse_anuelle[24*i:24*(i+1)]) production_photovoltaique_j[i] = sum(production_photovoltaique[24*i:24*(i+1)]) production_eolienne_j[i]= sum(production_eolienne[24*i:24*(i+1)]) CONS_j[i] = sum(CONS[24*i:24*(i+1)]) j[i] = i plt.figure(figsize=(25, 15)) plt.stackplot( j, daily_biomass_production, production_photovoltaique_j/1000, production_eolienne_j/1000, labels=['Biomass', 'Photovoltaic', 'Wind'], colors=['green','orange', 'b'] ) plt.plot( j, CONS_j, label='Consommation', color='red',linewidth=5) plt.axhline(0, color='black', linestyle='--', linewidth=2) # Add labels and legend plt.xlabel('Time [days]', fontsize= 32) plt.ylabel('Production [kWh]', fontsize= 32) plt.legend(loc='upper left', fontsize= 25) plt.xticks(fontsize=25) plt.yticks(fontsize=25) # Show the plot plt.savefig('Somme journalière de la production annuelle full et consommation tot') plt.show()

# Create a stackplot prod_S2 = sum(production_eolienne)/1000+sum(production_photovoltaique)/1000+production_biomasse_anuelle print(prod_S2) plt.figure(figsize=(25, 15)) plt.stackplot( df_hourly_mean.index[:]/24, production_biomasse_horaire_moy[:], production_photovoltaique[:]/1000, production_eolienne[:]/1000, labels=['Biomass', 'Photovoltaic', 'Wind'], colors=['green','orange', 'b'] ) plt.plot( df_hourly_mean.index[:]/24, CONS[0:8760], label='Consommation', color='red',linewidth=5) plt.axhline(0, color='black', linestyle='--', linewidth=2) # Add labels and legend plt.xlabel('Time [days]') plt.ylabel('Production [kWh]') plt.legend(loc='upper left') # Show the plot plt.savefig('Production annuelle full et consommation tot') plt.show()

# Create a stackplot prod_S2 = sum(production_eolienne)/1000+sum(production_photovoltaique)/1000+production_biomasse_anuelle print(prod_S2) plt.figure(figsize=(25, 15)) plt.stackplot( df_hourly_mean.index[0:168]/24, production_biomasse_horaire_moy[0:168], production_photovoltaique[0:168]/1000, production_eolienne[0:168]/1000, labels=['Biomass', 'Photovoltaic', 'Wind'], colors=['green','orange', 'b'] ) plt.plot( df_hourly_mean.index[0:168]/24, CONS[0:168], label='Consommation', color='red',linewidth=5) plt.axhline(0, color='black', linestyle='--', linewidth=2) # Add labels and legend plt.xlabel('Time [days]', fontsize=20) plt.ylabel('Production [kWh]', fontsize=20) plt.legend(loc='upper left', fontsize=18) plt.xticks(fontsize=20) plt.yticks(fontsize=20) # Show the plot plt.savefig('Production hebdo full et consommation tot') plt.show()

prod_S3 = sum(production_photovoltaique)/1000+production_biomasse_anuelle print(prod_S3) # Create a stackplot plt.figure(figsize=(25, 15)) plt.stackplot( df_hourly_mean.index[0:168]/24, production_biomasse_horaire_moy[0:168], production_photovoltaique[0:168]/1000, labels=['Biomass', 'Photovoltaic'], colors=['green','orange'] ) plt.plot( df_hourly_mean.index[0:168]/24, CONS[0:168], label='Consommation', color='red',linewidth=5) plt.axhline(0, color='black', linestyle='--', linewidth=2) # Add labels and legend plt.xlabel('Time [days]') plt.ylabel('Production [kWh]') plt.legend(loc='upper left') # Show the plot plt.savefig('Production hebdo sol bio et consommation tot') plt.show()

prod_S4 = sum(production_eolienne)/1000+production_biomasse_anuelle print(prod_S4) # Create a stackplot plt.figure(figsize=(25, 15)) plt.stackplot( df_hourly_mean.index[0:168]/24, production_biomasse_horaire_moy[0:168], production_eolienne[0:168]/1000, labels=['Biomass', 'Wind'], colors=['green', 'b'] ) plt.plot( df_hourly_mean.index[0:168]/24, CONS[0:168], label='Consommation', color='red',linewidth=5) plt.axhline(0, color='black', linestyle='--', linewidth=2) # Add labels and legend plt.xlabel('Time [days]') plt.ylabel('Production [kWh]') plt.legend(loc='upper left') # Show the plot plt.savefig('Production hebdo eol bio et consommation tot') plt.show()

prod_S5 = sum(production_eolienne)/1000+sum(production_photovoltaique)/1000 print(prod_S5) # Create a stackplot plt.figure(figsize=(25, 15)) plt.stackplot( df_hourly_mean.index[0:168]/24, production_photovoltaique[0:168]/1000, production_eolienne[0:168]/1000, labels=[ 'Photovoltaic','Wind'], colors=['orange', 'b'] ) plt.plot( df_hourly_mean.index[0:168]/24, CONS[0:168], label='Consommation', color='red',linewidth=5) plt.axhline(0, color='black', linestyle='--', linewidth=2) # Add labels and legend plt.xlabel('Time [days]') plt.ylabel('Production [kWh]') plt.legend(loc='upper left') # Show the plot plt.savefig('Production hebdo eol sol et consommation tot') plt.show()

np.set_printoptions(suppress=True, precision=2) ### Calcul des surplus hebdomadaires pour le scénario 1 ### i=0 surplus_mat1 = np.zeros((52,2),dtype=float) for i in range(52): surplus = sum(production_photovoltaique[168*i:168*(i+1)])/1000 + sum(production_biomasse_horaire_moy[168*i:168*(i+1)]) + sum(production_eolienne[168*i:168*(i+1)])/1000-sum(CONS[168*i:168*(i+1)]) if sum(TOT_conso.iloc[168*i:168*(i+1),1]) ==0 : surplus_mat1[i,1]= float('NaN') surplus_mat1[i,0] = i else : surplus_mat1[i,1]=surplus surplus_mat1[i,0] = i print(max(surplus_mat1[:,1]))

### Calcul des surplus hebdomadaires pour le scénario 2 ### i=0 surplus_mat2 = np.zeros((52,2)) for i in range(52): surplus = sum(production_photovoltaique[168*i:168*(i+1)])/1000+sum(production_biomasse_horaire_moy[168*i:168*(i+1)])-sum(CONS[168*i:168*(i+1)]) if sum(TOT_conso.iloc[168*i:168*(i+1),1]) ==0 : surplus_mat2[i,1]= float('NaN') surplus_mat2[i,0] = i else : surplus_mat2[i,1]=surplus surplus_mat2[i,0] = i print(max(surplus_mat2[:,1]))

### Calcul des surplus hebdomadaire pour le scénario 3 ### i=0 surplus_mat3 = np.zeros((52,2),dtype=float) for i in range(52): surplus = sum(production_biomasse_horaire_moy[168*i:168*(i+1)]) + sum(production_eolienne[168*i:168*(i+1)])/1000-sum(CONS[168*i:168*(i+1)]) if sum(TOT_conso.iloc[168*i:168*(i+1),1]) ==0 : surplus_mat3[i,1] = float('NaN') surplus_mat3[i,0] = i else : surplus_mat3[i,1]=surplus surplus_mat3[i,0] = i print(max(surplus_mat3[:,1]))

### Calcul des surplus hebdomadaire du scénario 4 ### i=0 surplus_mat4 = np.zeros((52,2),dtype=float) for i in range(52): surplus = sum(production_photovoltaique[168*i:168*(i+1)])/1000 + sum(production_eolienne[168*i:168*(i+1)])/1000-sum(CONS[168*i:168*(i+1)]) if sum(TOT_conso.iloc[168*i:168*(i+1),1]) ==0 : surplus_mat4[i,1] = float('nan') surplus_mat4[i,0] = i else : surplus_mat4[i,1]=surplus surplus_mat4[i,0] = i print(max(surplus_mat4[:,1]))

### Représentation des surplus de chaque scénario sur un an ### plt.figure(figsize=(25, 15)) plt.plot( surplus_mat1[:,1], label='Surplus BIO + PV + EOL', color ='red') plt.plot( surplus_mat2[:,1], label='Surplus BIO + PV',color ='green') plt.plot( surplus_mat3[:,1], label='Surplus BIO + EOL',color ='black' ) plt.plot( surplus_mat4[:,1], label='Surplus EOL + PV',color ='blue' ) plt.axhline(0, color='black', linestyle='--', linewidth=2) plt.legend(loc='upper left', fontsize=12) plt.xlabel('Time [week]') plt.ylabel('bilan [Wh]') plt.title('somme des surplus tot/semaines') plt.savefig('Bilan surplus annuel avec conso tot ') plt.show()

### Calcul des surplus hebdomadaires pour le scénario 1 ### i=0 surplus_UCL1 = np.zeros((52,2),dtype=float) for i in range(52): surplus = sum(production_photovoltaique[168*i:168*(i+1)])/1000 + sum(production_biomasse_horaire_moy[168*i:168*(i+1)]) + sum(production_eolienne[168*i:168*(i+1)])/1000-sum(TOT_conso.iloc[168*i:168*(i+1),1].values) if sum(TOT_conso.iloc[168*i:168*(i+1),1]) ==0 : surplus_UCL1[i,1]= float('NaN') surplus_UCL1[i,0] = i else : surplus_UCL1[i,1]=surplus surplus_UCL1[i,0] = i print(max(surplus_UCL1[:,1]))

### Calcul des surplus hebdomadaires pour le scénario 2 ### i=0 surplus_UCL2 = np.zeros((52,2),dtype=float) for i in range(52): surplus = sum(production_photovoltaique[168*i:168*(i+1)])/1000 + sum(production_biomasse_horaire_moy[168*i:168*(i+1)]) -sum(TOT_conso.iloc[168*i:168*(i+1),1].values) if sum(TOT_conso.iloc[168*i:168*(i+1),1]) ==0 : surplus_UCL2[i,1]= float('NaN') surplus_UCL2[i,0] = i else : surplus_UCL2[i,1]=surplus surplus_UCL2[i,0] = i print(max(surplus_UCL2[:,1]))

### Calcul des surplus hebdomadaires pour le scénario 3 ### i=0 surplus_UCL3 = np.zeros((52,2),dtype=float) for i in range(52): surplus = sum(production_biomasse_horaire_moy[168*i:168*(i+1)]) + sum(production_eolienne[168*i:168*(i+1)])/1000-sum(TOT_conso.iloc[168*i:168*(i+1),1].values) if sum(TOT_conso.iloc[168*i:168*(i+1),1]) ==0 : surplus_UCL3[i,1]= float('NaN') surplus_UCL3[i,0] = i else : surplus_UCL3[i,1]=surplus surplus_UCL3[i,0] = i print(max(surplus_UCL3[:,1]))

### Calcul des surplus hebdomadaires pour le scénario 4 ### i=0 surplus_UCL4 = np.zeros((52,2),dtype=float) for i in range(52): surplus = sum(production_photovoltaique[168*i:168*(i+1)])/1000 + sum(production_eolienne[168*i:168*(i+1)])/1000-sum(TOT_conso.iloc[168*i:168*(i+1),1].values) if sum(TOT_conso.iloc[168*i:168*(i+1),1]) ==0 : surplus_UCL4[i,1]= float('NaN') surplus_UCL4[i,0] = i else : surplus_UCL4[i,1]=surplus surplus_UCL4[i,0] = i print(max(surplus_UCL4[:,1])) #print(surplus_UCL4)

plt.figure(figsize=(25, 15)) plt.plot( surplus_UCL1[:,1], label='Surplus BIO + PV + EOL', color ='red') plt.plot( surplus_UCL2[:,1], label='Surplus BIO + PV',color ='green') plt.plot( surplus_UCL3[:,1], label='Surplus BIO + EOL',color ='black' ) plt.plot( surplus_UCL4[:,1], label='Surplus EOL + PV',color ='blue' ) plt.axhline(0, color='black', linestyle='--', linewidth=2) plt.legend(loc='upper left', fontsize=12) plt.xlabel('Time [week]') plt.ylabel('bilan [Wh]') plt.title('somme des surplus UCL/semaines') plt.savefig('Bilan surplus annuel avec conso UCL ') plt.show()

### Représentation des surplus chaque demi-journée sur une année pour le scénario 2 ### ## Calcul du surplus i=0 surplus_h_S1 = np.zeros((730,2)) for i in range(730): surplus = sum(production_photovoltaique[12*i:12*(i+1)])/1000 + sum(production_eolienne[12*i:12*(i+1)])/1000+sum(production_biomasse_horaire_moy[12*i:12*(i+1)])-sum(CONS[12*i:12*(i+1)]) if sum(TOT_conso.iloc[12*i:12*(i+1),1]) ==0 : surplus_h_S1[i,1]= float('NaN') surplus_h_S1[i,0] = i else : surplus_h_S1[i,1]=surplus surplus_h_S1[i,0]= i print(surplus_h_S1) ## Déterminer les incertitudes #Cacul des quantiles q1, q3 = np.nanpercentile(surplus_h_S1[:, 1], [25, 75]) # Calculer l'IQR (écart interquartile) iqr = q3 - q1 print(iqr) # Définir les limites pour identifier les outliers lower_bound = q1 - 1.5 * iqr upper_bound = q3 + 1.5 * iqr # Filtrer les valeurs non-outliers surplus_no_outliers = surplus_h_S1[(surplus_h_S1[:, 1] >= lower_bound) & (surplus_h_S1[:, 1] <= upper_bound)] max_surpl = np.max(surplus_no_outliers) ## Représentation des données sans outliers plt.plot(surplus_h_S1[:, 1], label='Surplus', color='red') plt.plot(surplus_no_outliers[:, 1], label='Surplus sans outliers', color='green') plt.xlabel('Index') plt.ylabel('Valeur de Surplus en kWh') plt.legend() plt.savefig("surplus") plt.show() print(f"La valeur maximale de surplus à stocker est de {max_surpl}")

# parametre generaux taux_emission_be = 220 #[gCO2eq/kWh] https://base-empreinte.ademe.fr/donnees/jeu-donnees taux_emission_cogen = 515 #[gCO2eq/kWh] https://app.electricitymaps.com/zone/BE taux_emission_eolien= 14.1 #[gCO2eq/kWh] https://www.hellocarbo.com/blog/calculer/bilan-carbone-eolienne-etude/ taux_emission_solaire = 34.55 #[gCO2eq/kWh] https://www.hellocarbo.com/blog/calculer/bilan-carbone-eolienne-etude/ taux_emission_biomasse = 230 #[gCO2eq/kWh] https://app.electricitymaps.com/zone/BE # = 0.7 # = 202.312 inv_eol = 24000000 inv_bio = 53000000 inv_cogen = 2400000 prix_exploit_sol = 5 #€/kWh prix_exploit_eol = 20 #€/MWh prix_revente = 0.15 #€/kWh vie = 25 prix_achat_UCl =0.28 #€/kWh

import pandas as pd scenarios = pd.DataFrame(index=range(1, 21), columns=["Scenario 1", "Scenario 2", "Scenario 3", "Scenario 4", "Scenario 5"]) scenarios.rename(index={1: "Cout d'investissement PV"}, inplace=True) scenarios.rename(index={2: "Cout d'investissement eolien"}, inplace=True) scenarios.rename(index={3: "Cout d'investissement Biomasse"}, inplace=True) #45M€ / 50 à 60€ par MWh -> repris des chiffre de la central mais mieux si la source n'est pas le journal : https://www.lecho.be/dossier/choixredac/la-centrale-biomasse-wallonne-plus-chere-que-l-eolien-ou-le-photovoltaique/9901762.html scenarios.rename(index={4: "Cout d'investissement cogen"}, inplace=True) scenarios.rename(index={5: "Cout d'exploitation PV [€/an]"}, inplace=True) # #https://www.photovoltaique.info/fr/preparer-un-projet/quelles-demarches-realiser/choisir-son-modele-economique/#tab-content scenarios.rename(index={6: "Cout d'exploitation eolien [€/an]"}, inplace=True) # https://www.uvcw.be/energie/vos-questions/art-1327 scenarios.rename(index={7: "Cout d'exploitation Biomasse [€/an]"}, inplace=True) #aucune info scenarios.rename(index={8: "cout d'exploitation cogen [€/an]"}, inplace=True) #aucune info marmourad reponds pas scenarios.rename(index={9: "Revenus annuels"}, inplace=True) scenarios.rename(index={10: "Production_totale [kWh/an]"}, inplace=True) scenarios.rename(index={11: "Durée de vie"}, inplace=True) scenarios.rename(index={12: "Production PV [kWh/an]"}, inplace=True) scenarios.rename(index={13: "Production eolien [kWh/an]"}, inplace=True) scenarios.rename(index={14: "Production Biomasse [kWh/an]"}, inplace=True) scenarios.rename(index={15: "Nombre de consommateurs"}, inplace=True) #à adapter scenarios.rename(index={16: "Nombre de producteurs"}, inplace=True) scenarios.rename(index={17: "Capacité de stockage requise [kWh]"}, inplace=True) #encore à définir scenarios.rename(index={18: "Prise sur le réseau UCL[kWh/an]"}, inplace=True) #verifier scenarios.rename(index={19: "Consommation [kWh/an]"}, inplace=True) #verifier scenarios.rename(index={20: "Investissement stockage €"}, inplace=True) #à definir scenarios.rename(index={21: "Economie annuelles nettes"}, inplace=True) # à verifier nan_indices = np.isnan(CONS) CONS = CONS[~np.isnan(CONS)] nan_indices = np.isnan(TOT_conso) TOT_conso = TOT_conso.dropna() scenarios.loc["Cout d'investissement PV", ["Scenario 1", "Scenario 2", "Scenario 3","Scenario 4", "Scenario 5"]] = 0,0.7 * 202.312 * S,0.7 * 202.312 * S,0,0.7 * 202.312 * S # valeur ok scenarios.loc["Cout d'investissement eolien", ["Scenario 1", "Scenario 2", "Scenario 3","Scenario 4", "Scenario 5"]] = [0,24000000,0,24000000,24000000] # donnée de didier https://www.uvcw.be/energie/vos-questions/art-1327 scenarios.loc["Cout d'investissement Biomasse", ["Scenario 1", "Scenario 2", "Scenario 3","Scenario 4", "Scenario 5"]] = [0,53000000,53000000,53000000,0] scenarios.loc["Cout d'exploitation PV [€/an]", ["Scenario 1", "Scenario 2", "Scenario 3","Scenario 4", "Scenario 5"]] = (0, 5*S*202.312/1000, 5*S*202.312/1000 , 0 ,5*S*202.312/1000 ) scenarios.loc["Cout d'exploitation eolien [€/an]", ["Scenario 1", "Scenario 2", "Scenario 3","Scenario 4", "Scenario 5"]] = [0,sum(production_eolienne)/1000000*20,0,sum(production_eolienne)/1000000*20,sum(production_eolienne)/1000000*20] scenarios.loc["Cout d'exploitation Biomasse [€/an]", ["Scenario 1", "Scenario 2", "Scenario 3","Scenario 4", "Scenario 5"]] = [0,53000000*0.06,53000000*0.06,53000000*0.06,0] # choix arbitraire de 8% des cout initial d'investissement scenarios.loc["Revenus annuels", ["Scenario 1", "Scenario 2", "Scenario 3","Scenario 4", "Scenario 5"]] = [0,(prod_S2-sum(TOT_conso['conso UCL']))*0.15,(prod_S3-sum(TOT_conso['conso UCL']))*0.15,(prod_S4-sum(TOT_conso['conso UCL']))*0.15,(prod_S5-sum(TOT_conso['conso UCL']))*0.15] scenarios.loc["Production_totale [kWh/an]", ["Scenario 1", "Scenario 2", "Scenario 3","Scenario 4", "Scenario 5"]] = [15000000,prod_S2,prod_S3,prod_S4,prod_S5] scenarios.loc["Durée de vie", ["Scenario 1", "Scenario 2", "Scenario 3","Scenario 4", "Scenario 5"]] = [15,25,25,25,25] scenarios.loc["Production PV [kWh/an]", ["Scenario 1", "Scenario 2", "Scenario 3","Scenario 4", "Scenario 5"]] = [0,sum(production_photovoltaique)/1000,sum(production_photovoltaique)/1000,0,sum(production_photovoltaique)/1000] scenarios.loc["Production eolien [kWh/an]", ["Scenario 1", "Scenario 2", "Scenario 3","Scenario 4", "Scenario 5"]] = [0,sum(production_eolienne)/1000,0,sum(production_eolienne)/1000,sum(production_eolienne)/1000] scenarios.loc["Production Biomasse [kWh/an]", ["Scenario 1", "Scenario 2", "Scenario 3","Scenario 4", "Scenario 5"]] = [0,production_biomasse_anuelle,production_biomasse_anuelle,production_biomasse_anuelle,0] scenarios.loc["Nombre de consommateurs", ["Scenario 1", "Scenario 2", "Scenario 3","Scenario 4", "Scenario 5"]] = [1,1,1,1,1] scenarios.loc["Nombre de producteurs", ["Scenario 1", "Scenario 2", "Scenario 3","Scenario 4", "Scenario 5"]] = [1,1,1,1,1] scenarios.loc["Capacité de stockage requise [kWh]", ["Scenario 1", "Scenario 2", "Scenario 3","Scenario 4", "Scenario 5"]] = [0,0,0,0,0] scenarios.loc["Prise sur le réseau UCL[kWh/an]", ["Scenario 1", "Scenario 2", "Scenario 3","Scenario 4", "Scenario 5"]] = [sum(TOT_conso['conso UCL'])-15000000,sum(TOT_conso['conso UCL'])-prod_S2,sum(TOT_conso['conso UCL'])-prod_S3,sum(TOT_conso['conso UCL'])-prod_S4,sum(TOT_conso['conso UCL'])-prod_S5] scenarios.loc["Consommation [kWh/an]", ["Scenario 1", "Scenario 2", "Scenario 3","Scenario 4", "Scenario 5"]] = [sum(TOT_conso['conso UCL']),sum(CONS),sum(CONS),sum(CONS),sum(CONS)] scenarios.loc["Cout d'investissement cogen", ["Scenario 1", "Scenario 2", "Scenario 3","Scenario 4", "Scenario 5"]] = [2400000,0,0,0,0] scenarios.loc["cout d'exploitation cogen [€/an]", ["Scenario 1", "Scenario 2", "Scenario 3","Scenario 4", "Scenario 5"]] = [2400000*0.06,0,0,0,0] scenarios.loc["Investissement stockage €", ["Scenario 1", "Scenario 2", "Scenario 3","Scenario 4", "Scenario 5"]] = [0,0,0,0,0] scenarios.loc["Economie annuelles nettes", ["Scenario 1", "Scenario 2", "Scenario 3","Scenario 4", "Scenario 5"]] = [ (12200383.89*0.28), (sum(TOT_conso['conso UCL'].values))*0.28, (sum(TOT_conso['conso UCL'].values) )*0.28, (sum(TOT_conso['conso UCL'].values) )*0.28, sum(TOT_conso['conso UCL'].values)*0.28 ] print(scenarios) scenarios.to_excel('scenarios.xlsx') print(prod_S3-sum(TOT_conso['conso UCL']))

# Fonctions pour calculer les indicateurs ## Calcul du cashflow pour chaque Scenarios def calculer_cash_flow_annuel(scenario): revenus_annuels = scenarios.loc["Revenus annuels", scenario] + scenarios.loc["Economie annuelles nettes", scenario] couts_exploitation_annuels = scenarios.loc["Cout d'exploitation PV [€/an]", scenario] + \ scenarios.loc["Cout d'exploitation eolien [€/an]", scenario] + \ scenarios.loc["Cout d'exploitation Biomasse [€/an]", scenario] + \ scenarios.loc["cout d'exploitation cogen [€/an]", scenario] cash_flow_annuel = revenus_annuels - couts_exploitation_annuels return cash_flow_annuel # Appliquer la fonction à tous les scénarios et stocker les résultats dans un dictionnaire cash_flows = {scenario: calculer_cash_flow_annuel(scenario) for scenario in scenarios.columns} # Affichage des cash flows pour chaque scénario for scenario, cash_flow in cash_flows.items(): print(f"Le cash flow annuel pour {scenario} est: {cash_flow} €") ## Calcul du ROI pour chaque Scenario def calculer_roi(scenario): economie_annuelle = scenarios.loc["Economie annuelles nettes", scenario] revenus_annuels = scenarios.loc["Revenus annuels", scenario] cout_exploitation_pv = scenarios.loc["Cout d'exploitation PV [€/an]", scenario] cout_exploitation_eolien = scenarios.loc["Cout d'exploitation eolien [€/an]", scenario] cout_exploitation_biomasse = scenarios.loc["Cout d'exploitation Biomasse [€/an]", scenario] cout_exploitation_cogen = scenarios.loc["cout d'exploitation cogen [€/an]", scenario] cout_investissement_pv = scenarios.loc["Cout d'investissement PV", scenario] cout_investissement_eolien = scenarios.loc["Cout d'investissement eolien", scenario] cout_investissement_biomasse = scenarios.loc["Cout d'investissement Biomasse", scenario] cout_investissement_cogen = scenarios.loc["Cout d'investissement cogen", scenario] cash_flow_annuel = economie_annuelle + revenus_annuels - (cout_exploitation_pv + cout_exploitation_eolien + cout_exploitation_biomasse + cout_exploitation_cogen) investissement_total = cout_investissement_pv + cout_investissement_eolien + cout_investissement_biomasse + cout_investissement_cogen roi = cash_flow_annuel / investissement_total return roi for scenario in scenarios.columns: scenarios.loc["ROI", scenario] = calculer_roi(scenario) print(scenarios.loc["ROI"]) ## Calcule de la valeur actuelles net pour chaque Scenarios import matplotlib.pyplot as plt # Assurez-vous que 'scenarios' est votre DataFrame et qu'il est correctement défini avec toutes les valeurs nécessaires taux_actualisation = 0.03 # Exemple de taux d'actualisation de 5% # Fonction pour calculer la VAN cumulée en prenant en compte les économies annuelles nettes def calculer_van_cumulee_avec_economies(scenario, taux_actualisation): cout_investissement = scenarios.at["Cout d'investissement PV", scenario] + \ scenarios.at["Cout d'investissement eolien", scenario] + \ scenarios.at["Cout d'investissement Biomasse", scenario] + \ scenarios.at["Cout d'investissement cogen", scenario] duree_vie = int(scenarios.at["Durée de vie", scenario]) van_cumulee = [] npv = -cout_investissement van_cumulee.append(npv) for an in range(1, duree_vie + 1): flux_annuel = scenarios.at["Revenus annuels", scenario] - \ scenarios.at["Cout d'exploitation PV [€/an]", scenario] - \ scenarios.at["Cout d'exploitation eolien [€/an]", scenario] - \ scenarios.at["Cout d'exploitation Biomasse [€/an]", scenario] - \ scenarios.at["cout d'exploitation cogen [€/an]", scenario] + \ scenarios.at["Economie annuelles nettes", scenario] # Ajout des économies annuelles nettes npv += flux_annuel / ((1 + taux_actualisation) ** an) van_cumulee.append(npv) return van_cumulee # Création du graphique plt.figure(figsize=(12, 7)) # Boucle sur chaque scénario pour calculer la VAN cumulée et la tracer for scenario in scenarios.columns: van_cumulee = calculer_van_cumulee_avec_economies(scenario, taux_actualisation) plt.plot(range(len(van_cumulee)), van_cumulee, label=scenario) # Ajout d'une ligne horizontale à y=0 pour indiquer le point de rentabilité plt.axhline(0, color='red', linestyle='--', linewidth=2) # Mettre en forme le graphique plt.title("Valeurs actuelles net") plt.xlabel("Années") plt.ylabel("Valeur Actuelle Nette Cumulée [€]") plt.legend() plt.grid(True) plt.show() ## calcule du LCOE pour chaque Scenarios def calculer_lcoe_total(scenario): # Récupération des données nécessaires à partir du dataframe 'scenarios' I_t = scenarios.loc["Cout d'investissement PV", scenario] + \ scenarios.loc["Cout d'investissement eolien", scenario] + \ scenarios.loc["Cout d'investissement Biomasse", scenario] + \ scenarios.loc["Cout d'investissement cogen", scenario] M_t = scenarios.loc["Cout d'exploitation PV [€/an]", scenario] + \ scenarios.loc["Cout d'exploitation eolien [€/an]", scenario] + \ scenarios.loc["Cout d'exploitation Biomasse [€/an]", scenario] + \ scenarios.loc["cout d'exploitation cogen [€/an]", scenario] # F_t est omis car nous n'avons pas de coûts de carburant spécifiés pour ces sources d'énergie renouvelables F_t = 0 E_t = scenarios.loc["Production_totale [kWh/an]", scenario] n = int(scenarios.loc["Durée de vie", scenario]) # Calcul des coûts et de la production totale actualisés sur la durée de vie du système couts_actualises = I_t + sum([M_t / ((1 + taux_actualisation) ** t) for t in range(1, n+1)]) production_actualisee = sum([E_t / (1** t) for t in range(1, n+1)]) # Calcul du LCOE lcoe = couts_actualises / production_actualisee return lcoe # Calcul du LCOE pour chaque scénario et stockage des résultats dans un dictionnaire lcoe_values = {scenario: calculer_lcoe_total(scenario) for scenario in scenarios.columns} # Affichage des résultats for scenario, lcoe in lcoe_values.items(): print(f"{scenario}: LCOE = {lcoe:.4f} €/kWh") # Tracé du graphique plt.figure(figsize=(10, 6)) plt.bar(lcoe_values.keys(), lcoe_values.values(), color='teal') plt.title('LCOE pour chaque scénarios sur leur durée de vie totale') plt.xlabel('Scénarios') plt.ylabel('LCOE (€/kWh)') plt.show() print(scenarios.loc["Cout d'investissement PV", scenario])