🌱

Generation

Vad behöver vi bygga? PyPSA-baserad optimering för att planera förnybar kapacitet (sol, vind, lagring) med väderinformerad modellering.

Se live-exempel Kom igång Hoppa till referens

Ramverk

Ett återanvändbart ramverk för Generation-verktyget finns på färdplanen men är ännu inte finansierat. PyPSA-VGR finns för närvarande som en fullständig implementation. Koden är öppen källkod och kan klonas direkt.

energy-toolkit-generation

Planerad

Ett återanvändbart ramverk för Generation-verktyget är ännu inte finansierat. PyPSA-VGR finns för närvarande som en fristående implementation. Kontakta oss om du är intresserad av att finansiera en ramverks-extraktion.

Inget publikt ramverks-repository ännu. Om du är intresserad av att finansiera en återanvändbar ramverks-extraktion, hör av dig.

Så fungerar det

config (JSON)                ← Scenarios, financial assumptions, geography
    │
    ▼
Generator (PyPSA)            ← Weather data + demand + optimization model
    │
    ▼
Output (CSV/NetCDF)          ← Capacity plans, costs, generation profiles
    │
    ▼
API (file-based)             ← Local filesystem or HTTP server
    │
    ▼
Dashboard (Streamlit)        ← Scenario exploration, capacity mix, LCOE analysis

Generator

Generatorn använder PyPSA (Python for Power System Analysis) för att hitta den optimala mixen av förnybar kapacitet. Givet en efterfrågeprofil, väderdata och antaganden om teknikkostnader, bestämmer den hur mycket sol, vind, batterilagring och vätgaskapacitet som behövs för att möta efterfrågan under olika självförsörjningsgrader.

PyPSA-optimering

Bygger ett kraftsystemsnätverk med bussar för last, förnybara, batteri, vätgas, och turbiner. Länkar modellerar ladda/ladda ur, elektrolys, och gasturbiner. Optimerar för minimal kostnad med hänsyn till självförsörjningsgrad och biogasbegränsningar.

Väderinformerade kapacitetsfaktorer

Använder ERA5-reanalysdata med 3-timmarsupplösning för att beräkna kapacitetsfaktorer för sol och vind. Atlite hanterar markanvändnings-exkluderingar med CORINE-klassificering för realistiska uppskattningar av tillgängliga ytor.

Flerscenarioutforskning

Konfigurationen definierar ett scenarioutrymme över självförsörjningsmål (50–100%), variationer i energibehov (-20% till +20%), vätgasalternativ, växlingar för havsbaserad vind, och biogasbegränsningar. Generatorn validerar och kör alla kombinationer.

Modellering av teknikkostnader

Omfattande kostnadsantaganden från 2020–2050 med stöd för flera valutor (EUR, USD, SEK), nuvärdesberäkningar och tekniklärokurvor. Täcker sol, vind på land/havs, batteri, vätgaselektrolys, kärnkraft och biogas.

API

API-lagret abstraherar över lagringsbackenden genom ett enhetligt gränssnitt. Samma dashboard-kod läser scenariodata från lokalt filsystem under utveckling eller från valfri HTTP-åtkomlig lagring i produktion.

Frontend (Dashboard)

En Streamlit-applikation med interaktiva scenariokontroller och visualiseringar av energisystem. Designad för tre målgruppsnivåer.

Scenarioutforskare

Reglagekontroller för självförsörjningsmål och energiscenarier. Växla vätgas, havsbaserad vind och biogasbegränsningar. Bokmärkbara URL:er bevarar parameterstate.

Kapacitets- och kostnadsanalys

Energi-metrikkort som visar kapacitet per teknik. Staplade stapeldiagram för produktionsmix per vecka. LCOE-uppdelning per energikälla. Prestandamätningar som visar täckt/otäckt behov.

Geografisk kontext

Interaktiv karta med Folium för regionval. Markanvändningsjämförelse som visar de fysiska avtrycket av förnybara installationer relativt kommunala ytor.

Teknikstack

Generator

Python 3.8+, PyPSA ≥0.28
Atlite (förnybara resurser)
Pandas, NumPy, GeoPandas
CBC/GLPK/HiGHS-lösare

API

Filbaserat (lokalt filsystem)
Valfri HTTP-server-backend
CSV + JSON som outputformat

Frontend

Streamlit 1.38
Plotly, Altair
Folium (kartor)
Tvåspråkig (svenska/engelska)

Referens

Teknisk referens för implementatörer. Expandera avsnittet nedan för modellinterna delar, scenariokonfiguration, indatastruktur och driftsättningsdetaljer.

▶ Teknisk referens

Projektstruktur

/pypsa-vgr/
├── model/              # Core PyPSA modeling (network, constraints, assumptions)
├── generator/          # Scenario execution pipeline
├── input/              # All input data
│   ├── assumptions.csv # Technology costs 2020-2050
│   ├── demand/         # Historical demand data (3h resolution)
│   ├── weather/        # ERA5 weather data and capacity factors
│   ├── renewables/     # Renewable resource assessment
│   └── geo/            # Geographic boundaries and land use
├── api/                # Output data directory
├── dashboard/          # Streamlit frontend
├── workspace/          # Analysis Jupyter notebooks
├── paths.py            # Central path configuration
└── environment.yaml    # Conda environment specification

Generator-pipeline

Generatorn kör en sekventiell pipeline för varje scenariokombination:

Validering: Kontrollerar att geografiska funktioner och väder-/förnybarhetsfiler finns
Indata-generering: Skapar parametrar, efterfrågeprofiler och nätverksspecifikationer
Optimering: Kör PyPSA-modellen, genererar statistik
Output: Producerar resultat och tilläggsresultat (CSV/NetCDF)
Rensning: Valfri borttagning av temporära filer

Scenariokonfiguration

Scenarier definieras i JSON-konfigurationsfiler med följande parametrar:

Parameter	Intervall	Beskrivning
Självförsörjning	50–100% (11 nivåer)	Mål för lokal produktion mot import
Energiscenario	-20% till +20% (3 nivåer)	Efterfrågevariation från basprognos
Vätgas	på/av	Inkludera vätgaselektrolys och lagring
Havsbaserad vind	på/av	Inkludera havsbaserad vindkapacitet
Biogasgräns	0%, 25%, 50%, 100%	Maximal biogasandel av total efterfrågan

Generatorn validerar antal scenarier (varnar >10 000, blockerar >50 000) innan körning.

PyPSA-nätverksmodell

Bussar

Lastbuss: Där efterfrågan betjänas
Förnybarhetsbuss: Sol- och vindproduktion
Batteribuss: Batterilagring
Vätgasbuss: Vätgaselektrolys och lagring
Turbinbuss: Gasturbiner

Generatorer

Solceller, landbaserad vind, havsbaserad vind
Biogas (marknadsinköp)
Backstop/import till hög marginalkostnad (900 SEK/MWh)

Lagring

Litiumjonbatterier med ladda/ladda ur-länkar och cyklingsbegränsningar
Vätgaselektrolys → lagring → bränslecells-väg

Begränsningar

Biogasbegränsning: Begränsar biogasimport till en andel av total efterfrågan
Självförsörjningsbegränsning: Sätter tak för energi från marknaden under självförsörjningströskeln
Batteriflödesbegränsning: Upprätthåller symmetri mellan ladda/ladda ur-kapacitet

Indata

Teknikantaganden

Omfattande kostnads- och prestandadata från 2020–2050 i input/assumptions.csv. Viktiga teknologier och deras 2020-kostnader:

Teknologi	Kapitalkostnad (2020)	Livslängd
Solceller	€560k/MW	25–40 år
Landbaserad vind	€1,1–1,2M/MW	25–30 år
Havsbaserad vind	€2,12M/MW	25–30 år
Batterilagring	€246k/MWh	20–30 år
H2-elektrolys	€1,3M/MWe	25 år

Väderdata

Källa: ERA5-reanalys från Copernicus
Upplösning: 3-timmars temporal, 0,125° spatial
År: 2023 som baslinje
Bearbetning: Atlite genererar cutout-objekt, kapacitetsfaktorer och tillgänglighetsmatriser

Efterfrågedata

Historisk timvis efterfrågan för SE3-regionen, normaliserad till 3-timmarsintervall
Basbehov: 19 TWh, mål: 34 TWh 2030
Regional energiprocentuppdelning för VGR:s kommuner

Geografisk data

Svenska kommungränser (GeoJSON)
Markanvändningsdata per kommun
VGR-regionen: 49 kommuner i 4 delregioner (Fyrbodal, Göteborgsregionen, Sjuhärad, Skaraborg)

Dashboard

Sidor

Sida	Innehåll
Explorer	Huvud-scenarioutforskning med diagram, kort och kartor
Om	Projektbeskrivning (Markdown, tvåspråkig)
Antaganden	Teknikkostnader och tabeller för markanvändningsdata

API-lägen

Dashboardens library/api.py abstraherar över lagringsbackenden bakom ett enhetligt gränssnitt. Backenden för lokalt filsystem används under utveckling; HTTP-server-backenden låter dashboarden läsa scenariodata från valfri HTTP-åtkomlig lagring i produktion.

Implementationer

Live-applikationer byggda med Generation-verktyget.

PyPSA-VGR

VGR

Live

Planeringsverktyg för förnybar kapacitet i Västra Götaland. Använder PyPSA-optimering för att bestämma den mix av sol, vind och lagring som behövs för att möta framtida behov.

PyPSAStreamlitVästra Götaland

Se live-exempel Implementationens källkod

Driftsätt och utöka

Generation-verktyget driftsätts som en Docker-container som kör Streamlit-dashboarden. Kör det på valfri containerplattform; scenariodata kan serveras från lokalt filsystem eller valfri HTTP-åtkomlig lagring.

# Build and run locally
docker build -t pypsa-vgr .
docker run -p 8501:8501 pypsa-vgr

# Or run directly
streamlit run dashboard/app.py

Kom igång Implementationens källkod