Electricity Market Optimization 探索系列（二）

​
本文参考链接link
负荷持续时间曲线 (Load Duration Curve)，是根据实际的符合数据进行降序排序之后得到的一个曲线

这个曲线能够发现负荷在某个区间时，将会持续多长时间，那么这个曲线可以帮助发电厂商或者电网运营商确定多大容量的发电机能够满足电量需求，即有助于发电容量的规划，虽然排序之后曲线变得不是按照时间顺序进行的，但是在规划阶段，只需要计算经济成本，发电机在什么时候发电的运营成本几乎都是相同的，所以不按照时间顺序并不影响

净负荷(net load) 是指预期负荷和预期可再生能源发电量之间的差值，净负荷可以帮助规划资源配置

以下是根据caiso在2023年的负荷数据得到的画出四条曲线的代码

import pandas as pd
import numpy as np
# Import the necessaries libraries
import plotly.express as px
import plotly.offline as pyo
pyo.init_notebook_mode()

# data_file = "./caiso_load_2023_hourly.csv"
data_file = "caiso_load_2023_hourly.csv"
data_all = pd.read_csv(data_file)

load_chron = np.array(data_all["load.load"])
load_dur = np.flip(np.sort(load_chron))
net_load_chron = np.array(data_all["net_load"])
net_load_dur = np.flip(np.sort(net_load_chron))

data_plot = pd.DataFrame({
    "datetime": pd.Series(pd.date_range(start='2023-01-01 01:00:00', end='2023-12-31 23:00:00', freq='h')),
    "h_count": np.arange(1,len(load_dur)+1),
    "load_chron": load_chron,
    "load_dur": load_dur,
    "net_load_chron": net_load_chron,
    "net_load_dur": net_load_dur,
})
label_dict ={
    "load_chron": "Load in MW",
    "value": "Load in MW",
    "datetime": "Timestamp",
    "h_count": "Hour #"
}

fig = px.line(data_plot, x="datetime", y="load_chron", labels=label_dict)
fig.update_layout(
    width=900,  
    height=600
    )
fig.show()

fig = px.line(data_plot, x="h_count", y=["load_chron", "load_dur", "net_load_chron", "net_load_dur"], labels=label_dict)
fig.update_layout(
    width=900,  
    height=600, 
    )
fig.update_traces(visible="legendonly")
fig.show()