227 lines
11 KiB
Markdown
227 lines
11 KiB
Markdown
# Modul: Forecast (Predikce výroby FVE)
|
||
|
||
## Co modul dělá
|
||
|
||
- Stahuje meteorologická data (irradiance, teplota) pro každé FVE pole zvlášť
|
||
- Vypočítává predikovaný výkon v 15min intervalech
|
||
- Ukládá výsledek per `pv_array_id` + `run_id`
|
||
- Predikce se spouští denně a před každým plánovacím během
|
||
|
||
---
|
||
|
||
## FVE pole na první instalaci (home-01)
|
||
|
||
| Pole | Výkon | Azimut | Sklon | Střídač | Řízení |
|
||
|---|---|---|---|---|---|
|
||
| A | 10 kWp | TBD | TBD | Deye 20kW | řídíme |
|
||
| B | 10 kWp | TBD | TBD | Ongridový | autonomní, **nepredikujeme odděleně** |
|
||
|
||
> **Předpoklad:** Pole B (ongridový) je zapojeno do GEN portu Deye. Jeho výkon se projeví v `pv_power_w` telemetrie jako součást celkového výkonu. Pro plánování modelujeme jen pole A. Pole B bereme jako šum / bonus který se projeví v auditu.
|
||
|
||
> Azimuty a sklony je nutné doplnit při konfiguraci lokality do `asset_pv_array`.
|
||
|
||
---
|
||
|
||
## Zdroj meteorologických dat
|
||
|
||
**Primární: Open-Meteo (open-meteo.com)**
|
||
|
||
- Zdarma pro nekomerční použití, API bez registrace
|
||
- Poskytuje GHI (Global Horizontal Irradiance), DNI, teplotu, oblačnost
|
||
- Historická data + forecast na 7–16 dní dopředu
|
||
- 15min granularita nativně ✓
|
||
|
||
**Endpoint:**
|
||
```
|
||
GET https://api.open-meteo.com/v1/forecast
|
||
?latitude={lat}
|
||
&longitude={lon}
|
||
&hourly=shortwave_radiation,temperature_2m
|
||
&minutely_15=shortwave_radiation,temperature_2m
|
||
&timezone=Europe/Prague
|
||
&forecast_days=3
|
||
```
|
||
|
||
**Záložní / budoucí: Solcast**
|
||
- Přesnější pro FVE, ale placený
|
||
- Podporuje per-array predikci s azimutem a sklonem přímo
|
||
- Zatím neimplementujeme, architektura to umožňuje přes `forecast_source`
|
||
|
||
---
|
||
|
||
## Výpočet výkonu z irradiance
|
||
|
||
Jednoduchý fyzikální model (dostatečný pro plánování):
|
||
|
||
```python
|
||
def calculate_pv_power(
|
||
irradiance_wm2: float, # GHI ze weather service
|
||
temp_c: float,
|
||
nominal_power_wp: int,
|
||
azimuth_deg: float,
|
||
tilt_deg: float,
|
||
shading_factor: float = 1.0,
|
||
temp_coeff: float = -0.004 # typicky -0.4%/°C pro křemík
|
||
) -> int:
|
||
# 1. Korekce na teplotu panelu
|
||
panel_temp = temp_c + 25 # zjednodušený NOCT model
|
||
temp_correction = 1 + temp_coeff * (panel_temp - 25)
|
||
|
||
# 2. Korekce na azimut a sklon (zjednodušená, bez přesného GHI→POA)
|
||
# Přesnější model: pvlib knihovna (doporučeno pro produkci)
|
||
orientation_factor = cos_angle_of_incidence(azimuth_deg, tilt_deg)
|
||
|
||
# 3. Výsledný výkon
|
||
power_w = (irradiance_wm2 / 1000) * nominal_power_wp * temp_correction * orientation_factor * shading_factor
|
||
|
||
return max(0, int(power_w))
|
||
```
|
||
|
||
> **Doporučení pro implementaci:** Použít knihovnu `pvlib` (Python) pro přesný POA irradiance výpočet z GHI + azimut + sklon. Je to standardní nástroj, dobře dokumentovaný.
|
||
|
||
---
|
||
|
||
## Kdo spouští predikci
|
||
|
||
**Python service: `forecast_service`**
|
||
|
||
### Kdy se spouští
|
||
|
||
| Trigger | Čas | Popis |
|
||
|---|---|---|
|
||
| Scheduled (cron) | každé 2 hodiny v `:05` | Průběžný refresh forecastu pro všechny aktivní site |
|
||
| Manual trigger | na vyžádání | `POST /api/v1/sites/{site_id}/forecast/run` |
|
||
|
||
### Implementované provozní změny (2026-03)
|
||
|
||
- Forecast horizont je konfigurovatelný přes `open_meteo_forecast_days`.
|
||
- Runtime guard: hodnota se clampuje do rozmezí `2..16`.
|
||
- Default je `7` dní.
|
||
- Endpoint `GET /api/v1/sites/{site_id}/forecast/pv?date=YYYY-MM-DD` vrací vždy poslední `ok` run per `(interval_start, pv_array_id)` (`DISTINCT ON`), takže UI nevidí duplikáty z historických běhů.
|
||
- **Kalibrace delty:** `GET /api/v1/sites/{site_id}/forecast/pv-delta-profile?from=…&to=…` vrací JSON z `ems.fn_pv_forecast_delta_profile` (`deltas`, `deltas_by_array`, `delta_learn_min_ts` z `ems.site_pv_forecast_calibration`). Volitelné query parametry: `half_life_days`, `threshold_w`, `top_n_days`, `non_top_day_factor`, `day_weight_gamma` (NULL u numerických přepsání = hodnota z kalibrační tabulky / default funkce).
|
||
- **Úprava kalibrace z API:** `PATCH /api/v1/sites/{site_id}/configuration/pv-forecast-calibration` s JSON tělem (částečný update); odpověď je aktuální řádek kalibrace. Souhrn konfigurace v `GET …/configuration` obsahuje klíč `pv_forecast_calibration`.
|
||
- **Telemetrie pro učení delty:** `telemetry_collector` při Modbus poll čte reg. **145** a **178**; `fn_telemetry_inverter_sample` ukládá `is_export_limited` / `pv_derating_flags` (bity 1 = solar sell off, 2 = GEN/MI cut-off aktivní dle masky `(reg178 & 3) == 3`). `fn_fill_forecast_accuracy` sloty s těmito signály označí `telemetry_derating`.
|
||
|
||
---
|
||
|
||
## Logika běhu predikce
|
||
|
||
```python
|
||
def run_forecast(site_id: int, horizon_days: int = 2):
|
||
site = db.get_site(site_id)
|
||
arrays = db.get_pv_arrays(site_id, controllable=True)
|
||
|
||
for array in arrays:
|
||
# 1. Stáhnout meteorologická data
|
||
weather = open_meteo_client.fetch(
|
||
lat=site.lat, lon=site.lon,
|
||
start=today, end=today + horizon_days
|
||
)
|
||
|
||
# 2. Vytvořit forecast_pv_run
|
||
run = db.create_forecast_run(
|
||
site_id=site_id,
|
||
pv_array_id=array.id,
|
||
forecast_source="open_meteo",
|
||
horizon_start=today_00,
|
||
horizon_end=today_end + horizon_days
|
||
)
|
||
|
||
# 3. Vypočítat a uložit intervaly (15min)
|
||
intervals = []
|
||
for slot in weather.slots_15min:
|
||
power = calculate_pv_power(
|
||
irradiance_wm2=slot.shortwave_radiation,
|
||
temp_c=slot.temperature_2m,
|
||
nominal_power_wp=array.nominal_power_wp,
|
||
azimuth_deg=array.azimuth_deg,
|
||
tilt_deg=array.tilt_deg,
|
||
shading_factor=array.shading_factor
|
||
)
|
||
intervals.append(ForecastInterval(
|
||
run_id=run.id,
|
||
pv_array_id=array.id,
|
||
interval_start=slot.time,
|
||
power_w=power,
|
||
irradiance_wm2=slot.shortwave_radiation,
|
||
temp_c=slot.temperature_2m
|
||
))
|
||
|
||
db.upsert_forecast_intervals(intervals)
|
||
db.update_forecast_run_status(run.id, "ok")
|
||
```
|
||
|
||
---
|
||
|
||
## DB struktura
|
||
|
||
Viz `03-data-model.md`:
|
||
- `forecast_pv_run` – každý běh predikce
|
||
- `forecast_pv_interval` – 15min výsledky per pole a běh
|
||
|
||
---
|
||
|
||
## Tracking přesnosti forecastu
|
||
|
||
- **`ems.forecast_accuracy`** – pro každý úspěšný `forecast_pv_run` a každý 15min slot ukládá predikovaný výkon, čas vzniku predikce, lead time (hodiny před začátkem slotu), později doplněnou skutečnost z telemetrie a odchylku (`error_w`, `error_pct`). Záznamy se **uchovávají trvale** (včetně všech historických běhů v `forecast_pv_run` / `forecast_pv_interval` – ty se nemazají).
|
||
- **`ems.fn_fill_forecast_accuracy(site_id, lookback_hours)`** – inkrementálně vloží nebo aktualizuje řádky z `forecast_pv_interval` + run metadata a dopočte `actual_power_w` jako průměr 1min telemetrie ve slotu (pole B: `gen_port_power_w`, pole A: `pv1_power_w` + `pv2_power_w`). Volat **každých 15 minut** (např. spolu s audit fillerem); parametr `lookback_hours` omezuje okno zpětného zpracování (např. 48 h běžně, větší hodnota pro jednorázový backfill).
|
||
- **`ems.vw_forecast_accuracy_by_lead_time`** – agregace přesnosti podle bucketů lead time (0–6 h, …, 48 h+); noční sloty s nízkou výrobou (`actual_power_w` ≤ 100 W) se v metrikách typicky vynechávají.
|
||
- **`ems.vw_forecast_accuracy_daily`** – denní součty forecast vs actual v kWh (Praha kalendářní den) a relativní odchylka dne.
|
||
- **Po 4+ týdnech dat** lze statistiky použít pro kalibraci `safety_factor` (nebo obdobných parametrů) v solveru – viz plánovací modul.
|
||
|
||
---
|
||
|
||
## Operace SQL: mazání řádků PV forecastu za den (provozní výjimka)
|
||
|
||
Projekt standardně **nemá mazat** `forecast_pv_interval` / `forecast_pv_run`, aby zůstala historie pro přesnost. Když **záměrně** promāžeš den (např. před regenerací výstupu předpovědi), použij **`ems.fn_delete_forecast_pv_prague_calendar_day(p_day date, p_site_id int DEFAULT NULL)`** (`db/routines/R__086_fn_forecast_pv_prague_day_ops.sql`). Hranice dne jsou **`Europe/Prague` půlnoc** *(ne timezone lokality)*; `p_site_id NULL` = všechny lokality.
|
||
|
||
Příklad: `select * from ems.fn_delete_forecast_pv_prague_calendar_day('2026-05-02'::date, 2);`
|
||
|
||
Odstranění jde přes páry **`forecast_accuracy` → řádek `forecast_pv_interval`→ prázdné `forecast_pv_run`**, které měly jen interval v mazané množině (*stejně jako dříve skript*).
|
||
|
||
Na **bazální spotřebu** (`consumption_baseline_stats`) to nesahá → **`ems.fn_rebuild_consumption_baseline_stats`** v `R__085`.
|
||
|
||
---
|
||
|
||
## Referenční dny při učení delty („hezky svítily“ zpětně)
|
||
|
||
Profil **`ems.fn_pv_forecast_delta_profile`** se **nemerguje jako samostatný soubor** — při každém načítání (`fn_load_planning_slots_full` / API) znovu agreguje chybu z **`forecast_accuracy`** v okně (lookback/exponenta `half_life`, rank top dnů odvozený od energie a hladkosti dnů).
|
||
|
||
**„Zapošto“ k existující logice**:
|
||
|
||
1. Ověř, že máš `forecast_accuracy` pro ty dny (po skutečnosti slotů z `actual_power_w` z telemetrie) — obvykle díky `fn_fill_forecast_accuracy`.
|
||
2. Založ řádek v **`ems.site_pv_forecast_reference_day(site_id, day_local, notes)`**. **`day_local`** musí sedět na **`(interval_start AT TIME ZONE site.timezone)::date`** slovní hodiny lokality *(typicky datum v Praze jako u home-01 `Europe/Prague`)*.
|
||
3. *(Volitelně)* nastav **`site_pv_forecast_calibration.reference_day_weight_mult`** *(NULL = výchozí násobitel **3**, minimum v kódu 1).* Ostatní dny berou jako dosud jejich váhy `(top_n, non_top_day_factor, decay…)` současně — **„referenční den“ je multiplikátor navíc**, nesamostatný paralelní model.
|
||
|
||
Hromadně: **`ems.fn_pv_forecast_sync_reference_days(site_id, p_days_local date[], p_replace_existing bool default false)`** — nahrazením **true** nejdřív vymaže dřívější řádky reference pro site, pak doplní `unnest`; vrací celkový počet pinů lokality po operaci.
|
||
|
||
**Co to nedělá:** nepřepisuje zpětně uložené `forecast_pv_interval`; mění jen to, jak moc vstupuje ten den do **aktuálních** δ slotů používaných v plánění.
|
||
|
||
---
|
||
|
||
## Konfigurace (env proměnné)
|
||
|
||
```env
|
||
OPEN_METEO_API_URL=https://api.open-meteo.com/v1/forecast
|
||
OPEN_METEO_FORECAST_DAYS=7
|
||
FORECAST_MAX_AGE_HOURS=2 # plánovač odmítne starší predikci
|
||
FORECAST_RETRY_COUNT=3
|
||
```
|
||
|
||
---
|
||
|
||
## Monitoring
|
||
|
||
- Alert pokud forecast pro dnešní den + zítřek není k dispozici do 15:00
|
||
- Endpoint `GET /health/forecast?site_id=1&date=YYYY-MM-DD` → čerstvost a počet intervalů
|
||
- Log každého běhu (délka horizontu, počet intervalů, trvání, zdroj)
|
||
|
||
---
|
||
|
||
## Otevřené body
|
||
|
||
- [ ] Doplnit přesný azimut a sklon obou FVE polí při instalaci
|
||
- [ ] Rozhodnout: pvlib pro přesnější POA výpočet vs jednoduchý model – doporučujeme pvlib od začátku
|
||
- [ ] Pole B (ongridový) – zda vůbec modelovat nebo ignorovat v plánu a jen sledovat v auditu
|
||
- [ ] Solcast jako alternativa v budoucnu – `forecast_source` to umožňuje bez DB změn
|