Gratis Profile

Hier ist eine Auswahl an gratis Lastprofilen zu finden.
Das universell gültige Passwort für alle Links lautet: synpro

15 minütlich aufgelöste Zeitreihen für einen Zeitraum von einem Jahr…

... für eine Auswahl an 4 verschiedenen Haushalten

In diesem Beispieldatensatz sind drei verschiedene Ordner zu finden aus denen verschiedene Gebäudekonstellationen erstellt werden können. Es gibt 4 elektrische Lastprofile mit den folgenden sozioökonomischen Faktoren:

  1. Eine Familie mit zwei Eltern und zwei Kindern
  2. Zwei Vollzeitarbeitende
  3. Zwei Personen über 65 (Rentner*innen)
  4. Eine Person unter 30

Dazu gibt es Heizlastprofile sowie Trinkwarmwasserprofile für zwei Gebäude mit jeweils zwei verschiedenen Isolationsstandards:

  1. Einfamilienhaus im Passivhausstandard
  2. Einfamilienhaus mit Baujahr zwischen 1979 und 2001
  3. Mehrfamilienhaus im Passivhausstandard
  4. Mehrfamilienhaus mit Baujahr zwischen 1979 und 2001

Die Profile können entweder einzeln verwendet oder kombiniert werden. Die empfohlenen Kombinationen sind:

  1. Das elektrische Lastprofil für die Familie in Kombinationen mit dem Heiz- und Trinkwarmwasserprofil für ein beliebiges Einfamilienhaus
  2. Alle elektrischen Lastprofile zusammen mit dem Heiz- und Trinkwarmwasserprofil für ein beliebiges Mehrfamilienhaus

Informationen zu den einzelnen Spalten sind als Header über den Zeitreihen zu finden. Die Daten sind durch ein Semikolon getrennt. Beispielzeile zum Einlesen einer Datei:

df = pd.read_csv("/path/to/file.dat", comment="#", sep=";")
df.index = pd.to_datetime(df['unixtimestamp'], unit='s', utc=True)

Bei Fragen stehen wir unter folgender E-Mail zur Verfügung: synpro@ise.fraunhofer.de

... für zwei Autos mit jeweils zwei unterschiedlichen Ladeinfrastrukturannahmen

In diesem Beispieldatensatz sind die folgenden 4 verschiedene Ladeprofile für Elektroautos hinterlegt:

  1. Tesla Model S P100D mit täglicher Nutzung durch eine Vollzeitarbeitskraft und Ladepräferenz an verschiedenen Orten
  2. Tesla Model S P100D mit täglicher Nutzung durch eine Vollzeitarbeitskraft welche ausschließlich zu Hause laden möchte
  3. Volkswagen e-Up! mit wöchentlicher Nutzung durch eine Vollzeitarbeitskraft und Ladepräferenz an verschiedenen Orten
  4. Volkswagen e-Up! mit wöchentlicher Nutzung durch eine Vollzeitarbeitskraft welche ausschließlich zu Hause laden möchte

Zusätzlich ist eine Datei mit folgenden Metainformationen vorhanden:

  1. Nutzerangaben: Nutzerkategorie, Häufigkeit der Nutzung und batteriefüllstandsabhängige Sensitivität an verschiedenen Standorten zu Laden
  2. Ladeinfrastrukturangaben: Die Nennleistung an verschiedenen Ladepunkten (zu Hause, bei der Arbeit, an populären Plätzen oder anderen Orten)
  3. Jährliche Fahrt- und E-Auto Werte: zurückgelegte Kilometer, durchschnittliche Fahrtlänge, Anzahl an Fahrten, Anzahl Ladevorgänge, durchschnittlicher Batteriefüllstand bei Ankunft und Abfahrt, durchschnittliche Reichweite, geladene Energie, verbrauchte Energie, selbst-entladene Energie, Schnellladungen auf Langstreckentrips und durchschnittliche Dauer der Ladevorgänge

Informationen zu den einzelnen Spalten sind als Header über den Zeitreihen zu finden. Die Daten sind durch ein Semikolon getrennt. Beispielzeile zum Einlesen einer Datei:

df = pd.read_csv("/path/to/file.dat", comment="#", sep=";")
df.index = pd.to_datetime(df['unixtimestamp'], unit='s', utc=True)

Bei Fragen stehen wir unter folgender E-Mail zur Verfügung: synpro@ise.fraunhofer.de

... für GHD Profile der Kategorien Schule, Büro und Restaurant

In diesem Beispieldatensatz sind vier verschiedene Ordner zu finden mit unterschiedlichen Gebäudetypen:

  1. Schulgebäude
  2. Restaurant
  3. Krankenhaus
  4. Bürogebäude

Je Gebäudetyp sind die Baualtersklassen Altbau und Neubau mit elektrischem, Heiz- und Trinkwarmwasserprofil enthalten.

Informationen zu den einzelnen Spalten sind als Header über den Zeitreihen zu finden. Die Daten sind durch ein Semikolon getrennt. Beispielzeile zum Einlesen einer Datei:

df = pd.read_csv("/path/to/file.dat", comment="#", sep=";")
df.index = pd.to_datetime(df['unixtimestamp'], unit='s', utc=True)

Bei Fragen stehen wir unter folgender E-Mail zur Verfügung: synpro@ise.fraunhofer.de

Minütlich aufgelöste Zeitreihen für einen Monat…