Evaluation von Visualisierungstypen und Bibliotheken für Energiedaten in Python

Abstract

Die Grundidee der Datenvisualisierung ist die geeignete Darstellung von Daten in visueller Form, die dem Menschen einen Einblick in die Struktur der Daten, das Ziehen von Schlussfolgerungen aus den Daten und die direkte Interaktion mit den Daten ermöglicht [28]. Visuelle Datenexplorations-Techniken werden deshalb in vielen Anwendungsbereichen wie Industrie, Wirtschaft, Energiebranche, Medizin usw. eingesetzt. Das Ziel dieser Arbeit besteht darin, unterschiedliche Visualisierungstypen für Energiedaten zu identifizieren und diese unter Verwendung gängiger Python-Bibliotheken umzusetzen. Zu den Visualisierungen gehören ein Linien-diagramm zur Darstellung der Entwicklung der jährlichen Stromverbrauchsdaten, ein Balkendiagramm zur Darstellung des monatlichen Stromverbrauchs der Gesamtnetzlast und der Residuallast sowie Histogramme, Boxplots und Violinplots zur Visualisierung der Datensatzverteilung. Mit einem Kreisdiagramm wird die monatliche Zusammensetzung dargestellt. Zur Analyse des Einflusses von Tageszeit, Wochentagen und Feiertagen auf den Stromverbrauch werden unterschiedliche Versionen der Heatmap vorgestellt. Ein Sankey-Diagramm wird benutzt, um die Energieflüsse fester Brennstoffe darzustellen. Darüber hinaus sind Karten erstellt, um Elektroladesäulen auf Bundes- und Landkreisebene darzustellen. Dashboards sind so konzipiert, dass sie eine interaktive Analyse der Daten für unterschiedliche Jahre mit unterschiedlichen Visualisierungs-typen ermöglichen. Matplotlib und Seaborn werden zur statischen Visualisierung eingesetzt. Für die interaktive Visualisierung von Daten werden Vega, Bokeh und Plotly verwendet, während Folium, Geopandas und Plotly zur Erstellung von Karten genutzt werden. Dash und Streamlit werden genutzt, um Dashboards zu erstellen. Alle verwendeten Python Datenvisualisierungsbibliotheken sind leistungsfähig und erfüllen die Anforderungen, um Energiedaten zu visualisieren. Jede Bibliothek hat ihre eigenen Stärken und Schwächen. Die Visualisierungstypen und Bibliotheken, die für die Energiedaten verwendet werden sollen, können je nach den Bedürfnissen gut ausgewählt werden.

The basic idea of data visualisation is to present data in an appropriate visual form, which allows people to gain insight into the structure of the data, to draw conclusions from the data and to interact directly with the data [28]. Visual data exploration techniques are therefore being used in a wide range of application areas such as industry, business, the energy sector, medicine, etc. The aim of this work is to identify different types of visualisations for energy data and to implement them using common Python libraries. The visualisations include a line chart to show the development of the annual electricity consumption data, a bar chart to show the monthly electricity consumption of the total grid load and the residual load as well as histograms, box plots and violin plots to visualise the distribution of dataset. The monthly composition is visualised with a pie chart. Different versions of the heat map are presented to analyse the influence of time of day, weekdays and public holidays on electricity consumption. A Sankey diagram is used to visualise the energy flows of solid fuels. In addition, maps are created to show electric charging points at national and county level. Dashboards are designed to allow interactive analysis of data for different years with different visualisation types. Matplotlib and Seaborn are used for static visualisation. Vega, Bokeh and Plotly are used for the interactive visualisation of data, while Folium, Geopandas and Plotly are used to create maps. Dash and Streamlit are used to create dashboards. All Python data visualisation libraries used are powerful and meet the requirements for visualising energy data. Each library has its own strengths and weaknesses. The visualisation types and libraries for energy data can be selected according to the needs.