def _refresh_mileage_cards(self):
card = self.get_card('car-mileage-per-resident')
fig = PredictionFigure(
sector_name='Transportation',
unit_name='km',
color_scale=2,
legend=True,
)
mdf = predict_road_mileage()
pop = predict_population()
cd = CardDescription()
card.set_description(
cd.render("""
Henkilöautojen kilometrisuorite on saatu VTT:ltä ja se pitää sisällään henkilöautoliikenteen
Helsingin aluerajojen sisäpuolella. Henkilöautojen käyttäjämääräksi on oletettu keskimäärin
1,2 henkilöä autossa. Joukkoliikenteen matkustajakilometrit on saatu HSL:n tilastoista. Näiden
lisäksi Helsingin katuverkossa liikkuu pitkän matkan busseja sekä turistibusseja, jotka muodostavat
noin neljäsosan linja-autoliikenteestä Helsingissä. Kävelyn ja pyöräilyn oletukset henkilökilometreistä
perustuvat HSL:n liikkumistutkimukseen matkamääristä ja keskimääräisistä pituuksista. Pyörällä
oletuksena on keskipituus 3,7 km ja kävelymatkalla 1,2 km.
"""))
fc = mdf.pop('Forecast')
df = pd.DataFrame(fc)
for vehicle, road in list(mdf.columns):
if vehicle == 'Cars':
df[road] = mdf[(vehicle, road)]
df[road + 'PerResident'] = df[road] / pop['Population']
df[road] /= 1000000
fig.add_series(df=df,
column_name='UrbanPerResident',
trace_name='Katuajo',
color_idx=0)
fig.add_series(df=df,
column_name='HighwaysPerResident',
trace_name='Maantieajo',
color_idx=1)
card.set_figure(fig)
card = self.get_card('car-mileage')
fig = PredictionFigure(
sector_name='Transportation',
unit_name='M km',
color_scale=2,
stacked=True,
fill=True,
legend=True,
)
fig.add_series(df=df,
column_name='Urban',
trace_name='Katusuorite',
color_idx=0)
fig.add_series(df=df,
column_name='Highways',
trace_name='Maantiesuorite',
color_idx=1)
card.set_figure(fig)
def generate_card_description(self, production_stats, production_fuels):
target_year = production_fuels.iloc[-1]
fuel_df = prepare_fuel_classification_dataset()
ef = fuel_df[fuel_df.name == self.name].co2e_emission_factor.iloc[0]
cd = CardDescription()
cd.set_values(
generated_heat=target_year.loc[self.name],
ef=ef,
)
return cd.render("""
Maakaasua polttamalla tuotetaan {generated_heat} GWh lämpöä.
Maakaasun päästökerroin on {ef} t/TJ.
""")
def generate_card_description(self, production_stats, production_fuels):
df = production_stats.iloc[-1]
cd = CardDescription()
cd.set_values(
generated_heat=df.loc['Production with heat pumps'],
cop=get_variable('district_heating_heat_pump_cop'),
el_use=df.loc['Heat pump electricity consumption'],
)
return cd.render("""
Vuonna {target_year} {municipality_locative} tuotetaan lämpöpumpuilla
{generated_heat} GWh lämpöä. Lämpöpumppujen COP-luku on keskimäärin {cop:noround},
jolloin lämpöpumput tarvitsevat {el_use} GWh sähköä.
""")
def population_callback(value):
set_variable('population_forecast_correction', value)
pop_df = get_adjusted_population_forecast()
target_year = get_variable('target_year')
pop_in_target_year = pop_df.loc[target_year].Population
last_hist = pop_df[~pop_df.Forecast].iloc[-1]
fig = generate_population_forecast_graph(pop_df)
cd = CardDescription()
cd.set_values(
pop_in_target_year=pop_in_target_year,
pop_adj=get_variable('population_forecast_correction'),
pop_diff=(1 - last_hist.Population / pop_in_target_year) * 100,
)
cd.set_variables(last_year=last_hist.name)
pop_desc = cd.render("""
{municipality_genitive} väkiluku vuonna {target_year} on {pop_in_target_year}.
Muutos viralliseen väestöennusteeseen on {pop_adj:noround} %.
Väkiluvun muutos vuoteen {last_year} verrattuna on {pop_diff} %.
""")
bar = StickyBar(
label="Väkiluku %s" % get_variable('municipality_locative'),
value=pop_in_target_year,
unit='asukasta',
)
# return fig, pop_in_target_year.round()
return [fig, dbc.Col(pop_desc), bar.render()]
def population_callback(value):
set_variable('population_forecast_correction', value)
pop_df = predict_population()
target_year = get_variable('target_year')
pop_in_target_year = pop_df.loc[target_year].Population
last_hist = pop_df[~pop_df.Forecast].iloc[-1]
fig = generate_population_forecast_graph(pop_df)
cd = CardDescription()
cd.set_values(
pop_in_target_year=pop_in_target_year,
pop_adj=get_variable('population_forecast_correction'),
pop_diff=(1 - last_hist.Population / pop_in_target_year) * 100,
)
cd.set_variables(last_year=last_hist.name)
pop_desc = cd.render("""
The population of {municipality} in the year {target_year} will be {pop_in_target_year}.
The difference compared to the official population forecast is {pop_adj:noround} %.
Population change compared to {last_year} is {pop_diff} %.
""")
# pop_desc = cd.render("""
# {municipality_genitive} väkiluku vuonna {target_year} on {pop_in_target_year}.
# Muutos viralliseen väestöennusteeseen on {pop_adj:noround} %.
# Väkiluvun muutos vuoteen {last_year} verrattuna on {pop_diff} %.
#""")
bar = StickyBar(
label=gettext('Population in %(municipality)s') %
dict(municipality=get_variable('municipality_name')),
value=pop_in_target_year,
unit=gettext('residents'),
)
# return fig, pop_in_target_year.round()
return [fig, dbc.Col(pop_desc), bar.render()]
def generate_card_description(self, production_stats, production_fuels):
target_year = production_fuels.iloc[-1]
fuel_df = prepare_fuel_classification_dataset()
bio_ef = fuel_df[fuel_df.name ==
self.name].co2e_emission_factor.iloc[0]
bio_ef_perc = get_variable('bio_emission_factor')
cd = CardDescription()
cd.set_values(
generated_heat=target_year.loc[self.name],
bio_ef=bio_ef * bio_ef_perc / 100,
bio_ef_perc=bio_ef_perc,
bio_ef_real=bio_ef,
)
return cd.render("""
Biomassaa polttamalla tuotetaan {generated_heat} GWh lämpöä.
Biomassalle käytetään laskennallista päästökerrointa {bio_ef} t/TJ,
joka on {bio_ef_perc:noround}\u00a0% biomassan fysikaalisesta
päästökertoimesta ({bio_ef_real} t/TJ).
""")
def _refresh_parking_fee_cards(self):
pcard = self.get_card('residential-parking-fee')
self.set_variable('residential_parking_fee_increase',
pcard.get_slider_value())
icard = self.get_card('cars-affected-by-residential-parking-fee')
self.set_variable('residential_parking_fee_share_of_cars_impacted',
icard.get_slider_value())
cd = CardDescription()
df = predict_parking_fee_impact()
last_hist_year = df[~df.Forecast].index.max()
fig = PredictionFigure(
sector_name='Transportation',
unit_name=_('€/year'),
smoothing=False,
# y_min=df['Fees'].min(),
y_max=df.loc[last_hist_year]['ResidentialFees'] *
(1 + MAX_PARKING_FEE_INCREASE_PERC / 100))
fig.add_series(df=df,
column_name='ResidentialFees',
trace_name='Asukaspysäköinnin hinta')
pcard.set_figure(fig)
pcard.set_description(
cd.render("""
Oletuksena on Wienin tutkimus maksullisen pysäköinnin vaikutuksesta, jonka mukaan pysäköintimaksun
kaksinkertaistaminen vähentää pysäköintiä ja siten autoliikennettä siihen kohdistuvilla alueilla
noin 8,8 %. Asukaspysäköintimaksujen korotus alkoi vuonna 2015 ja vuosimaksu nousee
120 eurosta 360 euroon vuoteen 2021 mennessä. Asukaspysäköintitunnusten määrä on vuosina 2014–2019
vähentynyt noin 600 kpl vaikka asukasluku on kasvanut kantakaupungissa."""
))
"""{municipality_locative} lyhytaikainen pysäköinti on vähentynyt vuoden 2017 pysäköintimaksujen korotuksen
jälkeen noin 10%."""
fig = PredictionFigure(sector_name='Transportation',
unit_name='%',
smoothing=False,
y_max=100)
df['ResidentialShareOfCarsImpacted'] *= 100
cd.set_values(
residential_share_target=df['ResidentialShareOfCarsImpacted'].
iloc[-1],
residential_share=df[~df.Forecast]
['ResidentialShareOfCarsImpacted'].iloc[-1],
)
fig.add_series(df=df,
column_name='ResidentialShareOfCarsImpacted',
trace_name='Osuus')
icard.set_figure(fig)
icard.set_description(
cd.render("""
Tarkastelussa on mukana vain keskustan asukaspysäköintivyöhykkeet.
Asukaspysäköintilupia on myönnetty nyt n. {residential_share} % {municipality_genitive}
liikennekäytössä olevalle henkilöautokannalle.
Skenaariossa vuonna {target_year} asukaspysäköinnin piirissä on {residential_share_target} %
auton omistajista.
"""))
def solar_power_callback(existing_building_perc, new_building_perc):
# First see what the maximum solar production capacity is to set the
# Y axis maximum.
set_variable('solar_power_existing_buildings_percentage', 100)
set_variable('solar_power_new_buildings_percentage', 100)
kwp_max = predict_solar_power_production()
# Then predict with the given percentages.
set_variable('solar_power_existing_buildings_percentage',
existing_building_perc)
set_variable('solar_power_new_buildings_percentage', new_building_perc)
kwp_df = predict_solar_power_production()
ymax = kwp_max.SolarPowerExisting.iloc[-1]
fig_old = generate_solar_power_graph(kwp_df, "Vanhan",
"SolarPowerExisting", ymax, True)
# ymax = kwp_max.SolarPowerNew.iloc[-1]
fig_new = generate_solar_power_graph(kwp_df, "Uuden", "SolarPowerNew",
ymax, False)
fig_tot, ekwpa, nkwpa = generate_solar_power_stacked(kwp_df)
graph = PredictionFigure(sector_name='ElectricityConsumption',
unit_name='kt',
title='Aurinkopaneelien päästövaikutukset',
fill=True)
ef_df = predict_electricity_emission_factor()
kwp_df['NetEmissions'] = -kwp_df['SolarProduction'] * ef_df[
'EmissionFactor'] / 1000
graph.add_series(df=kwp_df,
column_name='NetEmissions',
trace_name='Päästövaikutukset')
fig_emissions = graph.get_figure()
s = kwp_df.SolarProduction
cd = CardDescription()
city_owned = get_variable('building_area_owned_by_org') / 100
cd.set_values(existing_building_perc=existing_building_perc,
org_existing_building_kwp=1000 * ekwpa * city_owned,
others_existing_building_kwp=1000 * ekwpa * (1 - city_owned))
existing_kwpa = cd.render("""
Kun aurinkopaneeleita rakennetaan {existing_building_perc:noround} % kaikesta vanhan
rakennuskannan kattopotentiaalista, {org_genitive} tulee rakentaa aurinkopaneeleita
{org_existing_building_kwp} kWp vuodessa skenaarion toteutumiseksi. Muiden kuin {org_genitive}
tulee rakentaa {others_existing_building_kwp} kWp aurinkopaneeleita vuodessa.
""")
cd.set_values(new_building_perc=new_building_perc,
org_new_building_kwp=1000 * nkwpa * city_owned,
others_new_building_kwp=1000 * nkwpa * (1 - city_owned))
new_kwpa = cd.render("""
Kun uuteen rakennuskantaan rakennetaan aurinkopaneeleja {new_building_perc:noround} %
kaikesta kattopotentiaalista, {org_genitive} tulee rakentaa aurinkopaneeleja
{org_new_building_kwp} kWp vuodessa skenaarion toteutumiseksi. Muiden kuin {org_genitive}
tulee rakentaa {others_new_building_kwp} kWp aurinkopaneeleita vuodessa.
""")
forecast = s.iloc[-1] * get_variable('yearly_pv_energy_production_kwh_wp')
sticky = StickyBar(
label='Aurinkosähkön tuotanto',
value=forecast,
unit='GWh',
current_page=page,
)
return [
fig_old, fig_new, fig_tot, fig_emissions, existing_kwpa, new_kwpa,
sticky.render()
]
def cars_callback(bev_percentage, mileage_adj):
set_variable('cars_bev_percentage', bev_percentage)
set_variable('cars_mileage_per_resident_adjustment', mileage_adj)
df = predict_cars_emissions()
df['Mileage'] /= 1000000
bev_chart = draw_bev_chart(df)
"""
graph = PredictionFigure(
sector_name='Transportation',
unit_name='%',
title='Biopolttoaineiden osuus myydyissä polttoaineissa',
)
graph.add_series(
df=df, column_name='electric', trace_name='Bion osuus'
)
biofuel_chart = graph.get_figure()
"""
graph = PredictionFigure(
sector_name='Transportation',
unit_name='km/as.',
title='Ajokilometrit asukasta kohti',
)
graph.add_series(
df=df, column_name='PerResident', trace_name='Suorite/as.',
)
per_resident_chart = graph.get_figure()
# Total mileage
graph = PredictionFigure(
sector_name='Transportation',
unit_name='milj. km',
title='%s ajetut henkilöautokilometrit' % get_variable('municipality_locative'),
fill=True,
)
graph.add_series(
df=df, column_name='Mileage', trace_name='Ajosuorite',
)
mileage_chart = graph.get_figure()
# Total emissions
graph = PredictionFigure(
sector_name='Transportation',
unit_name='g/km',
title='Henkilöautojen päästökerroin',
)
graph.add_series(
df=df, column_name='EmissionFactor', trace_name='Päästökerroin',
)
emission_factor_chart = graph.get_figure()
# Total emissions
graph = PredictionFigure(
sector_name='Transportation',
unit_name='kt (CO₂e.)',
title='Henkilöautoilun päästöt',
fill=True,
)
graph.add_series(
df=df, column_name='Emissions', trace_name='Päästöt',
)
emissions_chart = graph.get_figure()
cd = CardDescription()
first_forecast = df[df.Forecast].iloc[0]
last_forecast = df[df.Forecast].iloc[-1]
last_history = df[~df.Forecast].iloc[-1]
cd.set_values(
bev_percentage=get_variable('cars_bev_percentage'),
bev_mileage=last_forecast.Mileage * last_forecast.electric,
per_resident_adjustment=get_variable('cars_mileage_per_resident_adjustment'),
target_population=last_forecast.Population,
)
bev_desc = cd.render("""
Skenaariossa polttomoottorihenkilöautot korvautuvat sähköautoilla siten,
että vuonna {target_year} {municipality_genitive} kaduilla ja teillä
ajetaan sähköautoilla {bev_percentage:noround} % kaikista ajokilometreistä
({bev_mileage} milj. km).
""")
pr_desc = cd.render("""
Vuonna {target_year} {municipality_locative} asuu {target_population} ihmistä.
Skenaariossa ajokilometrit asukasta kohti muuttuvat vuoteen {target_year} mennessä
{per_resident_adjustment:noround} %.
""")
sticky = make_bottom_bar(df)
return [
bev_chart, dbc.Col(bev_desc), emission_factor_chart,
per_resident_chart, dbc.Col(pr_desc), mileage_chart,
emissions_chart, sticky
]
def refresh_graph_cards(self):
ecard = self.get_card('renovated-per-year')
self.set_variable('geothermal_existing_building_renovation',
ecard.get_slider_value() / 10)
ncard = self.get_card('new-building-installation')
self.set_variable('geothermal_new_building_installation_share',
ncard.get_slider_value())
df = predict_geothermal_production()
print(df)
fig = PredictionFigure(
sector_name='BuildingHeating',
unit_name='milj. k-m²',
smoothing=True,
y_max=25,
)
fig.add_series(
df=df,
column_name='GeoBuildingNetAreaExisting',
trace_name='Kerrosala',
)
ecard.set_figure(fig)
org_owned = self.get_variable('building_area_owned_by_org') / 100
cd = CardDescription()
first_forecast = df[df.Forecast].iloc[0]
last_forecast = df.iloc[-1]
last_hist_year = df[~df.Forecast].index.max()
last_forecast_year = df[df.Forecast].index.max()
cd.set_values(
existing_building_perc=self.get_variable(
'geothermal_existing_building_renovation'),
existing_building_area=last_forecast.GeoBuildingNetAreaExisting,
boreholes_org=first_forecast.BoreholesPerYear * org_owned,
boreholes_others=first_forecast.BoreholesPerYear * (1 - org_owned),
borehole_area=last_forecast.BoreholeAreaNeeded,
borehole_depth=self.get_variable('geothermal_borehole_depth'),
new_building_perc=self.get_variable(
'geothermal_new_building_installation_share'),
new_building_area=last_forecast.GeoBuildingNetAreaNew,
geothermal_production=last_forecast.GeoEnergyProduction,
perc_dh=last_forecast.GeoEnergyProduction)
ecard.set_description(
cd.render("""
Kun olemassaolevasta rakennuskannasta remontoidaan {existing_building_perc:noround} %
joka vuosi ja vaihdetaan lämmitystavaksi maalämpö, vuonna {target_year} maalämmöllä
lämmitetään {existing_building_area} milj. kerrosneliömetriä. Skenaarion toteutumiseksi
{org_genitive} pitää rakentaa ensi vuonna {boreholes_org} maalämpökaivoa, kun oletetaan kaivon
syvyydeksi {borehole_depth} m. Muiden pitää rakentaa ensi vuonna {boreholes_others} kaivoa.
"""))
ncard.set_description(
cd.render("""
Kun uudesta rakennuskannasta {new_building_perc:noround} % rakennetaan maalämmöllä,
vuonna {target_year} lämmitetään maalämmöllä {new_building_area} milj. kerrosneliömetriä.
|p|Vanhan ja uuden rakennuskannan maalämpökaivot tarvitsevat silloin yhteensä {borehole_area} km²
pinta-alaa.
"""))
fig = PredictionFigure(
sector_name='BuildingHeating',
unit_name='milj. k-m²',
smoothing=True,
y_max=10,
)
fig.add_series(
df=df,
column_name='GeoBuildingNetAreaNew',
trace_name='Kerrosala',
)
ncard.set_figure(fig)
card = self.get_card('geothermal-production')
fig = PredictionFigure(
sector_name='BuildingHeating',
unit_name='GWh',
smoothing=True,
fill=True,
stacked=True,
color_scale=2,
)
fig.add_series(
df=df,
column_name='GeoEnergyProductionExisting',
trace_name='Vanha rakennuskanta',
color_idx=0,
)
fig.add_series(
df=df,
column_name='GeoEnergyProductionNew',
trace_name='Uusi rakennuskanta',
color_idx=1,
)
card.set_figure(fig)
card.set_description(
cd.render("""
Vuonna {target_year} maalämpöpumpuilla tuotetaan {geothermal_production} GWh lämpöä.
Skenaariossa se käytetään korvaamaan kaukolämpöä.
"""))
# District heat
dhdf = predict_district_heating_emissions()
card = self.get_card('district-heat-emission-factor')
fig = PredictionFigure(
sector_name='BuildingHeating',
unit_name='g/kWh',
smoothing=True,
)
fig.add_series(df=dhdf,
column_name='Emission factor',
trace_name=_('Emission factor'))
card.set_figure(fig)
last_dhdf_hist_year = dhdf[~dhdf.Forecast].index.max()
dhef_target = dhdf.loc[last_forecast_year, 'Emission factor']
dhef_hist = dhdf.loc[last_dhdf_hist_year, 'Emission factor']
cd.set_values(dh_emission_factor_target=dhef_target,
dh_emission_factor_hist=dhef_hist,
perc_change=((dhef_target / dhef_hist) - 1) * 100)
cd.set_variables(last_dhdf_hist_year=last_dhdf_hist_year, )
card.set_description(
cd.render("""
Skenaariossa paikallisella maalämmöllä korvataan pelkästään kaukolämpöä.
Vuonna {target_year} kaukolämmöntuotannon päästökerroin on {dh_emission_factor_target}
g/km. Muutos vuoteen {last_dhdf_hist_year} on {perc_change} %.
"""))
# Electricity
edf = predict_electricity_emission_factor()
card = self.get_card('electricity-emission-factor')
fig = PredictionFigure(
sector_name='ElectricityConsumption',
unit_name='g/kWh',
smoothing=True,
)
fig.add_series(
df=edf,
column_name='EmissionFactor',
trace_name=_('Emission factor'),
)
card.set_figure(fig)
cd.set_values(
heat_pump_el=last_forecast.ElectricityUse,
elef=edf.loc[last_forecast_year].EmissionFactor,
)
card.set_description(
cd.render("""
Vuonna {target_year} maalämpöpumput käyttävät sähköä {heat_pump_el} GWh.
Sähkönkulutuksesta aiheutuvat päästöt määräytyvät sähkönhankinnan päästökertoimen
mukaan ({elef} g/kWh vuonna {target_year}).
"""))
card = self.get_card('emissions')
fig = PredictionFigure(
sector_name='BuildingHeating',
unit_name='kt',
smoothing=True,
fill=True,
)
fig.add_series(
df=df,
column_name='NetEmissions',
trace_name=_('Emissions'),
)
card.set_figure(fig)
def refresh_graph_cards(self):
card = self.get_card('ev-parking-fee-discount')
self.set_variable('parking_subsidy_for_evs', card.get_slider_value())
df = predict_parking_fee_impact()
fig = PredictionFigure(
sector_name='Transportation',
unit_name=_('€/year'),
y_max=1000,
)
fig.add_series(df=df,
column_name='ParkingSubsidyForEVs',
trace_name=_('Yearly subsidy'))
card.set_figure(fig)
cd = CardDescription()
cd.set_values(
parking_subsidy_for_evs=get_variable('parking_subsidy_for_evs'))
card.set_description(
cd.render("""
Skenaariossa täyssähköautoille myönnetään pysäköintietuuksia
jatkossa yhteensä {parking_subsidy_for_evs} €/vuosi.
"""))
card.set_description(cd.render("""
In this scenario, BEVs will be given extra parking subsidies
in total {parking_subsidy_for_evs} € per year.
"""),
lang='en')
card = self.get_card('share-of-ev-charging-stations-built')
self.set_variable('share_of_ev_charging_station_demand_built',
card.get_slider_value())
df = predict_ev_charging_station_demand()
fig = PredictionFigure(
sector_name='Transportation',
unit_name=_('charging stations'),
color_scale=2,
)
fig.add_series(df=df,
column_name='Built',
trace_name=_('Built'),
color_idx=0)
fig.add_series(df=df,
column_name='Demand',
trace_name=_('Demand'),
color_idx=1)
card.set_figure(fig)
cd.set_values(
stations_per_bev=int(
get_variable('number_of_charging_stations_per_bev') * 100),
share_stations=get_variable(
'share_of_ev_charging_station_demand_built'),
built=df.iloc[-1].Built,
demand=df.iloc[-1].Demand,
)
card.set_description(
cd.render("""
Täyssähköautoihin siirtyminen on nopeinta, kun julkisia latauspisteitä
rakennetaan {stations_per_bev:noround} kpl jokaista 100 sähköautoa kohti. Skenaariossa
tästä määrästä rakennetaan {share_stations} %. Vuonna {target_year} olisi
tarve {demand} latauspisteelle ja rakennettuna on {built} latauspistettä.
"""))
card.set_description(cd.render("""
Moving to BEVs will happen the fastest when public charging stations are being
built so that there will be {stations_per_bev:noround} stations for each
100 electric vehicles. In this scenario, the city will build {share_stations} %.
In the year {target_year} there would be demand for {demand} stations and
there will be {built} stations built.
"""),
lang='en')
card = self.get_card('yearly-fleet-turnover')
df = predict_cars_in_use()
fig = PredictionFigure(
sector_name='Transportation',
unit_name='%',
smoothing=True,
)
df['YearlyTurnover'] *= 100
fig.add_series(df=df,
column_name='YearlyTurnover',
trace_name=_('Turnover'))
card.set_figure(fig)
cd.set_values(mean_yearly_turnover=df[~df.Forecast]
['YearlyTurnover'].tail(8).mean())
card.set_description(
cd.render("""
Viime vuosina {municipality_locative} henkilöautokannasta uusittiin noin
{mean_yearly_turnover} % vuodessa. Laskentamallissa oletataan, että
uusiutumisnopeus ei juuri muutu.
"""))
card = self.get_card('cars-per-resident')
fig = PredictionFigure(
sector_name='Transportation',
unit_name=_('cars/1,000 res.'),
smoothing=True,
)
df['CarsPerResident'] *= 1000
fig.add_series(df=df,
column_name='CarsPerResident',
trace_name=_('Cars'))
card.set_figure(fig)
cd.set_values(
cars_in_use=df[~df.Forecast]['NumberOfCars'].iloc[-1],
cars_in_use_year=df[~df.Forecast].index.max(),
)
card.set_description(
cd.render("""
Laskentamallissa tarkastellaan ainoastaan liikennekäyttöön rekisteröityjä
henkilöautoja. Vuonna {cars_in_use_year} {municipality_locative} oli liikennekäytössä
{cars_in_use} henkilöautoa.
"""))
card = self.get_card('newly-registered-evs')
df = predict_newly_registered_cars()
fc = df.pop('Forecast')
total = df.sum(axis=1)
df = df.div(total, axis=0)
df *= 100
fig = PredictionFigure(
sector_name='Transportation',
unit_name='%',
smoothing=True,
color_scale=4,
legend=True,
)
for engine_type in ('BEV', 'PHEV', 'gasoline', 'diesel', 'other'):
et = ENGINE_TYPES[engine_type]
fig.add_series(df=df,
forecast=fc,
column_name=engine_type,
trace_name=et['name'],
historical_color=et['color'])
card.set_figure(fig)
cd.set_values(
bev_share=df[~fc]['BEV'].iloc[-1],
phev_share=df[~fc]['PHEV'].iloc[-1],
hist_year=df[~fc].index.max(),
)
card.set_description(
cd.render("""
Vuonna {hist_year} {municipality_genitive} ensirekisteröidyistä
henkilöautoista {bev_share} % oli täyssähköautoja (BEV) ja
{phev_share} % ladattavia hybridiautoja (PHEV).
"""))
card = self.get_card('car-fleet')
df = predict_cars_in_use_by_engine_type()
df = df.sum(axis=1, level='EngineType')
df['Forecast'] = True
fc = df.pop('Forecast')
fig = PredictionFigure(
sector_name='Transportation',
unit_name=_('cars'),
fill=True,
stacked=True,
legend=True,
)
for engine_type in ('BEV', 'PHEV', 'gasoline', 'diesel', 'other'):
fig.add_series(df=df,
forecast=fc,
column_name=engine_type,
trace_name=_(engine_type),
forecast_color=ENGINE_TYPE_COLORS[engine_type])
card.set_figure(fig)
df = predict_cars_emissions()
with override_variable('share_of_ev_charging_station_demand_built', 0):
with override_variable('parking_subsidy_for_evs', 0):
df0 = predict_cars_emissions()
card = self.get_card('emission-factor')
fig = PredictionFigure(
sector_name='Transportation',
unit_name='g/km',
color_scale=2,
legend=True,
legend_x=0.6,
)
fig.add_series(df=df,
column_name='EmissionFactor',
trace_name=_('Emission factor with actions'),
color_idx=0)
fig.add_series(df=df0,
column_name='EmissionFactor',
trace_name=_('Emission factor without actions'),
color_idx=1)
card.set_figure(fig)
df.Mileage /= 1000000
card = self.get_card('mileage')
fig = PredictionFigure(
sector_name='Transportation',
unit_name=_('M km'),
fill=True,
)
fig.add_series(
df=df,
column_name='Mileage',
trace_name=_('Vehicle mileage'),
)
card.set_figure(fig)
card = self.get_card('emission-impact')
df['Emissions'] -= df0['Emissions']
df = df[df.Forecast]
fig = PredictionFigure(
sector_name='Transportation',
unit_name=_('kt/a'),
fill=True,
)
fig.add_series(df=df,
column_name='Emissions',
trace_name=_('Reductions'))
self.net_emissions_impact = df['Emissions'].sum()
self.yearly_emissions_impact = df['Emissions'].iloc[-1]
card.set_figure(fig)
def refresh_graph_cards(self):
df = predict_cars_emissions()
df['Mileage'] /= 1000000
fig = self.draw_bev_chart(df)
bev_card = self.get_card('bev-percentage')
bev_card.set_figure(fig)
mpr_card = self.get_card('mileage-per-resident')
fig = PredictionFigure(
sector_name='Transportation',
unit_name='km/as.',
)
fig.add_series(
df=df, column_name='PerResident', trace_name=_('Vehicle mileage/res.'),
)
mpr_card.set_figure(fig)
card = self.get_card('emission-factor')
fig = PredictionFigure(
sector_name='Transportation',
unit_name='g/km',
)
fig.add_series(
df=df, column_name='EmissionFactor', trace_name=_('Emission factor'),
)
card.set_figure(fig)
card = self.get_card('total-mileage')
fig = PredictionFigure(
sector_name='Transportation',
unit_name='milj. km',
fill=True,
)
fig.add_series(
df=df, column_name='Mileage', trace_name=_('Vehicle mileage'),
)
card.set_figure(fig)
card = self.get_card('emissions')
fig = PredictionFigure(
sector_name='Transportation',
unit_name='kt (CO₂e.)',
fill=True,
)
fig.add_series(
df=df, column_name='Emissions', trace_name=_('Emissions'),
)
card.set_figure(fig)
"""
graph = PredictionFigure(
sector_name='Transportation',
unit_name='%',
title='Biopolttoaineiden osuus myydyissä polttoaineissa',
)
graph.add_series(
df=df, column_name='electric', trace_name='Bion osuus'
)
biofuel_chart = graph.get_figure()
"""
cd = CardDescription()
last_forecast = df[df.Forecast].iloc[-1]
last_history = df[~df.Forecast].iloc[-1]
self.last_emissions = df.iloc[-1].loc['Emissions']
mileage_change = ((last_forecast.PerResident / last_history.PerResident) - 1) * 100
cd.set_values(
bev_percentage=last_forecast.electric * 100,
phev_percentage=last_forecast['PHEV (gasoline)'] * 100,
bev_mileage=last_forecast.Mileage * last_forecast.electric,
phev_mileage=last_forecast.Mileage * last_forecast['PHEV (gasoline)'],
per_resident_adjustment=mileage_change,
target_population=last_forecast.Population,
urban_mileage=last_forecast.UrbanPerResident,
highway_mileage=last_forecast.HighwaysPerResident,
)
bev_card.set_description(cd.render("""
Skenaariossa polttomoottorihenkilöautot korvautuvat sähköautoilla siten,
että vuonna {target_year} {municipality_genitive} kaduilla ja teillä
ajetaan täyssähköautoilla {bev_percentage} % kaikista ajokilometreistä
({bev_mileage} milj. km) ja ladattavilla hybridisähköautoilla {phev_percentage}
% ajokilometreistä ({phev_mileage} milj. km).
"""))
bev_card.set_description(cd.render("""
In this scenario, ICE cars are being replaced with electric vehicles so
that in the year {target_year} in the streets and highways of {municipality},
BEVs account for {bev_percentage} % of all car mileage
({bev_mileage} Mkm) and PHEVs account for {phev_percentage} %
of all car mileage ({phev_mileage} M km).
"""), lang='en')
mpr_card.set_description(cd.render("""
Vuonna {target_year} {municipality_locative} asuu {target_population} ihmistä.
Skenaariossa ajokilometrit asukasta kohti muuttuvat vuoteen {target_year} mennessä
{per_resident_adjustment} %. Yksi asukas ajaa keskimäärin {urban_mileage} km kaduilla
ja {highway_mileage} km maanteillä vuodessa.
"""))
mpr_card.set_description(cd.render("""
In the year {target_year} City of {municipality} will have {target_population} residents.
In this scenario, car mileage per resident will change until {target_year} by
{per_resident_adjustment} %. One resident will drive on average {urban_mileage} km
on the streets and {highway_mileage} km on the highways per year.
"""), lang='en')
def refresh_graph_cards(self):
# First see what the maximum solar production capacity is to set the
# Y axis maximum.
set_variable('solar_power_existing_buildings_percentage', 100)
set_variable('solar_power_new_buildings_percentage', 100)
kwp_max_df = predict_solar_power_production()
# Then predict with the given percentages.
existing_card = self.get_card('existing-buildings')
set_variable('solar_power_existing_buildings_percentage', existing_card.get_slider_value())
future_card = self.get_card('new-buildings')
set_variable('solar_power_new_buildings_percentage', future_card.get_slider_value())
df = predict_solar_power_production()
forecast_df = df[df.Forecast]
hist_df = df[~df.Forecast]
years_left = forecast_df.index.max() - hist_df.index.max()
ekwpa = (forecast_df.SolarPowerExisting.iloc[-1] - hist_df.SolarPowerExisting.iloc[-1]) / years_left
nkwpa = forecast_df.SolarPowerNew.iloc[-1] / years_left
cd = CardDescription()
city_owned = get_variable('building_area_owned_by_org') / 100
cd.set_values(
existing_building_perc=existing_card.get_slider_value(),
org_existing_building_kwp=1000 * ekwpa * city_owned,
others_existing_building_kwp=1000 * ekwpa * (1 - city_owned)
)
existing_card.set_description(cd.render("""
Kun aurinkopaneeleita rakennetaan {existing_building_perc:noround} % kaikesta vanhan
rakennuskannan kattopotentiaalista, {org_genitive} tulee rakentaa aurinkopaneeleita
{org_existing_building_kwp} kWp vuodessa skenaarion toteutumiseksi. Muiden kuin {org_genitive}
tulee rakentaa {others_existing_building_kwp} kWp aurinkopaneeleita vuodessa.
"""))
cd.set_values(
new_building_perc=future_card.get_slider_value(),
org_new_building_kwp=1000 * nkwpa * city_owned,
others_new_building_kwp=1000 * nkwpa * (1 - city_owned)
)
future_card.set_description(cd.render("""
Kun uuteen rakennuskantaan rakennetaan aurinkopaneeleja {new_building_perc:noround} %
kaikesta kattopotentiaalista, {org_genitive} tulee rakentaa aurinkopaneeleja
{org_new_building_kwp} kWp vuodessa skenaarion toteutumiseksi. Muiden kuin {org_genitive}
tulee rakentaa {others_new_building_kwp} kWp aurinkopaneeleita vuodessa.
"""))
ymax = kwp_max_df.SolarPowerExisting.iloc[-1]
fig = PredictionFigure(
sector_name='ElectricityConsumption', unit_name='MWp',
y_max=ymax, color_scale=2
)
fig.add_series(df=df, trace_name=_('Peak power'), column_name='SolarPowerExisting', color_idx=0)
existing_card.set_figure(fig)
fig = PredictionFigure(
sector_name='ElectricityConsumption', unit_name='MWp',
y_max=ymax, color_scale=2
)
fig.add_series(df=df, trace_name=_('Peak power'), column_name='SolarPowerNew', color_idx=1)
future_card.set_figure(fig)
pv_kwh_wp = get_variable('yearly_pv_energy_production_kwh_wp')
df.SolarPowerNew = df.SolarPowerNew * pv_kwh_wp
df.SolarPowerExisting = df.SolarPowerExisting * pv_kwh_wp
df.loc[~df.Forecast, 'SolarPowerNew'] = np.nan
card = self.get_card('production')
fig = PredictionFigure(
sector_name='ElectricityConsumption', unit_name='GWh',
stacked=True, fill=True, color_scale=2
)
fig.add_series(df=df, trace_name=_('Existing buildings'), column_name='SolarPowerExisting', color_idx=0)
fig.add_series(df=df, trace_name=_('Future buildings'), column_name='SolarPowerNew', color_idx=1)
card.set_figure(fig)
card = self.get_card('emission-impact')
fig = PredictionFigure(
sector_name='ElectricityConsumption', unit_name='kt',
fill=True
)
ef_df = predict_electricity_emission_factor()
df['NetEmissions'] = -df['SolarProduction'] * ef_df['EmissionFactor'] / 1000
fig.add_series(df=df, column_name='NetEmissions', trace_name=_('Emissions'))
card.set_figure(fig)
s = df.SolarProduction
self.solar_production_forecast = s.iloc[-1] * get_variable('yearly_pv_energy_production_kwh_wp')
def electricity_consumption_callback(value):
set_variable('electricity_consumption_per_capita_adjustment', value / 10)
df = predict_electricity_consumption_emissions()
graph = PredictionFigure(sector_name='ElectricityConsumption',
title=_('Electricity consumption per resident'),
unit_name='kWh/as.')
graph.add_series(df=df,
trace_name=_('Consumption/res.'),
column_name='ElectricityConsumptionPerCapita')
per_capita_fig = graph.get_figure()
graph = PredictionFigure(
sector_name='ElectricityConsumption',
title=_('Electricity consumption'),
unit_name='GWh',
fill=True,
)
graph.add_series(df=df,
trace_name=_('Electricity consumption'),
column_name='NetConsumption')
consumption_fig = graph.get_figure()
graph = PredictionFigure(
sector_name='ElectricityConsumption',
title=_('Electricity production emission factor'),
unit_name='g/kWh',
smoothing=True,
)
graph.add_series(df=df,
trace_name=_('Emission factor'),
column_name='EmissionFactor')
factor_fig = graph.get_figure()
graph = PredictionFigure(
sector_name='ElectricityConsumption',
title=_('Electricity consumption emissions'),
unit_name='kt',
smoothing=True,
fill=True,
)
graph.add_series(df=df, trace_name='Päästöt', column_name='NetEmissions')
emission_fig = graph.get_figure()
graph = PredictionFigure(
sector_name='ElectricityConsumption',
title=_('Local PV production'),
unit_name='GWh',
smoothing=True,
fill=True,
)
graph.add_series(df=df,
trace_name='Tuotanto',
column_name='SolarProduction')
solar_fig = graph.get_figure()
first_forecast = df[df.Forecast].iloc[0]
last_forecast = df[df.Forecast].iloc[-1]
last_history = df[~df.Forecast].iloc[-1]
last_history_year = df[~df.Forecast].index.max()
cd = CardDescription()
cd.set_values(
per_resident_adj=get_variable(
'electricity_consumption_per_capita_adjustment'),
per_resident_change=(
(last_forecast.ElectricityConsumptionPerCapita /
last_history.ElectricityConsumptionPerCapita) - 1) * 100,
last_history_year=last_history.name,
solar_production_target=last_forecast.SolarProduction,
solar_production_perc=(last_forecast.SolarProduction * 100) /
last_forecast.ElectricityConsumption,
solar_production_hist=last_history.SolarProduction,
)
per_resident_desc = cd.render("""
Skenaariossa asukaskohtainen sähkönkulutus pienenee {per_resident_adj:noround} % vuodessa.
Vuonna {target_year} asukaskohtainen kulutus on muuttunut {per_resident_change} % nykyhetkestä.
""")
solar_desc = cd.render("""
Vuonna {target_year} {municipality_locative} sijaitsevilla aurinkopaneeleilla
tuotetaan {solar_production_target} GWh, joka on {solar_production_perc} %
kaikesta vuoden {target_year} kulutussähköstä.
""")
bar = StickyBar(label=_('Electicity consumption emissions'),
value=last_forecast.NetEmissions,
unit='kt',
current_page=page)
return [
per_capita_fig,
dbc.Col(per_resident_desc, style=dict(minHeight='6rem')), solar_fig,
dbc.Col(solar_desc, style=dict(minHeight='6rem')), consumption_fig,
factor_fig, emission_fig,
bar.render()
]
def district_heating_consumption_callback(existing_building_perc,
new_building_perc):
set_variable('district_heating_existing_building_efficiency_change',
existing_building_perc / 10)
set_variable('district_heating_new_building_efficiency_change',
new_building_perc / 10)
df = predict_district_heat_consumption()
geo_df = predict_geothermal_production()
geo_df = geo_df[geo_df.Forecast]
df['GeoEnergyProductionExisting'] = geo_df['GeoEnergyProductionExisting']
df['GeoEnergyProductionNew'] = geo_df['GeoEnergyProductionNew']
df['ExistingBuildingHeatUse'] -= df['GeoEnergyProductionExisting'].fillna(
0)
df['NewBuildingHeatUse'] -= df['GeoEnergyProductionNew'].fillna(0)
first_forecast = df[df.Forecast].iloc[0]
last_forecast = df[df.Forecast].iloc[-1]
last_history = df[~df.Forecast].iloc[-1]
cd = CardDescription()
org_owned = get_variable('building_area_owned_by_org') / 100
geo_production = last_forecast.GeoEnergyProductionExisting + last_forecast.GeoEnergyProductionNew
cd.set_values(
existing_renovation=get_variable(
'district_heating_existing_building_efficiency_change'),
new_improvement=get_variable(
'district_heating_new_building_efficiency_change'),
existing_next_year_reduction=(1 -
(first_forecast.ExistingBuildingHeatUse -
last_history.ExistingBuildingHeatUse)) *
org_owned,
new_area=last_forecast.NewBuildingNetArea,
existing_area=last_forecast.ExistingBuildingNetArea,
geo_production=geo_production,
geo_percentage=(geo_production / last_forecast.TotalHeatConsumption) *
100,
)
existing_desc = cd.render("""
Skenaarion mukaan nykyistä rakennuskantaa remontoidaan siten, että rakennuksien
energiatehokkuus paranee {existing_renovation:noround} % vuodessa. Ensi vuonna {org_genitive}
omistamien rakennuksien lämmönkulutuksen pitää pudota {existing_next_year_reduction} GWh.
""")
new_desc = cd.render("""
Uuden rakennuskannan energiatehokkuus paranee skenaariossa {new_improvement:noround} % vuodessa.
Vuonna {target_year} nykyistä rakennuskantaa on {existing_area} milj. kem² ja uutta rakennuskantaa
{new_area} milj. kem².
""")
geo_desc = cd.render("""
Vanhassa ja uudessa rakennuskannassa korvataan kaukolämpöä paikallisesti tuotetulla
maalämmöllä siten, että vuonna {target_year} kaukolämpöä korvataan {geo_production} GWh
({geo_percentage} % sen vuoden kaukolämmönkulutuksesta).
""")
fig1 = draw_existing_building_unit_heat_factor_graph(df)
fig2 = draw_new_building_unit_heat_factor_graph(df)
geo_fig = PredictionFigure(
sector_name='BuildingHeating',
unit_name='GWh',
title='Maalämmöllä korvattu kaukolämpö',
fill=True,
)
geo_fig.add_series(
df=geo_df,
column_name='GeoEnergyProduction',
trace_name='Maalämpötuotanto',
)
fig3 = draw_heat_consumption(df)
df = predict_district_heating_emissions()
unit_emissions_card = make_unit_emissions_card(df)
fig4 = draw_district_heat_consumption_emissions(df)
sticky = make_bottom_bar(df)
return [
fig1,
dbc.Col(existing_desc, style=dict(minHeight='8rem')), fig2,
dbc.Col(new_desc, style=dict(minHeight='8rem')),
geo_fig.get_figure(),
dbc.Col(geo_desc, style=dict(minHeight='8rem')), fig3,
unit_emissions_card, fig4, sticky
]
