根据 DWD 天气预报数据确定光伏系统（PV 系统）预期功率输出的模型。
该程序的基本过程源自 Kilian Knoll“DWDForecast”工具：https://github.com/kilianknoll/DWDForecast 非常感谢您的想法！
使用以下库：
使用 Python > 3.8.1 解释器创建虚拟环境（Python 3.7.x 可能会导致 pytables 出现问题。）
然后安装requirements.txt中的软件包
该实施用于根据光伏系统的测量值验证预测模型
于是，启动了以下计划：
稍后，此验证的结果将作为生产预测的基线，以安排最佳的利用顺序......
其中的目标是最大化自己对自发电的消耗。
因此，预测将设置为定期运行的线程，每 6 小时更新一次预测。然后，预测数据将存储在 SQL-Library 中，以便在 Node-Red 环境中显示。
PV逆变器的当前值将定期（例如每分钟）存储在InfluxDB中。
天气预报取自 DWD Mosmix 模型。最接近光伏系统位置的站点在configuration.ini 文件的“DWD”部分中定义。
基本上，出于验证目的，可以将模拟基于预测数据以及历史数据（测量值）。历史数据包括全局辐照以及漫射辐照
由于可用的屋顶面积非常有限，我安装了一个小型光伏系统。
配置：
光伏系统的基本配置在 SolarSystem 部分的 configuration.ini 文件中完成。
DWD Mosmix 预报提供每小时结果中的全球辐射 (ghi) 值。为了运行 PVLIB 模型链，还需要漫射水平照射 (dhi) 和直接法向照射 (dni)。
PVLIB 提出了几个算法来根据 ghi 确定 dni。这里我们使用了其中的多个，但 DISC 模型似乎效果很好。
对于 dhi 计算，使用 Erbs 模型。它显示预测值和测量值（通过 DWD）之间具有良好的一致性。
运行 main.py 后，会生成一个包含小麦数据、辐照度和计算光伏系统结果的 csv 文件。该文件存储在“输出”目录中。
* i_sc : Short-circuit current (A)
* i_mp : Current at the maximum-power point (A)
* v_oc : Open-circuit voltage (V)
* v_mp : Voltage at maximum-power point (V)
* p_mp : Power at maximum-power point (W)
* i_x : Current at module V = 0.5Voc, defines 4th point on I-V
curve for modeling curve shape
* i_xx : Current at module V = 0.5(Voc+Vmp), defines 5th point on
I-V curve for modeling curve shape
