PyPSA

So steigst du ein

Schritt 1: Installation per pip: pip install pypsa. Starte mit dem mitgelieferten Beispiel-Netz (PyPSA-Eur für das europäische Netz) oder baue ein minimales Eigenmodell: Definiere Busse (Knoten), Generatoren (mit Grenzkosten, Mindest- und Höchstleistung, Rampenraten), Lasten und Speicher. Das erste Dispatch-Modell für ein 5-Kraftwerke-System ist in 50 Zeilen Python lösbar.

Schritt 2: Integriere historische Spot-Preise (EPEX, ENTSO-E Transparency Platform) als Preissignale und lade reale Erzeugungsprofile aus deinem SCADA oder ERP-System. PyPSA arbeitet mit Pandas-DataFrames als Eingabeformat — jede Datenquelle, die als DataFrame exportierbar ist, kann direkt genutzt werden.

Schritt 3: Für produktiven Einsatz: Kopplung mit einem leistungsfähigen Solver. Für tägliche Unit-Commitment-Läufe (<200 Einheiten, <48 Stunden) reicht HiGHS (kostenlos). Für komplexere Modelle mit Network-Constraints empfiehlt sich Gurobi oder CPLEX. Plane das ML-Warmstart-Modul für häufig wiederholte Optimierungsinstanzen — reduziert Rechenzeit um 40–70%.

Ein konkretes Beispiel

Ein Regionalversorger mit 800 MW installierter thermischer Leistung (Gas, KWK, Speicher) nutzt PyPSA für die tägliche Einsatzplanung. Das Modell läuft täglich gegen 14 Uhr nach dem Day-Ahead-Clearing: Spotpreise einlesen, Erzeugungseinschränkungen aus dem Betriebsplan integrieren, Optimierungslauf (ca. 8 Minuten mit Gurobi), Fahrplanvorschlag für 48 Stunden ausgeben. Der Disponent prüft das Ergebnis und gibt es frei. Im Vergleich zur Vorgangslösung (Excel-basierte Handrechnung) stieg die Grenzkosten-Optimierungstiefe deutlich — geschätzte Verbesserung des Betriebsergebnisses um 2–4% durch besseres Arbitrage-Timing zwischen Stunden.