PyPSA

Kurzfazit

PyPSA ist das mit Abstand führende Open-Source-Framework für Energiesystem-Modellierung, und für jeden, der Kraftwerkseinsatz, Netzberechnung oder Netzausbau in Europa rechnet, praktisch unverzichtbar. Es deckt Economic Dispatch, Unit Commitment, optimale Lastflussrechnung und langfristige Ausbauplanung in einem konsistenten Python-Framework ab, ist MIT-lizenziert und lässt dir die freie Wahl zwischen kostenlosen und kommerziellen Solvern. Maintained von der TU Berlin und von der DFG gefördert, ist es in Forschung wie Industrie der De-facto-Standard für das europäische Energiesystem. Der Preis dafür: Es ist eine reine Programmierbibliothek ohne grafische Oberfläche und ohne kommerziellen Support, wer kein Python- und Optimierungs-Know-how mitbringt, wird damit nicht produktiv.

Für wen ist PyPSA?

Stadtwerke und Regionalversorger mit Data-Science-Team: Wer eigene Modellierungskompetenz im Haus hat, bekommt mit PyPSA ein Werkzeug, das vom täglichen Einsatzplan bis zur langfristigen Ausbaustrategie alles abdeckt, ohne sechsstellige Lizenzkosten und ohne Abhängigkeit von einem einzelnen Anbieter.

Forschung und Universitäten: PyPSA ist in der Energiesystemanalyse der gemeinsame Nenner. Wer publizieren, reproduzieren und auf bestehende Modelle aufsetzen will, findet hier die offene Datenbasis (PyPSA-Eur, PyPSA-Earth) und eine Community, die dieselbe Sprache spricht. Reproduzierbarkeit ist kein Marketing-Versprechen, sondern durch offenen Code und offene Daten eingebaut.

Beratungen und Energie-Analysten: Für Szenariorechnungen, Netzstudien und Transformationspfade ist PyPSA flexibel genug, um maßgeschneiderte Fragestellungen zu beantworten, vorausgesetzt, das Team kann Python und versteht lineare bzw. gemischt-ganzzahlige Optimierung.

Prototyping vor Investitionsentscheidungen: Bevor ein Versorger oder Netzbetreiber sechsstellig in kommerzielle Software investiert, lässt sich mit PyPSA ein Proof-of-Concept bauen, der die eigene Fragestellung realistisch abbildet. Wenn der Bedarf danach klar ist, kann man fundiert über kommerzielle Alternativen entscheiden, oder bei PyPSA bleiben.

Weniger geeignet für: Disponenten und Fachanwender ohne Programmierkenntnisse, Betriebe, die garantierten Support mit SLA brauchen, und alle, die eine schlüsselfertige grafische Anwendung für die operative Tagesplanung suchen.

Preise im Detail

Posten	Kosten	Anmerkung
PyPSA selbst	0 €	MIT-Lizenz, voll kommerziell und akademisch nutzbar, kein Vendor-Lock-in
Solver HiGHS / GLPK / CBC	0 €	Open-Source-Solver, HiGHS ist vorinstalliert und für viele Anwendungen ausreichend
Solver Gurobi (kommerziell)	ca. 10.000–14.000 USD/Jahr	Named-User-Lizenz, deutlich schneller bei großen MILP-Modellen; akademische Lizenz kostenlos
Solver FICO Xpress (kommerziell)	vergleichbar zu Gurobi	Alternative zu Gurobi; ebenfalls kostenlose akademische Lizenzen
Infrastruktur / Personal	variabel	Rechen-Hardware bzw. Cloud-Kosten und Personalaufwand für Modellierung und Data Engineering

Einordnung: PyPSA kostet keine Lizenzgebühr, der wahre Kostenfaktor ist Personal und gegebenenfalls ein kommerzieller Solver. Für kleinere Modelle (wenige hundert Einheiten, kurze Zeithorizonte) reicht der kostenlose HiGHS-Solver vollständig aus, sodass Gesamtkosten von null Lizenzkosten realistisch sind. Erst bei großen, ganzzahligen Unit-Commitment-Modellen mit Netzrestriktionen spielt ein kommerzieller Solver wie Gurobi seine Geschwindigkeitsvorteile aus, dann fallen die genannten Jahresgebühren an. Akademische Einrichtungen bekommen Gurobi und Xpress kostenlos, was PyPSA in der Forschung praktisch gebührenfrei macht. Der eigentliche Aufwand liegt nicht im Preis, sondern in den Personentagen für Modellaufbau und Datenanbindung.

Stärken im Detail

Ein Framework für die ganze Wertschöpfungskette der Modellierung. PyPSA trennt nicht künstlich zwischen Einsatzplanung und Netzberechnung. Du kannst Economic Dispatch, Unit Commitment, optimale Lastflussrechnung (LOPF), Netzausbauplanung (Capacity Expansion) und Pfad-Optimierung mit perfekter Voraussicht im selben Modell kombinieren. Genau diese Integration, Erzeugung, Speicher, Netz und Sektorkopplung in einem konsistenten Optimierungsproblem, unterscheidet PyPSA von Insellösungen, die jeweils nur einen Teilaspekt abdecken.

Freie Solver-Wahl heißt Kostenkontrolle. PyPSA bindet keinen bestimmten Solver. Standardmäßig läuft HiGHS (kostenlos, vorinstalliert), daneben funktionieren GLPK und CBC ebenfalls kostenlos. Wenn die Modelle größer und die Rechenzeiten kritisch werden, kannst du auf Gurobi oder FICO Xpress wechseln, ohne das Modell neu zu schreiben. Diese Entkopplung von Modell und Solver ist ein echter strategischer Vorteil: Du zahlst für kommerzielle Rechenleistung nur, wenn du sie wirklich brauchst.

Europäische Ausrichtung mit offener Datenbasis. PyPSA wird an der TU Berlin (Fachgebiet Digitale Transformation in Energiesystemen) gepflegt und von der Deutschen Forschungsgemeinschaft gefördert. Das zugehörige Modell PyPSA-Eur deckt das gesamte ENTSO-E-Gebiet auf Übertragungsnetzebene ab, inklusive AC-Leitungen ab 220 kV, HGÜ-Verbindungen, Kraftwerken, Lastzeitreihen und Erneuerbaren-Potenzialen. Für die Modellierung des deutschen und europäischen Energiesystems gibt es keine vergleichbar offene, gepflegte Grundlage.

MIT-Lizenz statt Vendor-Lock-in. PyPSA steht unter der MIT-Lizenz, die Dokumentation unter CC-BY-4.0. Das bedeutet: uneingeschränkte kommerzielle Nutzung, kein Lizenzvertrag, keine Abhängigkeit von einem Anbieter, der morgen die Preise erhöht oder das Produkt einstellt. Wer langfristig planbar modellieren will, schätzt diese Unabhängigkeit.

Unsicherheit ist eingebaut. Stochastische Optimierung und rolling-horizon Verfahren gehören zum Standardrepertoire, wichtig, weil Wind- und Solareinspeisung naturgemäß unsicher sind. Custom Constraints lassen sich über das Optimierungs-Backend Linopy sauber ergänzen, sodass auch unkonventionelle Nebenbedingungen (z. B. CO₂-Limits, Förderregelungen, technische Restriktionen) abbildbar sind.

Aktive Community statt Karteileiche. Über 2.000 GitHub-Sterne, mehr als 3.000 Commits, regelmäßige Releases, zuletzt v1.2.2 im Mai 2026, und jährliche User Meetings (das vierte ist für Juni 2026 angesetzt) zeigen ein lebendiges Projekt. Wer auf PyPSA setzt, baut nicht auf ein verlassenes Repository.

Schwächen ehrlich betrachtet

Kein grafisches Interface, keine Bedienung ohne Code. PyPSA ist eine Python-Bibliothek, keine Anwendung. Es gibt keinen Button, kein Dashboard, keine Maske für Disponenten. Modelle werden in Python definiert, Daten als Pandas-DataFrames übergeben, Ergebnisse per Code ausgewertet. Wer kein Python kann, kann PyPSA nicht nutzen, Punkt. Als Workaround bauen einige Anwender eigene Notebooks oder schlanke Frontends, aber das ist zusätzlicher Entwicklungsaufwand.

Kein kommerzieller Support, kein SLA. Wenn nachts der tägliche Optimierungslauf abbricht, gibt es keine Hotline. Hilfe kommt aus der Community (GitHub Issues, Diskussionsforen, Mailinglisten), meist gut und kompetent, aber ohne garantierte Reaktionszeit. Für geschäftskritische, operative Prozesse muss das eigene Team die Verantwortung tragen und entsprechend tief im Code stecken.

Steile Lernkurve. PyPSA verlangt Python-Kenntnisse und ein Verständnis von linearer und gemischt-ganzzahliger Optimierung. Wer beides nicht mitbringt, scheitert nicht an einem Bug, sondern an konzeptionellen Hürden, falsch formulierte Nebenbedingungen, unbrauchbare Ergebnisse, lange Debugging-Sessions. Der Einstieg ist machbar, aber kein Wochenendprojekt.

Rechenzeit und Speicher bei großen Modellen. Bei sehr großen Netzen (>10.000 Knoten), vielen Zeitschritten und ganzzahligem Unit Commitment können Lösungszeiten und RAM-Bedarf erheblich werden. Der kostenlose HiGHS-Solver stößt hier eher an Grenzen als Gurobi. Workarounds wie Netz-Aggregation, zeitliche Auflösungsreduktion oder rolling-horizon helfen, kosten aber Modellierungsaufwand und können die Ergebnisgenauigkeit beeinflussen.

Datenintegration ist Eigenleistung. PyPSA liefert keinen fertigen Konnektor zu SCADA, ERP oder Strommärkten. Marktdaten (z. B. von der ENTSO-E Transparency Platform oder EPEX), Erzeugungsprofile und Netztopologien müssen selbst aufbereitet und als DataFrame eingespeist werden. Das ist machbar, weil PyPSA mit dem Pandas-Ökosystem arbeitet, aber es ist Data Engineering, das niemand für dich erledigt.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Energiesysteme und Microgrids per grafischer Oberfläche optimieren willst (ohne Code)
Den Fokus auf Verteilnetz- und Lastflussberechnung legst
Eine allgemeine Simulationsplattform für komplexe Systemmodelle brauchst
Belastbare Erneuerbaren-Ertragsdaten als Modell-Input brauchst

Erwähnenswert ohne eigene Tool-Seite: Calliope und oemof (weitere Open-Source-Energiesystem-Frameworks in Python mit ähnlicher Zielgruppe), PLEXOS und Antares (etablierte kommerzielle bzw. teiloffene Markt- und Dispatch-Simulatoren) sowie die kommerziellen Suiten großer Netzberechnungsanbieter (z. B. PSS/E, PowerFactory). PyPSA bleibt im Open-Source-Lager der profilierteste Vertreter, wer Transparenz, Reproduzierbarkeit und Unabhängigkeit von Lizenzkosten will, fängt fast immer hier an. Wer dagegen eine fertige Oberfläche und Support braucht, ist mit einer kommerziellen Lösung besser bedient.

So steigst du ein

Schritt 1: Installieren und am Minimalmodell lernen. Installiere PyPSA per pip install pypsa (HiGHS kommt als Solver mit). Baue ein minimales Dispatch-Modell für ein 5-Kraftwerke-System: Definiere Busse (Knoten), Generatoren mit Grenzkosten, Mindest-/Höchstleistung und Rampenraten, Lasten und Speicher. Das erste lauffähige Modell ist in rund 50 Zeilen Python erreicht, und vermittelt sofort das Datenmodell.

Schritt 2: Reale Daten anbinden. Speise historische Spotpreise (EPEX, ENTSO-E Transparency Platform) als Preissignale ein und lade reale Erzeugungsprofile aus deinem SCADA- oder ERP-System. PyPSA arbeitet durchgängig mit Pandas-DataFrames als Eingabeformat, jede Datenquelle, die sich als DataFrame exportieren lässt, ist direkt nutzbar. Wer das europäische System modellieren will, setzt auf PyPSA-Eur als fertige offene Datenbasis auf.

Schritt 3: Für den Produktivbetrieb skalieren. Wähle den Solver nach Modellgröße: Für tägliche Unit-Commitment-Läufe (<200 Einheiten, <48 Stunden) reicht HiGHS kostenlos. Für komplexere Modelle mit Netzrestriktionen lohnt sich Gurobi oder FICO Xpress. Automatisiere wiederkehrende Läufe (z. B. mit Snakemake, das im PyPSA-Eur-Workflow ohnehin genutzt wird) und etabliere eine Qualitätssicherung, in der ein Fachverantwortlicher die Ergebnisse vor der Freigabe prüft.

Ein konkretes Beispiel

Ein Regionalversorger mit rund 800 MW installierter thermischer Leistung (Gas, KWK, Batteriespeicher) nutzt PyPSA für die tägliche Einsatzplanung. Der Ablauf: Täglich gegen 14 Uhr, nach dem Day-Ahead-Clearing, liest ein Python-Skript die Spotpreise ein, integriert Erzeugungsrestriktionen aus dem Betriebsplan und startet den Optimierungslauf. Mit Gurobi ist das Ergebnis nach wenigen Minuten da: ein Fahrplanvorschlag für die nächsten 48 Stunden. Ein Disponent prüft das Ergebnis und gibt es frei. Gegenüber der früheren Excel-basierten Handrechnung ist die Optimierungstiefe deutlich gestiegen, vor allem beim stündlichen Arbitrage-Timing zwischen Erzeugung und Speicher. Der Versorger schätzt die Verbesserung des Betriebsergebnisses auf etwa 2–4 %, ohne neue Lizenzkosten außer dem kommerziellen Solver. Den Aufbau hat ein zweiköpfiges Data-Science-Team in einigen Wochen geleistet, der Knackpunkt war nicht PyPSA selbst, sondern die saubere Anbindung der Betriebsdaten.

DSGVO & Datenschutz

• Hosting: PyPSA läuft vollständig auf deiner eigenen Infrastruktur, lokaler Rechner, eigener Server oder eigene Cloud-Instanz. Es gibt keinen Anbieter-Server, an den Daten gesendet werden. Damit hast du volle Kontrolle über den Ort der Datenverarbeitung (in der Regel Deutschland/EU).
• Datennutzung: Keine. PyPSA ist eine lokal ausgeführte Bibliothek; es findet keine Telemetrie, kein Cloud-Upload und keine Auswertung deiner Modell- oder Betriebsdaten durch Dritte statt.
• Solver-Hinweis: Auch kommerzielle Solver wie Gurobi oder FICO Xpress laufen lokal, geprüft werden muss lediglich die Lizenzaktivierung (manche Lizenztypen erfordern einen Lizenzserver-Kontakt). Die zu optimierenden Daten verlassen deine Infrastruktur dabei nicht.
• Auftragsverarbeitung (AVV): Nicht erforderlich, da kein externer Auftragsverarbeiter im Spiel ist. Du verarbeitest deine Daten ausschließlich selbst.
• Empfehlung für Unternehmen: Für Versorger und Netzbetreiber mit hohen Anforderungen an Datenhoheit ist die On-Premise-Natur von PyPSA ein klarer Vorteil. Betriebsdaten, Lastprofile und Netztopologien bleiben im eigenen Haus. Achte lediglich darauf, dass die gewählte Rechenumgebung (lokal oder EU-Cloud) und der Solver-Lizenzweg deinen internen Datenschutzvorgaben entsprechen.

Gut kombiniert mit

• , liefert belastbare Solar- und Wind-Ertragsdaten als Modell-Input. Während PyPSA optimiert, speist Solargis die Erneuerbaren-Profile, mit denen das Modell rechnet, sauber kombinierbar über DataFrame-Import.
• , ergänzt PyPSA auf der Verteilnetzebene. Wo PyPSA die übergeordnete Einsatz- und Ausbauoptimierung übernimmt, vertieft Adaptricity die detaillierte Lastfluss- und Netzanalyse im Verteilnetz.
• , als grafische Gegenprobe oder für Stakeholder, die kein Python lesen. HOMER Pro liefert für überschaubare Microgrid-Szenarien eine bedienbare Oberfläche; PyPSA bleibt das flexiblere Werkzeug für maßgeschneiderte, großskalige Modelle.

Unser Testurteil

PyPSA verdient 4 von 5 Sternen. In seiner Disziplin, offene, transparente, reproduzierbare Energiesystem-Modellierung, gibt es schlicht nichts Besseres im Open-Source-Lager. Die Bandbreite (Dispatch, Unit Commitment, Lastfluss, Netzausbau), die freie Solver-Wahl, die MIT-Lizenz und die starke europäische Datenbasis über PyPSA-Eur machen es zum Standardwerkzeug für Forschung und für Versorger mit eigenem Data-Science-Team. Den fünften Stern kostet die hohe Einstiegshürde: kein grafisches Interface, kein kommerzieller Support, steile Lernkurve und spürbarer Aufwand bei der Datenanbindung. Für ein Team mit Python- und Optimierungs-Know-how ist PyPSA ein Volltreffer, für alle anderen ist es das falsche Werkzeug, und eine kommerzielle Lösung mit Oberfläche und Support die ehrlichere Wahl.

Was wir bemerkt haben

• Mai 2026, PyPSA hat die Version 1.2.2 veröffentlicht (25. Mai 2026). Die kontinuierliche Release-Kadenz und über 3.000 Commits belegen ein lebendiges, aktiv gepflegtes Projekt, wichtig bei einem Tool ohne kommerziellen Anbieter im Rücken.
• 2026, Das vierte PyPSA User Meeting ist für den 29. Juni 2026 angesetzt. Solche regelmäßigen Treffen sind bei Open-Source-Projekten ein gutes Gesundheitssignal: Die Community trägt das Projekt, nicht ein einzelner Sponsor.
• Laufend, Das Projekt wird von der Deutschen Forschungsgemeinschaft (DFG) gefördert und an der TU Berlin (Fachgebiet Digitale Transformation in Energiesystemen) gepflegt. Die früher oft genannte Beteiligung von KIT und Fraunhofer spiegelt die akademische Herkunft wider; der Maintenance-Schwerpunkt liegt heute klar an der TU Berlin.
• Korrektur, Anders als gelegentlich behauptet, gehören CPLEX und ein „ML-Warmstart-Modul” nicht zum offiziellen Funktionsumfang. Die offiziell dokumentierten Solver sind HiGHS, GLPK und CBC (kostenlos) sowie Gurobi und FICO Xpress (kommerziell, akademisch frei). Das Optimierungs-Backend heißt Linopy und erlaubt eigene Nebenbedingungen, eine pauschale „40–70 % schnellere”-ML-Beschleunigung ist kein dokumentiertes PyPSA-Feature.