Die Planung von Photovoltaikanlagen und Batteriespeichern erfordert präzise Analysen der energetischen Eigenversorgung.
Während herkömmliche zeitdiskrete Simulationen aufgrund ihres iterativen Charakters bei hohen Auflösungen einen erheblichen
Rechenaufwand verursachen, bietet der Effective Energy Shift (EfES) Algorithmus einen exakten, nicht-iterativen Berechnungsansatz.
Trotz dieses konzeptionellen Vorteils zeigte die ursprüngliche Implementierung ein ungünstiges Skalierungsverhalten zwischen O(n^1,5) im Average-Case und O(n^2) im Worst-Case,
was den Einsatz in zeitkritischen Anwendungen wie der Gebäudeleittechnik einschränkte.
Der überproportionale Anstieg der Rechenzeit ist primär im Ausgleichsteil des Verfahrens,
den Schritten balance, shift und settle, lokalisiert.
Die Optimierung erfolgt in dieser Arbeit auf zwei komplementären Ebenen:
Einerseits wird durch eine algorithmische Neugestaltung der Verrechnungslogik die theoretische Komplexitätsklasse grundlegend auf ein nahezu lineares Niveau sowohl im Average-Case als auch im Worst-Case gesenkt.
Andererseits werden unter anderem durch den Einsatz von Just-in-Time-Kompilierung mittels Numba sowie durch strukturelle Verbesserungen der Datenstrukturen die konstanten Laufzeitfaktoren signifikant reduziert.
Die Ergebnisse belegen, dass diese kombinierte Optimierungsstrategie die Rechenzeit massiv verkürzt und damit die Voraussetzung für hochfrequente Analysen und operative Prognosen schafft.
Room 04.137, Martensstr. 3, Erlangen
or
Zoom meeting:
https://fau.zoom-x.de/j/68350702053?pwd=UkF3aXY0QUdjeSsyR0tyRWtLQ0hYUT09
Meeting-ID: 683 5070 2053
Kenncode: 647333