aus Interesse hatte ich mir den bestehenden Code von eurem EOS angesehen, insbesondere die Optimierung bezüglich: dynamischer Strompreis und Batterieladung und -Entladung.
Ihr nutzt dafür aktuell einen genetischen Algorithmus, aus Interesse hatte ich mit einem Verwandten vor 2 Wochen ein Mathematisches Modell für sein Setup erstellt:
dynamischer Stromanbieter (Tibers)
28 kw/h Batterie
Eigentlich hatte ich es via Cplex lösen wollen, bin dann jedoch auf Python und OR-Tools umgestiegen. Falls das von Interesse für euch ist, unterstütze ich auch gerne bei der Implementierung.
Da Du als Neuling noch keine Links posten darfst, hab ich nach Prüfung die beiden Spaces entfernt. Vor der Korrektur hab ich bei der Suche nach Deiner Arbeit noch dieses Projekt gefunden, das vielleicht auch interessant sein kann:
Hallo @jin-gonzu, Akkudoktor-EOS ist dafür vorbereitet auch andere Optimierungsalgorithmen per Konfiguration zu verwenden. Die Einbindung eines Solver ist also möglich. Es ist sicher interressant zu vergleichen wie sich der genetische Algorithmus gegen einen Solver schlägt. Die Library vom FZI, die @jensdecker aufgeführt hat, ist dabei sicher auch interessant, da hier schon ganz viel Arbeit hineingeflossen ist. Wenn Du deinen Solver in EOS integrieren willst sage ich dir gerne wo im Source Code gute Stellen sind. EOS stellt ja die Infrastruktur wie Konfiguration, Vorhersagen, Messwerte, Ablaufkontrolle usw. bereits zur Verfügung. Du kannst das alles relativ einfach nutzen um den Solver zu füttern. Es gibt auch bereits eine Klasse für das Optimierungsergebenis mit der du die Solverergebnisse an EOS übergeben kannst. Die kommen dann als Energy Management Anweisung z.B. bei Home Assistant oder NodeRED und im REST Interface an. Sag bescheid wenn du das machen willst.
Hallo @b0661 danke für das Feedback.
Der Vergleich der Solver und des genetischen Algorithmus ist sicherlich spannend, sowohl im Ergebnis als auch in der benötigten Leistungsfähigkeit des ausführenden “Rechners”.
Die von @jensdecker aufgeführte Library ist gefühlt deutlich umfangreicher als, dass was ich bisher implementierte.
Ich würde es auf jeden Fall gerne versuchen den Solver zu integrieren, wobei ich am Wochenende dafür erstmal versuchen würde den aktuellen Stand auszuchecken und den GA lokal ans Laufen zu bringen.
Ich vermute mal, dass ich das auch ohne HA Integration schaffen kann zumindest vorerst.
Ich entwickle Akkudoktor-EOS lokal unter Linux. Einfach Repo klonen und make install, make run. Dann sollte es erstmal laufen. Die HA-Integration teste ich indem ich auf mein GitHub-Repo unter main pushe. Dort holt dann Home Assistant die jeweilige Version ab. Deine Sourcen für den Solver solltest du in einem Unterverzeichnis von src/akkudoktoreos/optimization ablegen. Der Verzeichnisname sollte dem späteren Konfigurationswert für den Optimierungsalgorithmus entsprechen (siehe …optimization/genetic → “GENETIC”). Toll dass du das machst. Viel Erfolg.