Webprodukte, APIs, Datenanwendungen und Automatisierungen mit Python, entwickelt mit Blick auf Architektur, Tests und einen sauber geplanten Betrieb.
Energiesystem-Modellierung | Anexia Digital Engineering

Energiesystem-Modellierung mit PyPSA & pandapower.
Wie wirken sich technische Grenzen, Kosten und Zeitreihen auf Ihr Energie- oder Stromsystem aus? Anexia Digital Engineering bildet Szenarien, Ausbauentscheidungen und Netzzustände in quelloffenen Python-Modellen ab und macht die Ergebnisse für Ihre Fragestellung nachvollziehbar.
Zwei Werkzeuge, klare Rollen
Energie- und Netzfragen haben unterschiedliche Zeithorizonte. Für Ausbauplanung, Dispatch und Sektorkopplung über lange Zeitreihen ist PyPSA das passende Framework. Für Lastfluss, Kurzschluss und Zustandsschätzung in einem detaillierten Netzmodell ist es pandapower. Wir wählen nach der Fragestellung und verbinden beide dort, wo eine Planung auch im Netz bestehen muss.
Netzwerke & Szenarien
Busse, Erzeuger, Lasten, Leitungen, Links, Speicher, Snapshots und Investitionsperioden als konsistentes Netzwerk aus Ihren Daten.
Optimierung & Ausbau
Economic Dispatch, linearer optimaler Leistungsfluss und Kapazitätsausbau für Erzeugung, Speicher, Umwandlung und Übertragung.
Netzberechnung
AC- und Dreiphasen-Lastfluss, Kurzschlussströme nach IEC 60909, Zustandsschätzung und optimaler Lastfluss im detaillierten Netzmodell.
Reproduzierbare Läufe
Versionierte Annahmen, getestete Python-Workflows und geprüfte Ergebnisexporte, die Ihr Team selbst wiederholen kann.
Energiesystem-Modellierung in Python
Ob sich ein Speicher rechnet, ob eine Leitung den Ausfall einer anderen verkraftet oder wie ein höherer Anteil erneuerbarer Erzeugung ein Netz verändert, lässt sich nicht aus dem Bauch beantworten. Technische Grenzen, Kosten und Zeitreihen greifen ineinander. Energiesystem-Modellierung macht diese Zusammenhänge rechenbar, wenn Modell, Daten und Annahmen offenliegen. Anexia Digital Engineering arbeitet dafür mit zwei quelloffenen Python-Werkzeugen und klar getrennten Rollen. PyPSA modelliert und optimiert Energie- und Stromsysteme über Zeitreihen und Szenarien, pandapower rechnet elektrische Netze elementgenau.
Beide Werkzeuge sind Python-Pakete und fügen sich in bestehende Daten-Workflows ein. Eingangsdaten lassen sich mit pandas aufbereiten, Ergebnisse mit Matplotlib darstellen oder in einer Streamlit-App für Fachleute bedienbar machen. Weil das Modell als Code vorliegt, ist es versionierbar, testbar und wiederholbar. Das unterscheidet es von Tabellenmodellen, deren Logik über viele Formeln verteilt ist, und macht Annahmen für Fachabteilung, Management und Prüfstellen gleichermaßen nachlesbar.
Kapazitätsausbau & Dispatch mit PyPSA
Das Framework bildet Erzeugung, Netze, Speicher, Zeitreihen, gekoppelte Energieträger und technische Nebenbedingungen ab, einschließlich linearisierter Leistungsflüsse in AC- und DC-Netzen. Aus Ihren Domänen- und Eingangsdaten bauen wir ein pypsa.Network mit Bussen, Erzeugern, Lasten, Leitungen, Links, Speichern, Snapshots und Investitionsperioden. Darauf optimieren wir Economic Dispatch oder den linearen optimalen Leistungsfluss (LOPF) mit Netzrestriktionen, damit sich Varianten vergleichen lassen. In der Kapazitätserweiterungsplanung entscheidet das Modell über Investitionen in Erzeugung, Speicher, Umwandlung und Übertragung. N-1-Leitungsausfälle berücksichtigen wir in einer sicherheitsbeschränkten LOPF-Rechnung (SCLOPF), damit Sicherheitsannahmen im Modell sichtbar werden.
Über n.optimize() und Linopy integrieren wir Variablen, Zielfunktionen und projektspezifische Nebenbedingungen, etwa Ausbaugrenzen, Mindestanteile oder Emissionsvorgaben aus Ihrer Fragestellung. Nach jedem Lauf prüfen wir Energie- und Leistungsbilanzen, bevor wir Ergebnisse interpretieren. Ein Optimum, das die Bilanz verletzt oder an einer vergessenen Grenze klebt, ist ein Hinweis auf Daten- oder Modellfehler und kein Ergebnis.
Netzberechnung mit pandapower
Für die statische Analyse elektrischer Netze bilden wir Busse, Leitungen, Schalter, Transformatoren, Lasten und Erzeuger als gepflegtes Netzmodell ab. Darauf laufen AC- und Dreiphasen-Lastflussrechnungen, Kurzschlussberechnungen nach IEC 60909 und die Zustandsschätzung aus Messdaten. Optimale Lastflüsse konfigurieren wir mit Kosten, Flexibilitäten und Nebenbedingungen, Netzstrukturen untersuchen wir per Graphsuche. Die Ergebnisse je Netzelement bereiten wir so auf, dass sich Zustände vergleichen und bewerten lassen und in Python weiter auswertbar bleiben.
Ein Lastfluss beantwortet, welche Spannungen sich an den Knoten einstellen und wie stark Leitungen und Transformatoren ausgelastet sind. Die AC-Rechnung ist ein nichtlineares Gleichungssystem, das iterativ gelöst wird. Konvergiert sie nicht, liegt die Ursache häufig in den Daten, etwa in falschen Leitungsparametern, unklaren Schaltzuständen oder unplausiblen Lasten. Solche Fälle gehen wir systematisch durch, statt Toleranzen aufzuweichen, denn ein Netzmodell ist nur so gut wie seine Topologie und seine Parameter.
Das passende Werkzeug je Frage
Langfristige Energiesystem- und Kapazitätsplanung gehört zu PyPSA, besonders bei großen Netzen, langen Zeitreihen oder sektorübergreifenden Systemen. Elementbasierte elektrische Netzberechnung für Übertragungs-, Subübertragungs- oder europäische Dreiphasen-Verteilnetze gehört zu pandapower. Viele Vorhaben brauchen beides nacheinander. Ein Ausbauszenario aus der Systemoptimierung lässt sich für ausgewählte Netzzustände im Detail nachrechnen, um zu prüfen, ob Spannungen und Auslastungen in den zulässigen Grenzen bleiben. Welche Kombination sinnvoll ist, klären wir an Ihrer Fragestellung, ohne dass Sie sich vorab auf einen Stack festlegen müssen.
Werkzeuge, Daten & Grenzen

Ein Szenario ist so belastbar wie die Annahmen, die man darin nachlesen kann.
Läufe, Betrieb & Übergabe
Reproduzierbare Energiesystem-Modellierung
Wir entwickeln reproduzierbare Python-Workflows für Datenimport, Zeitreihenaufbereitung, Solver-Anbindung, Tests und Ergebnisexport. Eingangsdaten und Annahmen sind versioniert, Paket- und Solverversionen festgehalten, Szenarien als Konfiguration abgelegt. Kleine Referenznetze mit bekannten Ergebnissen dienen als automatisierte Tests, fachliche Referenzfälle aus Ihrem Haus als Abnahme. Wird ein Lauf in einem Jahr wiederholt, liefert er dasselbe Ergebnis oder zeigt nachvollziehbar, welche Änderung den Unterschied erklärt.
Ergebnisgrößen definieren wir gemeinsam mit Ihnen, bevor gerechnet wird. Das verhindert, dass aus einer Optimierung hunderte Kennzahlen entstehen, von denen keine die eigentliche Frage beantwortet. Die Ergebnisexporte sind geprüft, dokumentiert und so aufgebaut, dass sie in Berichte, Dashboards oder weitere Auswertungen übernommen werden können.
Rechnen im Betrieb
Größere Modelle brauchen Rechenzeit und Arbeitsspeicher, die ein Notebook nicht bietet. Wir planen, wo und wie Läufe stattfinden, ob auf Ihrer Infrastruktur oder in den eigenen Rechenzentren und der Cloud-Infrastruktur der Anexia Group in Europa. Dazu gehören wiederkehrende Läufe, die Ablage von Ergebnissen mit Bezug auf Daten- und Modellstand sowie die Frage, welche Solverlizenzen in welcher Umgebung gelten. Die zertifizierten Managementsysteme der Anexia Group nach ISO 27001, ISO 9001 und ISO 14001 umfassen auch die Softwareentwicklung.
Sie bringen Zielbild, Datenquellen und Entscheidungskriterien ein, wir machen daraus gemeinsam einen abgestimmten Modellstand mit versionierten Annahmen und klaren Ergebnisgrößen. Am Ende stehen reproduzierbare Läufe, geprüfte Exporte und eine verständliche Übergabe für die Weiterarbeit in Ihrem Stack. Anexia Digital Engineering entwickelt seit 2006 Software, mit mehr als 40 Fachleuten in Österreich und Deutschland und über 100 Python-Projekten. Im Energieumfeld gehört dazu etwa ein Python-Backend für einen Konfigurator für Solarpaneele, das Eingaben aus dem Konfigurationstool verarbeitet. Wie wir Software für die Energiewirtschaft insgesamt angehen, zeigt die Branchenseite Industrie, Automotive & Energie.
Die technische Einordnung auf dieser Seite stützt sich auf die offiziellen Projektseiten und Dokumentationen von PyPSA mit dem Quellcode-Repository sowie von pandapower mit der technischen Dokumentation. Produktnamen und Logos gehören den jeweiligen Rechteinhabern, ihre Nennung bedeutet keine Partnerschaft oder Zertifizierung.
Fragen zur Energiesystem-Modellierung
- Python Entwicklung
- Machine Learning Entwicklung
Modelle mit scikit-learn, TensorFlow, PyTorch und Keras, die sich gegen eine Baseline behaupten und als getestete Inferenzschnittstelle in Ihre Anwendung kommen.
- Datenanalyse mit Python
Prüfbare Auswertungen und Daten-Apps mit pandas, NumPy, SciPy, Matplotlib und Streamlit, gebaut als wiederholbare Pipelines statt einmaliger Notebooks.
- Python Desktop-Anwendungen
Desktop-Oberflächen mit PyQt, PySide, Tkinter, PySimpleGUI und Kivy, verbunden mit Ihrer Python-Fachlogik und paketiert für Ihre Zielplattformen.
- Backend-Entwicklung
Java und Spring Boot, .NET und C#, Python mit Django und FastAPI, Node.js mit TypeScript sowie PHP mit Laravel. Stabile Backends und APIs.
- Daten- & KI-Technologien
TensorFlow, PyTorch, Apache Spark, Kafka, PostgreSQL, MongoDB, Elasticsearch, Power BI und Tableau. Technologien für Daten und KI.
Durchrechnen. Ihre Energiefrage verdient ein offenes Modell.
Beschreiben Sie Ihre Fragestellung, die vorhandenen Daten und die Entscheidung, die das Modell stützen soll. Wir klären gemeinsam, welches Werkzeug passt und wie aus den ersten Läufen ein Modell wird, das Ihr Team selbst bedient.
