Abschlussarbeit (m/w/d) - Verbesserung der Lösbarkeit großer Energiesystem-Optimierungsmodelle

Das erwartet dich

Wie lassen sich Optimierungsmodelle mit Millionen Variablen effizient lösen? In unsere Abteilung Energiesystemanalyse untersuchen wir genau das in einem Forschungsprojekt, wo wir an der Verbesserung der Lösbarkeit großer Energiesystem-Optimierungsmodelle arbeiten. Dazu nutzt du High-Performance-Computing (HPC), führst eigene Simulationen durch und untersuchst, wie sich Modellstruktur und Lösungsverfahren auf die Rechenperformance auswirken. Die Ergebnisse deiner Abschlussarbeit helfen dabei, die Analyse großer Energiesysteme praktikabler und leistungsfähiger zu gestalten.

Deine Aufgaben

• Du unterstützt bei der Sammlung von Instanzen aus Energiesystem-Optimierungsmodellen in Zusammenarbeit mit Stakeholdern aus Wirtschaft und Wissenschaft
• Du strukturierst und bereitest die gesammelten Modellinstanzen systematisch auf
• Du definierst und pflegst Metadaten zu den Modellen, z. B. Modellgröße (Variablen, Nebenbedingungen), Struktur und sektorale Abdeckung (z. B. Strom, Wärme)
• Du führst Benchmarking-Experimente auf HPC-Clustern durch und nutzt dabei parallele Solver (z. B. PIPS-IPM++), einschließlich der systematischen Variation von Solver-Parametern
• Du automatisierst Experimente, z. B. mithilfe von Python oder anderen Skripting-Tools
• Du wertest Laufzeiten, Skalierung und Robustheit aus und vergleichst verschiedene Modellannotationen (z. B. Blockstrukturen)
• Du entwickelst Metriken oder Heuristiken zur Bewertung der Effektivität von Modellannotationen, z. B. durch den Einsatz statistischer Methoden oder Machine Learning zur Prognose der Solver-Performance

Das bringst du mit

• Du bist in einem technischen oder naturwissenschaftlichen Studiengang eingeschrieben, z.B. Data-Integrated Simulation Science, Umweltmodellierung oder Digitalised Energy Systems
• Du hast fundierte Grundkenntnisse in Linearer Optimierung / Operations Research
• Programmieren mit Python ist für dich kein Neuland – du verfügst über fundierte Kenntnisse und setzt sie gerne praxisnah ein
• Vorteilhaft sind Erfahrung mit HPC, Linux, oder parallelem Rechnen sowie mit Solvern für Optimierungsprobleme
• Du hast Interesse an Interesse an interdisziplinärer Forschung