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

Jobbeschreibung

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