# PyScript via HACS installieren
# Konfigurationsdateien zu Home Assistant hinzufügen
# PyScript Dateien nach /config/pyscript/ kopieren
# Home Assistant neu starten

Siehe INSTALLATION_GUIDE.md für Details.

2. Konfiguration

Setze folgende Werte:

Min SOC: 20%
Max SOC: 100%
Preis-Schwellwert: 28 ct/kWh
Max Ladeleistung: 10000 W
Reserve: 2 kWh
Strategie: Konservativ

3. Ersten Plan erstellen

# Entwicklerwerkzeuge → Dienste
service: pyscript.calculate_charging_schedule

4. Optimierung aktivieren

input_boolean.battery_optimizer_enabled: ON

📈 Beispiel: Heute (7. Nov 2025)

Strompreise

Günstigste Stunde: 3:00 Uhr - 26.72 ct/kWh
Durchschnitt: 29.51 ct/kWh
Teuerste Stunde: 17:00 Uhr - 37.39 ct/kWh
Aktuell (19:00 Uhr): 31.79 ct/kWh

Optimierungs-Strategie

Mit konservativer Strategie würde System:

✅ Laden: 1-5 Uhr (Preise: 26-27 ct/kWh)
❌ Nicht laden: 6-23 Uhr (Preise über Schwellwert)
☀️ Warten auf PV-Ertrag ab Sonnenaufgang

Geschätzte Ersparnis: 8-12% vs. ständiges Laden bei Durchschnittspreis

🎛️ Services

Haupt-Services

# Neuen Plan berechnen
pyscript.calculate_charging_schedule

# Aktuellen Plan ausführen
pyscript.execute_current_schedule

Manuelle Steuerung

# Laden starten (10kW)
pyscript.start_charging_cycle:
  power_w: -10000

# Laden stoppen
pyscript.stop_charging_cycle

# Notfall-Stop
pyscript.emergency_stop

Modbus Direkt

# Beliebige Leistung setzen
pyscript.set_battery_power_modbus:
  power_w: -5000  # 5kW laden

📊 Monitoring

Wichtige Sensoren

Status

input_boolean.battery_optimizer_enabled - System AN/AUS
sensor.battery_state_of_charge - Aktueller SOC
sensor.nächste_ladestunde - Wann wird geladen

Energie

sensor.battery_power - Aktuelle Batterieleistung
sensor.pv_power - Aktuelle PV-Leistung
sensor.house_consumption - Hausverbrauch

Prognosen

sensor.energy_production_tomorrow - PV Ost morgen
sensor.energy_production_tomorrow_2 - PV West morgen
sensor.durchschnittspreis_heute - Avg. Strompreis

Dashboard

![Dashboard Preview]

Status-Karten
Preis-Grafik
Konfiguration
Energieflüsse
Manuelle Steuerung
Ladeplan-Tabelle

⚙️ Strategien

Konservativ (Standard)

Ziel: Minimales Risiko, günstigste Preise
Schwellwert: Min + 30% der Tagesspanne
Ideal für: Einstieg, stabilen Betrieb

Moderat

Ziel: Ausgewogen
Schwellwert: Durchschnittspreis
Ideal für: Nach Testphase

Aggressiv

Ziel: Maximale Arbitrage
Schwellwert: 70% des Durchschnitts
Ideal für: Erfahrene Nutzer
Hinweis: Entlade-Funktion noch nicht implementiert

🔧 Technische Details

Optimierungs-Algorithmus

1. Strompreise für 24h laden
2. PV-Prognose berechnen (Ost + West)
3. Batterie-Status prüfen
4. Für jede Stunde:
   - Ist Preis < Schwellwert?
   - Ist PV-Ertrag < 1 kWh?
   - Ist Kapazität verfügbar?
   → Wenn JA: Ladung planen
5. Plan speichern & ausführen

OpenEMS Integration

Modbus TCP: 192.168.89.144:502

Register 706: ess0/SetActivePowerEquals (FLOAT32)
Negativ: Laden (z.B. -10000W = 10kW laden)
Positiv: Entladen (z.B. 5000W = 5kW entladen)

JSON-RPC: 192.168.89.144:8084

ESS Mode: REMOTE (manuell) / INTERNAL (auto)
Controller: ctrlBalancing0 (enable/disable)

Ablauf Ladevorgang

graph TD
    A[Stündlicher Trigger] --> B{Plan vorhanden?}
    B -->|Nein| C[Warten]
    B -->|Ja| D{Ladung geplant?}
    D -->|Nein| E[Auto-Modus]
    D -->|Ja| F[ESS → REMOTE]
    F --> G[Balancing → OFF]
    G --> H[Modbus 706 schreiben]
    H --> I[Keep-Alive 30s]
    I --> J{Nächste Stunde}
    J --> K[Zurück zu Auto]

🔮 Roadmap

Phase 1: Basis (✅ Fertig)

✅ Preis-basierte Optimierung
✅ Einfache PV-Prognose
✅ Automatische Ausführung
✅ Dashboard

Phase 2: Erweitert (geplant)

InfluxDB Integration
Historische Verbrauchsanalyse
Verbesserte PV-Verteilung (stündlich)
Wetterabhängige Anpassungen

Phase 3: Intelligent (Zukunft)

Machine Learning Verbrauchsprognose
Dynamische Strategien
Entlade-Arbitrage
Peak-Shaving
Netzdienliche Optimierung

🐛 Bekannte Einschränkungen

PV-Prognose nutzt vereinfachte Tagesverteilung
Keine historische Verbrauchsanalyse (kommt in Phase 2)
Entlade-Funktion noch nicht implementiert
Keep-Alive nur in PyScript (bei HA-Neustart Unterbrechung)

📚 Weiterführende Links

🤝 Beitragen

Verbesserungsvorschläge willkommen!

PV-Prognose verfeinern
Verbrauchsprognose hinzufügen
ML-Modelle trainieren
Dashboard verbessern

⚠️ Disclaimer

System greift direkt in Batteriesteuerung ein
Verwendung auf eigene Gefahr
Keine Haftung für Schäden
Teste ausgiebig mit niedriger Leistung
Überwache die ersten Tage intensiv

📝 Changelog

Version 1.0 (2025-11-07)

Initiale Version
Konservative Strategie
Basis-Optimierung implementiert
Dashboard & Monitoring
Vollständige Dokumentation

Autor: Felix's Energie-Optimierungs-Projekt Status: Production Ready ✅ Python: 3.x (PyScript) Home Assistant: 2024.x+