battery-charging-optimizer/legacy/v1/README.md

# Batterie-Lade-Optimierung für OpenEMS + Home Assistant

## 🎯 Ziel

Intelligente Steuerung der Batterieladung basierend auf:
- ⚡ Dynamischen Strompreisen (haStrom FLEX PRO)
- ☀️ PV-Prognosen (Forecast.Solar)
- 🔋 Batterie-Status und Verbrauch

## 📊 Dein System

- **Batterie**: GoodWe 10 kWh (nutzbar 20-100%)
- **Wechselrichter**: GoodWe 10 kW
- **PV-Anlage**: 9,2 kWp (Ost/West Flachdach)
- **Steuerung**: OpenEMS Edge auf BeagleBone
- **Automation**: Home Assistant + PyScript

## 🎮 Funktionen

### Automatische Optimierung
- ✅ Tägliche Planerstellung um 14:05 Uhr (nach Strompreis-Update)
- ✅ Stündliche automatische Ausführung
- ✅ Berücksichtigung von PV-Prognosen
- ✅ Konservative Strategie (nur bei sehr günstigen Preisen)
- ✅ Schutz der Batterie (SOC-Grenzen, Reserve)

### Intelligente Entscheidungen
Das System lädt nur wenn:
- Strompreis unterhalb Schwellwert (< 28 ct/kWh)
- Wenig PV-Ertrag erwartet
- Batterie-Kapazität verfügbar
- Kein manueller Override aktiv

### Sicherheit & Kontrolle
- 🛡️ Keep-Alive alle 30s (verhindert Timeout)
- 🚨 Notfall-Stop Funktion
- 🔧 Manueller Override (4h Auto-Reset)
- 📊 Umfangreiches Dashboard
- 📝 Detailliertes Logging

## 📦 Installierte Komponenten

### Konfigurationsdateien
- `battery_optimizer_config.yaml` - Input Helper, Templates, Sensoren
- `battery_optimizer_rest_commands.yaml` - OpenEMS REST API Befehle
- `battery_optimizer_automations.yaml` - 6 Automatisierungen

### PyScript Module
- `battery_charging_optimizer.py` - Haupt-Optimierungsalgorithmus
- `battery_power_control.py` - Modbus Steuerung & Hilfsfunktionen

### Dashboard
- `battery_optimizer_dashboard.yaml` - Lovelace UI Konfiguration

### Dokumentation
- `INSTALLATION_GUIDE.md` - Schritt-für-Schritt Installation
- `README.md` - Diese Datei

## 🚀 Quick Start

### 1. Installation

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

Siehe [INSTALLATION_GUIDE.md](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

```yaml
# Entwicklerwerkzeuge → Dienste
service: pyscript.calculate_charging_schedule
```

### 4. Optimierung aktivieren

```yaml
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
```yaml
# Neuen Plan berechnen
pyscript.calculate_charging_schedule

# Aktuellen Plan ausführen
pyscript.execute_current_schedule
```

### Manuelle Steuerung
```yaml
# Laden starten (10kW)
pyscript.start_charging_cycle:
  power_w: -10000

# Laden stoppen
pyscript.stop_charging_cycle

# Notfall-Stop
pyscript.emergency_stop
```

### Modbus Direkt
```yaml
# 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

```python
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

```mermaid
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

- [OpenEMS Dokumentation](https://openems.io)
- [Home Assistant PyScript](https://github.com/custom-components/pyscript)
- [Forecast.Solar](https://forecast.solar)
- [haStrom FLEX PRO](https://www.ha-strom.de)

## 🤝 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+