Optimization Suite
Softwarepaket für die modellbasierte Optimierung

Optimization Suite - Bestandteile des Softwarepaketes

• Python-Umgebung zur einfachen Definition und robusten Lösung von Optimierungsproblemen
• MUSCOD, ein besonders effizienter Optimierer für dynamische Optimierung, Optimalsteuerung und nichtlineare modellprädiktive Regelung
• Die Optimization Suite ist die Basis für den ModelFitter, ein komfortables Excel-Add-In zur stationären Parameterschätzung

Herausforderungen bei der Optimierung

Die größte Herausforderung in der Anwendung von mathematischer Optimierung sind oftmals nicht die numerischen Methoden, sondern vielmehr die robuste und verlässliche Simulation. Dies gilt insbesondere für thermische Systeme, die fast immer nichtlineare Eigenschaften besitzen. In der Optimization Suite können alle Simulationsmethoden der Simulation Suite verwendet werden.

Highlights

• Trennung von Methoden zur Simulation und Optimierung: Komplexe Modelle können von passenden Simulationslösern berechnet werden.
• Robuste stationäre und dynamische Simulationstechniken, insbesondere für thermische Systeme (ODE-Löser, DAE-Löser, algebraische Löser)
• Integration in andere Softwarewerkzeuge zur Automatisierung, Visualisierung, Auswertung und Parallelisierung, auch in benutzereigene
• Unterstützung verschiedener Modellformate: FMU (Co-Simulation und Model-Exchange), Dymola-Modelle, TISC-Interface
• Verwendung verschiedener Optimierer: Open-Source (z.B. Scipy), TLK-eigene (z.B. Nelder-Mead-Algorithmus inkl. Globalisierung), kommerzielle, …
• Verwendung des Optimierers MUSCOD von TLK Energy für hocheffiziente dynamische Optimierung, Optimalsteuerung und nichtlineare modellprädiktive Regelung.

Unterstützte Optimierungsprobleme

In der Optimization Suite wird zwischen verschiedenen Problemklassen unterschieden. Jede Klasse kann durch angepasste Schnittstellen an geeignete Optimierer angebunden werden.

• Stationäres Optimierungsproblem: Parameteroptimierung, z.B. zur Auslegungsoptimierung.
• Dynamisches Optimierungsproblem: Parameteroptimierung für Systeme, die stark durch dynamisches Verhalten bestimmt sind.
• Optimalsteuerungsproblem: Trajektorieoptimierung für Steuergrößen.
• Stationäres Fitting-Problem: Parameterschätzung zur Modellanpassung an stationäre Messdaten.
• Dynamisches Fitting-Problem: Parameterschätzung zur Modellanpassung an dynamische Messkurven.

Erfolgreiche Praxisbeispiele

• Design von energieoptimalen Wärmepumpen und Kälteanlagen.
• Strukturoptimierung von Kühlplatten für Elektro-Fahrzeuge.
• Optimale Steuerung und Regelung von Wärmepumpen-Wäschetrocknern.
• Automatisierte Regelparameteroptimierung für verschiedene Umgebungsbedingungen.
• Automatisierte Parameterschätzung von Kältemittelverdichter-Modellen in einer Datenbank.

Kundenspezifische Optimierungsschnittstellen (in Python oder C++) sind auf Anfrage erhältlich.