Abschlussarbeit; m​/w​/d - Verbesserung der Lösbarkeit großer Energiesystem-Optimierungsmodelle

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

Das Institut für Vernetzte Energiesysteme entwickelt Transformationsstrategien und technische Lösungen zur effizienten Kopplung der Sektoren Strom, Wärme, Verkehr und Industrie. Unsere Forschungsarbeit zielt darauf ab, die Analyse großer Energiesysteme praktikabler und leistungsfähiger zu gestalten.

• Kennziffer: 4691
• Arbeitsort: Stuttgart
• Eintrittsdatum: 01.05.2026
• Karrierestufe: Studentische Tätigkeit;
  Studien- & Abschlussarbeit
• Beschäftigungsgrad: Teilzeit
• Dauer der Beschäftigung: 6 Monate
• Vergütung: Gemäß den geltenden Tarifverträgen des öffentlichen Dienstes (Bund).

Wie lassen sich Optimierungsmodelle mit Millionen Variablen effizient lösen? In der Abteilung Energiesystemanalyse untersuchen wir genau dieses Thema in einem Forschungsprojekt. Du nutzt High‑Performance‑Computing (HPC), führst eigene Simulationen durch und analysierst, wie Modellstruktur und Lösungsverfahren die Rechenperformance beeinflussen. Deine Abschlussarbeit trägt dazu bei, die Analyse großer Energiesysteme praktikabler zu machen.

• Unterstützung bei der Sammlung von Instanzen aus Energiesystem‑Optimierungsmodellen in Zusammenarbeit mit Stakeholdern aus Wirtschaft und Wissenschaft.
• Strukturierung und systematische Aufbereitung der gesammelten Modellinstanzen.
• Definition und Pflege von Metadaten zu den Modellen, z. B. Modellgröße, Struktur und sektorale Abdeckung.
• Durchführung von Benchmarking‑Experimenten auf HPC‑Clustern mit parallelen Solver (z. B. PIPS‑IPM++), inklusive systematischer Variation von Solver‑Parametern.
• Automatisierung von Experimenten, z. B. mithilfe von Python.
• Auswertung von Laufzeiten, Skalierung und Robustheit sowie Vergleich verschiedener Modellannotationen.
• Entwicklung von Metriken oder Heuristiken zur Bewertung der Effektivität von Modellannotationen, z. B. unter Einsatz statistischer Methoden oder Machine Learning zur Prognose der Solver‑Performance.

• Einschreibung in einem technischen oder naturwissenschaftlichen Studiengang, z. B. Data‑Integrated Simulation Science, Umweltmodellierung oder Digitalised Energy Systems.
• Fundierte Grundkenntnisse in Linearer Optimierung / Operations Research.
• Fundierte Python‑Kenntnisse, selbstständig anwendungsorientiert eingesetzt.
• Vorteilhaft:
  Erfahrung mit HPC, Linux oder parallelem Rechnen sowie mit Solver für Optimierungsprobleme.
• Interesse an interdisziplinärer Forschung.

Das DLR fördert eigenverantwortliches Arbeiten und die individuelle Weiterentwicklung unserer Mitarbeitenden. Wir setzen uns für Vielfalt, Wertschätzung und Gleichstellung aller Menschen ein und fördern insbesondere den Anteil von Frauen in Wissenschaft und Führung. Bewerbungen von schwerbehinderten Menschen sind bei fachlicher Eignung bevorzugt.

Wir freuen uns darauf, dich kennenzulernen!

Prof. Patrick Jochem
Tel.: