Berechnungsreferenz

EEDC Berechnungsreferenz

Version 3.6 | Stand: März 2026

Dieses Dokument beschreibt alle Berechnungsketten im EEDC-System: von den Eingabefeldern über die Berechnungslogik bis zur Anzeige im Frontend. Es dient als Referenz zur Fehlersuche und zum Verständnis der Datenflüsse.

---

Inhaltsverzeichnis

1. Datenmodell (3 Schichten)
2. Konstanten
3. Berechnungsketten nach Thema
   • 3.1 Energie-Bilanz (Monatskennzahlen)
   • 3.2 Finanzen (Cockpit)
   • 3.3 Speicher-Einsparung
   • 3.4 E-Auto-Einsparung
   • 3.5 Wärmepumpe-Einsparung
   • 3.6 ROI & Amortisation
   • 3.7 USt auf Eigenverbrauch
   • 3.8 CO2-Bilanz
   • 3.9 PV-String SOLL-IST Vergleich
   • 3.10 Sonstige Positionen
4. Prognosen (Aussichten)
   • 4.1 Kurzfrist-Prognose (7-16 Tage)
   • 4.1b Solar Forecast ML (SFML)
   • 4.2 Langfrist-Prognose (12 Monate)
   • 4.3 Trend-Analyse & Degradation
   • 4.4 Finanz-Prognose & Amortisation
5. Tarif-System (Spezialtarife)
6. Investitionstyp-spezifische Berechnungen (ROI-Dashboard) 6b. Energieprofil-Berechnungen (Tages-Aggregation)
7. Debugging-Leitfaden

---

1. Datenmodell (3 Schichten)

Schicht 1: Rohdaten (Eingabe)

Tabelle	Felder	Quelle	Beschreibung
Monatsdaten	einspeisung_kwh, netzbezug_kwh	Zählerwerte (manuell/HA)	Anlagen-Energiebilanz
InvestitionMonatsdaten	verbrauch_daten (JSON)	Manuell/Wizard/HA	Pro Komponente: PV-Erzeugung, Speicher, WP, E-Auto, etc.
Strompreis	netzbezug_arbeitspreis_cent_kwh, einspeiseverguetung_cent_kwh, grundpreis_euro_monat, verwendung	Manuell	Tarife mit Gültigkeitszeitraum
Investition	anschaffungskosten_gesamt, parameter (JSON)	Manuell	Kosten, technische Parameter
Anlage	leistung_kwp, steuerliche_behandlung, ust_satz_prozent	Manuell	Anlage-Stammdaten
PVGISPrognose	monatswerte, module_monatswerte, jahresertrag_kwh	PVGIS API	SOLL-Werte pro Monat/Modul
TagesEnergieProfil	pv_kw, verbrauch_kw, einspeisung_kw, netzbezug_kw, batterie_kw, soc_prozent, komponenten (JSON)	Scheduler/Monatsabschluss	24 Zeilen/Tag, stündliche kW-Werte + Wetter
TagesZusammenfassung	ueberschuss_kwh, defizit_kwh, peak_pv_kw, batterie_vollzyklen, performance_ratio	Aggregiert aus TagesEnergieProfil	1 Zeile/Tag, Tagessummen + KPIs

Legacy-Felder (NICHT verwenden):

• Monatsdaten.pv_erzeugung_kwh - Nutze InvestitionMonatsdaten (PV-Module)
• Monatsdaten.batterie_* - Nutze InvestitionMonatsdaten (Speicher)

Schicht 2: Berechnungslogik

Datei	Funktionen	Beschreibung
core/calculations.py	berechne_monatskennzahlen(), berechne_speicher_einsparung(), berechne_eauto_einsparung(), berechne_waermepumpe_einsparung(), berechne_roi(), berechne_ust_eigenverbrauch()	Reine Berechnungsfunktionen ohne DB-Zugriff
api/routes/cockpit.py	6 Endpoints	Aggregation aller Daten für Dashboard
api/routes/aussichten.py	4 Endpoints	Prognosen und Finanzberechnungen
api/routes/investitionen.py	ROI-Dashboard	PV-System-Gruppierung und ROI pro Komponente
api/routes/strompreise.py	lade_tarife_fuer_anlage()	Multi-Tarif-Lookup mit Fallback
utils/sonstige_positionen.py	berechne_sonstige_summen()	Strukturierte Erträge/Ausgaben
services/energie_profil_service.py	aggregate_day(), rollup_month(), backfill_range()	Tages-Aggregation + Monats-Rollup

Schicht 3: Frontend-Anzeige

Seite	API-Endpoint	Angezeigte Kennzahlen
Dashboard (Cockpit)	GET /api/cockpit/uebersicht/{id}?jahr=	Autarkie, EV-Quote, Netto-Ertrag, Rendite, CO2
Auswertung/Prognose-IST	GET /api/cockpit/prognose-vs-ist/{id}?jahr=	Performance Ratio pro Monat
Auswertung/Nachhaltigkeit	GET /api/cockpit/nachhaltigkeit/{id}	CO2-Zeitreihe, Äquivalente
Auswertung/Komponenten	GET /api/cockpit/komponenten-zeitreihe/{id}	Speicher-COP, WP-JAZ, E-Auto PV-Anteil
PV-Strings	GET /api/cockpit/pv-strings/{id}?jahr=	SOLL vs IST pro String
Auswertung/Investitionen	GET /api/investitionen/roi/{id}	ROI%, Amortisation pro System
Auswertung/Tabelle	GET /api/monatsdaten/aggregiert/{id}	22-Spalten-Explorer, Vorjahres-Delta
Aussichten/Kurzfristig	GET /api/aussichten/kurzfristig/{id}	7-Tage PV-Prognose + SFML-Vergleich
Aussichten/Langfristig	GET /api/aussichten/langfristig/{id}	12-Monats-Prognose
Aussichten/Trend	GET /api/aussichten/trend/{id}	Degradation, Jahresvergleich
Aussichten/Finanzen	GET /api/aussichten/finanzen/{id}	Amortisations-Fortschritt, Prognose

---

2. Konstanten

Definiert in core/calculations.py:

Konstante	Wert	Einheit	Verwendung
CO2_FAKTOR_STROM_KG_KWH	0.38	kg CO2/kWh	Deutscher Strommix
CO2_FAKTOR_BENZIN_KG_LITER	2.37	kg CO2/L	Benzinverbrennung
CO2_FAKTOR_GAS_KG_KWH	0.201	kg CO2/kWh	Erdgasverbrennung
CO2_FAKTOR_OEL_KG_KWH	0.266	kg CO2/kWh	Heizölverbrennung
SPEICHER_ZYKLEN_PRO_JAHR	250	Vollzyklen	Für Speicher-Prognose

Definiert in api/routes/aussichten.py:

Konstante	Wert	Verwendung
DEFAULT_SYSTEM_LOSSES	0.14 (14%)	Kurzfrist-PV-Prognose
TEMP_COEFFICIENT	0.004 (0.4%/°C)	Leistungsabnahme über 25°C
Konfidenz-Faktor	0.15 (15%)	Langfrist-Konfidenzband

Hardcodierte Werte in cockpit.py:

Wert	Verwendung
Gas-Preis: 10.0 ct/kWh	WP-Ersparnis (vs. Gas)
Gas-Wirkungsgrad: 0.9 (90%)	WP CO2-Vergleich
Benzin-Verbrauch: 7.0 L/100km	E-Mob-Ersparnis
Benzin-Preis: 1.80 EUR/L	E-Mob-Ersparnis

---

3. Berechnungsketten nach Thema

3.1 Energie-Bilanz (Monatskennzahlen)

Funktion: berechne_monatskennzahlen() in core/calculations.py Verwendet in: Cockpit-Übersicht (inline Berechnung), Monatsdaten-Anzeige

Eingabefelder

Feld	Quelle	Tabelle
einspeisung_kwh	Zähler	Monatsdaten
netzbezug_kwh	Zähler	Monatsdaten
pv_erzeugung_kwh	PV-Module	InvestitionMonatsdaten.verbrauch_daten (Typ: pv-module)
batterie_ladung_kwh	Speicher	InvestitionMonatsdaten.verbrauch_daten (Typ: speicher)
batterie_entladung_kwh	Speicher	InvestitionMonatsdaten.verbrauch_daten (Typ: speicher)
v2h_entladung_kwh	E-Auto V2H	InvestitionMonatsdaten.verbrauch_daten (Typ: e-auto)
einspeiseverguetung_cent	Tarif	Strompreis.einspeiseverguetung_cent_kwh
netzbezug_preis_cent	Tarif	Strompreis.netzbezug_arbeitspreis_cent_kwh
grundpreis_euro_monat	Tarif	Strompreis.grundpreis_euro_monat
netzbezug_durchschnittspreis_cent	HA-Sensor oder Monatsdaten	Dynamischer Ø-Preis
leistung_kwp	Anlage	Summe aller Investition.leistung_kwp (pv-module)

Formeln

Direktverbrauch     = max(0, PV_Erzeugung - Einspeisung - Batterie_Ladung)
Eigenverbrauch      = Direktverbrauch + Batterie_Entladung + V2H_Entladung
Gesamtverbrauch     = Eigenverbrauch + Netzbezug
EV-Quote (%)        = Eigenverbrauch / PV_Erzeugung * 100        (wenn PV > 0)
Autarkie (%)        = Eigenverbrauch / Gesamtverbrauch * 100     (wenn GV > 0)
Spez. Ertrag        = PV_Erzeugung / Leistung_kWp               (kWh/kWp)

Einspeise-Erlös (EUR)    = Einspeisung * Einspeisevergütung / 100
Netzbezug-Kosten (EUR)   = Netzbezug * Netzbezug_Preis / 100 + Grundpreis
EV-Ersparnis (EUR)       = Eigenverbrauch * Netzbezug_Preis / 100
Netto-Ertrag (EUR)       = Einspeise-Erlös + EV-Ersparnis
CO2-Einsparung (kg)      = PV_Erzeugung * 0.38

Wichtig: Netto_Ertrag enthält NICHT den Abzug der Netzbezugskosten, da diese auch ohne PV angefallen wären.

3.2 Finanzen (Cockpit)

Endpoint: GET /api/cockpit/uebersicht/{anlage_id} in cockpit.py

Die Cockpit-Übersicht aggregiert alle Monatsdaten für ein Jahr (oder alle Jahre) und berechnet:

Finanzielle Kennzahlen

Einspeise-Erlös     = Σ(Einspeisung) * Einspeisevergütung / 100
EV-Ersparnis        = Σ(Eigenverbrauch) * Netzbezug_Preis / 100
Netto-Ertrag        = Einspeise-Erlös + EV-Ersparnis [- USt_Eigenverbrauch]
BKW-Ersparnis       = Σ(BKW_Eigenverbrauch) * Netzbezug_Preis / 100
Sonstige-Netto      = Σ(sonstige_ertraege) - Σ(sonstige_ausgaben)

Betriebskosten_Zeitraum = Σ(Betriebskosten_Jahr) * Anzahl_Monate / 12

Kumulative Ersparnis = Netto-Ertrag + WP-Ersparnis + E-Mob-Ersparnis
                       + BKW-Ersparnis + Sonstige-Netto
                       - Betriebskosten_Zeitraum

Jahres-Rendite (%)  = Kumulative_Ersparnis / Investition_gesamt * 100

WP-Ersparnis im Cockpit

WP-Ersparnis = (WP_Wärme / 0.9 * Gas_Preis - WP_Strom * WP_Preis) / 100

Wobei:

• WP_Wärme = Σ(heizenergie_kwh + warmwasser_kwh) aus InvestitionMonatsdaten
• WP_Strom = Σ(stromverbrauch_kwh) aus InvestitionMonatsdaten
• 0.9 = angenommener Gasheizungs-Wirkungsgrad
• Gas_Preis = 10.0 ct/kWh (hardcodiert)
• WP_Preis = Spezialtarif waermepumpe (Fallback: allgemein)

E-Mob-Ersparnis im Cockpit

Benzin_Verbrauch    = Σ(km_gefahren) * 7 / 100    (7 L/100km Annahme)
Benzin_Kosten       = Benzin_Verbrauch * 1.80      (1.80 EUR/L Annahme)
Strom_Kosten        = (Ladung_gesamt - Ladung_PV) * Wallbox_Preis / 100
E-Mob-Ersparnis     = Benzin_Kosten - Strom_Kosten

Hinweis: Dienstliche E-Autos/Wallboxen (ist_dienstlich = true) werden NICHT in die E-Mob-Ersparnis eingerechnet. Deren Ladekosten fließen als kalkulatorische Ausgaben in sonstige_ausgaben_gesamt.

Investitionskosten (Mehrkosten-Ansatz)

PV-System-Kosten     = Σ(Kosten) für pv-module, wechselrichter, speicher, wallbox, bkw
WP-Mehrkosten        = max(0, WP_Kosten - alternativ_kosten_euro)     (Default: 8.000 EUR)
E-Auto-Mehrkosten    = max(0, E-Auto_Kosten - alternativ_kosten_euro) (Default: 35.000 EUR)
Sonstige-Kosten      = Σ(Kosten) für andere Typen

Investition_gesamt   = PV-System + WP-Mehrkosten + E-Auto-Mehrkosten + Sonstige

3.3 Speicher-Einsparung

Funktion: berechne_speicher_einsparung() in core/calculations.py Verwendet in: ROI-Dashboard (investitionen.py)

Eingabefelder

Feld	Quelle
kapazitaet_kwh	Investition.parameter["kapazitaet_kwh"]
wirkungsgrad_prozent	Investition.parameter["wirkungsgrad_prozent"] (Default: 95)
nutzt_arbitrage	Investition.parameter["nutzt_arbitrage"] (Default: false)
lade_preis_cent	Investition.parameter["lade_durchschnittspreis_cent"] (Default: 12)
entlade_preis_cent	Investition.parameter["entlade_vermiedener_preis_cent"] (Default: 35)

Formeln

Ohne Arbitrage (Eigenverbrauchsoptimierung):

Wirkungsgrad         = wirkungsgrad_prozent / 100
Nutzbare_Speicherung = Kapazität * 250 Zyklen * Wirkungsgrad
Standard_Spread      = Netzbezug_Preis - Einspeisevergütung
Jahres-Einsparung    = Nutzbare_Speicherung * Standard_Spread / 100

Mit Arbitrage (70/30-Modell):

PV-Anteil (70%)      = Nutzbare_Speicherung * 0.70
Arbitrage-Anteil (30%) = Nutzbare_Speicherung * 0.30

PV-Einsparung        = PV-Anteil * Standard_Spread / 100
Arbitrage-Spread      = Entlade_Preis - Lade_Preis
Arbitrage-Einsparung  = Arbitrage-Anteil * Arbitrage_Spread / 100
Jahres-Einsparung     = PV-Einsparung + Arbitrage-Einsparung

3.4 E-Auto-Einsparung

Funktion: berechne_eauto_einsparung() in core/calculations.py Verwendet in: ROI-Dashboard (investitionen.py)

Eingabefelder

Feld	Quelle
km_jahr	Investition.parameter["km_jahr"] (Default: 15000)
verbrauch_kwh_100km	Investition.parameter["verbrauch_kwh_100km"] (Default: 18)
pv_anteil_prozent	Investition.parameter["pv_anteil_prozent"] (Default: 60)
benzinpreis_euro_liter	Investition.parameter["benzinpreis_euro"] (Default: 1.85)
benzin_verbrauch_liter_100km	Investition.parameter["benzin_verbrauch_liter_100km"] (Default: 7.0)
nutzt_v2h	Investition.parameter["nutzt_v2h"] (Default: false)

Formeln

Strom_Bedarf         = km_jahr * Verbrauch_kWh_100km / 100
PV_Anteil            = pv_anteil_prozent / 100
Netz_Anteil          = 1 - PV_Anteil

Strom_Kosten         = Strom_Bedarf * Netz_Anteil * Strompreis / 100
Benzin_Verbrauch     = km_jahr * Benzin_L_100km / 100
Benzin_Kosten        = Benzin_Verbrauch * Benzinpreis_EUR

V2H_Einsparung       = V2H_Entladung_kWh * V2H_Preis / 100    (wenn V2H aktiv)

Jahres-Einsparung    = Benzin_Kosten - Strom_Kosten + V2H_Einsparung

CO2_Verbrenner       = Benzin_Verbrauch * 2.37
CO2_E-Auto           = Strom_Bedarf * Netz_Anteil * 0.38
CO2-Einsparung       = CO2_Verbrenner - CO2_E-Auto

3.5 Wärmepumpe-Einsparung

Funktion: berechne_waermepumpe_einsparung() in core/calculations.py Verwendet in: ROI-Dashboard (investitionen.py)

3 Effizienz-Modi

Modus A: gesamt_jaz (Standard - gemessene Jahresarbeitszahl)

WP_Strom_kWh         = Gesamtwärmebedarf / JAZ

Modus B: scop (EU-Label SCOP-Werte)

Strom_Heizung        = Heizwärmebedarf / SCOP_Heizung
Strom_Warmwasser     = Warmwasserbedarf / SCOP_Warmwasser
WP_Strom_kWh         = Strom_Heizung + Strom_Warmwasser

Modus C: getrennte_cops (präzise Betriebspunkte)

Strom_Heizung        = Heizwärmebedarf / COP_Heizung
Strom_Warmwasser     = Warmwasserbedarf / COP_Warmwasser
WP_Strom_kWh         = Strom_Heizung + Strom_Warmwasser

Gemeinsame Formeln (alle Modi)

PV_Anteil            = pv_anteil_prozent / 100
Netz_Anteil          = 1 - PV_Anteil

WP_Kosten            = WP_Strom * Netz_Anteil * Strompreis / 100
Alte_Kosten           = Gesamtwärmebedarf * Alter_Preis / 100

Jahres-Einsparung     = Alte_Kosten - WP_Kosten

CO2_alt               = Gesamtwärmebedarf * CO2_Faktor[gas|oel|strom]
CO2_WP                = WP_Strom * Netz_Anteil * 0.38
CO2-Einsparung        = CO2_alt - CO2_WP

Eingabefelder

Feld	Parameter-Key	Default
Effizienz-Modus	effizienz_modus	gesamt_jaz
JAZ	jaz	3.5
SCOP Heizung	scop_heizung	4.5
SCOP Warmwasser	scop_warmwasser	3.2
COP Heizung	cop_heizung	3.9
COP Warmwasser	cop_warmwasser	3.0
Heizwärmebedarf	heizwaermebedarf_kwh	12000
Warmwasserbedarf	warmwasserbedarf_kwh	3000
PV-Anteil	pv_anteil_prozent	30
Alter Energieträger	alter_energietraeger	gas
Alter Preis	alter_preis_cent_kwh	12
WP-Strompreis	Spezialtarif waermepumpe	Fallback: allgemein

3.6 ROI & Amortisation

Funktion: berechne_roi() in core/calculations.py

Relevante_Kosten     = Anschaffungskosten - Alternativkosten
Netto_Einsparung     = Jahres-Einsparung - Betriebskosten_Jahr
ROI (%)              = Netto_Einsparung / Relevante_Kosten * 100
Amortisation (Jahre) = Relevante_Kosten / Netto_Einsparung

Wobei Betriebskosten_Jahr = Investition.betriebskosten_jahr (Wartung, Versicherung etc., Default: 0).

WICHTIG - Zwei verschiedene ROI-Metriken:

Metrik	Wo angezeigt	Formel	Bedeutung
Jahres-Rendite	Cockpit, Auswertung/Investitionen	Kumul. Ersparnis / Investition * 100	Wie viel % bereits amortisiert (kumuliert)
ROI p.a.	ROI-Dashboard (Investitionen)	Jahres-Einsparung / Relevante Kosten * 100	Rendite pro Jahr
Amortisations-Fortschritt	Aussichten/Finanzen	Bisherige Erträge / Investition * 100	Kumulierter Fortschritt

3.7 USt auf Eigenverbrauch

Funktion: berechne_ust_eigenverbrauch() in core/calculations.py Bedingung: Nur wenn Anlage.steuerliche_behandlung == "regelbesteuerung"

Abschreibung_Jahr    = Investition_gesamt / 20        (20 Jahre lineare AfA)
Selbstkosten_pro_kWh = (Abschreibung_Jahr + Betriebskosten_Jahr) / PV_Erzeugung_Jahr
USt_Eigenverbrauch   = Eigenverbrauch * Selbstkosten_pro_kWh * USt_Satz / 100

Feld	Quelle
Investition_gesamt	Σ(Investition.anschaffungskosten_gesamt)
Betriebskosten_Jahr	Σ(Investition.betriebskosten_jahr)
PV_Erzeugung_Jahr	Aggregierte PV-Erzeugung aus InvestitionMonatsdaten
USt_Satz	Anlage.ust_satz_prozent (DE: 19, AT: 20, CH: 8.1)

Auswirkung: USt wird vom Netto_Ertrag abgezogen (in Cockpit und Aussichten/Finanzen).

3.8 CO2-Bilanz

Endpoint: GET /api/cockpit/nachhaltigkeit/{anlage_id}

Monatliche CO2-Berechnung

CO2_PV    = Eigenverbrauch * 0.38                    (vermiedener Netzstrom)
CO2_WP    = (WP_Wärme / 0.9 * 0.201) - (WP_Strom * 0.38)  (vs. Gasheizung)
CO2_E-Mob = (Benzin_L * 2.37) - ((Ladung - PV_Ladung) * 0.38)  (vs. Benziner)
CO2_gesamt = CO2_PV + max(0, CO2_WP) + max(0, CO2_E-Mob)

Äquivalente

Bäume          = CO2_gesamt / 20       (kg/Baum/Jahr)
Auto-km        = CO2_gesamt / 0.12     (kg/km)
Flug-km        = CO2_gesamt / 0.25     (kg/km)

3.9 PV-String SOLL-IST Vergleich

Endpoint: GET /api/cockpit/pv-strings/{anlage_id}?jahr=

SOLL-Berechnung (PVGIS)

Ab v2.3.2 (Per-Modul PVGIS-Daten vorhanden):

SOLL_Monat = PVGISPrognose.module_monatswerte[modul_id][monat].e_m

Fallback (ältere Prognosen - proportional nach kWp):

kWp_Anteil = Modul_kWp / Gesamt_kWp
SOLL_Monat = PVGISPrognose.monatswerte[monat].e_m * kWp_Anteil

Faire Vergleichsbasis (ab v2.3.2): SOLL wird NUR für Monate gezählt, die auch IST-Daten haben. Verhindert aufgeblähten SOLL bei Teil-Jahren.

IST-Berechnung

IST_Monat = InvestitionMonatsdaten.verbrauch_daten["pv_erzeugung_kwh"]
            (pro PV-Modul, für das gewählte Jahr)

Kennzahlen pro String

Abweichung_kWh        = IST - SOLL
Abweichung_%          = (IST - SOLL) / SOLL * 100
Performance_Ratio      = IST / SOLL
Spez. Ertrag (kWh/kWp) = IST_Jahr / Modul_kWp

3.10 Sonstige Positionen

Utility: utils/sonstige_positionen.py

Jede InvestitionMonatsdaten.verbrauch_daten kann sonstige Positionen enthalten:

{
  "sonstige_positionen": [
    {"bezeichnung": "THG-Quote", "betrag": 200.00, "typ": "ertrag"},
    {"bezeichnung": "Wartung", "betrag": 50.00, "typ": "ausgabe"}
  ]
}

Legacy-Format (backward-kompatibel):

{"sonderkosten_euro": 50.0, "sonderkosten_notiz": "Wartung"}

wird automatisch zu [{"bezeichnung": "Wartung", "betrag": 50.0, "typ": "ausgabe"}] konvertiert.

Aggregation:

Sonstige_Erträge  = Σ(betrag) wo typ == "ertrag"    (alle Investitionstypen)
Sonstige_Ausgaben = Σ(betrag) wo typ == "ausgabe"    (alle Investitionstypen)
Sonstige_Netto    = Erträge - Ausgaben

Dienstliche Ladekosten: Bei ist_dienstlich == true (E-Auto/Wallbox) werden Ladekosten als kalkulatorische Ausgaben verbucht:

Dienstlich_Ladekosten = Netz_kWh * Wallbox_Preis + PV_kWh * Einspeisevergütung

---

4. Prognosen (Aussichten)

4.1 Kurzfrist-Prognose (7-16 Tage)

Endpoint: GET /api/aussichten/kurzfristig/{anlage_id} Datenquelle: Open-Meteo (konfigurierbar, siehe Wettermodell-Kaskade)

PV_Ertrag_Tag = Globalstrahlung_kWh_m2 * Anlagenleistung_kWp * (1 - System_Losses)

Wenn Temperatur > 25°C:
    Temp_Verlust = (Temperatur - 25) * 0.004
    PV_Ertrag_Tag *= (1 - Temp_Verlust)

Parameter	Quelle	Default
System_Losses	PVGISPrognose.system_losses / 100	0.14 (14%)
Anlagenleistung_kWp	Σ(PV-Module) + Σ(BKW)	Anlage.leistung_kwp
Globalstrahlung	Wettermodell (siehe unten)	-

Wettermodell-Kaskade

Das verwendete Wettermodell ist pro Anlage konfigurierbar (Anlage.wettermodell):

Wert	Modell	Auflösung	Einsatz
auto	Bright Sky (DWD) für DE, sonst Open-Meteo best_match	variabel	Standard
meteoswiss_icon_ch2	MeteoSwiss ICON-CH2	2 km	Alpine Standorte CH/AT/IT
icon_d2	DWD ICON-D2	2,2 km	Deutschland (hochauflösend)
icon_eu	DWD ICON-EU	~7 km	Europa
ecmwf_ifs04	ECMWF IFS	0,25°	Global

Bei einem spezifischen Modell versucht EEDC zuerst dieses Modell. Schlägt der Abruf fehl oder liefert es keine Daten für den Standort, fällt es auf best_match zurück (Kaskade). Die verwendete Quelle pro Tag wird im Response als datenquelle-Kürzel (MS/D2/EU/EC/BM) mitgeliefert.

4.1b Solar Forecast ML (SFML)

Endpoint: GET /api/aussichten/kurzfristig/{anlage_id} (SFML-Werte im gleichen Response) Service: services/solar_forecast_service.py Externe API: forecast.solar oder solcast.com (konfigurierbar)

SFML ist eine optionale KI-basierte Prognose-Ergänzung. Sie liefert eine zweite Tages-Prognoselinie neben der EEDC-Eigenprognose und den IST-Werten.

Datenfluss

1. Externer SFML-Anbieter liefert kWh-Prognose pro Tag
2. Werte werden in DB persistiert (Tabelle: SolarForecastML)
3. Endpoint gibt SFML-Werte zusammen mit EEDC-Prognose zurück

Response-Felder (pro Tag)

{
  "datum": "2026-03-28",
  "eedc_prognose_kwh":  12.4,
  "sfml_prognose_kwh":  11.8,
  "ist_kwh":            13.1,       // null wenn Zukunft
  "datenquelle":        "MS"        // Wettermodell-Kürzel
}

Abweichungsberechnung (Prognose-Vergleich)

EEDC_Abweichung (%) = (IST - EEDC_Prognose) / EEDC_Prognose * 100
SFML_Abweichung (%) = (IST - SFML_Prognose) / SFML_Prognose * 100

Beide Abweichungen werden im Frontend als farbige Badges angezeigt (grün = Übererfüllung, rot = Untererfüllung).

4.2 Langfrist-Prognose (12 Monate)

Endpoint: GET /api/aussichten/langfristig/{anlage_id}

PVGIS_kWh     = PVGISPrognose.monatswerte[monat].e_m
                (Fallback: TMY * kWp * 0.85)

Monat_PR      = Ø(IST / SOLL) für diesen Monat aus historischen Daten
Gesamt_PR     = Ø(alle monatlichen Performance Ratios)

Trend_kWh     = PVGIS_kWh * Monat_PR
Konfidenz_Min = Trend_kWh * 0.85    (15% Band)
Konfidenz_Max = Trend_kWh * 1.15

Trend-Richtung:
    > 1.05 → "positiv"
    < 0.95 → "negativ"
    sonst  → "stabil"

4.3 Trend-Analyse & Degradation

Endpoint: GET /api/aussichten/trend/{anlage_id}

Degradation (2 Strategien)

Primär: Vollständige Jahre (12 Monate)

Wenn >= 2 vollständige Jahre vorhanden:
    Änderung = (Letztes_Jahr_kWh - Erstes_Jahr_kWh) / Erstes_Jahr_kWh * 100
    Degradation = Änderung / Anzahl_Jahre

Fallback: TMY-Ergänzung (>= 6 Monate pro Jahr)

Wenn >= 2 Jahre mit jeweils >= 6 Monaten Daten:
    1. Performance-Ratio aus vorhandenen Monaten berechnen
    2. Fehlende Monate mit TMY * PR ergänzen
    3. Degradation aus ergänzten Jahreswerten ableiten

4.4 Finanz-Prognose & Amortisation

Endpoint: GET /api/aussichten/finanzen/{anlage_id}

Bisherige Erträge (historisch)

Bisherige_Erträge = Σ(Einspeisung * Vergütung / 100)         (PV)
                  + Σ(Eigenverbrauch * Netzbezug_Preis / 100)  (EV)
                  + WP_Ersparnis                                 (vs. Gas)
                  + E-Auto_Ersparnis                             (vs. Benzin)
                  + BKW_Ersparnis                                (Eigenverbrauch)
                  + Sonstige_Netto                               (alle Investitionstypen)

WP-Ersparnis (historisch, in Finanzen)

Für jeden Monat mit WP-Daten:
    Gas_Kosten    = (Heizung + WW) / 0.9 * Gas_Preis / 100
    WP_Netzkosten = Strom * 0.5 * WP_Preis / 100    (50% Netzanteil Annahme)
    Ersparnis     = Gas_Kosten - WP_Netzkosten

E-Auto-Ersparnis (historisch, in Finanzen)

Benzin_Liter  = Σ(km) / 100 * Vergleich_L_100km
Benzin_Kosten = Benzin_Liter * Benzinpreis
Netzstrom_Kosten = Σ(ladung_netz_kwh) * Strompreis / 100
Ersparnis     = Benzin_Kosten - Netzstrom_Kosten

Monatsprognose (zukünftig)

Für jeden Prognosemonat:

PV_kWh             = PVGIS_Monatswert (oder TMY * kWp * 0.85)
Basis_EV            = PV_kWh * Basis_EV_Quote   (historisch ermittelt, 15-70%)
Speicher_Beitrag    = Ø_Speicher_Entladung * PV_Faktor
V2H_Beitrag         = Ø_V2H_Entladung (konstant)
WP_PV_Anteil        = WP_Strom * 0.5 * sqrt(PV_Faktor)

Eigenverbrauch      = min(Basis_EV + Speicher + V2H + WP_PV, PV_kWh)
Einspeisung         = PV_kWh - Eigenverbrauch
Netto_Ertrag        = Einspeisung * Vergütung/100 + Eigenverbrauch * Preis/100

WP saisonal gewichtet:

WP_SAISON_FAKTOREN = {Jan: 1.8, Feb: 1.6, Mär: 1.3, Apr: 0.8, Mai: 0.4, Jun: 0.2,
                      Jul: 0.2, Aug: 0.2, Sep: 0.4, Okt: 0.8, Nov: 1.3, Dez: 1.7}
WP_Strom_Monat = WP_Strom_Durchschnitt * Saison_Faktor

Amortisation

Investition          = PV_System + WP_Mehrkosten + E-Auto_Mehrkosten + Sonstige

Jahres_Netto_Ertrag  = PV_Einspeise_Erlös + EV_Ersparnis
                     + WP_Ersparnis + E-Auto_Ersparnis
                     + BKW_Ersparnis + Sonstige_Netto
                     - Betriebskosten_Jahr
                     [- USt_Eigenverbrauch]

ROI_Fortschritt (%)  = Bisherige_Erträge / Investition * 100
Amortisation_erreicht = Bisherige_Erträge >= Investition

Wenn nicht amortisiert:
    Rest_Betrag           = Investition - Bisherige_Erträge
    Monate_bis_Amort      = Rest_Betrag / (Jahres_Netto_Ertrag / 12)
    Prognose_Jahr         = Heute + Monate_bis_Amort

---

5. Tarif-System (Spezialtarife)

Funktion: lade_tarife_fuer_anlage() in strompreise.py

Funktionsweise

1. Alle gültigen Tarife laden (gueltig_ab <= heute UND (gueltig_bis IS NULL ODER gueltig_bis >= heute))
2. Nach verwendung gruppieren (neuester zuerst)
3. Fallback-Kette:

waermepumpe → waermepumpe-Tarif || allgemein
wallbox     → wallbox-Tarif     || allgemein
allgemein   → allgemein-Tarif   || Hardcoded Defaults (30.0 / 8.2)

Verwendung in Berechnungen

Komponente	Tarif-Key	Preis-Feld
PV Einspeisung/EV	allgemein	einspeiseverguetung_cent_kwh, netzbezug_arbeitspreis_cent_kwh
Wärmepumpe Strom	waermepumpe	netzbezug_arbeitspreis_cent_kwh
Wallbox/E-Auto Ladung	wallbox	netzbezug_arbeitspreis_cent_kwh
Grundpreis	allgemein	grundpreis_euro_monat

Hardcoded Defaults (wenn kein Tarif)

Netzbezug_Preis   = 30.0 ct/kWh
Einspeisevergütung = 8.2 ct/kWh
Grundpreis         = 0 EUR/Monat

Dynamischer Tarif / Monatlicher Ø-Strompreis

Für Nutzer mit dynamischem Stromtarif (z.B. Tibber, aWATTar) kann der tatsächliche monatliche Durchschnittspreis verwendet werden statt des festen Tarifpreises.

Fallback-Kette für netzbezug_preis_cent:

1. Monatsdaten.netzbezug_durchschnittspreis_cent  (manuell pro Monat)
2. HA-Sensor strompreis (via Sensor-Mapping)       (automatisch aus HA)
3. Strompreis.netzbezug_arbeitspreis_cent_kwh      (fester Tarif)
4. Hardcoded Default: 30.0 ct/kWh

Konfiguration:

• Im Sensor-Mapping kann ein HA-Sensor für strompreis zugeordnet werden
• Im Monatsabschluss-Wizard wird der Ø-Preis als Vorschlag angezeigt
• Manuell editierbar unter Monatsdaten

---

6. Investitionstyp-spezifische Berechnungen (ROI-Dashboard)

Endpoint: GET /api/investitionen/roi/{anlage_id}

PV-System-Gruppierung (3-Pass)

Pass 1: Alle Wechselrichter identifizieren → pv_systeme[wr_id]
Pass 2: PV-Module via parent_investition_id zuordnen,
         DC-Speicher via parent_investition_id zuordnen
Pass 3: Verbleibende Investitionen → standalone

PV-Einsparung wird proportional nach kWp auf Module verteilt:
    Modul_Einsparung = Gesamt_PV_Einsparung * (Modul_kWp / Gesamt_kWp)

Hochrechnung bei unvollständigen Jahren

Wenn weniger als 12 Monate Daten:
    1. Versuche PVGIS-gewichtete Hochrechnung:
       Faktor = PVGIS_Jahressumme / PVGIS_Summe_vorhandene_Monate
    2. Fallback: Lineare Hochrechnung:
       Faktor = 12 / Anzahl_Monate

---

6b. Energieprofil-Berechnungen (Tages-Aggregation)

Service: services/energie_profil_service.py Trigger: Scheduler täglich 00:15 (Vortag) + Monatsabschluss (Backfill + Rollup)

Stündliche Berechnung (aggregate_day)

Für jede Stunde (0–23) aus dem Tagesverlauf:

PV_kW             = Σ(positive kW aller PV-Serien)
Verbrauch_kW      = Σ(|negative kW| aller Verbraucher-Serien, ohne Batterie/Netz)
Netz_kW           = Σ(Netz-Serien)
Einspeisung_kW    = |Netz_kW| wenn Netz_kW < 0, sonst 0
Netzbezug_kW      = Netz_kW wenn Netz_kW > 0, sonst 0
Batterie_kW       = Σ(Batterie-Serien)  (positiv=Entladung, negativ=Ladung)

Überschuss_kW     = max(0, PV_kW - Verbrauch_kW)
Defizit_kW        = max(0, Verbrauch_kW - PV_kW)

Zusätzliche Daten pro Stunde:

• Temperatur + Globalstrahlung: Open-Meteo Historical API (Archiv) bzw. Forecast API (heute)
• Batterie-SoC: HA Sensor History (Stundenmittel)
• Komponenten: Alle Butterfly-Werte als JSON (für spätere Detail-Analyse)

Tageszusammenfassung (TagesZusammenfassung)

Überschuss_kWh         = Σ(Überschuss_kW × 1h)     alle 24 Stunden
Defizit_kWh            = Σ(Defizit_kW × 1h)
Peak_PV_kW             = max(PV_kW)                  über alle Stunden
Peak_Netzbezug_kW      = max(Netzbezug_kW)
Peak_Einspeisung_kW    = max(Einspeisung_kW)
Temperatur_Min/Max     = min/max(Temperatur_C)       aus Open-Meteo
Strahlung_Summe_Wh_m2  = Σ(Globalstrahlung_W/m²)    × 1h = Wh/m²

Batterie-Vollzyklen:

Δ_SoC_Summe            = Σ |SoC[h] - SoC[h-1]|     für h = 1..23
Vollzyklen              = Δ_SoC_Summe / 200          (0→100→0 = 200% = 1 Vollzyklus)

Performance Ratio:

Theoretisch_kWh        = Strahlung_Wh_m2 × kWp / 1000
Performance_Ratio      = PV_Ertrag_kWh / Theoretisch_kWh

Monats-Rollup (rollup_month)

Aggregiert alle TagesZusammenfassung eines Monats in Monatsdaten-Felder:

Monatsdaten-Feld	Aggregation	Beschreibung
ueberschuss_kwh	Σ(Tages-Überschuss)	Monatlicher PV-Überschuss
defizit_kwh	Σ(Tages-Defizit)	Monatliches Energie-Defizit
batterie_vollzyklen	Σ(Tages-Vollzyklen)	Monatliche Batterie-Zyklen
performance_ratio	Ø(Tages-PR)	Durchschnittliche Performance Ratio
peak_netzbezug_kw	max(Tages-Peak)	Maximaler Netzbezug im Monat

Auslöser: Wird beim Monatsabschluss nach backfill_range() aufgerufen, um fehlende Tage nachzuberechnen (begrenzt durch HA-History ~10 Tage).

---

7. Debugging-Leitfaden

Häufige Fehlerquellen

Symptom	Mögliche Ursache	Prüfung
Autarkie zu hoch/niedrig	Falsche Einspeisung/Netzbezug-Werte	Monatsdaten prüfen - sind die Zählerwerte plausibel?
EV-Quote > 100%	Speicher-Entladung > PV-Erzeugung	InvestitionMonatsdaten für Speicher prüfen
Netto-Ertrag = 0	Kein Tarif angelegt	Strompreis-Tabelle prüfen
WP-Ersparnis fehlt	Kein WP-Spezialtarif, falscher Gas-Preis	Tarife prüfen; hardcodierter Gas-Preis 10ct im Cockpit
ROI weicht ab (Cockpit vs Investitionen)	Verschiedene Berechnungswege	Cockpit: kumuliert; Investitionen: p.a. mit calculations.py
SOLL überhöht	Teil-Jahr ohne faire Vergleichsbasis	months_with_data prüfen (ab v2.3.2 behoben)
PV-Erzeugung = 0	Legacy-Feld statt InvestitionMonatsdaten	Prüfen ob PV-Module als Investitionen angelegt sind
Dienstl. Wallbox in E-Mob	ist_dienstlich nicht gesetzt	Investition.parameter["ist_dienstlich"] prüfen
USt wird nicht abgezogen	Steuerliche Behandlung falsch	Anlage.steuerliche_behandlung muss regelbesteuerung sein
Spezialtarif greift nicht	Falsche verwendung oder abgelaufen	Strompreis.verwendung und gueltig_ab/bis prüfen

Datenfluss nachverfolgen

Schritt 1: Eingabedaten prüfen

API: GET /api/monatsdaten/aggregiert/{anlage_id}
→ Zeigt Monatsdaten + InvestitionMonatsdaten zusammen

Schritt 2: Tarife prüfen

API: GET /api/strompreise?anlage_id={id}&aktuell=true
→ Zeigt alle gültigen Tarife mit Verwendung

Schritt 3: Berechnungsergebnis prüfen

API: GET /api/cockpit/uebersicht/{anlage_id}?jahr=2025
→ Alle aggregierten KPIs für ein Jahr

API: GET /api/investitionen/roi/{anlage_id}
→ ROI pro Komponente mit Detail-Berechnung

Schritt 4: Prognose-Basis prüfen

API: GET /api/cockpit/prognose-vs-ist/{anlage_id}?jahr=2025
→ PVGIS SOLL vs tatsächliche IST-Werte

API: GET /api/cockpit/pv-strings/{anlage_id}?jahr=2025
→ SOLL-IST pro PV-Modul (mit Performance Ratio)

Bekannte Fallstricke

1. JSON-Felder in SQLAlchemy: Änderungen an verbrauch_daten oder parameter werden nur persistiert mit flag_modified(obj, "feldname")
2. 0-Werte: if val: wertet 0 als False aus → immer if val is not None: verwenden
3. Legacy-Felder: Monatsdaten.pv_erzeugung_kwh und Monatsdaten.batterie_* sind deprecated. PV-Erzeugung kommt aus InvestitionMonatsdaten (Typ: pv-module)
4. PVGIS E_m vs e_m: Ältere Prognosen verwenden E_m (Großbuchstabe), neuere e_m
5. Grundpreis: Wird zu den Netzbezugskosten addiert, NICHT vom Netto-Ertrag abgezogen
6. Cockpit vs ROI-Dashboard: Cockpit berechnet inline (vereinfacht), ROI-Dashboard nutzt calculations.py (detaillierter)

---

Letzte Aktualisierung: März 2026