Motivation

NPAP kombiniert zwei zentrale Schritte: die Partitionierung und die anschließende Aggregation eines Netzwerks. Zunächst werden Knoten zu Clustern zusammengefasst, beispielsweise basierend auf geografischer Nähe, elektrischer Distanz oder strukturellen Eigenschaften. Dafür stehen verschiedene Methoden wie K-Means, K-Medoids, DBSCAN, HDBSCAN oder hierarchisches Clustering zur Verfügung.

Im zweiten Schritt werden diese Cluster zu repräsentativen Knoten aggregiert. Dabei werden Eigenschaften wie Lasten, Erzeugungskapazitäten, Koordinaten oder Leitungsparameter systematisch zusammengeführt. NPAP bietet hierfür sowohl vordefinierte Aggregationsmethoden als auch die Möglichkeit, eigene Strategien zu definieren.

Die Bibliothek lässt sich nahtlos in Python-basierte Workflows integrieren und arbeitet direkt mit NetworkX-Graphen sowie tabellarischen Datenstrukturen wie CSV-Dateien. Dadurch kann NPAP einfach in bestehende Modellierungs- und Analysepipelines eingebunden werden.

Der Einstieg in NPAP ist unkompliziert. Die Bibliothek kann direkt aus dem GitHub-Repository bezogen und in bestehende Python-Projekte integriert werden. In der Dokumentation finden sich Beispiele für typische Workflows, von der Erstellung eines Netzwerks über die Auswahl einer Partitionierungsstrategie bis hin zur Aggregation.

• GitHub Repository
• Dokumentation

Für erste Schritte empfiehlt es sich, ein bestehendes Netzwerk zu laden, eine geeignete Partitionierungsstrategie auszuwählen und anschließend die Aggregation durchzuführen. Die modulare Struktur von NPAP ermöglicht es, verschiedene Strategien einfach zu vergleichen und an spezifische Anforderungen anzupassen.