Höfer Innovations

Intelligente Ladesteuerung

Ein Windows 11 Server-System, das automatisch den Tesla-Ladestrom basierend auf verfügbarer Solarenergie regelt. Die Anwendung kommuniziert über die Umrichter-API mit der Solaranlage und über Tessie mit dem Tesla.

Windows 11 als Server

Tessie API

Umrichter API

Custom Web Interface

PHP, SQL, CSS, HTML

C# & .NET

Ziel: Maximiert Eigenverbrauch der Solarenergie und minimiert Stromkosten durch intelligente Ladezeit-Optimierung.

Live Energiedaten

Daten-URL eingeben...

Flexible Lademodi

Das System bietet verschiedene Lademodi für unterschiedliche Szenarien:

Aktueller Lademodus:

Geplante Zeiten: Automatische Umschaltung zwischen UseAllSolar (bei gutem Wetter) und UseAll+Avg (wenn das Auto zu einem bestimmten Zeitpunkt voll sein muss).

API-Integration & Datenlogging

Alle relevanten Daten werden über eine selbst entwickelte API geloggt und visualisiert:

Solar-Produktion: Live-Daten der Umrichter
Hausverbrauch: Aktuelle Grundlast
Tesla-Status: Batteriestand, Ladestrom, Verfügbarkeit
Energiebilanz: Eigenverbrauch vs. Netzbezug

Die API speichert historische Daten für Analysen und Optimierungen der Ladestrategien.

Messbare Kosteneinsparung 2025 (Stand 28.09.25)

1.427€

Jahresersparnis (Hochrechnung)

25.050km

gefahren bei 20kWh/100km

5.010kWh

Verbraucht

3.821kWh

Solarstrom

76%

Eigenerzeugter Solarstrom

0,066€

Ø Strompreis/kWh

ROI-Berechnung: Bei Netzstromkosten von 0,28€/kWh und einer Gesamt Ladung von 5.010kWh (Jan-Sep) bei laufenden Kosten von 333€ ergibt sich eine Ersparnis von 1.070€.

Hinweis: Solarstrom-Gestehungskosten mit 0€ kalkuliert, da nur laufende Betriebskosten betrachtet werden (Anlage bereits amortisiert).

Mo - Prognose

☀️ 24°C Sunny

Solar-Ertrag: 95%

⚡ Erwartete Erzeugung: 114 kWh

🔋 KI-Empfehlung

Modus: PrioFirst - Überschuss minus 1A

Ladezeit: 10:00 - 16:00 Uhr

💡 Hervorragende Solarbedingungen!

Geplante Erweiterungen

Wetterbasierte Automatisierung: Integration von Wetterprognosen zur automatischen Umschaltung zwischen PrioFirst und UseAllSolar basierend auf erwarteter Sonneneinstrahlung.

Machine Learning: Historische Daten nutzen, um Ladeverhalten zu optimieren und Verbrauchsmuster zu erkennen.

Navigation

Schnellkontakt