| Voraussetzungen und Begleitbedingungen |
Keine |
| Lehrinhalte |
- Implementierung mit einer open source algebraischen Modellierungssprache und unterschiedlichen Solvern
- Grundlagen der Graphentheorie
- Modellierung typischer Flexibilitäten in einem vernetzen Energiesystem: (MI)LP, binäre Variablen, Diskretisierung von DGL
- typische Zielfunktionen in einem vernetzen Energiesystem, z. B. Kosten, Spitzenlast, Autarkiegrad, Eigenverbrauchsanteil, CO2-Emissionen
- Monte Carlo Simulation mittels Szenarien
- Einführung in Model Predictive Control
- einfache stochastische Optimierung mittels linearer Optimierung, Wert perfekter und (un-)vollständiger Information
- Anwendungsbeispiele können sein: Batteriespeicher mit Wirkungsgraden, Warmwasserboiler, Einbindung einer PV-Anlage, thermisch gekoppelte Räume eines Gebäudes, E-Autos/Busse/LKW, Kraftwerke, Wärmepumpen, elektrische und thermische Netze, Unsicherheiten wie elektrischer Verbrauch, Ankunftszeiten eines Elektrofahrzeug, Preise, PV-Erträge, Wettergrößen
|
| Lernergebnisse |
Nach Abschluss der Lehrveranstaltung können die Studierenden vernetzte energietechnische Systeme modellieren und optimieren. Sie können
- typische Flexibilitäten in einem vernetzen Energiesystem modellieren und verschiedene Zielfunktionen formulieren.
- grundlegende Elemente der Graphentheorie verstehen und in energierelevanten Anwendungen identifizieren.
- vernetzte Systeme mit einer open source Modellierungssprache als gemischt-ganzzahlige lineare Optimierungsprobleme implementieren und mit unterschiedlichen Solvern lösen.
- Unsicherheiten in den Modellen identifizieren.
- Monte Carlo Simulationen eines stochastischen Systems durchführen und mit Kennzahlen bewerten.
- einfache lineare stochastische Optimierungen durchführen und deren Wert im Vergleich zu deterministischen Optimierungen quantifizieren.
- Model Predictive Control verstehen.
- die Ergebnisse von Optimierungen grafisch darstellen und interpretieren sowie Sensitivitäten analysieren.
- die erlernten Methoden am Computer implementieren.
|
| Geplante Lernaktivitäten und Lehrmethoden |
Integrierte Lehrveranstaltung |
| Prüfungsmethode und Beurteilungskriterien |
- Bewertung von Übungsaufgaben (20 %)
- Schriftliche Prüfung, teils am Computer (80 %)
Für eine positive Gesamtnote müssen in jedem Prüfungsteil mindestens 50 % der Punkte erreicht werden. |
| Kommentar |
Keiner |
| Empfohlene Fachliteratur und andere Lernressourcen |
- Hillier, Frederick; Lieberman, Gerald (2020): Introduction to Operations Research. 11th edition, McGraw-Hill.
- Jensen, Paul A. (2008): Operations Research Models and Methods. Wiley.
- Williams, H. Paul (2013): Model Building in Mathematical Programming. Wiley.
- Sioshansi, Ramteen; Conejo, Antonio J. (2017): Optimization in Engineering: Models and Algorithms. Springer.
- Nickel, Stefan u.a. (2022): Operations Research. 3. Auflage, Springer.
- Schellong, Wolfgang (2016): Analyse und Optimierung von Energieverbundsystemen. 1. Auflage, Springer.
- Bazaraa, Mokhtar S.; Jarvis, John J.; Sherali, Hanif D. (2010): Linear Programming and Network Flows. Wiley.
- Birge, John R.; Louveaux, François (2011): Introduction to Stochastic Programming. 2. Auflage, Springer.
|
| Art der Vermittlung |
Präsenzveranstaltung. Die Studierenden werden vor Beginn der Lehrveranstaltung über die Anwesenheitsvorgaben der Lehrbeauftragten informiert. |