Beschreibung einzelner Lerneinheiten (ECTS-Lehrveranstaltungsbeschreibungen) pro Semester

Keine

• Lineare Algebra als Voraussetzung für die Lineare Optimierung: Vektoren, Vektorräume, Matrizenrechnung, Lineare Gleichungssysteme
• Theorie der Linearen Optimierung: geometrische Lösung, Matrixformulierung, Sensitivitätsanalysen, Schattenpreise
• Einführung in die Lösungsalgorithmen der linearen und gemischt-ganzzahligen Optimierung
• Überblick zu Optimierungsverfahren (nur einführend)
• Modellierung von Energieumwandlungs- und Energiespeicherkomponenten
• Modellierung verschiedener, typischer Nebenbedingungen: z.B. Lastgradienten, Schaltvariablen
• Modellieren verschiedener, typischer Zielfunktionen: z.B. Arbeitskosten, Leistungskosten, Emissionen
• Implementieren und Lösen der Problemstellungen am Computer, Interpretation von Solver-Outputs und graphische Aufbereitung von Ergebniszeitreihen
• Anwendungsbeispiele: z.B. Demand Side Management; PV-Eigenverbrauch; Ladelastmanagement in der E-Mobilität

Nach Abschluss der Lehrveranstaltung können die Studierenden Standard-Optimierungsverfahren in typischen techno-ökonomischen Problemen einsetzen. Die Studierenden können

• Basiskonzepte der linearen Algebra anwenden.
• die mathematischen Kernkonzepte der linearen Optimierung und deren Lösungsalgorithmen erklären.
• einen Überblick über Standard-Optimierungsverfahren geben und ihre Eignung für Problemstellungen beurteilen.
• einfache techno-ökonomische Problemstellungen im Energiebereich als gemischt-ganzzahlige Optimierungsprobleme modellieren.
• typisch auftretende Nebenbedingungen mathematisch formulieren und in ihren Problemstellungen anwenden.
• mathematische Optimierungsprobleme in einer Modellierungssprache implementieren, lösen und die Ergebnisse und Sensitivitäten interpretieren.
• mathematische Optimierungsprobleme und mathematische Konzepte präsentieren und erklären.

Die Studierenden erwerben folgende Future Skills

• Communication Skills: mündliche Abgaben der Übungsbeispiele und mündliche Prüfung
• Digital Literacy: Programmierung in Python und Anwendung von Solvern
• Environmental and Sustainability Awareness: Anwendung auf Energieprobleme

Integrierte Lehrveranstaltung mit Vorlesungen und Übungen.

Die mathematischen Grundlagen (lineare Algebra) werden in Blended-Learning (Videos, Übungen im begleiteten Selbststudium) unterrichtet.

• Bewertung von indivdueller Abschlussaufgabe (20%)
• Bewertung von Übungsaufgaben (30 %)
• Mündliche Prüfung (50 %)

Für eine positive Gesamtnote müssen insgesamt über alle Prüfungsteile mindestens 50 % der Punkte erzielt werden. Die mündliche Prüfung muss auch einzelnd positiv sein.

Keine

• Briskorn, Dirk (2023): Operations Research: Eine (möglichst) natürlichsprachige und detaillierte Einführung in Modelle und Verfahren. Wiesbaden: Springer Fachmedien. Online im Internet: DOI: 10.1007/978-3-658-39425-7.
• Kallrath, Josef (2013): Gemischt-ganzzahlige Optimierung: Modellierung in der Praxis: Mit Fallstudien aus Chemie, Energiewirtschaft, Papierindustrie, Metallgewerbe, Produktion und Logistik. Wiesbaden: Springer Fachmedien Wiesbaden. Online im Internet: DOI: 10.1007/978-3-658-00690-7 (Zugriff am: 29.03.2024).
• Nickel, Stefan u.a. (2022): Operations Research. Berlin, Heidelberg: Springer. Online im Internet: DOI: 10.1007/978-3-662-65346-3.
• Sioshansi, Ramteen; Conejo, Antonio J. (2017): Optimization in Engineering. 120. Cham: Springer International Publishing (= Springer Optimization and Its Applications). Online im Internet: DOI: 10.1007/978-3-319-56769-3.

Präsenz Lehrveranstaltung und Blended Learning. Die mathematischen Grundlagen (lineare Algebra) werden in Blended-Learning (Videos, Übungen im begleiteten Selbststudium) unterrichtet.

Die Studierenden werden vor Beginn der Lehrveranstaltung über die Anwesenheitsvorgaben der Lehrbeauftragten informiert.