| Titel der Lehrveranstaltung / des Moduls | Optimierung unter Unsicherheit |
| Kennzahl der Lehrveranstaltung / des Moduls | 072722330101 |
| Unterrichtssprache | Deutsch / Englisch |
| Art der Lehrveranstaltung (Pflichtfach, Wahlfach) | Pflichtfach |
| Semester in dem die Lehrveranstaltung angeboten wird | Wintersemester 2026 |
| Semesterwochenstunden | 3 |
| Studienjahr | 2026 |
| Niveau der Lehrveranstaltung / des Moduls laut Lehrplan | 2. Zyklus (Master) |
| Anzahl der zugewiesenen ECTS-Credits | 5 |
| Name des/der Vortragenden | Klaus RHEINBERGER |
| Voraussetzungen und Begleitbedingungen |
Lehrveranstaltung "Optimierung von Energiesystemen" |
| Lehrinhalte |
- Grundlagen der Wahrscheinlichkeitsrechnung und Statistik: Verteilungen, Kennzahlen
- Schätzen von Verteilungen aus Daten, Erzeugen von Szenarien aus Verteilungen (Monte Carlo Simulation)
- Model Predictive Control: Optimierung mit Prognosen inkl. Updating
- Stochastische Optimierung mittels linearer Optimierung, Wert perfekter und (un-)vollständiger Information
- Anwendungsbeispiele: Preis-, Nachfrage- und Ressourcenunsicherheiten, unsicherer elektrischer Verbrauch, unsichere Ankunftszeiten eines E-Autos, Preise, PV-Erträge, unsichere Wettergrößen, Steuerung stochastischer Energiesysteme wie z. B. das Ladelastmanagement in der Elektromobilität, optimale Bewirtschaftung von Energieerzeugungsanlagen und Energiespeichern bei unsicherer Datenlage mittels Prognosen etc
|
| Lernergebnisse |
Nach Abschluss der Lehrveranstaltung können die Studierenden Unsicherheiten in Energiesystemen erkennen, modellieren, simulieren und in Optimierungen einbinden. Die Studierenden können
- die notwendigen Grundlagen der Wahrscheinlichkeitsrechnung und Statistik verstehen und anwenden.
- Wahrscheinlichkeitsverteilungen aus Daten schätzen.
- Szenarien aus Verteilungen und einfache Prognosen generieren.
- Monte Carlo Simulationen eines stochastischen Systems durchführen und mit Kennzahlen bewerten.
- Model Predictive Control verstehen und anwenden.
- einfache lineare stochastische Optimierungen durchführen und deren Wert im Vergleich zu deterministischen Optimierungen quantifizieren.
- die erlernten Methoden am Computer implementieren.
Die Studierenden erwerben folgende Future Skills:
- Digital Literacy: Implementieren am Computer mit Python
- Academic Creativity: Modellierung von stochastischen Energiesystemen
- Communication Skills: Präsentation und Erklärung von mathematischen Konzepten
- Environmental and Sustainability Awareness: Anwendung auf Energieprobleme
|
| Geplante Lernaktivitäten und Lehrmethoden |
Integrierte Lehrveranstaltung mit Vorlesungen und Übungen. |
| Prüfungsmethode und Beurteilungskriterien |
- Bewertung von Übungsaufgaben (20 %)
- Schriftliche Prüfung (80 %)
Für eine positive Gesamtnote müssen bei jedem Prüfungsteil mindestens 50 % der Punkte erreicht werden.
|
| Kommentar |
Keiner |
| Empfohlene Fachliteratur und andere Lernressourcen |
- Schiller, John J.; Srinivasan, R. Alu; Spiegel, Murray R. (2013): Schaum’s Outline of Probability and Statistics: 897 Solved Problems + 20 Videos. 4 edition, McGraw-Hill Education Ltd.
- Camacho, Eduardo F.; Alba, Carlos Bordons (2007): Model Predictive Control. 2nd edition, Springer.
- Kall, Peter; Mayer, János (2012): Stochastic Linear Programming: Models, Theory, and Computation. 2nd eEdition, Springer.
- Birge, John R.; Louveaux, François (2011): Introduction to Stochastic Programming. 2nd ed. 2011. New York: Springer.
- Jordaan, Ian (2011): Decisions under Uncertainty: Probabilistic Analysis for Engineering Decisions. 1st edition, Cambridge University Press.
- Kovacevic, Raimund M.; Pflug, Georg Ch; Vespucci, Maria Teresa (2013): Handbook of Risk Management in Energy Production and Trading. Springer.
|
| Art der Vermittlung |
Präsenzveranstaltung und Blended Learning (Begleitetes Lernen mit einer Webseite). Die Studierenden werden vor Beginn der Lehrveranstaltung über die Anwesenheitsvorgaben der Lehrbeauftragten informiert. |