Lehrende:
Prof. Dr. Florian Steinke
M. Sc. Sina Hajikazemi

 

Lehrinhalte:

Die Vorlesung gibt einen Überblick über die verschiedenen Ebenen des Energiemanagements und fokussiert dann auf die ökonomische Einsatzplanung. Zuerst werden die verschieden Anwendungsformen wie zum Beispiel Eigenverbrauchsoptimierung, virtuelle Kraftwerke, Elektroauto-Lademanagement, Redispatch oder multimodale Quartiersenergieoptimierungen vorgestellt. Relevante Grundlagen der gesteuerten Komponenten sowie der adressierten Märkte werden wiederholt.

Im zweiten Teil werden die methodischen Grundlagen erlernt. Verschiedene mathematische Formulierungen der hinter der Einsatzplanung liegenden Optimierungsprobleme (LP, MILP, QP, stochastische Optimierung) werden vorgestellt. Parallel vermittelt die Vorlesung einen praxisorientierten Einstieg in die Methoden der numerische Optimierung (Abstiegsverfahren, Konvergenz, Konvexität, Beschreibungssprachen für  Optimierungsprobleme). Zusätzlich werden auch einfache Verfahren zur Berechnung benötigter Prognosewerte (lineare Regression) diskutiert.
Alle methodischen Schritte werden in Übungen / einem Praktikum mit den Softwaretools Python und der Modellierungssprache GAMS/AMPL vertieft.

Veranstaltungsart: 2 SWS Vorlesung  +  1 SWS Übung + 1 SWS Praktikum

Es werden eine Reihe Übungsblätter mit hauptsächlich Programmierübungen ausgegeben. Diese sollen von den Studenten zuerst zuhause bearbeitet werden. In der Praktikumsstunde besteht die Möglichkeit die Programme in Gruppen von 2 weiterzuentwickeln und offene Fragen mit dem Praktukumsleiter interaktiv zu besprechen. Anschließend wird eine Musterlösung vorgeführt und diskutiert.

Sprache: Deutsch, Englisch

Termine: Mi und Fr 9:50 - 11:30

Literatur:

• Boyd, Vandenberghe: Convex Optimization, Cambridge University Press, 2004
• A GAMS Tutorial by Richard E. Rosenthal, https://www.gams.com/24.8/docs/userguides/userguide/_u_g__tutorial.html

Voraussetzungen:
Kenntnisse in der linearen Algebra & multivariaten Analysis, Grundkenntnisse in der Nutzung von Python. Kenntnisse der Module „Kraftwerke & EE“ oder „Energiewirtschaft“ vorteilhaft aber nicht zwingend.

TUCAN ID:
18-st-2010