Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage die gemäß dem Lehrinhalt vorgestellten Optimier- und Vorhersagemethoden hinsichtlich der grundlegenden Eigenschaften bezüglich Modellierungsdetails, (vereinfachender) Approximationen, Datenerfordernisse dafür und zu erwartender Resultatgenauigkeit zu klassifizieren. Mit diesen Kenntnissen können sie die Verfahren in Bezug auf deren Vor- oder Nachteilen bei der praktischen Umsetzung differenzieren und damit deren Eignung für Aufgaben in der elektrischen Energievbersorgung beurteilen. Solcherarts erleichtert es den Studierenden für ihre (zukünftige) Arbeit oder Forschung gut geeignete Lösungsansätze zu konzipieren, sebst programmmäßig zu implementieren oder geeignete Standard-Software auszuwählen, zu erwartende Ergebnisse abzuschätzen sowie begleitende, weiterführende und unterstützende Literatursuche durchzuführen.
Für den Aufgabenbereich der elektrischen Energieversorgung und Energiewirtschaft werden die zwei Themenbereiche der Optimierung und (Last-)Prognose im näheren Detail beleuchtet:
Nach einem Abriss über grundlegende Definitionen der Optimierung und fundamentale Formulierungen von Optimieraufgaben unter Einschränkungen (Modellierung der Zielfunktion, Einbezug von Nebenbedingungen, Interpretation der dualen "Lagrange" Parameter dabei) werden verschiedene Optimiermethoden präsentiert: nichtlineare und lineare Konzepte, gemischt-ganzzahlige Optimierung plus Entscheidungsbaum (branch & bound), ableitungsfreie Such-Verfahren (Zufallssuche und Einbezug von stochastischem Lern-Prozess mittels evolutionären oder genetischen Algorithmen), Dynamische Programmierung, Dekomposition mittels Lagrange'-Relaxation, Mehrzieloptimierung, Entscheidung unter Unsicherheit mit Risikobewertung. Betrachtet werden dazu Anwendungsbeispiele wie wirtschaftliche Lastverteilung, Einsatzoptimierung, Ausbauplanung und Modellierung der Energiesystemelemente für den hydro-thermischen Verbund.
Als Voraussetung für die Optimierung wird ein Abriss über (Last-)Prognose-Verfahren gegeben: Zeit-Reihen-Voraussage mittels univariater autoregressiver Methoden (exponentielles Glätten, ARIMA-Modelle, Zustandsraum-Schätzverfahren mittels KALMAN-Filter), multivariate Kausal-Modelle mit multipler Regression, Cluster-Analyse zur Mustererkennung von Tageslastganglinien, Neurale-Netzwerk-Strukturen, Einbezug von Fuzzy-Lögik-Konzepten für unscharfe Mengen.
Gestützt auf das schriftliche Skriptum zur Vorlesung und visualisiert durch illustrative Bilder mittels Folienpräsentation während der Vorlesung werden die im Lehrinhalt angeführten Optimier- und Prognose-Verfahren vorgestellt. Jeweils ausgehend von dem theoretischen algorithmischen numerischen Konzept und der Grundstruktur mit fallweisem iterativen Prozess werden dann die Eigenschaften anhand beispielhafter Umsetzungen bei praktischen Anwendungsfällen aus der Literatur oder Forschungsarbeiten skizziert. Diskutiert werden die Vorteile und auch Nachteile bei der praktischen Anwendung, Datenerfordernisse, notwendige (vereinfachende) Approximationen in der Modellierung und algorithmischen Ablauf sowie die zu erwartende Genauigkeit der Resultate. Die relativ kleinere Höreranzahl erlaubt das spontane Eingehen auf Fragen der Studenten.
Ein Skriptum zur Lehrveranstaltung ist während der Vorlesung beim Vortragenden erhältlich.
Preis: 15 €
Umfangreiche Schrifttums- und Quellenhinweise im Skriptum bzw. während der Vorlesung.
Der Leistungsnachweis erfolgt anhand der Beantwortung der Fragen im mündlichen Prüfungsgespräch mit der die Kenntnisse über die Optimier- oder Prognose-Verfahren, das Verstehen der Aufgabenstellungen in der elektrischen Energieversorgung und Eigenschaften der methodischen Lösungsprozesse zu demonstrieren sind - eventuell mit schriftlicher Visualisierung der Antwort.
Ein Skriptum zur Lehrveranstaltung ist während der Vorlesung beim Vortragenden erhältlich.
Preis: 15 €
Umfangreiche Schrifttums- und Quellenhinweise im Skriptum bzw. während der Vorlesung.
grundlegende Kenntnisse über die Problemstellungen in der elektrischen Energieerzeugung und -verteilung: grundlegende Kenntnisse aus höherer Mathematik (besonders numerische Verfahren), Grundkenntnisse über Datenverarbeitung und Programmieren.
