Entscheidungen unter Unsicherheit

Eckdaten

Lehrbeauftragter

Klaus Rheinberger: klaus.rheinberger@fhv.at, +43 5572 792 3811, Zimmer V721

Lernergebnisse

Nach Abschluss der Lehrveranstaltung können die Studierenden Unsicherheiten in techno-ökonomischen Systemen erkennen, quantifizieren, 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.

Lehrinhalte

  • Grundlagen der Wahrscheinlichkeitsrechnung und Statistik: Verteilungen, Streuungs- und Lagemaße
  • Schätzen von Verteilungen aus Daten
  • Szenariogeneration aus Verteilungen und einfache Prognosen
  • Monte Carlo Simulation mittels Szenarien
  • 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.

Literatur

  • Schiller, John J.; Srinivasan, R. Alu; Spiegel, Murray R. (2013): Schaum’s Outline of Probability and Statistics: 897 Solved Problems + 20 Videos. 4 ed. New York: McGraw-Hill Education Ltd.
  • Bertsimas, Dimitris (2004): Data, Models, and Decisions: The Fundamentals of Management Science. Belmont, Mass: Dynamic Ideas Llc.
  • Cornuéjols, Gérard; Peña, Javier; Tütüncü, Reha (2018): Optimization Methods in Finance. 2. Aufl. Cambridge, United Kingdom ; New York, NY: Cambridge University Press.
  • Martin, Osvaldo (2018): Bayesian Analysis with Python: Introduction to statistical modeling and probabilistic programming using PyMC3 and ArviZ, 2nd Edition. 2nd Revised edition. Packt Publishing.
  • Kovacevic, Raimund M.; Pflug, Georg Ch; Vespucci, Maria Teresa (2013): Handbook of Risk Management in Energy Production and Trading. 2013. Aufl. New York: Springer.
  • Birge, John R.; Louveaux, François (2011): Introduction to Stochastic Programming. 2nd ed. 2011. New York: Springer.

Methodik

Integrierte Lehrveranstaltung

Benotung

  • Bewertung von Übungsaufgaben in Kleingruppen und Einzelarbeiten
  • Abschlussprüfung