Entscheidungen unter Unsicherheit
Eckdaten
- Semester: 2, 1. Hälfte
- ECTS-Punkte: 3 ECTS
- Semesterwochenstunden (SWS): 2 SWS
- Homepage der Lehrveranstaltung
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