Ziel dieser Fallstudie ist es, den optimalen Zeitpunkt für das Repowering (Erweiterungsoption) bestehender Windkraftanlagen auf Basis von Projektspezifikationen mit Hilfe der Realoptionsanalyse zu bestimmen. Die Lösungsmethode für eine bestimmte Art von Option wird mit Python implementiert und gelöst.
Ziel dieser Fallstudie ist es, mit Hilfe der Realoptionsanalyse den optimalen Zeitpunkt für Investitionen (Investitionsoption) in bestehende Windkraftanlagen auf der Grundlage von Projektspezifikationen zu bestimmen. Die Lösungsmethode für definierte Optionstypen wird mit Python implementiert und gelöst.
In dieser Fallstudie werden wir das Potenzial von Biokraftstoffen als erneuerbare Energiequelle bei unsicherem Biomasseangebot und unsicherer Nachfrage untersuchen. Wir werden ein bestehendes Modell für die Lieferkette verwenden und es erweitern, um Unsicherheiten zu berücksichtigen. Wir werden die folgenden Themen behandeln: Verständnis eines komplexen Biokraftstoff-Lieferkettenmodells, Erweiterung um stochastische Unsicherheiten und Verständnis des Wertes der Erweiterung sowie Zugang zu den Kosten der Unsicherheiten.
Deutschland hat sich zum Ziel gesetzt, bis 2045 klimaneutral zu werden. Der Stromsektor spielt dabei eine wichtige Rolle. Erneuerbare Technologien wie Solar- und Windenergie produzieren Strom zu geringen Kosten, liefern ihn aber nur intermittierend. Dies stellt eine Herausforderung für den Netzbetrieb dar, was zu einem Bedarf an Flexibilitätsoptionen führt. In dieser Fallstudie wird der Einfluss von zwei neuartigen Flexibilitätstechnologien auf das deutsche Stromsystem im Jahr 2045 mit der Methode der Energiesystemoptimierung untersucht.
In dieser Fallstudie untersuchen wir das Potenzial von Biokraftstoffen als erneuerbare Energiequelle und analysieren die Herausforderungen und Möglichkeiten bei der Gestaltung einer nachhaltigen und wirtschaftlich tragfähigen Biokraftstoff-Lieferkette. Wir werden uns auf die Modellierung und Optimierung der Lieferkette konzentrieren und dabei die Schlüsselfaktoren berücksichtigen, die sich auf die wirtschaftliche Lebensfähigkeit und die Landnutzung auswirken.
Sie lernen ein geeignetes MILP-Modell zur integrierten Standort-, Kapazitäts- und Technologieplanung für synthetische Kraftstoffe unter abstrahierenden Annahmen aufzustellen, in Python zu implementieren und mittel des Gurobi-Solver zu lösen, sowie durch die Analyse der Optimierungsergebnisse Handlungsempfehlungen abzuleiten. Dafür benutzen Sie das generische OR-Modell vom Warehouse Location Problem und lernen es auf ein fachspezifisches Modell anzupassen.