Overordnede kursusmål
Hovedformålet med kurset er at løfte sløret for mulighederne i
grænsefladen af digitalisering af energisektoren, ved at gennemgå
nogle indledende begreber inden for energianalyse, maskinlæring og
optimering.
Læringsmål
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
- Beskriv en række beslutningsproblemer hos elforbrugere og
prosumere som optimeringsproblemer
- Implementere, bruge og evaluere regressions- og
maskinlæringsteknikker med fokus på forecasting
- Udvikle dataanalyse- og optimeringsprogrammer i Python
- Kombiner forskellige dataanalyseteknikker til større og mere
komplicerede problemer
- Designværktøjer til optimering af profit for
elmarkedsdeltagere
- Udvikle og sammenligne værktøjer til prognoser for
elpriser
- Organisere og udføre gruppebaseret projektarbejde
- Effektivt præsentere projektarbejde i skriftlig form
Kursusindhold
Kombinationen af stigende datatilgængelighed i energisystemer og
liberaliseringen af energimarkederne medfører en række muligheder
og udfordringer i driften af energisystemer. Kurset fokuserer
primært på elektricitet og relaterede anvendelsesscenarier. Der vil
blive givet en kompakt introduktion til elmarkeder og -priser, da
dette vil tjene som den vejledende anvendelse af de metoder, der
undervises i dette kursus.
Forskellige teknikker til analyse af relevante datasæt og løsning
af en række relaterede problemer vil blive introduceret, såsom
regression, prognoser, maskinlæring og optimering. Der vil blive
lagt vægt på en række analyse- og optimeringsproblemer, f.eks.
optimal planlægning af lagring for at maksimere profitten på et
marked og prognoser for elpriser. Der vil også blive fokuseret på
at lære at opstille rigorøse optimeringsproblemer, på at
sammenligne forskellige teknikker (f.eks. ARIMA-modeller vs.
maskinlæring) og på at træne og korrekt evaluere modellerne.
Derudover vil de studerende anvende programmeringssproget Python
til at behandle data, udføre analyser og implementere
optimeringsmetoder. Et vigtigt mål med kurset er at kombinere de
udviklede modeller og teknikker (f.eks. optimering og prognoser)
til at løse større energianalyseproblemer ved hjælp af reelle data.
Sidst opdateret
04. maj, 2026
