Deep Learning in Energy

Modul: Deep Learning in Energy (6 Credits)
Name im Diploma Supplement	Deep Learning in Energy
Verantwortlich	Prof. Dr. Florian Ziel
Voraussetzungen	Siehe Prüfungsordnung.
Workload	180 Stunden studentischer Workload gesamt, davon: Präsenzzeit: 60 Stunden Vorbereitung, Nachbereitung: 80 Stunden Prüfungsvorbereitung: 40 Stunden
Dauer	Das Modul erstreckt sich über 1 Semester.
Qualifikationsziele	The students have an advanced understanding of electricity markets and systems understand deep learning based modeling methods for energy markets and systems can apply learning and forecasting algorithms to real data using deep learning software able to interpret and to visualize the results
Prüfungsmodalitäten	Equally weighted average of a group project and a presentation (usually about 20 minutes).
Verwendung in Studiengängen	BWL EaF Master > Wahlpflichtbereich > 1.-3. FS, Wahlpflicht ECMX Master > Wahlpflichtbereich > ME6 Applied Econometrics > 1.-3. FS, Wahlpflicht MuU Master > Wahlpflichtbereich I > Wahlpflichtbereich I A.: Methodologie und allgemeine Theorien zur Untersuchung von Märkten und Unternehmen > 1.-3. FS, Wahlpflicht VWL Master > Wahlpflichtbereich II > 1.-3. FS, Wahlpflicht
Bestandteile	Vorlesung Deep Learning in Energy (3 Credits) Übung Deep Learning in Energy (3 Credits)
Modul: Deep Learning in Energy (WIWI‑M0967)

Vorlesung: Deep Learning in Energy (3 Credits)
Name im Diploma Supplement	Deep Learning in Energy
Anbieter	Lehrstuhl für Data Science in Energy and Environment
Lehrperson	Prof. Dr. Florian Ziel
Semesterwochenstunden	2	Sprache	englisch
Turnus	unregelmäßig	maximale Hörerschaft	24
empfohlenes Vorwissen Good knowledge of linear models as tought in Econometrics of Electricity Markets and R or python knowledge
Abstract The objective of the lecture is to provide a basic understanding of energy markets and systems such as deep learning based modeling methods with a focus on feed forward neural network and recurrent neural networks. The aim of this course is to understand and apply deep learning algorithms to real data using the pytorch library, to interpret and to visualize the results.
Lehrinhalte Introduction to electricity markets Overview of different non-linear model approaches Advanced forcasting study design, (hyperparmeter) optimization/learning, evaluation and ensembling Feed forward and recurrent neural networks and in detail
Literaturangaben The relevant material will be given during the course. Suggested reading: Weron, Rafał. "Electricity price forecasting: A review of the state-of-the-art with a look into the future." International Journal of Forecasting 30.4 (2014): 1030-1081. Petropoulos, F., Apiletti, D., Assimakopoulos, V., Babai, M. Z., Barrow, D. K., Taieb, S. B., ... & Ziel, F. (2022). Forecasting: theory and practice. International Journal of Forecasting, 38(3), 705-871. Marcjasz, G., Narajewski, M., Weron, R., & Ziel, F. (2023). Distributional neural networks for electricity price forecasting. Energy Economics, 125, 106843. Goodfellow, I. (2016). Deep learning.
didaktisches Konzept Lecture. The studied modeling an forecasting methods are applied on real data using pytorch.
Vorlesung: Deep Learning in Energy (WIWI‑C1265)

Übung: Deep Learning in Energy (3 Credits)
Name im Diploma Supplement	Deep Learning in Energy
Anbieter	Lehrstuhl für Data Science in Energy and Environment
Lehrperson	Prof. Dr. Florian Ziel
Semesterwochenstunden	2	Sprache	englisch
Turnus	unregelmäßig	maximale Hörerschaft	24
empfohlenes Vorwissen See Lecture
Lehrinhalte See Lecture
Literaturangaben See Lecture
didaktisches Konzept Tutorials. The students apply the learned methods in a own real data project in python utilizing pytorch.
Übung: Deep Learning in Energy (WIWI‑C1266)