SFB 649/3: Die Anwendung von Risikomanagement-Instrumenten in der Windenergie-Branche (TP T01)


In diesem Transferprojekt geht es um eine Modellanwendung der Risikomanagement-Instrumente, die im SFB 649 „Ökonomisches Risiko“ entwickelt wurden, im Bereich der Windenergie. Zuerst soll der Windenergie-Index weiterentwickelt und für aktuelle Fragestellungen wie lokale Einspeisevergütungen oder die Bewertung von Windparks verwendet werden. Des Weiteren planen wir, die Realisierung der Netzstabilität mit einem Modell für die Vorhersage der Windenergie-Volatilität zu unterstützen und wetterbedingte Produktionseinbußen mit Windderivaten abzusichern. Schließlich wollen wir die Effizienz von Windkraftanlagen genauer untersuchen, um gezielte technische Verbesserungen zu ermöglichen.


Projektleitung
Ritter, Matthias Prof. Dr. (Details) (Quantitative Agrarökonomik insbesondere angewandte Ökonometrie (J))

Mittelgeber
DFG: Sonderforschungsbereich

Laufzeit
Projektstart: 01/2016
Projektende: 12/2018

Publikationen
Shen, Z., Ritter, M. (2016): Forecasting volatility of wind power production. Applied Energy 176: 295-308. http://dx.doi.org/10.1016/j.apenergy.2016.05.071.

Ritter, M., Pieralli, S., Odening, M. (2017): Neighborhood Effects in Wind Farm Performance: A Regression Approach. Energies 2017, 10(3), 365. http://dx.doi.org/10.3390/en10030365.

Ritter, M., Deckert, L. (2017): Site assessment, turbine selection, and local feed-in tariffs through the wind energy index. Applied Energy 185(2): 1087–1099. http://dx.doi.org/10.1016/j.apenergy.2015.11.081.

Helbing, G., Ritter, M. (2017): Power Curve Monitoring with Flexible EWMA Control Charts. Proceedings of the 2017 International Conference on Promising Electronic Technologies (ICPET), IEEE. https://doi.org/10.1109/ICPET.2017.29

Helbing, G., Ritter, M. (2018): Deep Learning for fault detection in wind turbines. Renewable and Sustainable Energy Reviews 98: 189-198. https://doi.org/10.1016/j.rser.2018.09.012.

Zuletzt aktualisiert 2022-22-11 um 04:05