آموزش الگوریتم القای معکوس برای سرمایه گذاری در انرژی

The Backwards Induction Algorithm for Energy Investments

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: چارچوب تصمیم‌گیری برای سرمایه‌گذاری‌های انرژی الگوریتم کمی به نام «القای عقب‌نشینی» را بیاموزید و آن را برای سرمایه‌گذاری‌های انرژی اعمال کنید. موضوعات جدید اغلب اضافه شده پیش نیازها: دوره به گونه ای طراحی شده است که نیازی به پیش نیاز نیست. فیلم ها به گونه ای ارائه می شوند که هر خط کد توضیح داده شده است. و تمام جزئیات در تئوری توضیح داده شده است.

مطالب:

سرمایه گذاری در زیرساخت های انرژی بسیار گران است. بنابراین، چارچوب‌های زیادی برای تصمیم‌گیری بهینه سرمایه‌گذاری توسعه داده شده است. مشکل انتخاب تصمیمات سرمایه گذاری بهینه زمانی چالش برانگیزتر می شود که آینده نامشخص باشد.

یک راه حل برای این چالش، الگوریتم القای معکوس است، که چارچوبی است که می تواند تصمیمات سرمایه گذاری بهینه را در شرایط عدم قطعیت به دست آورد.


تمام محاسبات به صورت دستی و همچنین با استفاده از MATLAB انجام می شود. این امکان درک کامل الگوریتم را فراهم می کند. ما همچنین در حال انجام تجزیه و تحلیل حساسیت پیرامون پارامترهای کلیدی هستیم. ما این مشکل را در یک شبکه برق اعمال می‌کنیم که در آینده تعداد زیادی خودروی الکتریکی را دریافت خواهد کرد.

این مشکلی است که تقریباً همه شبکه‌های برق با آن مواجه هستند.


چارچوب Induction Backwards از رویکرد درخت سناریو استفاده می کند. ابتدا مجموع هزینه ها (هزینه های سرمایه گذاری + هزینه های عملیاتی) را در مرحله آخر محاسبه می کنیم و سپس با استفاده از احتمالات، تا زمان فعلی به سمت عقب حرکت می کنیم. و سپس استراتژی سرمایه‌گذاری را انتخاب می‌کنیم که کل هزینه‌های مورد انتظار را به حداقل می‌رساند (یعنی کل هزینه‌های میانگین موزون احتمالی).


پشتیبانی مربی:

اگر سؤالی دارید، یک پیام خصوصی در اینجا در Udemy ارسال کنید.
یا، یک پیام در وب سایت www. quantalg.com (بدون فاصله).

در هر صورت، مطمئناً سؤالات شما در عرض چند ساعت توسط مربی پاسخ داده خواهد شد.


بیوگرافی:
من مدیرعامل Quantalg هستم، یک شرکت بوتیک که بر توسعه الگوریتم‌های کمی برای امور مالی و انرژی تمرکز دارد و همیشه از به‌روزترین منابع استفاده می‌کند.

من دکترای علوم داده بهینه سازی از امپریال کالج لندن دارم.
من همچنین دارای مدرک MEng (کارشناس ارشد مهندسی) هستم.


سرفصل ها و درس ها

معرفی Introduction

  • معرفی Introduction

  • فلسفه چارچوب The Philosophy of the framework

  • تعریف عدم قطعیت Definition of uncertainty

  • تعریف عدم قطعیت برون زا Definition of exogenous uncertainty

  • تعریف تاخیر سرمایه گذاری Definition of investment delay

مطالعه موردی The case study

  • شرح Description

  • سناریوهای آینده The future scenarios

  • پیدا کردن تعداد وسایل نقلیه الکتریکی Finding the number of electric vehicles

  • درخت سناریو The scenario tree

  • تصمیمات احتمالی سرمایه گذاری The possible investment decisions

  • هزینه ها The costs

راه حل The solution

  • تجزیه و تحلیل راه حل Analysis of the solution

  • اولین استراتژی سرمایه گذاری The first investment strategy

  • استراتژی سرمایه گذاری دوم The second investment strategy

  • سومین استراتژی سرمایه گذاری The third investment strategy

  • چهارمین استراتژی سرمایه گذاری The fourth investment strategy

توسعه کد Code Development

  • بخش 1: اولین استراتژی سرمایه گذاری Part 1: First investment strategy

  • بخش 2: استراتژی های 2 و 3 Part 2: Strategies 2 & 3

  • بخش 3: استراتژی 4 Part 3: Strategy 4

تجزیه و تحلیل میزان حساسیت Sensitivity Analysis

  • تجزیه و تحلیل حساسیت در انعطاف پذیری شارژ هوشمند Sensitivity analysis on the flexibility of smart charging

  • تحلیل حساسیت در مورد "هزینه اجتماعی" Sensitivity analysis on the "social cost"

  • تحلیل حساسیت بر روی احتمالات سناریو Sensitivity analysis on the scenario probabilities

نتیجه Conclusion

  • نکات و احتمالات برای تمدید در آینده Remarks and possibilities for future extension

جایزه Bonus

  • موارد اضافی Extras

نمایش نظرات

آموزش الگوریتم القای معکوس برای سرمایه گذاری در انرژی
جزییات دوره
2.5 hours
24
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
1,051
5 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Real World Data Science Team (PhD) Real World Data Science Team (PhD)

دانشمندان ارشد پژوهشی