Podcasts about stifterverband metaebene

Gudrun Talks to Sema Coşkun who at the moment of the conversation in 2018 is a Post Doc researcher at the University Kaiserslautern in the group of financial mathematics. She constructs models for the behaviour of energy markets. In short the conversation covers the questions How are classical markets modelled? In which way are energy markets different and need new ideas? The seminal work of Black and Scholes (1973) established the modern financial theory. In a Black-Scholes setting, it is assumed that the stock price follows a Geometric Brownian Motion with a constant drift and constant volatility. The stochastic differential equation for the stock price process has an explicit solution. Therefore, it is possible to obtain the price of a European call option in a closed-form formula. Nevertheless, there exist drawbacks of the Black-Scholes assumptions. The most criticized aspect is the constant volatility assumption. It is considered an oversimplification. Several improved models have been introduced to overcome those drawbacks. One significant example of such new models is the Heston stochastic volatility model (Heston, 1993). In this model, volatility is indirectly modeled by a separate mean reverting stochastic process, namely. the Cox-Ingersoll-Ross (CIR) process. The CIR process captures the dynamics of the volatility process well. However, it is not easy to obtain option prices in the Heston model since the model has more complicated dynamics compared to the Black-Scholes model. In financial mathematics, one can use several methods to deal with these problems. In general, various stochastic processes are used to model the behavior of financial phenomena. One can then employ purely stochastic approaches by using the tools from stochastic calculus or probabilistic approaches by using the tools from probability theory. On the other hand, it is also possible to use Partial Differential Equations (the PDE approach). The correspondence between the stochastic problem and its related PDE representation is established by the help of Feynman-Kac theorem. Also in their original paper, Black and Scholes transferred the stochastic representation of the problem into its corresponding PDE, the heat equation. After solving the heat equation, they transformed the solution back into the relevant option price. As a third type of methods, one can employ numerical methods such as Monte Carlo methods. Monte Carlo methods are especially useful to compute the expected value of a random variable. Roughly speaking, instead of examining the probabilistic evolution of this random variable, we focus on the possible outcomes of it. One generates random numbers with the same distribution as the random variable and then we simulate possible outcomes by using those random numbers. Then we replace the expected value of the random variable by taking the arithmetic average of the possible outcomes obtained by the Monte Carlo simulation. The idea of Monte Carlo is simple. However, it takes its strength from two essential theorems, namely Kolmogorov’s strong law of large numbers which ensures convergence of the estimates and the central limit theorem, which refers to the error distribution of our estimates. Electricity markets exhibit certain properties which we do not observe in other markets. Those properties are mainly due to the unique characteristics of the production and consumption of electricity. Most importantly one cannot physically store electricity. This leads to several differences compared to other financial markets. For example, we observe spikes in electricity prices. Spikes refer to sudden upward or downward jumps which are followed by a fast reversion to the mean level. Therefore, electricity prices show extreme variability compared to other commodities or stocks. For example, in stock markets we observe a moderate volatility level ranging between 1% and 1.5%, commodities like crude oil or natural gas have relatively high volatilities ranging between 1.5% and 4% and finally the electricity energy has up to 50% volatility (Weron, 2000). Moreover, electricity prices show strong seasonality which is related to day to day and month to month variations in the electricity consumption. In other words, electricity consumption varies depending on the day of the week and month of the year. Another important property of the electricity prices is that they follow a mean reverting process. Thus, the Ornstein-Uhlenbeck (OU) process which has a Gaussian distribution is widely used to model electricity prices. In order to incorporate the spike behavior of the electricity prices, a jump or a Levy component is merged into the OU process. These models are known as generalized OU processes (Barndorff-Nielsen & Shephard, 2001; Benth, Kallsen & Meyer-Brandis, 2007). There exist several models to capture those properties of electricity prices. For example, structural models which are based on the equilibrium of supply and demand (Barlow, 2002), Markov jump diffusion models which combine the OU process with pure jump diffusions (Geman & Roncoroni, 2006), regime-switching models which aim to distinguish the base and spike regimes of the electricity prices and finally the multi-factor models which have a deterministic component for seasonality, a mean reverting process for the base signal and a jump or Levy process for spikes (Meyer-Brandis & Tankov, 2008). The German electricity market is one of the largest in Europe. The energy strategy of Germany follows the objective to phase out the nuclear power plants by 2021 and gradually introduce renewable energy ressources. For electricity production, the share of renewable ressources will increase up to 80% by 2050. The introduction of renewable ressources brings also some challenges for electricity trading. For example, the forecast errors regarding the electricity production might cause high risk for market participants. However, the developed market structure of Germany is designed to reduce this risk as much as possible. There are two main electricity spot price markets where the market participants can trade electricity. The first one is the day-ahead market in which the trading takes place around noon on the day before the delivery. In this market, the trades are based on auctions. The second one is the intraday market in which the trading starts at 3pm on the day before the delivery and continues up until 30 minutes before the delivery. Intraday market allows continuous trading of electricity which indeed helps the market participants to adjust their positions more precisely in the market by reducing the forecast errors. References S. Coskun and R. Korn: Pricing Barrier Options in the Heston Model Using the Heath-Platen estimator. Monte Carlo Methods and Applications. 24 (1) 29-42, 2018. S. Coskun: Application of the Heath–Platen Estimator in Pricing Barrier and Bond Options. PhD thesis, Department of Mathematics, University of Kaiserslautern, Germany, 2017. S. Desmettre and R. Korn: 10 Computationally challenging problems in Finance. FPGA Based Accelerators for Financial Applications, Springer, Heidelberg, 1–32, 2015. F. Black and M. Scholes: The pricing of options and corporate liabilities. The Journal of Political Economy, 81(3):637-654, 1973. S.L. Heston: A closed-form solution for options with stochastic volatility with applications to bond and currency options. The Review of Financial Studies, 6(2):327–343, 1993. R. Korn, E. Korn and G. Kroisandt: Monte Carlo Methods and Models in Finance and Insurance. Chapman & Hall/CRC Financ. Math. Ser., CRC Press, Boca Raton, 2010. P. Glasserman, Monte Carlo Methods in Financial Engineering. Stochastic Modelling and Applied Probability, Appl. Math. (New York) 53, Springer, New York, 2004. M.T. Barlow: A diffusion model for electricity prices. Mathematical Finance, 12(4):287-298, 2002. O.E. Barndorff-Nielsen and N. Shephard: Non-Gaussian Ornstein-Uhlenbeck-based models and some of their uses in financial economics. Journal of the Royal Statistical Society B, 63(2):167-241, 2001. H. Geman and A. Roncoroni: Understanding the fine structure of electricity prices. The Journal of Business, 79(3):1225-1261, 2006. T. Meyer-Brandis and P. Tankov: Multi-factor jump-diffusion models of electricity prices. International Journal of Theoretical and Applied Finance, 11(5):503-528, 2008. R. Weron: Energy price risk management. Physica A, 285(1-2):127–134, 2000. Podcasts G. Thäter, M. Hofmanová: Turbulence, conversation in the Modellansatz Podcast, episode 155, Department of Mathematics, Karlsruhe Institute of Technology (KIT), 2018. http://modellansatz.de/turbulence G. Thäter, M. J. Amtenbrink: Wasserstofftankstellen, Gespräch im Modellansatz Podcast, Folge 163, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018. http://modellansatz.de/wasserstofftankstellen S. Ajuvo, S. Ritterbusch: Finanzen damalsTM, Gespräch im Modellansatz Podcast, Folge 97, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016. http://modellansatz.de/finanzen-damalstm K. Cindric, G. Thäter: Kaufverhalten, Gespräch im Modellansatz Podcast, Folge 45, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2015. http://modellansatz.de/kaufverhalten V. Riess, G. Thäter: Gasspeicher, Gespräch im Modellansatz Podcast, Folge 23, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2015. http://modellansatz.de/gasspeicher F. Schueth, T. Pritlove: Energieforschung, Episode 12 im Forschergeist Podcast, Stifterverband/Metaebene, 2015. https://forschergeist.de/podcast/fg012-energieforschung/

Gudrun Talks to Sema Coşkun who at the moment of the conversation in 2018 is a Post Doc researcher at the University Kaiserslautern in the group of financial mathematics. She constructs models for the behaviour of energy markets. In short the conversation covers the questions How are classical markets modelled? In which way are energy markets different and need new ideas? The seminal work of Black and Scholes (1973) established the modern financial theory. In a Black-Scholes setting, it is assumed that the stock price follows a Geometric Brownian Motion with a constant drift and constant volatility. The stochastic differential equation for the stock price process has an explicit solution. Therefore, it is possible to obtain the price of a European call option in a closed-form formula. Nevertheless, there exist drawbacks of the Black-Scholes assumptions. The most criticized aspect is the constant volatility assumption. It is considered an oversimplification. Several improved models have been introduced to overcome those drawbacks. One significant example of such new models is the Heston stochastic volatility model (Heston, 1993). In this model, volatility is indirectly modeled by a separate mean reverting stochastic process, namely. the Cox-Ingersoll-Ross (CIR) process. The CIR process captures the dynamics of the volatility process well. However, it is not easy to obtain option prices in the Heston model since the model has more complicated dynamics compared to the Black-Scholes model. In financial mathematics, one can use several methods to deal with these problems. In general, various stochastic processes are used to model the behavior of financial phenomena. One can then employ purely stochastic approaches by using the tools from stochastic calculus or probabilistic approaches by using the tools from probability theory. On the other hand, it is also possible to use Partial Differential Equations (the PDE approach). The correspondence between the stochastic problem and its related PDE representation is established by the help of Feynman-Kac theorem. Also in their original paper, Black and Scholes transferred the stochastic representation of the problem into its corresponding PDE, the heat equation. After solving the heat equation, they transformed the solution back into the relevant option price. As a third type of methods, one can employ numerical methods such as Monte Carlo methods. Monte Carlo methods are especially useful to compute the expected value of a random variable. Roughly speaking, instead of examining the probabilistic evolution of this random variable, we focus on the possible outcomes of it. One generates random numbers with the same distribution as the random variable and then we simulate possible outcomes by using those random numbers. Then we replace the expected value of the random variable by taking the arithmetic average of the possible outcomes obtained by the Monte Carlo simulation. The idea of Monte Carlo is simple. However, it takes its strength from two essential theorems, namely Kolmogorov’s strong law of large numbers which ensures convergence of the estimates and the central limit theorem, which refers to the error distribution of our estimates. Electricity markets exhibit certain properties which we do not observe in other markets. Those properties are mainly due to the unique characteristics of the production and consumption of electricity. Most importantly one cannot physically store electricity. This leads to several differences compared to other financial markets. For example, we observe spikes in electricity prices. Spikes refer to sudden upward or downward jumps which are followed by a fast reversion to the mean level. Therefore, electricity prices show extreme variability compared to other commodities or stocks. For example, in stock markets we observe a moderate volatility level ranging between 1% and 1.5%, commodities like crude oil or natural gas have relatively high volatilities ranging between 1.5% and 4% and finally the electricity energy has up to 50% volatility (Weron, 2000). Moreover, electricity prices show strong seasonality which is related to day to day and month to month variations in the electricity consumption. In other words, electricity consumption varies depending on the day of the week and month of the year. Another important property of the electricity prices is that they follow a mean reverting process. Thus, the Ornstein-Uhlenbeck (OU) process which has a Gaussian distribution is widely used to model electricity prices. In order to incorporate the spike behavior of the electricity prices, a jump or a Levy component is merged into the OU process. These models are known as generalized OU processes (Barndorff-Nielsen & Shephard, 2001; Benth, Kallsen & Meyer-Brandis, 2007). There exist several models to capture those properties of electricity prices. For example, structural models which are based on the equilibrium of supply and demand (Barlow, 2002), Markov jump diffusion models which combine the OU process with pure jump diffusions (Geman & Roncoroni, 2006), regime-switching models which aim to distinguish the base and spike regimes of the electricity prices and finally the multi-factor models which have a deterministic component for seasonality, a mean reverting process for the base signal and a jump or Levy process for spikes (Meyer-Brandis & Tankov, 2008). The German electricity market is one of the largest in Europe. The energy strategy of Germany follows the objective to phase out the nuclear power plants by 2021 and gradually introduce renewable energy ressources. For electricity production, the share of renewable ressources will increase up to 80% by 2050. The introduction of renewable ressources brings also some challenges for electricity trading. For example, the forecast errors regarding the electricity production might cause high risk for market participants. However, the developed market structure of Germany is designed to reduce this risk as much as possible. There are two main electricity spot price markets where the market participants can trade electricity. The first one is the day-ahead market in which the trading takes place around noon on the day before the delivery. In this market, the trades are based on auctions. The second one is the intraday market in which the trading starts at 3pm on the day before the delivery and continues up until 30 minutes before the delivery. Intraday market allows continuous trading of electricity which indeed helps the market participants to adjust their positions more precisely in the market by reducing the forecast errors. References S. Coskun and R. Korn: Pricing Barrier Options in the Heston Model Using the Heath-Platen estimator. Monte Carlo Methods and Applications. 24 (1) 29-42, 2018. S. Coskun: Application of the Heath–Platen Estimator in Pricing Barrier and Bond Options. PhD thesis, Department of Mathematics, University of Kaiserslautern, Germany, 2017. S. Desmettre and R. Korn: 10 Computationally challenging problems in Finance. FPGA Based Accelerators for Financial Applications, Springer, Heidelberg, 1–32, 2015. F. Black and M. Scholes: The pricing of options and corporate liabilities. The Journal of Political Economy, 81(3):637-654, 1973. S.L. Heston: A closed-form solution for options with stochastic volatility with applications to bond and currency options. The Review of Financial Studies, 6(2):327–343, 1993. R. Korn, E. Korn and G. Kroisandt: Monte Carlo Methods and Models in Finance and Insurance. Chapman & Hall/CRC Financ. Math. Ser., CRC Press, Boca Raton, 2010. P. Glasserman, Monte Carlo Methods in Financial Engineering. Stochastic Modelling and Applied Probability, Appl. Math. (New York) 53, Springer, New York, 2004. M.T. Barlow: A diffusion model for electricity prices. Mathematical Finance, 12(4):287-298, 2002. O.E. Barndorff-Nielsen and N. Shephard: Non-Gaussian Ornstein-Uhlenbeck-based models and some of their uses in financial economics. Journal of the Royal Statistical Society B, 63(2):167-241, 2001. H. Geman and A. Roncoroni: Understanding the fine structure of electricity prices. The Journal of Business, 79(3):1225-1261, 2006. T. Meyer-Brandis and P. Tankov: Multi-factor jump-diffusion models of electricity prices. International Journal of Theoretical and Applied Finance, 11(5):503-528, 2008. R. Weron: Energy price risk management. Physica A, 285(1-2):127–134, 2000. Podcasts G. Thäter, M. Hofmanová: Turbulence, conversation in the Modellansatz Podcast, episode 155, Department of Mathematics, Karlsruhe Institute of Technology (KIT), 2018. http://modellansatz.de/turbulence G. Thäter, M. J. Amtenbrink: Wasserstofftankstellen, Gespräch im Modellansatz Podcast, Folge 163, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018. http://modellansatz.de/wasserstofftankstellen S. Ajuvo, S. Ritterbusch: Finanzen damalsTM, Gespräch im Modellansatz Podcast, Folge 97, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016. http://modellansatz.de/finanzen-damalstm K. Cindric, G. Thäter: Kaufverhalten, Gespräch im Modellansatz Podcast, Folge 45, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2015. http://modellansatz.de/kaufverhalten V. Riess, G. Thäter: Gasspeicher, Gespräch im Modellansatz Podcast, Folge 23, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2015. http://modellansatz.de/gasspeicher F. Schueth, T. Pritlove: Energieforschung, Episode 12 im Forschergeist Podcast, Stifterverband/Metaebene, 2015. https://forschergeist.de/podcast/fg012-energieforschung/

Gudrun talks to Zaheer Ahamed about the influence of an increasing number of Electric vehicles (EV) to the electrical grid. Zaheer just finished the ENTECH Master's program. He started it with his first year at the Karlsruhe Institute for Technology (KIT) and continued in Uppsala University for the second year.Gudrun was part of the grading process of Zaheer's master thesis "Estimating Balancing Capacities of Electric Vehicles on the German and Swedish grids in 2030". The rising awareness of pollution from transport is leading to innovations within the transport sector. At the moment EVs are the leading technology. With many countries Germany and Sweden joined the so-called EV30@30 campaign, aiming for 30% of new vehicles sales to be electric by 2030. These ambitions alongside an ever increasing capacity of variable renewable energy sources (RES) in our power systems, pose a concerning challenge for Transmission systems operators (TSO) to maintain proper power system operation. Imbalances between supply and demand are undesirable in any electrical power system and with the rising popularity of EVs and RES such events are only expected to continue or increase.Fortunately, with the recent development of Vehicle to grid (V2G) concepts as well as extensive studies into the load-shifting potential of EVs, EVs presents an interesting solution for power system balancing distributed energy storage system. Zaheer's study showed that EV are capable of balancing the grid for approximately 60% of the time providing 55-60% of the total balancing energy required. However, the operation also took heavy toll on the EV’s battery performance as it could potentially reduce its life to a 1/7th of its original lifetime. References Commission Regulation (EU) 2017/1485 of 2 August 2017 on establishing a guideline on electricity transmission system operation, 2017. S. Weitemeyer e.a.: Integration of Renewable Energy Sources in future power systems: The role of storage. Renewable Energy, 75 pp.14-20, 2015. D.M.Greenwood e.a.: Frequency response services designed for energy storage. Applied Energy, 203 pp.115-127, 2017. Eurostat Database J. Schäuble e.a.: Generating electric vehicle load profiles from empirical data of three EV fleets in Southwest Germany. Journal of Cleaner Production, 150 pp.253-266, 2017. Podcasts Volker Quaschning, Tim Pritlove: Energiewende, Forschergeist 053, Stifterverband / Metaebene, 2018. V. Auinger, G. Thäter: Optimale Akkuladung, Gespräch im Modellansatz Podcast, Folge 160, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018. http://modellansatz.de/optimale-akkuladung M. Lösch, S. Ritterbusch: Smart Meter Gateway, Gespräch im Modellansatz Podcast, Folge 135, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2017. http://modellansatz.de/smart-meter M. Maier, G. Thäter: Akkumulatoren, Gespräch im Modellansatz Podcast, Folge 123, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2017. http://modellansatz.de/akkumulatoren D. Schumann, M. Voelter: Elektromobilität, Omega Tau Podcast 163, Makus Völter und Nora Ludewig, 2015. J. Dickmann, S. Ritterbusch: Pumpspeicherkraftwerke, Gespräch im Modellansatz Podcast, Folge 5, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2013.

Gudrun talks to Zaheer Ahamed about the influence of an increasing number of Electric vehicles (EV) to the electrical grid. Zaheer just finished the ENTECH Master's program. He started it with his first year at the Karlsruhe Institute for Technology (KIT) and continued in Uppsala University for the second year.Gudrun was part of the grading process of Zaheer's master thesis "Estimating Balancing Capacities of Electric Vehicles on the German and Swedish grids in 2030". The rising awareness of pollution from transport is leading to innovations within the transport sector. At the moment EVs are the leading technology. With many countries Germany and Sweden joined the so-called EV30@30 campaign, aiming for 30% of new vehicles sales to be electric by 2030. These ambitions alongside an ever increasing capacity of variable renewable energy sources (RES) in our power systems, pose a concerning challenge for Transmission systems operators (TSO) to maintain proper power system operation. Imbalances between supply and demand are undesirable in any electrical power system and with the rising popularity of EVs and RES such events are only expected to continue or increase.Fortunately, with the recent development of Vehicle to grid (V2G) concepts as well as extensive studies into the load-shifting potential of EVs, EVs presents an interesting solution for power system balancing distributed energy storage system. Zaheer's study showed that EV are capable of balancing the grid for approximately 60% of the time providing 55-60% of the total balancing energy required. However, the operation also took heavy toll on the EV’s battery performance as it could potentially reduce its life to a 1/7th of its original lifetime. References Commission Regulation (EU) 2017/1485 of 2 August 2017 on establishing a guideline on electricity transmission system operation, 2017. S. Weitemeyer e.a.: Integration of Renewable Energy Sources in future power systems: The role of storage. Renewable Energy, 75 pp.14-20, 2015. D.M.Greenwood e.a.: Frequency response services designed for energy storage. Applied Energy, 203 pp.115-127, 2017. Eurostat Database J. Schäuble e.a.: Generating electric vehicle load profiles from empirical data of three EV fleets in Southwest Germany. Journal of Cleaner Production, 150 pp.253-266, 2017. Podcasts Volker Quaschning, Tim Pritlove: Energiewende, Forschergeist 053, Stifterverband / Metaebene, 2018. V. Auinger, G. Thäter: Optimale Akkuladung, Gespräch im Modellansatz Podcast, Folge 160, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018. http://modellansatz.de/optimale-akkuladung M. Lösch, S. Ritterbusch: Smart Meter Gateway, Gespräch im Modellansatz Podcast, Folge 135, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2017. http://modellansatz.de/smart-meter M. Maier, G. Thäter: Akkumulatoren, Gespräch im Modellansatz Podcast, Folge 123, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2017. http://modellansatz.de/akkumulatoren D. Schumann, M. Voelter: Elektromobilität, Omega Tau Podcast 163, Makus Völter und Nora Ludewig, 2015. J. Dickmann, S. Ritterbusch: Pumpspeicherkraftwerke, Gespräch im Modellansatz Podcast, Folge 5, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2013.

Gudrun unterhielt sich mit Meike Juliane Amtenbrink. Frau Amtenbrink hat von September 2017 bis Februar 2018 am Fraunhofer Institut für Solare Energiesysteme (ISE) in Freiburg Wasserstofftankstellen modelliert. Die Niederschrift der Ergebnisse bilden ihre Masterarbeit im Studiengang Energietechnik am KIT . Gudrun hat die Arbeit von Seiten des KIT als Erstgutachterin betreut. Als kohlenstofffreier Energieträger ist Wasserstoff im weltweiten Fokus der Forschung. Tanken mit Wasserstoff verspricht, den CO2-Ausstoß des Verkehrssektors zu reduzieren, zusätzlich ermöglicht die Umwandlung überschüssiger Strommengen in Wasserstoff mittels Elektrolyse dringend benötigte Flexibilität für die zukünftige Energieversorgung. Dafür müssen Tankstellen zur Verfügung stehen. Auf dem noch jungen Markt hat sich auf der Kundenseite bereits ein Standard etabliert, sodass alle Besitzerinnen eines Brennstoffzellenfahrzeugs an jeder Wasserstofftankstelle nachtanken können. Der technische Aufbau der Tankstellentechnologie ist dabei, je nach Anwendung, unterschiedlich. Teil der Arbeit war es einzuschätzen, welche Konzepte für den zukünftigen Markt eine Rolle spielen. Aufgrund der Vergleichbarkeit zwischen den relevanten Konzepten und dem in der ISE-eigenen Tankstelle umgesetzten Aufbau, wurde die institutseigene Tankstelle modelliert und die vorhandenen Messdaten genutzt, um die Plausibilität der Ergebnisse zu überprüfen. Im Rahmen vorangegangener Abschlussarbeiten wurde am Fraunhofer ISE ein Simulationsmodell eines Power-to-Gas-Systems auf Basis der PEM-Elektrolyse erstellt. Dieses Modell hatte zum Ziel, das dynamische Systemverhalten nachzubilden, Aussagen/Vorhersagen zum realen Wirkungsgrad der Anlage zu geben und die tatsächliche jährliche Wasserstofferzeugung zu prognostizieren. Darauf konnte Frau Amtenbrink aufbauen. In ihrer Arbeit wurde ein nulldimensionales, thermodynamisches Realgasmodell einer Wasserstofftankstelle in MATLAB/Simulink erstellt. Dafür wurden für die Einzelkomponenten einer Wasserstofftankstelle die Enthalpie- und Stoffbilanzen aufgestellt, in Simulink implementiert und über eine Steuerungslogik zu einem Gesamtsystem verbunden. Mit dem Tankstellenmodell können das Stand-by-Verhalten der Tankstelle und der Betankungsvorgang sekundengenau simuliert werden. Ergebnis sind die Drücke, Temperaturen und Stoffströme des Wasserstoffs an den relevanten Stellen im Gesamtsystem und der Energieverbrauch der Tankstelle, aufgeschlüsselt nach den wichtigsten Einzelkomponenten. Das Speichermodell kann auf Grundlage der Erhaltungsgleichungen über die zu- und abfließenden Stoffströme den sich ergebenden Druck und die Temperatur des Wasserstoffs im Speicher nachbilden, wobei die Realgasgleichung nach Redlich und Kwong benutzt wurde. Der Wärmeaustausch mit der Umgebung durch Konvektion und Wärmeleitung ist berücksichtigt. Das Modell ist auf verschiedene Speicher parametrisierbar und kann über die Anpassung der Geometrie- und Materialwerte sowohl für die Druckbänke an der Tankstelle, als auch für den Fahrzeugtank genutzt werden. Die Speichermodelle zeigen eine sehr gute Übereinstimmung mit der Realität. Die Drücke in Abhängigkeit der Umgebungstemperatur und die Temperaturerhöhung, die sich als Resultat einer Speicherbefüllung ergibt, können nachgebildet werden, ebenso der nach einer Befüllung erfolgende Temperaturausgleich mit Druckreduzierung. Durch das Modell für die Rohrleitungen können die Druckverluste innerhalb der Tankstelle abgebildet werden. Das Modell ist durch die Wahl der Geometrieparameter auf unterschiedliche Tankstellenkonfigurationen anwendbar. Der Kompressor wurde isentrop modelliert und die Verdichtungsarbeit mit einem isentropen Wirkungsgrad korrigiert. Der Druckanstieg, der sich durch den Kompressor beim Wiederbefüllen der Druckbank ergibt, ist durch die Simulation genau wiedergegeben. Dadurch ergibt sich, dass die Dauer der Speicherbefüllung zwischen Simulation und Messung übereinstimmt. Zur Modellierung der Kältemaschine wurde der Kältemittelkreislauf stark vereinfacht und durch eine Kälteleistung ersetzt, die von der Umgebungstemperatur abhängt. Für die wichtigsten Energieverbraucher an der Tankstelle, Kompressor und Kältemaschine, wurden Modelle erstellt, durch die der Energieverbrauch in Abhängigkeit der Betriebsführung berechnet werden kann. Nach der anschließenden Validierung kann das Modell dazu dienen, die Hauptenergieverbräuche an der Tankstelle zu quantifizieren und die Größe der einzelnen Komponeten optimal aufeinander auszulegen. Damit kann in Zukunft entschieden werden, ob zum Beispiel die Betriebsführung der Kältemaschine zur Optimierung des Gesamtwirkungsgrades verändert werden sollte. Literatur und weiterführende Informationen Pressemitteilung des H2-Tankstellen-Konsortiums App zum Auffinden von Wasserstofftankstellen sowie Karte mit Wasserstofftankstellen in Deutschland Informationen zur ersten H2-Tankstelle in Karlsruhe https://pem-electrolysis.de Homepage des Bereichs Wasserstofftechnologien am Fraunhofer ISE H.D. Baehr und S. Kabelac. Thermodynamik: Grundlagen und technische Anwendungen. Berlin, Heidelberg: Springer Berlin Heidelberg, 2012. 978-3-642- 24160-4. doi: 10.1007/978-3-642-24161-1, 2012. E. Rothuizen e.a: Optimization of hydrogen vehicle refueling via dynamic simulation. International Journal of Hydrogen Energy Vol. 38, No. 11, p. 4221-4231, 2013. A. Huss und M. Corneille. Wasserstoff-Tankstellen. Ein Leitfaden für Anwender und Entscheider. Wiesbaden: Hessisches Ministerium für Umwelt, Energie, Landwirtschaft und Verbraucherschutz, 2011. Podcasts F. Schueth, T. Pritlove: Energieforschung, Episode 12 im Forschergeist Podcast, Stifterverband/Metaebene, 2015. M. Voelter, D. Schumann: Elektromobilität, Episode 163 im omega tau Podcast, 2015.

Günter M. Ziegler hat unsere Fakultät besucht, um im Didaktik-Kolloquium einen Vortrag mit dem Titel Was ist Mathematik? zu halten. Diese Gelegenheit ergriff Gudrun Thäter, um ihn auf ein kurzes Gespräch zu diesem weitreichenden Thema einzuladen. Günter M. Ziegler studierte Mathematik und Physik an der LMU München. Er promovierte 1987 am MIT in Cambridge und war anschließend in Augsburg und Djursholm (Schweden) wissenschaftlich tätig. 1992 habilitierte er an der TU Berlin und arbeitete anschließend sowohl am Konrad-Zuse-Zentrum als auch an der TU in Berlin (seit 1995 als Professor). 2011 folgte er einem Ruf auf eine Professur für Mathematik an die FU Berlin. Im Jahr 2001 erhielt er den höchstdotierten deutschen Wissenschaftspreis, den Gottfried-Wilhelm-Leibniz-Preis der DFG. Professor Ziegler ist natürlich als jemand, der selbst in der Mathematik forscht, berufen, fundiert über sein Bild der Mathematik zu reden. Darüber hinaus hat er aber auch maßgeblich als Präsident des Berufsverbandes der Mathematiker, der DMV (von 2006 bis 2008) mit darauf hingearbeitet, das Bild der Mathematik in der Öffentlichkeit zu korrigieren und die Allgegenwart mathematischer Techniken und Ergebnisse im Alltag aller Menschen mit dem Wissenschaftsjahr der Mathematik 2008 ins Bewusstsein zu heben. Seither schreibt er auch regelmäßig die Kolumne Mathematik im Alltag in den Mitteilungen der DMV. Er ist Autor verschiedener Bücher zum Themenkreis und wurde für seine vielfältige Tätigkeit 2008 mit dem Communicator Preis ausgezeichnet. Auf dem Internationalen Mathematikerkongress ICM 2014 in Seoul präsentierte er einen eingeladenen Vortrag What is Mathematics? Das Gespräch berührt unter anderem die Themen: Wie fing die persönliche Begeisterung für Mathematik an? Wer ist eigentlich Mathematiker bzw. Mathematikerin? Wie kann man die vielfältigen Facetten der Mathematik sichtbar machen? Wie geht das in der Schule? Wie müssen wir Lehrpersonen hierfür ausbilden? Was ist eine Zahl? Wikipedia definiert Mathematik als "Wissenschaft ..., die durch logische Definitionen selbstgeschaffene abstrakte Strukturen mittels der Logik auf ihre Eigenschaften und Muster untersucht.". Dies klingt sehr langweilig und übersieht, dass Mathematik viele Aspekte hat: Mathematik ist als ein Teil unserer Kultur eingebettet in die Geschichte der Menschheit und war lange auf das engste verbunden mit der Wissenschaft Physik. Mathematik ist aber auch ein Werkzeugkasten für den Alltag. Für Deutschland ist das sehr spürbar seit dem Rechenbüchlein von Adam Ries (1522) - heute gehört dazu auch noch Statistik und Wahrscheinlichkeitsrechnung zur Sortierung von Daten und Fakten. Mathematik ist Zukunftswissen als Grundlage von Hightech. Das zeigt sich u.a. darin, dass es Grundlage für jedes ingenieurwissenschaftliche Studium ist. Mathematik ist eine natürliche menschliche Tätigkeit, in der er seiner Neugier folgt und die spannend und herausfordernd ist. Schüler lernen im Lauf der Schulkarriere in der Regel nicht alle diese Facetten kennen. Nach dem Namen der verwendeten Schulbücher könnte man zum Beispiel denken, Geometrie und Algebra bildeten zusammen die Mathematik. Außerdem hat sich im Lauf der Zeit die Mathematik verändert. Das wird z.B. sichtbar in der Rolle der Computer früher und heute. Im Vergleich dazu gibt zu wenig Wechsel im schulischen Lernstoff. Was über die Zeit bleibt, sind natürlich die Fertigkeiten sauber zu argumentieren, präzise zu formulieren und logisch zu denken. Das muss man unter anderem auch als Ingenieur, Mediziner und Jurist können. Darüber hinaus ist es eine Grundfertigkeit im Alltag, Statistiken zu lesen und zu verstehen. Ein gutes Beispiel, um auch schon in der Schule aufzuzeigen, wo und wie überall Mathematik benutzt wird, wäre z.B. zu vermitteln wie die Wettervorhersage entsteht: Wie wird es gerechnet, mit welchen Unsicherheiten ist das Ergebnis behaftet usw.. Die Numerik ist im Detail zu schwierig, aber die Prinzipien lassen sich durchaus aufzeigen. Man kann auch damit beginnen, dazu Geschichten zu erzählen, die zunächst Grundprinzipien klar machen und anschließend bestimmte Aspekte auch genau und in der Tiefe verständlich machen. Deshalb wurde eine "Erzählvorlesung" Panorama der Mathematik in Berlin entwickelt, die das insbesondere für Lehramtskandidaten und -kandidatinnen sichtbar machen soll und Mathematik in einen weiten Kontext setzt. Es wird die Entwicklung von Mathematik als von Fragen getriebener Prozess dargestellt und ihre Ergebnisse nicht als alternativlos. Denn nicht einmal die Darstellung der Zahlen im Dezimalsystem ist die einzige Möglichkeit, die sich hätte durchsetzen können. Literatur und weiterführende Informationen R. Courant & H. Robbins: Was ist Mathematik? Springer 2001, ISBN 978-3540637776. H. Mendick et.al: Mathematical Bilder and identities: Education, entertainment, social justice. 2008 G.M. Ziegler: Darf ich Zahlen? Geschichten aus der Mathematik. Piper-Verlag, 2010, ISBN 3-492-05346-7. G.M. Ziegler: Mathematik – Das ist doch keine Kunst!. Albrecht Knaus Verlag, München 2013, ISBN 978-3-8135-0584-9. Podcasts G.M. Ziegler: Abenteuer Mathematik, Gespräch mit Tim Pritlove im Forschergeist Podcast, Folge 31, Stifterverband/Metaebene, 2016. W. Lück: Topologie, Gespräch mit Gudrun Thäter, Folge 40, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2014.

Die Molekularbiologin Julia Offe kann für sich in Anspruch nehmen, die Wissenschaftskommunikation in Deutschland entscheidend belebt zu haben. Mit dem zuvor weitgehend unbekannten Format der „Science Slams“ holte sie die Wissenschaft aus den Laboren auf die Bühne. Denn – so die Idee – Forschungsthemen witzig und unterhaltsam in zehn Minuten vor Publikum zu präsentieren, kann durchaus helfen, auch wissenschaftsferne Mitmenschen für Forschung zu begeistern. Neben der Wissenschaftskommunikation geht es aber auch um Globuli und die GWUP, und warum gute Wissenschaftskommunikation dabei helfen kann, antiwissenschaftliche Scharlatane in Schach zu halten. Quelle: http://forschergeist.de/podcast/fg035-science-slams-und-wissenschaftskommunikation/ (Stifterverband/Metaebene, CC-BY-SA 4.0, https://creativecommons.org/licenses/by-sa/4.0/)

2016 jährt sich der Todestag von Werner Heisenberg zum vierzigsten Mal. Der Physiker und Philosoph (1901–1976) veränderte mit seiner Quantenmechanik das bis dahin von Newton geprägte mechanistische Weltbild der Physik von Grund auf. Aber nicht nur das: Die Quantenmechanik bestimmt auch die Welt, wie wir sie kennen: mit Mikrochips und Computern, aber auch mit Atomkraft und –bomben. Wie dieser beispiellose Durchbruch gelang, schildert der Wissenschaftshistoriker Ernst Peter Fischer in dieser Episode des Stifterverband-Podcasts Forschergeist. Quelle: http://forschergeist.de/podcast/fg034-werner-heisenberg/ (Stifterverband/Metaebene, CC-BY-SA 4.0, https://creativecommons.org/licenses/by-sa/4.0/)