Autarcic Energy @ Home: Geografisch optimale Kapazitätsplanung von Investitionen in erneuerbare Energien mit dem MEP-Framework

Bildquelle: © adege auf pixabay

Walter S.A. Schwaiger/Markus Eigruber

In der Praxis der Energiewirtschaft wird die Exceedance Probability (EP) verwendet, um das Risiko von Investitionen in erneuerbare Energien (Renewable Energy Resources, kurz: RES) z.B. anhand von P50/P90-Werten der mit den RES-Investitionen künftig generierten Energiemengen zu beurteilen. Die Einbeziehung der Chance Constrained Programming-Optimierung in Verbindung mit dem Sampling & Discarding-Algorithmus führt zum Minimum Exceedance Probability (MEP)-Framework, womit sich die optimalen Kapazitäten von Investitionen in unterschiedliche RES-Technologien bestimmen lassen. Wie die MEP-bezogene Optimierung funktioniert, das wird im vorliegenden Beitrag anhand des „Autarcic Energy @ Home“-Fallbeispiels gezeigt, wobei optimale Kapazitäten von Solar- und Wind-Energieanlagen unter probabilistischer (MEP-)Einhaltung des geforderten Eigenbedarfs ermittelt werden.

1. MEP-Framework: Chance Constraint Programming mit Sampling & Discarding-Algorithmus

In der diesem Beitrag zugrundeliegenden Fallstudie „Autarcic Energy @ Home“ geht es um einen Haushalt, welcher aus ökologischen Überlegungen die Anschaffung einer RES-Energieanlage plant. Die zentrale Zielsetzung ist es, dass mit der Anlage ein Eigenbedarf an Energie während der Tageszeit gedeckt wird. Konkret soll im Zeitraum von 9 bis 16 Uhr stündlich eine Energiemenge von ½ kWh als Eigenbedarf mit einer Mindest-, d.h. Sicherheitswahrscheinlichkeit (Minimum Exceedance Probability, kurz MEP) von 80 % gedeckt werden. Zur Erfüllung dieser probabilistischen Anforderung stehen eine Solar-, d.h. Photovoltaik (PV)- sowie eine Wind-, d.h. Turbinen-Energieanlage zur Auswahl. Die zu lösende Problemstellung besteht darin, die optimale in PV-Modul- bzw. Turbine-Rotorfläche (in m²) gemessene Kapazität der Solar- bzw. Wind-Anlage zu bestimmen, wobei die probabilistische Anforderung erfüllt wird und die Kosten für die Energieanalage minimiert werden.

Die probabilistische Anforderung bezieht sich auf den künftig durch die Energieanlage zu erfüllenden Eigenbedarf an Energie. Ihre probabilistische Natur ergibt sich, zumal die durch die Anlage generierte Energiemenge eine stochastische Größe ist, welche von den mehr oder minder zufälligen Schwankungen der Sonnenstrahlung bzw. Windgeschwindigkeit abhängig ist. Einen Anhaltspunkt über das mit der Anlage verbundene Risiko, welches in der Nichterfüllung der Anforderung besteht, liefert die Exceedance Probability (EP) [DGK12]. Die EP-Risikokennzahl gibt den Wert der stochastischen Energiemenge an, welcher mit der Konfidenzwahrscheinlichkeit (EP) überschritten (Überschreitungswahrscheinlichkeit) wird.

So besagt z.B. ein P90-Wert von 100, dass die Energiemenge von 100

mit einer Wahrscheinlichkeit von 90 % übertroffen wird. Für die Lösung der Problemstellung des Haushalts ist die EP-Risikokennzahl aber unzureichend, zumal sich diese stets auf eine bereits konkrete Anlage bezieht, deren Kapazität schon festgelegt ist.

Zur Lösung des Problems ist es erforderlich, von unterschiedlichen Kapazitäten die jeweiligen EP-Kennzahlen zu bestimmen und diese dann hinsichtlich der probabilistischen Anforderung sowie der Minimalität der damit verbunden Kosten zu bewerten, um schließlich die optimale Kapazität zu bestimmen. Diese Überlegung deckt sich genau mit dem Optimierungsansatz, welcher dem „MEP-Framework“ [OSE21] zugrunde liegt. Die MEP-bezogene Optimierung („MEP-O“) ist eine Chance Constraint Programming (CCP)-Optimierung [ChCo59], welche zwecks numerischer Linear Programming (LP)-Lösbarkeit mit dem Sampling and Discarding (S&D)-Algorithmus [CaGa11] kombiniert wird. Die dem MEP-Framework zugrundeliegende „CCP-S&D-LP-Methodik“ macht demnach den großen Unterschied zur EL-Risikokennzahl aus: Beim MEP-Framework handelt es sich um einen numerisch gut lösbaren CCPOptimierungsansatz, welcher in der zugrundeliegenden Fallstudie zur Bestimmung der optimalen Kapazität verwendet wird, während bei der ELRisikokennzahl lediglich das (1-EP)Quantil – z.B. 10 %-Quantil beim P90-Wert – der durch eine konkrete RES-Energieanlage stochastisch generierten Energiemenge gemessen wird.

Bei der dem MEP-Framework zugrundeliegenden CCP-S&D-LPMethodik handelt es sich um eine Linear Programming (LP)-Optimierung, wobei die CCP-Optimierung im Kontext einer linear formulierten Problemstellung angesiedelt und somit einfach lösbar ist. Die probabilistische Anforderung hinsichtlich der Deckung des Eigenbedarfs wird dabei in Form von Szenario-bezogenen Nebenbedingungen formuliert. D.h., jede empirisch beobachtete Realisation der durch eine Anlage stochastisch generierten Energie stellt ein Realisationsszenario dar, welches in einer eigenen linearen Nebenbedingung in die LP-Optimierung eingeht. Konkret geht die realisierte Energie auf der linken Seite der Nebenbedingung als Produkt mit der in m² gemessenen Kapazität, wobei es sich um die Entscheidungsvariable der LP-Optimierung handelt, ein. Für dieses Produkt wird gefordert, dass es größer oder gleich dem auf der rechten Seite der Nebenbedingung stehenden Eigenbedarf ist. Somit werden zunächst alle möglichen Energierealisationen als Nebenbedingungen in der LP-Variante der CCP-Optimierung erfasst.

Im nächsten Schritt wird mit dem S&D-Algorithmus die Anzahl der zu eliminierenden (discarding) Realisationen [CaGa11, S. 269, Gleichung 8] unter Einbeziehung der geforderten Mindest-Konfidenz-, d.h. Sicherheitswahrscheinlichkeit (MEP) berechnet. Diese werden dann aus der Menge der bindenden Nebenbedingungsszenarien entfernt. Schließlich wird das Optimierungsproblem mit der verbleibenden, reduzierten Menge an Nebenbedingungen gelöst. Dabei wird die lineare Zielfunktion hinsichtlich der Kosten minimiert, wobei die Kosten der Energieanlage als Produkt der Kosten pro Kapazitätseinheit und der Kapazität (in m²) der Energieanlage berechnet werden.

Das Ergebnis der LP-Minimierung der Kosten der RES-Energieanlage unter Einhaltung der reduzierten Szenario-bezogenen Nebenbedingungen ist die optimale Kapazität (in m²) der Energieanlage, welche 1) die probabilistische MEP-Anforderung erfüllt und 2) die Kosten der Anlage minimiert. Folglich ist die Kostenminimierung erst das zweite Kriterium, um aus der Menge aller Lösungen, welche die MEP-Anforderung erfüllen, die optimale Lösung zu bestimmen. Die Erfüllung der MEP-Anforderung liefert nämlich alleine betrachtet multiple Lösungen, zumal sich durch übergroße Dimensionierungen der Energieanlage diese Anforderung auch problemlos erfüllen lässt.

Abbildung 1: Meteorologische Datenmessung – Strahlung (Global Horizontal Irradiance) und Geschwindigkeit (m/s)

2. Autarcic Energy @ Home: Beschreibung eines geografisch lokalen Fallbeispiels

Die empirisch beobachteten Realisationen der durch eine Energieanlage stochastisch generierten Energiemengen sind modellhaft bestimmte Werte, welche aus den empirisch gemessenen meteorologischen Daten in Form von Sonnenstrahlung und Windgeschwindigkeit durch Transformation mittels EnergieanlagenModellen für die PV-Sonnen-Energie und Turbine-Wind-Energie berechnet werden. Die Verwendung von empirischen meteorologischen Daten ist 2-fach vorteilhaft, zumal dadurch einerseits geografisch lokale Gegebenheiten in der Kapazitätsplanung berücksichtigt werden und andererseits auch keine zusätzlichen Annahmen bei der Kapazitätsoptimierung für die Verteilung der stochastischen Energiemengen benötigt werden.

Abbildung 1 zeigt auf der linken Seite die über gut 5 Jahre gemessenen Strahlungen und Geschwindigkeiten, welche im Wohnbereich des @HomeHaushalts in der südlichen Umgebung von Wien empirisch erfasst wurden. Die Daten beziehen sich auf stündliche Messungen im Zeitraum zwischen 9 und 16 Uhr jeweils im Monat Januar. Die Begrenzung auf diese 1.148 Messwertpaare dient der Vereinfachung des @Home-Fallbeispiels, um die Funktionsweise des MEP-Frameworks anhand eines ein-

fachen Beispiels zu veranschaulichen. Das Januar-Monat wird gewählt, da in diesem unter allen Monaten des Jahres die Sonnenstrahlung am geringsten ist.

Die rechte Seite von Abbildung 1 zeigt die Verteilungen der stochastischen Strahlungen und Geschwindigkeiten anhand von Boxplots. Dabei gibt der dicke Strich in der Mitte den Median (50 %-Quantil bzw. P50). Die obere bzw. untere Grenze der Box kennzeichnet das dritte Quartil (75 %-Quantil bzw. P25) bzw. das erste Quartil (25 %-Quantil bzw. P75). Die nach oben und unten eingezeichneten Whiskers dienen zur Kenntlichmachung der anhand von Punkten eingezeichneten statistischen Ausreißer. Durch die unterschiedlichen Messdimensionen der beiden meteorologischen Daten wirkt die Verteilung der Geschwindigkeit durch die Darstellung in einem gemeinsamen Diagramm vorerst unbedeutend.

Zur Umrechnung der meteorologischen Daten in PV-Solar- und Turbine-Wind-Energiemengen werden die beiden in Abbildung 2 spezifizierten RES-Energieanlagen-Modelle verwendet. Zur direkten Vergleichbarkeit sind beide Anlagenmodelle auf jeweils einen m² Fläche bezogen: Bei der Solar-Anlage ist es die Modulfläche und bei der Wind-Anlage ist es die Rotorfläche der Turbine.

3. Solar- und Wind-Energiemengen: Berechnung aus geografisch meteorologischen Daten

Abbildung 2: Spezifikation der Energieanlagen-Modelle

4. MEP-bezogene Optimierung:

Abbildung 3: Solar- und Wind-Energiemengen – Darstellung der empirischen Wahrscheinlichkeiten

Geografisch optimale Kapazitätsplanung von RES-Investitionen

Nunmehr liegen alle Ingredienzien zur MEP-bezogenen Optimierung der RES-Anlagenkapazität für den @ Home-Haushalt vor. Zur Umsetzung der dem MEP-Framework zugrundeliegenden CCP-S&D-LP-Methodik wird ein LP-Problem erstellt, welches mit der „lpSolve“ Bibliothek in der Statistik-Suite „R/RStudio“ gelöst wird. Zu diesem Zweck wird zur Bestimmung der kostenminimalen Kapazität der Solar-Energieanlage wie folgt vorgegangen:

Die Berechnung der Solar-Energie gestaltet sich einfach, zumal dabei die Strahlung lediglich mit dem Wirkungsgrad, d.h. dem Leistungsbeiwert (Coefficient of Performance, kurz: cp) multipliziert wird. Bei der Wind-Energie wird die kinetische Energie der Anlage, welche die Luft bei Durchströmung der Rotorfläche erzeugt, berechnet. Bei der Berechnung der bewegten Luftmasse wird die Rotorfläche auf einen m² bezogen sowie die Luftdichte einbezogen. Schließlich wird die dadurch ermittelte Leistung des Windes mit dem Leistungsbeiwert multipliziert, um die stündliche Leistung der Wind-Energieanlage zu berechnen.

Abbildung 3 zeigt die sich aus der Umrechnung der meteorologischen Messdaten ergebenden stündlichen Solar- und Wind-Energiemengen. Die Solar-Energie ist aufgrund der gegebenen Peak-Leistung bei 100 begrenzt. Im Unterschied dazu wird bei der Wind-Energie die Nennleistung übertroffen, wenn die Windgeschwindigkeit die Nennwindgeschwindigkeit (Rated Speed) übersteigt. In der Abbildung wird die Energiemenge bei 400 begrenzt, um eine anschaulichere Darstellung zu erhalten. Bei den statistischen Ausreißern der Wind-Energie wird sogar ein Maximalwert von 828 (siehe Abbildung 4) erreicht. Zur Vereinfachung werden bei der Wind-Energieanlage sowohl Einschalt- (Cut-In Speed) als auch Abschaltgeschwindigkeiten (Cut-Off Speed) vernachlässigt.

Durch Kumulierung der in Abbildung 3 dargestellten Wahrscheinlichkeiten für die stündlichen Energiemengen ergeben sich die diesbezüglichen Verteilungsfunktionen, welche in Abbildung 4 linkseitig grafisch und rechtsseitig tabellarisch dargestellt werden. Die tabellarische Darstellung enthält die Quantilswahrscheinlichkeiten (Prob) und die dazugehörigen Quantile der Energiemengen in 10 %-Schritten. Zusätzlich enthält die Tabelle auch die Konfidenzwahrscheinlichkeiten (EP, Überschreitungswahrscheinlichkeiten), welche als Komplementärwahrscheinlichkeiten der Quantils-, also der „Unterschreitungswahrscheinlichkeiten“ berechnet werden. Dadurch sind die P50- und P90-Werte für beide Anlagen direkt ersichtlich, u.z. 25 und 1 für die Solar-Energie bzw. 47 und 2 für die Wind-Energie. Bei Verwendung des P90-Werts als Risikomaß zeigt sich somit für beide RES-Energieanlagen ein ähnliches Risiko.

Abbildung 4: Solar- und Wind-Energiemengen – Darstellung der empirischen Verteilungsfunktionen

1) Spezifikation der Entscheidungsvariable: Die zu optimierende Größe ist die Kapazität, d.h. die in m² gemessene Fläche der PV-SolarEnergieanlage. 2) Spezifikation der Szenariobezogenen Nebenbedingungen: Die 1.148 empirisch basierten Solar-Energiemengen werden mit der Kapazität multipliziert und gehen so in die linke Seite der 1.148 Nebenbedingung ein. Die rechte Seite der Nebenbedingungen, welcher kleiner als die linke Seite zu sein hat, steht jeweils der zu deckende Eigenbedarf. 3) Spezifikation der Mindest-Konfidenzwahrscheinlichkeit (MEP) und Elimination von Nebenbedingungen: Bei einem MEP von 80 % wird entsprechend dem S&D-Algorithmus die Zahl 192 ermittelt. Folglich werden 192 bindende von den anfänglich 1.148 (also 16,72 %) Nebenbedingungen entfernt. 4) Spezifikation der Zielfunktion: Um aus der Menge der verbleibenden 956 Nebenbedingungen die optimale Lösung zu identifizieren, werden die durch Multiplikation der Kapazität mit den Kosten pro Kapazitätseinheit gebildeten Kosten minimiert. 5) Durchführung der Optimierung: Zumal sowohl die Zielfunktion als auch die Nebenbedingungen in linearer Beziehung zur Kapazität stehen, liegt ein lineares Optimierungsproblem vor mit der Lösung: optimale Kapazität von 31.38 m² und minimale Kosten von 6.276.

Abbildung 5 zeigt die optimale Kapazität bei der Mindest-Konfidenz-, d.h. Sicherheitswahrscheinlichkeit von 80 %. Darüber hinaus enthält die Abbildung auch die sich für alternative MEP-Werte ergebenen optimalen Kapazitäten. Dabei zeigt sich ein deutlich nicht-linearer Verlauf, wobei die optimalen Kapazitäten bei hohen MEP-Werten progressiv sprunghaft ansteigen.

Die optimalen Kapazitäten für die Wind-Energieanlage sind sehr hoch, sodass sie keine realistischen Lösungen darstellen. Die Verteilung der Wind-Energie ist im vorliegenden Fall nicht geeignet um den Eigenbedarf mit hinreichender Sicherheit zu decken. Bei einer gemeinsamen Betrachtung beider Anlagen zeigt sich aber eine leichte Verbesserung. Bei Entfernung von durch die Wind-Anlage bindenden Nebenbedingungen ergibt sich eine PV-Fläche von 30,13 m² und eine Turbine-Rotorfläche von 0,17 m², was einen Rotorradius von 0,23 m entspricht, und die diesbezüglich minimalen Kosten sind 6.198. Das Ergebnis ist zwar rechentechnisch besser aber praktisch wohl eher nicht umzusetzen.

5. Zusammenfassender Ausblick

Bei der MEP-bezogenen Optimierung mit dem MEP Framework steht die Überschreitungswahrscheinlichkeit (EL) im Zentrum, indem sie die Mindest-Konfidenz-, d.h. Sicherheitswahrscheinlichkeit (MEP) für die Einhaltung der Nebenbedingung vorgibt. Durch Anwendung der CCP-S&D-LP-Methodik wird das im MEP Framework linear formulierte „probabilistische Optimierungsproblem“ rechentechnisch effizient mit der linearen Programmierungsmethode gelöst. Zur Veranschaulichung der Funktionsweise der MEP-bezogenen Optimierung wurde ein einfaches Fallbeispiel im Autarcic Energy@Home-Kontext verwendet. Die CCP-S&D-LP-Methodik ist aber gut erweiterbar, insbesondere durch Einbeziehung von Shortfall-Kosten [Ondr21] bzw. durch Verbindung mit dem finanzwirtschaftlichen Net Present Value (NPV)-Bewertungsansatz [OSE21]. Die rechentechnische Effizienz sowie derartige Erweiterungen machen das MEP-Framework sodann insbesondere für Beyond@Home-Anwen dungen interessant, wobei Kapazitätsplanungen und Entscheidungen bezüglich Investitionen in RES-Energieanlagen unter Berücksichtigung betrieblicher bzw. industrieller (MEP-)Eigenbedarfsdeckungen, d.h. einer probabilistischen (MEP-)Anforderung zu machen sind.

Abbildung 5: Kostenminimale PV-Kapazitäten in Abhängigkeit der probabilistischen (MEP-)Anforderung Referenzen

Campi M./Garatti S. 2011 [CaGa11]. A sample-and-discard approach to chance-constrained optimization: feasibility and optimality. Journal of Optimization Theory and Applications, 148 (2), S. 257-280 Charnes A./Cooper W. W. 1959 [CaCo59]. Chance-Constrained Programming, Management Science, Vol. 6, No. 1, S. 73-79 Dobos A./Gilman P./Kasberg M. 2012 [DGK12]. P50/P90 Analysis for Solar Energy Systems Using the System Advisor Model. Conference Paper: World Renewable Energy Forum, Denver, Colorado, 13.-17. Mai 2012 Ondra, M. 2021 [Ondr21]. Investment in renewable energy technologies under uncertainty. Dissertation an der TU Wien. September 2021 Ondra, M./Schwaiger W./Eigruber M. 2021 [OSE21]. Direct investments in renewable energy portfolios: Stochastic NPV-based capacity budgeting, Conference Paper: ‘Energy, COVID, and Climate Change, Online’, International Association of Energy Economics (IAEE), 7.-9. Juni 2021

Autoren:

Univ. Prof. Dr. Walter S.A. Schwaiger, MBA

Ordinarius für Rechnungswesen und Controlling, TU Wien

Walter S.A. Schwaiger ist seit 2002 Inhaber des Lehrstuhls „Rechnungswesen und Controlling“ und Leiter des Forschungsbereichs „Finanzwirtschaft und Controlling“ am Institut für Managementwissenschaften der Fakultät für Maschinenwesen und Betriebswissenschaften an der TU Wien. Seine Forschungsschwerpunkte liegen in den Bereichen Financial Enterprise Management, Enterprise Risk Management und IT-based Enterprise Management.

Markus Eigruber, PhD

Universitätsassistent am Forschungsbereich „Finanzwirtschaft und Controlling“ am Institut für Management-wissenschaften der Fakultät für Maschinenwesen und Betriebswissenschaften an der TU Wien. Er forscht in den Bereichen der Energie- und Umweltökonomie mit Schwerpunkt der nachhaltigen Finanzierung.

Univ. Prof. Dr. Walter S.A. Schwaiger, MBA

Ordinarius für Rechnungswesen und Controlling, TU Wien Markus Eigruber, PhD

Universitätsassistent am Forschungsbereich „Finanzwirtschaft und Controlling“ am Institut für Management-wissenschaften, TU Wien

Sigrid Weller WING-INTERN

WING-digital – Bleiben wir interessiert und motiviert!

Unsere mittlerweile etablierte und gut besuchte Veranstaltungsreihe WING-digital bot unseren Mitgliedern viele interessante Vorträge und spannende Diskussionen.

Dipl.-Ing. Harald Hagenauer (Österreichische Post AG) leistete einen wertvollen Beitrag für unsere Mitglieder und trug zu dem Thema „Der

Weg zur CO2-freien Zustellung - die E-Mobility Erfahrungen der Öster-

reichischen Post“ vor. Die Österreichische Post betreibt mit 10.000 Fahrzeugen die größte Fahrzeugflotte Österreichs und hat sich das Ziel gesetzt, bis 2030 bei Zustellung von Briefen und Paketen vollständig auf E-Antriebe zu setzen.

Im Dezember 2021 zeigten unsere Mitglieder großes Interesse and dem Vortrag von Dipl.-Ing. Alexander Kainer (Deloitte Österreich) "Was ist dran am Wasserstoff". Dabei wurde erläutert, welchen Einfluss H2 auf die Verkehrs- und Mobilitätswende haben kann. Dazu gab er sowohl einen Überblick über Europa als auch einen Einblick nach Österreich.

Hon.-Prof. (FH) Dr. Ernst Kreuzer trug zu dem Thema „Weiterbildung

Neu denken und gestalten - Maste-

ring Digital Disruption" vor. Dieser beschäftigte sich mit der Arbeitswelt der Zukunft, da sich die Arbeitswelt in einem nachhaltigen Umbruch befindet und sich rasant wandelt was dazu führt, dass neue Qualifikationen und Fähigkeiten an der Schnittstelle Wirtschaft/ Technik gefragt sind.

Über "Effizienzsteigerung durch

digitalen Zwilling vom Maschinen-

prozess" informierte Dipl.-Ing. Reinhard Haslauer (Selmo Technology GmbH). Aktuell ist es eine große Herausforderung im Maschinenbau, die richtigen Dinge gleich richtig zu tun. Durch digitalen Zwilling vom Prozess kann die Effizienz gesteigert werden.

Im März 2022 berichtete Dipl.-Ing. Max Schade (STROHBOID GmbH) über das Thema "Gründungsmotiva-

tion für Nachhaltigkeits-Start-ups?".

Er erzählte über seinen Antrieb ein nachhaltiges Start-up in der Baubranche zu gründen sowie den Hürden und Chancen, auf die er seit der Gründung gestoßen ist.

Sie haben eine WING-digital Veranstaltung verpasst? Ausgewählte Vorträge finden Sie auf unserer WING-Homepage www.wing-online.at.

Sie möchten uns auch etwas mitteilen und haben eine Idee für eine WING-digital Veranstaltung? Dann melden Sie sich bitte per E-Mail office@wing-online.at.

Unsere zukünftigen Veranstaltungen sind auf der Homepage zu finden und werden regelmäßig per Newsletter via E-Mail ausgesendet und auf LinkedIn angekündigt.

UNINACHRICHTEN

Johannes Dirnberger

25 Jahre Industrial Management, ganz nach dem Motto „I’m future!“ Ein Erfolgsbericht des Alumni-Verein IMC, der auch in die Zukunft blickt

„Wenn alles so gelaufen wäre wie geplant, dann hätten wir uns wahrscheinlich live bei einer unserer Veranstaltungen zum 25-Jahre-Jubiläum des Instituts Industrial Management (IWI) getroffen: Tagungen, Projektpräsentationen, Lange Nacht der Forschung oder bei einer der Führungen in unserer Industrie-4.0Lehr- und Forschungsfabrik Smart Production Lab“, lässt Professor Martin Tschandl, Institutsleiter von Industrial Management an der FH JOANNEUM, die corona-bedingt geplatzten Jubiläums-Ideen Revue passieren.

Zur Feier des Jubiläums musste ein adäquater „Second-Best-Ersatz“ gefunden werden. Gemeinsam mit dem Industrial-Management-Alumni- und WING-Schwesterverein „Industrial Management Club Kapfenberg“ (IMC) startete man daher einen kreativen Prozess. Das Ergebnis ist ein Booklet über das Studium und Institut Industrial Management sowie den Absolventenverein – ein Erfolgsbericht vom Start im Jahr 1995 bis heute. „25 Jahre IWI und beinahe 20 Jahre Industrial Management Club (IMC) – zwei Jubiläen, die Ausdruck einer langjährigen, tiefen Verbundenheit sind, und uns Anlass geben, gemeinsam zurückzublicken“, so der IMC-Präsident Markus Dirschlmayr zur gemeinsamen Festschrift.

Doch die Festschrift ist viel mehr als nur ein Rückblick: „Zukunft braucht Herkunft“, schrieb schon der deutsche Philosoph Odo Marquard. Und um die Geschichte um künftige Kapitel zu erweitern, wurde ein Ausblick in die nächsten Jahre ergänzt, damit alle Stakeholder wissen, was bis 2030 noch passieren soll.

Dabei zeigt sich auch der IMC zuversichtlich, dass es ihm weiterhin mit einem schlagkräftigen Team gelingt, gemeinsame Aktivitäten zu organisieren und in guter Verbindung zum Institut Nutzen zu stiften. „Wir leisten mit unserem Netzwerk bestehend aus erfolgreichen Fach- und Führungskräften und als unmittelbare Schnittstelle zum Verband der österreichischen Wirtschaftsingenieure WING, einen wesentlichen Beitrag zum positiven Image unserer industriellen WirtschaftsingenieurAbsolventinnen und Absolventen“, so Dirschlmayr weiter. 25 Jahre IWI und beinahe 20 Jahre IMC – wo man als IMC zur Gründung 2002 vielleicht noch zurückhaltend beim „in die Zukunft schauen“ war, kann heute zufrieden zurück und hoffnungsvoll nach vorne geblickt werden.

Bilduelle: © FH JOANNEUM; Das IWI-Institut und der Alumni-Verein IMC dokumentieren 25+5 Jahre in ihrer Festschrift zu den gemeinsamen Jubiläen.

WING to your success

…wir sind für Sie garantiert von Nutzen … Gerade in Zeiten wie diesen stellen ein reizvoller Workshop, das Verteilen von lukrativen Flyern oder eine interessante Firmenpräsentation effiziente und kostengünstige Möglichkeiten zur Werbung für Unternehmen in Fachkreisen dar. Hervorzuheben ist der Zugang zur Technischen Universität als Innovations- und Forschungsstandort der besonderen Art, denn im Zuge von Bachelor- und/oder Masterarbeiten können Sie Studenten in Ideen für Ihre Firma miteinbeziehen und mit ihnen innovative Lösungen ausarbeiten. Nicht zuletzt wird auf diesem Weg auch für die Zukunft vorgesorgt. Denn schließlich sind es die heutigen Studenten der Technischen Universität, die morgen als Ihre Kunden, Händler oder Lieferanten fungieren. Mit WINGnet-Werbemöglichkeiten kann man diese nun schon vor dem Eintritt in das Berufsleben von sich und seiner Firma überzeugen und somit eine gute Basis für eine langfristige und erfolgreiche Zusammenarbeit schaffen. WINGnet Wien veranstaltet mit Ihrer Unterstützung Firmenpräsentationen, Workshops, Exkursionen sowie individuelle Events passend zu Ihrem Unternehmen. WINGnet Wien bieten den Studierenden die Möglichkeit- zur Orientierung, zum Kennenlernen interessanter Unternehmen und Arbeitsplätze sowie zur Verbesserung und Erweiterungdes universitären Ausbildungsweges. Organisiert für Studenten von Studenten.Darüber hinaus bietet WINGnet Wien als aktives Mitglied von ESTIEM (European Students of Industrial Engineering and Ma-

nagement) internationale Veranstaltungen und Netzwerke. In 24 verschiedenen Ländern arbeiten 66 Hochschulgruppen bei verschiedenen Aktivitäten zusammen und treten so sowohl untereinander als auch zu Unternehmen in intensiven Kontakt. Um unser Ziel - die Förderung von Studenten - zu erreichen, benötigen wir Semester für Semester engagierte Unternehmen, die uns auf verschiedene Arten unterstützen und denen wir im Gegenzug eine Möglichkeit der Firmenpräsenz bieten. Die Events können sowohl in den Räumlichkeiten der TU Wien als auch an dem von Ihnen gewünschten Veranstaltungsort stattfinden. Weiters können Sie die Zielgruppe individuell bestimmen. Sowohl alle Studienrichtungen als auch z.B. eine Festlegung auf Wirtschaftswissenschaftlichen Studiengängen ist möglich. Außerdem besteht die Möglichkeit eine Vorauswahl der Teilnehmer, mittels Ihnen vorab zugesandten Lebensläufen, zu treffen. Auf unserer Webseite http://www.wing-online.at/de/ wingnet-wien/ finden Sie eine Auswahl an vorangegangenen Events sowie detaillierte Informationen zu unserem Leistungsumfang WINGnet Wien: Theresianumgasse 27, 1040 Wien, wien@wingnet.at ZVR: 564193810

WINGbusiness Impressum

Medieninhaber (Verleger) Österreichischer Verband der Wirtschaftsingenieure Kopernikusgasse 24, 8010 Graz ZVR-Zahl: 026865239

Editor Heft 1/2022 Univ.-Prof. Dipl.-Ing. Dr. Ulrich Bauer

E-Mail: ulrich.bauer@tugraz.at

Redaktion/Layout Chefin vom Dienst & Marketingleiterin: Mag. Beatrice Freund Tel. +43 (0)316 873-7795, E-Mail: office@wing-online.at

Editorial Board Dipl.-Ing. Sigrid Weller BSc.

E-Mail: sigrid.weller@tugraz.at Dipl.-Ing Thomas Draschbacher, BSc.

E-Mail: thomas.draschbacher@tugraz.at Dipl.-Ing. Florian Schierlinger-Brandmayr

E-Mail: florian.schierlinger-brandmayr@tugraz.at Dipl.-Ing. Theresa Passath, BSc.

E-Mail: theresa.passath@unileoben.ac.at Dipl.-Ing. Dominik Ehmann, BSc.

E-Mail: dominik.ehmann@tugraz.at Dipl.-Ing. Andreas Kohlweiss, BSc

E-Mail: andreas.kohlweiss@tugraz.at Dipl.-Ing. Marco Berger, BSc E-Mail: marco.berger@tugraz.at

Anzeigenleitung/Anzeigenkontakt Mag. Beatrice Freund Tel. +43 (0)316 873-7795, E-Mail: office@wing-online.at

Druck Druckhaus Scharmer GmbH, Europastraße 42, 8330 Feldbach Auflage: 1.800 Stk. Titelbild: (c) TU Austria

WING-Sekretariat Kopernikusgasse 24, 8010 Graz, Tel. (0316) 873-7795, E-Mail: office@wing-online.at WING-Homepage: www.wing-online.at

Erscheinungsweise 4 mal jährlich, jeweils März, Juli, Oktober sowie Dezember. Nachdruck oder Textauszug nach Rücksprache mit dem Editor des „WINGbusiness“. Erscheint in wissenschaftlicher Zusammenarbeit mit den einschlägigen Instituten an den Universitäten und Fachhochschulen Österreichs. Der Wirtschaftsingenieur (Dipl.-Wirtschaftsingenieur): Wirtschaftsingenieure sind wirtschaftswissenschaftlich ausgebildete Ingenieure mit akademischem Studienabschluss, die in ihrer beruflichen Tätigkeit ihre technische und ökonomische Kompetenz ganzheitlich verknüpfen. WING - Österreichischer Verband der Wirtschaftsingenieure ist die Netzwerkplattform der Wirtschaftsingenieure. ISSN 0256-7830