Portechs nedsætter de fysiske belastninger, samt effektivisere sengetransport for sundhedsvæsnets portører. Portørerne i sundhedsvæsnets bruger 80% af deres vagt på at flytte rullende udstyr fra a til b. Dette foregår oftest til fods, og manøvreringer med det tunge udstyr, som 300kg tunge senge, i de travle og smalle gange, slider hårdt på portørerne. I samarbejde med portørerne udvikler Portechs et transportmiddel, som gør det muligt for portøren både at fragte sig selv, koble på og flytte det tunge udstyr. transportmidlet forbedre arbejdsmiljøet, ved at overtage de fysiske belastninger fra portørerne. Samtidig effektiviserer Portechs sengetransport, som derved frigiver hårdt trængte ressourcer og bidrager positivt til sundhedsvæsnets økonomi. Innofounders ressourcer udgør en afgørende brik i realiseringen af vores vision om at forbedre arbejdsmiljøet og effektivisering af sengetransporten for sundhedsvæsenets portører og hospitaler. Den støtte, vi modtager fra Innofounders, spiller en central rolle i udviklingen af vores prototype, som vi løfter fra TLR 5 til TLR 8. Innofounders ressourcer accelererer vores indsats og er afgørende for, at vi kan realisere vores ambitioner.

Formålet med dette ph.d.-projekt er at udvikle en metode til prisfastsættelse af hybride PPA-kontrakter, som er afgørende for både finansiering og risikohåndtering af hybridparker. Prisfastsættelse af disse kontrakter kræver præcis matematisk formulering af et optimeringsproblem samt udvikling af markedsmodeller, der nøjagtigt afspejler komplekse markedsdynamikker. Desuden spiller fastlæggelsen af det risikoneutrale sandsynlighedsmål en central rolle i prisfastsættelsen.

Praemostro laver forecasting af antallet af patientankomster til akutmodtagelser. Vi laver korttidsforecasts, hvor vi time-for-time prædikterer ankomster 12 timer frem i tiden, og vi laver langtidsforecasts, hvor prædiktionerne er på et tidsmæssigt grovere niveau (eksempelvis 8 timers intervaller) men til gengæld måneder ud i fremtiden. Som input anvendes historiske data for ankomster, såvel som en række andre datakilder, ex. vejrdata og begivenhedsdata. Vores kunder anvender disse forecasts til at matche bemandingen med det forventede antal ankomster, således at der er tilstrækkeligt mandskab på arbejde til at behandle patienterne og samtidig at der ikke er mere mandskab end nødvendigt. Dette bevirker at risikoen for at personalet ikke kan følge med minimeres samtidig med at omkostningerne ved at have for meget personale på arbejde mindskes. Det giver mere arbejdsglæde hos personalet, mindre risiko for patienterne og bedre økonomi for afdelingen. Vores produkter tilbydes primært som Software-as-a-Service, hvor kunden uploader en tidsserie for historiske ankomster, hvorefter vi kombinerer denne med andre datakilder og anvender machine-learning til at lave en tilpasset forecastmodel. Anvendelsen af vores modeller begrænser sig ikke til akutmodtagelser og kan med fordel bruges andre steder, hvor der er et influx som skal håndteres, og hvor man ikke kan udskyde eller direkte kontrollere dette.