Die Energieversorgung verschiebt sich kontinuierlich von einer zentralisierten zu einer dezentralen Versorgung mit deutlichem Ausbau fluktuierender erneuerbarer Energien. Bei der grundlegenden, strukturellen Neuordnung der Energieversorgung unterliegen die Investitions- und Einsatzplanung dezentraler Energiesysteme vielfältigen Unsicherheiten. Motiviert durch diese Entwicklung, wurde für die Investitions- und Einsatzplanungsoptimierung ein ganzheitliches, modulbasiertes Framework entwickelt, um diese Unsicherheiten und deren gegenseitige Abhängigkeiten konsistent modellieren und berücksichtigen zu können. Zunächst werden meteorologische Eingangsdaten über Markov-Prozesse bereitgestellt und dann in die erforderlichen Daten für die Optimierung umgewandelt. Schließlich werden Investitions- und Einsatzplanung des dezentralen Energiesystems durch ein zweistufiges stochastisches gemischt-ganzzahliges lineares Programm optimiert. Zu diesem Zweck wird dieses komplexe Programm durch Fixierung verknüpfender Variablen in Subprogramme entkoppelt und auf High-Performance-Computing-Systemen parallel ausgeführt. Der Rechenaufwand wird durch eine vorgelagerte Szenarioreduktion und eine optimierte Solver-Einstellung mittels automatischer Algorithmuskonfiguration um bis zu 75 % reduziert. Die fixierten Variablen werden im Masterprogramm durch einen ableitungsfreien Bergsteigeralgorithmus optimiert, der robust und zuverlässig das (lokale) Optimum in wenigen Iterationen findet. Mit einer übergeordneten Regret-Minimierung wird für den privaten Entscheider die Investition bestimmt, die er im schlimmsten Fall am wenigsten bereuen würde. In einer Fallstudie wird endogen die kostenminimale Investitions- und Einsatzplanung des Energiesystems eines Wohnquartiers in Karlsruhe ermittelt. Zu den möglichen Systemkomponenten gehören eine PV-Anlage, Wärmepumpen als Power-to-Heat-Anwendung sowie thermische und elektrische Speicher. Die Ergebnisse zeigen, dass die PV-Anlage als dezentrales Energieangebot in solch einem System generell wirtschaftlich ist. Wärmespeicher sind in der Regel größer, wenn Unsicherheiten berücksichtigt werden. Stochastische Programmierung kann mithin helfen, insuffiziente Investitionsplanung zu vermeiden. Bei getrenntem Heizsystem sind Speicher für Warmwasser rentabler als für Raumwärme, deren Wert mehr in der Minimierung des Risikos liegt, den Heizbedarf in kalten Wintern nicht decken zu können. Elektrische Speicher spielen aufgrund ihres höheren Investitionsbedarfs im Vergleich zu thermischen Speichern kaum eine Rolle und werden nur zwingend benötigt, um vollständige Autarkie zur Überbrückung bestimmter Wochen im Jahr zu erreichen. Die Analyse der Skalierbarkeit und der Vergleich mit einer modernen dualen Dekompositionsmethode mittels angepasster Lagrange-Relaxierung zeigen eine gute Performance des entwickelten Ansatzes für den betrachteten Problemtyp. Der Mehrwert, der sich aus der Berücksichtigung der Unsicherheiten in der Optimierung einschließlich des daraus resultierenden Rechenaufwands ergibt, wird aufgezeigt und rechtfertigt den gewählten Ansatz.