Béla Wiegel

M.Sc.
Research Assistant

Contact

Béla Wiegel, M. Sc.
E-6 Elektrische Energietechnik
  • Elektrische Energietechnik
Office Hours
Auf Anfrage
Harburger Schloßstraße 22a,
21079 Hamburg
Building HS22a, Room 2.003
Phone: +49 40 42878 2240
Logo

Research Projects

EffiziEntEE
Efficient integration of high shares of renewable energies in technically and economically integrated energy systems

EffiziEntEE

Efficient integration of high shares of renewable energies in technically and economically integrated energy systems

Federal Ministry for Economic Affairs and Climate Action (BMWK); Duration: 2022 to 2025

CyEntEE
I³-Lab Cyber Physical Energy Systems – Sustainability, Resilience and Economics

I³-Lab

CyEntEE

Cyber Physical Energy Systems – Sustainability, Resilience and Economics

Hamburg University of Technology (TUHH); Duration: 2020 to 2023

Publications

TUHH Open Research (TORE)

2024

2023

2022

2021

Courses

Stud.IP
link to course in Stud.IP Studip_icon
Maschinelles Lernen I (GÜ)
Subtitle:
Diese Lehrveranstaltung ist Teil des Moduls: Maschinelles Lernen, Maschinelles Lernen I
Semester:
SoSe 24
Course type:
Exercise
Course number:
lv2433_s24
Lecturer:
Nihat Ay
Description:
  • Geschichte der Neurowissenschaften und des maschinellen Lernens (insbesondere des tiefen Lernens) 
  • McCulloch-Pitts-Neuronen und binäre neuronale Netze
  • Boolesche Funktionen und Schellwert-Funktionen 
  • Universalität von neuronalen McCulloch-Pitts-Netzwerken
  • Lernen und das Perzeptron-Konvergenz-Theorem
  • Support-Vektor-Maschinen
  • Harmonische Analyse von Booleschen Funktionen
  • Kontinuierliche künstliche neuronale Netze 
  • Kolmogorovsches Superpositions-Theorem
  • Universelle Approximation mit kontinuierlichen neuronalen Netzen
  • Approximationsfehler und die Gradienten-Abstiegs-Methode: die allgemeine Idee
  • Die stochastische Gradienten-Abstiegs-Methode (Robbins-Monro- und Kiefer-Wolfowitz-Fälle)
  • Mehrschichtige Netzwerke und der Backpropagation-Algorithmus
  • Statistische Lerntheorie
Performance accreditation:
m1595 - Maschinelles Lernen<ul><li>p1543 - Maschinelles Lernen: Klausur schriftlich</li></ul><br>m1595-2022 - Maschinelles Lernen I<ul><li>p1543-2022 - Maschinelles Lernen I: Klausur schriftlich</li><li>vl424-2022 - Freiwillige Studienleistung Maschinelles Lernen I - Übungsaufgaben: Übungsaufgaben</li></ul>
ECTS credit points:
3
Stud.IP informationen about this course:
Home institute: Institut für Data Science Foundations (E-21)
Registered participants in Stud.IP: 1

Supervised Theses

ongoing
completed

2024

  • Rücker, J. (2024). Optimal Scheduling of Flexible Components in Residential Neighborhoods Using Detailed Linear Programming.

2023

  • Nitz, A. (2023). Die Wärmepumpen im virtuellen Kraftwerk - Untersuchung von Wärmepumpen unter Berücksichtigung unterschiedlicher Funktionsprotokolle innerhalb eines virtuellen Kraftwerks.

2022

  • Kaya, E. (2022). Simulation des Lebenszyklus‘ einer Lithium Ion Zelle in den stationären EP and instationären EV Anwendungsfällen.

  • Pauelsen, F.-T. (2022). Implementierung eines Maximum-Power-Point-Tracker für Photovoltaikanlagen in Modelica.

  • Rücker, J. (2022). Dynamische Untersuchung des Verhaltens elektrischer Komponenten auf Quartiersebene hinsichtlich der Spannungshaltung.

  • Rüffert, J. (2022). Charakterisierung von Zellen in Verteilnetzen anhand von Bewertungskriterien und die Auswirkungen von punktuell und zeitlich begrenzt auftretenden Lasten.

2021

  • Helmrich von Elgott, L. (2021). Optimierter Einsatz dezentraler Flexibilität zur Betriebsführung intelligenter sektorgekoppelter Verteilnetze.

  • Zwinzscher, S. (2021). Entwicklung einer Methodik zur dynamischen Berechnung der Flexibilität eines auf Power-to-Heat basierenden Nahwärmenetzes.