Modern high-frequency systems benefit massively from machine learning methods. In applications where rule-based algorithms reach their limits, these data-driven approaches enable a significant increase in resolution and accuracy. This is exemplified by current research challenges, namely for the classification of targets in autonomous driving radar systems, radar-based gesture recognition for smart home applications and device control as well as in the field of medical technology for the contactless monitoring of human vital signs.
Performance accreditation:
m1785-2022 - Machine Learning in Electrical Engineering and Information Technology<ul><li>p1778-2022 - Machine Learning in Electrical Engineering and Information Technology: mündlich</li></ul>
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.