Christina Eckel

M.Sc.
Wissenschaftliche Mitarbeiterin

Kontakt

Christina Eckel, M. Sc.
E-6 Elektrische Energietechnik
  • Elektrische Energietechnik
Sprechzeiten
nach Vereinbarung
Harburger Schloßstraße 22a,
21079 Hamburg
Gebäude HS22a, Raum 2.002
Tel: +49 40 42878 2377
Logo

Forschungsprojekt

Stabilität und Netzregelung in Übertragungsnetzen mit leistungselektronisch gekoppelten Betriebsmitteln

Stabilität und Netzregelung in Übertragungsnetzen mit leistungselektronisch gekoppelten Betriebsmitteln

Technische Universität Hamburg (TUHH); Laufzeit: 2021 bis 2025

Publikationen

TUHH Open Research (TORE)

2024

2023

2022

Lehrveranstaltungen

Stud.IP
zur Veranstaltung in Stud.IP Studip_icon
Machine Learning for Physical Systems (VL)
Untertitel:
This course is part of the module: Machine Learning for Physical Systems
Semester:
WiSe 23/24
Veranstaltungstyp:
Vorlesung (Lehre)
Veranstaltungsnummer:
lv2987_w23
DozentIn:
Prof. Dr. Roland Aydin, Maire Henke
Beschreibung:
Introduction into various approaches and methods for using Machine Learning in conjunction with physical systems. \n Topics include: - Data pre- and postprocessing, classification versus regression - Decision-trees and random forests - Convolutional Neural Networks (CNNs) - Feature selection - Neural architecture search (NAS) and hyperparameter tuning - Constitutive artificial neural networks (CANNs) - Synthetic data - Multimodal and ensemble learning - Optimal experimental design (active learning) - Large Language Models - Process-structure-properties machine learning pipelines All these methods are useful in non-physical domains as well, the focus of the lecture and exercise will be their usability for physical systems. The associated exercise sessions (on the same day) will make use of various Python-libraries such as Sklearn and Pytorch, usually using Jupyter notebooks. Knowledge from the exercises will be relevant for the lecture and vice versa. No prior knowledge in machine learning or Python programming is strictly required, although it would be beneficial.
Leistungsnachweis:
m1807-2022 - Machine Learning for Physical Systems<ul><li>p1888-2023 - Machine Learning for Physical Systems: Klausur schriftlich</li></ul>
ECTS-Kreditpunkte:
3
Weitere Informationen aus Stud.IP zu dieser Veranstaltung
Heimatinstitut: Machine Learning in Virtual Materials Design (M-EXK5)
In Stud.IP angemeldete Teilnehmer: 86
Anzahl der Postings im Stud.IP-Forum: 3
Anzahl der Dokumente im Stud.IP-Downloadbereich: 15

Betreute Abschlussarbeiten

laufende

2024

  • Bahe, B. (2024). Nichtlineare Stabilitätsuntersuchungen in einem leistungselektronisch dominierten elektrischen Energiesystem.

beendete

2024

  • Boehm, E. (2024). Einfluss des Netzäquivalents auf die Stabilität eines Netzes mit netzbildenden und netzfolgenden Umrichtern.

  • Helmich, L. M. (2024). Entwicklung und Simulation eines Effektivwertmodells für STATCOM-Anlagen mit neuartigen Regelstrategien für Pendeldämpfungen in PowerFactory.

  • Rüter, C. (2024). Einfluss der Netzstärke auf die Kleinsignalstabilität netzbildender Umrichter mit virtueller Oszillator-Regelung.

  • Schultheiß, J. (2024). Impedanzbasierte Stabilitätsanalyse zur Bewertung der Stabilitätsgrenzen von DC- und AC-Netzen.

2023

  • Chouiter, B. (2023). Dynamic Phasor Modelling and Comparison to Classical EMT Models.

  • Helmich, L. M. (2023). Entwicklung und Simulation einer Regelstrategie für die Pendeldämpfung durch STATCOM-Geräte.

  • Kamma, J. (2023). Umrichtermodellierung zur Repräsentation von Interaktionen im Sinne der Converter-Driven Stability.

  • Mißfeldt, C. (2023). Einfluss von Zeitverzögerungen auf die Converter-Driven Stability.

  • Rosenau, Y. (2023). Einfluss netzbildender Umrichter-Regelungsstrukturen auf die "Converter-Driven Stability".

2022

  • Kumar, M. (2022). Modellierung und Vergleich des Frequenzverhaltens dezentraler Anlagen mit netzbildenden Eigenschaften oder beigestellter Schwungmasse.

  • Lim, I. (2022). Modelling and Integration of a Hydrogen Storage Power Plant in the 10-Machine New-England Power System.

  • Rieckborn, N. (2022). Modellierung des Umwandlungsprozesses eines Wasserstoffspeicherkraftwerks.