Logo Institut für Elektrische Energietechnik
Institut für Elektrische Energietechnik
Logo Institut für Elektrische Energietechnik
Institut für Elektrische Energietechnik
DE
EN
Suche
DE
EN
Suche
IEET > Personal > Wissenschaftliche Mitarbeitende > Christina Eckel, M.Sc.

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

zur Projektseite

Publikationen

TUHH Open Research (TORE)

2024

2023

2022

Lehrveranstaltungen

Stud.IP
zur Veranstaltung in Stud.IP Studip_icon
Grundlagen des Maschinellen Lernens (VL)
Untertitel:
Diese Lehrveranstaltung ist Teil des Moduls: Maschinelles Lernen in der Logistik
Semester:
WiSe 23/24
Veranstaltungstyp:
Vorlesung (Lehre)
Veranstaltungsnummer:
lv2003_w23
DozentIn:
unbekannte Lehrperson
Beschreibung:
Die Studierenden sollen Konzepteausgewählter Verfahren des Maschinellen Lernens verstehen und aufDatenbeispiele anwenden können. Studierende können geeignete Verfahren fürbereitgestellte Daten auswählen.

Die Studierenden können die Unterschiede zwischeninstanzenbasierten und modellbasierten Lernansätzen erläutern und spezifischeAnsätze des Maschinellen Lernens für jeden dieser beiden Ansätze auf der Basisvon statischen oder inkrementell anwachsenden Datenmengen anwenden. Bei derBehandlung von Unsicherheiten können die Studierenden beschreiben, wie Axiome,Parameter oder Strukturen automatisch anhand unterschiedlicher Algorithmengelernt werden können. Des Weiteren wird den Studierenden vermittelt, wie unterschiedliche Clustertechnikenentworfen werden können. Zudem können sie Rohdaten für Verfahren desMaschinellen Lernens aufbereiten.

Geplante Inhalte:

  • Validierungvon Modellen unterschiedlicher Verfahren.
  • Datenbereinigung,Skalierung der Daten, Datenselektion
  • ÜberwachtesLernen:
    • Regression
    • Entscheidungsbäume
    • Bayes’scheNetze
    • K-NächsteNachbarn
    • LogistischeRegression
    • NeuronaleNetze
    • SupportVector Machines
    • EnsembleLearning
  • UnüberwachtesLernen:
    • Hierarchische Clustering, K-Mean
Leistungsnachweis:
615 - Maschinelles Lernen in der Logistik<ul><li>615 - Maschinelles Lernen in der Logistik: Klausur schriftlich</li></ul><br>m1402 - Maschinelles Lernen in der Logistik<ul><li>p1327 - Maschinelles Lernen in der Logistik: Klausur schriftlich</li><li>vl353 - Freiwillige Studienleistung Maschinelles Lernen in der Logistik - Referat: Referat</li></ul>
ECTS-Kreditpunkte:
2
Weitere Informationen aus Stud.IP zu dieser Veranstaltung
Heimatinstitut: Institut für Softwaresysteme (E-16)
In Stud.IP angemeldete Teilnehmer: 1

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.

TU Hamburg
Institut für Elektrische Energietechnik (ieet) E-6
Prof. Dr.-Ing. Christian Becker
Harburger Schloßstraße 36
21079 Hamburg
E-Mail : ieet(at)tuhh.de
Tel : +49 40 42878 3213
Fax : +49 40 42878 2382
Weiterführende Links
Lageplan und Anfahrt
Datenschutz
Impressum