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 > Dr.-Ing. Jan-Peter Heckel

Dr.-Ing. Jan-Peter Heckel

Wissenschaftlicher Mitarbeiter

Kontakt

Dr.-Ing. Jan-Peter Heckel
E-6 Elektrische Energietechnik
  • Elektrische Energietechnik
Sprechzeiten
nach Vereinbarung (Terminabsprache per E-Mail)
Harburger Schloßstraße 22a,
21079 Hamburg
Gebäude HS22a, Raum 2.014
Tel: +49 40 42878 2381
Logo

Forschungsprojekte

VeN²uS
Vernetzte Netzschutzsysteme - Adaptiv und vernetzt

VeN²uS

Vernetzte Netzschutzsysteme - Adaptiv und vernetzt

Bundesministerium für Wirtschaft und Klimaschutz (BMWK); Laufzeit: 2021 bis 2024

zur Projektseite
ResiliEntEE
Resilienz gekoppelter Energienetze mit hohem Anteil Erneuerbarer Energien

ResiliEntEE

Resilienz gekoppelter Energienetze mit hohem Anteil Erneuerbarer Energien

Technische Universität Hamburg (TUHH); Laufzeit: 2017 bis 2021

zur Projektseite

Publikationen

TUHH Open Research (TORE)

2023

2022

2021

2020

2019

Lehrveranstaltungen

Stud.IP
link to course in Stud.IP Studip_icon
Maschinelles Lernen in der Logistik (Modul)
Subtitle:
Dieser Raum ist für das gesamte Modul "Maschinelles Lernen in der Logistik"
Semester:
WiSe 23/24
Course style:
VL+Ü
Course type:
Miscellaneous (Teaching)
Course number:
lv2005_w23
Lecturer:
Prof. Dr. Carlos Jahn, Marvin Kastner, M. Sc, Prof. Dr. Sibylle Renate Schupp, Dipl. Informatiker Rainer Marrone, M.Sc Ole Grasse, Shubhangi Gupta
Description:

Übersicht

Im Modul "Maschinelles Lernen in der Logistik" werden die Studenten zunächst in eine Auswahl von Methoden des Maschinellen Lernens eingeführt. Dies passiert in der Vorlesung "Grundlagen des maschinellen Lernens" des Instituts für Software-Systeme. Im zweiten Teil des Semesters wird in der Vorlesung "Digitalisierung in Verkehr und Logistik" der Schritt in die Fachdomäne vollzogen. Vorlesungsbegleitend findet über das gesamte Semester die Übung "Maschinelles Lernen in der Logistik" statt. Hier werden Jupyter Notebooks eingesetzt, um den Studierenden die optimale Voraussetzung zur Datenexploration zu bieten.


Vorlesung Grundlagen des maschinellen Lernens

Die Studierenden sollen Konzepte ausgewählter Verfahren des Maschinellen Lernens verstehen und auf Datenbeispiele anwenden können. Studierende können geeignete Verfahren für bereitgestellte Daten auswählen.

Die Studierenden können die Unterschiede zwischen instanzenbasierten und modellbasierten Lernansätzen erläutern und spezifische Ansätze des Maschinellen Lernens für jeden dieser beiden Ansätze anwenden. Bei der Behandlung von Unsicherheiten können die Studierenden beschreiben, wie Parameter oder Strukturen automatisch anhand unterschiedlicher Algorithmen gelernt werden können. Des Weiteren wird den Studierenden vermittelt, wie unterschiedliche Clustertechniken entworfen werden können. Zudem können sie Rohdaten für Verfahren des Maschinellen Lernens aufbereiten.

Inhalte

  • Regression
  • Decision trees
  • K-Nearest-Neighbor
  • Neuronal Networks
  • Support Vector Machines
  • Bayesian Networks
  • Hidden Markov Models
  • Clustering
  • Ensemble Learning

Vorlesung Digitalisierung in Verkehr und Logistik

Thema der Vorlesung ist die quantitative Analyse verschiedenartiger Daten, die im Bereich Verkehr und Logistik auftreten. Hierbei wird der Fokus auf Probleme der maritimen Logistik liegen. Die Studierenden sollen befähigt werden, die erlernten Methoden bzgl. ihrer Nutzbarkeit in konkreten unternehmensrelevanten Kontexten zu bewerten und dazu Anforderungen und Potentiale einer effektiven Anwendung zu kennen bzw. ableiten zu können; beispielsweise bezogen auf Data-Mining Ansätze für das Controlling oder Forecasting-Ansätze für die betriebliche Planung von Unternehmen.

Inhalte

  • Maschinelles Lernen in der Wissenschaft und der Industrie
  • Zeitreihen
  • Bewegungsdaten
  • Feature Engineering
  • Anomalie-Detektion

Übung Maschinelles Lernen in der Logistik

Semesterbegleitend findet eine Übung statt, die zuerst von den Dozenten des ersten, dann des zweiten Moduls betreut wird und sich auf die Vorlesungsinhalte der jeweiligen Woche bezieht.
Pre-requisites:
Keine
Performance accreditation:
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 credit points:
6
Stud.IP informationen about this course:
Home institute: Institut für Maritime Logistik (W-12)
Participating institute: Institut für Softwaresysteme (E-16)
Registered participants in Stud.IP: 31
Postings: 6

Betreute Abschlussarbeiten

laufende

2024

  • Kumar, Melvin (2024). Automatische Erstellung von Simulationsmodellen für die Untersuchung der Auswirkung einer Netzaggregation auf die Kurschlusseigenschaften eines Netzes.

beendete

2024

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

2023

  • Engemann, T. (2023). Nachbildung des Betriebsverhaltens einer Windkraftanlage in einer Laborumgebung.

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

  • Heunda, J. (2023). Dynamische Lastmodellierung zur adaptiven Schutzparametrierung in elektrischen Verteilnetzen.

  • Hube, P. (2023). Quantitative Bewertung des Mehrwerts einer adaptiven gegenüber einer konventionellen Netzschutzparametrierung.

  • Hube, P. (2023). Modellierung und Analyse des Kurzschlussverhaltens von Typ 4 umrichtergekoppelten Windkraftanlagen.

  • Kock am Brink, J. (2023). Vergleich von Spannungsstabilitätskennzahlen und deren Eignung als Resilienzindex.

  • Stoffregen, J. F. (2023). Implementierung und Simulation eines Testnetzes für die Mehrwertbetrachtung eines adaptiven Netzschutzes.

2022

  • Hillebrecht, T. (2022). Entwicklung und Implementierung eines Verfahrens zur Online-Detektion von Spannungsin-stabilitäten in gekoppelten Energiesystemen.

  • Schill, G. (2022). Untersuchung von Störungskaskaden in sektorengekoppelten Energiesystemen mittels einer Resilienzkennzahl.

2021

  • Ducci, D. (2021). Untersuchung der Bereitstellung von Regelleistung durch virtuelle Kraftwerke in sektorengekoppelten Energiesystemen.

  • Gomez Anccas, E. D. (2021). Entwicklung einer Methodik zur quantitativen Untersuchung und Bewertung dynamischer Interaktionen in gekoppelten Energiesystemen.

2020

  • Dressel, M. (2020). Untersuchung von spannungsstabilitätsbedingten Resilienzveränderungen im norddeutschen Energiesystem.

  • Gomez Anccas, E. D. (2020). Entwicklung eines Testmodells zur Untersuchung dynamischer Interaktionen in gekoppelten Energiesystemen.

  • Luo, K. (2020). Untersuchung der Auswirkungen des Netzentwicklungsplans 2025 auf die Netztopologie in Norddeutschland.

2019

  • Bredenberg, H. (2019). Optimierungssystem zur Netzplanung für die Mittelspannungsebene unter Berücksichtigung möglicher Entwicklungsszenarien.

  • Faili, Z. (2019). Analysis of the Voltage Stability in the Northern German Electrical Grid with Dynamic Simulation.

  • Häbel, I. (2019). Aggregation von Netzdaten für die numerisch effiziente Simulation gekoppelter Energiesysteme.

  • Krupp, M. (2019). Entwicklung und Integration eines Simulationsmodells für vermaschte Mehrpunkt-HGÜ-Systeme im Rahmen der Power System Toolbox.

2018

  • Dressel, M. (2018). Entwicklung und Integration eines Testnetzes zur Nachbildung des elektrischen Energiesystems von Nordeutschland für die Simuation energietechnischer Szenarien.

TU Hamburg
Institut für Elektrische Energietechnik (ieet) E-6
Prof. Dr.-Ing. Christian Becker
Harburger Schloßstraße 22a
21079 Hamburg
E-Mail : ieet(at)tuhh.de
Tel : +49 40 42878 3213
Weiterführende Links
Lageplan und Anfahrt
Datenschutz
Impressum