><b>Motivation:</b></span><p>Auf dem Gebiet der Informatik haben wir nur eingeschränkte Möglichkeiten auf die Effizienz der Hardware direkt einzuwirken, bzw. sind abhängig von den Herstellern (bspw. von Mikrocontrollern). Um jedoch das volle Potential der uns gestellten Hardware auf Systemebene auszunutzen, benötigen wir ein tiefergehendes Verständnis über die Hintergründe, Prozesse und Mechanismen von Verlustleistungen in eingebetteten Systemen. Woher kommt die Verlustleistung, was passiert auf Hardware-Ebene, welche Mechanismen kann ich direkt/indirekt nutzen, welchen Tradeoff zwischen Flexibilität und Effizienz habe ich,... sind nur einige Fragen, welche in dieser Veranstaltung erarbeitet und diskutiert werden sollen. </p><span style="color:rgb(0,0,0)
Leistungsnachweis:
><b>Lehrinhalte:</b></span><ul><li>Motivationund Verlustleistung von Halbleitern</li><li>Verlustleistungdigitaler Schaltungen, insbesondere CMOS</li><li>Power Managementin Hard- und Software (Sleep Modes, DVS, FS, Undervolting)</li><li>EnergieeffizientesSystemdesign (Anwendungen)</li><li>Energy Harvesting und Transiently PoweredComputing (TPC)</li></ul>
ECTS-Kreditpunkte:
3
Weitere Informationen aus Stud.IP zu dieser Veranstaltung
Heimatinstitut: Institut für Smart Sensors (E-EXK3)
In Stud.IP angemeldete Teilnehmer: 46
Anzahl der Dokumente im Stud.IP-Downloadbereich: 24
Betreute Abschlussarbeiten
laufende
beendete
2021
Hund, P. (2021). Modellierung eines elektrischen Netzes zur Demonstration des Einflusses von virtueller Trägheit durch umrichterbasierte Energieanlagen.
Hund, P. (2021). Koordinierte Bereitstellung von virtueller Trägheit durch erneuerbare umrichterbasierte Energieanlagen in Verteilnetzen mithilfe von künstlicher Intelligenz.
Möller, P. (2021). Erfassung der Knotenspannung in Niederspannungsnetzen auf Basis von dezentralen Messeinrichtungen mithilfe von Machine learning.
Plant, R. (2021). Estimation of Power System Inertia in an Inverter-Dominated Distribution Grid Using Machine Learning.
2020
Dressel, M. (2020). Modellierung der Zustandsschätzung eines elektrischen Netzes mit Hilfe von Graph neuronalen Netzen.
Schmidt, M. (2020). Vorhersage von zuverlässig bereitstellbarer Regelleistung aus Erneuerbaren Energien mithilfe von neuronalen Netzen.