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 > Simon Stock, M.Sc.

Simon Stock

M.Sc.
Wissenschaftlicher Mitarbeiter

Kontakt

Simon Stock, M. Sc.
E-6 Elektrische Energietechnik
  • Elektrische Energietechnik
Sprechzeiten
Jederzeit
Harburger Schloßstraße 22a,
21079 Hamburg
Gebäude HS22a, Raum 2.002
Tel: +49 40 42878 2378
Logo

Forschungsprojekte

Einsatz von KI in der Betriebsführung von Verteilnetzen

Einsatz von KI in der Betriebsführung von Verteilnetzen

Technische Universität Hamburg (TUHH); Laufzeit: 2020 bis 2024

zur Projektseite
VeN²uS
Vernetzte Netzschutzsysteme - Adaptiv und vernetzt

VeN²uS

Vernetzte Netzschutzsysteme - Adaptiv und vernetzt

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

zur Projektseite

Forschungsschwerpunkt

Optimaler Betrieb und Energiemanagement von elektrischen Verteilnetzen (Smart Grids) mithilfe von künstlicher Intelligenz

Publikationen

TUHH Open Research (TORE)

2023

2022

2021

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
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.

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