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
Causal Data Science for Business Analytics (SE)
Untertitel:
This course is part of the module: Business & Management
Semester:
WiSe 23/24
Veranstaltungstyp:
Seminar (Lehre)
Veranstaltungsnummer:
lv3060_w23
DozentIn:
Oliver Mork, Prof. Dr. Christoph Ihl
Beschreibung:

Most managerial decision problems require answers to questions such as “what happens to Y if we do X?”, or “was it X that caused Y to change?” In other words, practical business decision-making requires knowledge about cause-and-effect. While most data science and machine learning approaches are designed to efficiently detect patterns in high-dimensional data, they are not able to distinguish causal relationships from simple correlations. That means, commonly used approaches to business analytics often fall short to provide decision makers with important causal knowledge. Therefore, many leading companies currently try to develop specific causal data science capabilities. This module will provide an introduction into the topic of causal inference with the help of modern data science and machine learning approaches and with a focus on applications to practical business problems from various management areas. Based on an overarching framework for causal data science, the course will guide students to detect sources of confounding influence factors, understand the problem of selective measurement in data collection, and extrapolate causal knowledge across different business contexts. We also cover several tools for causal inference, such as A/B testing and experiments, difference-in-differences, instrumental variables, matching, regression discontinuity designs, etc. A variety of hands-on examples will be discussed that allow students to apply their newly obtained knowledge and carry out state-of-the-art causal analyses by themselves.
Leistungsnachweis:
tm3060 - Kausale Data Science für Business Analytics (Seminar)<ul><li>p1852-2023 - Kausale Data Science für Business Analytics: schriftliche Ausarbeitung</li></ul>
ECTS-Kreditpunkte:
2
Weitere Informationen aus Stud.IP zu dieser Veranstaltung
Heimatinstitut: Institut für Unternehmertum (W-11)
In Stud.IP angemeldete Teilnehmer: 93

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