Das Modul „Green Technologies III“ setzt sich aus zwei Bestandteilen zusammen:
- Wissenschaftliches Arbeiten und Schreiben
o Freiwillige Leistung (wie jede andere Vorlesung)
o Die Studierenden erarbeiten sich die Grundlagen des wissenschaftlichen Arbeitens wie richtiges Zitieren, Recherche und Literaturverwaltung u.a.
o Dies kann auch durch die Teilnahme an einer Veranstaltung zum Thema unterstützt werden wie z. B. dem Seminar „Wissenschaftliches Arbeiten“. Sollten Sie an einer Teilnahme an diesem Seminar interessiert sein, melden Sie sich bitte zu Anfang eines jeden Semesters bei Dr. Detlev Bieler (bieler@tuhh.de) mit Hinweis auf Ihr Studium „Green Technologies“.
- Schriftliche Leistung
o Obligatorische Leistung
o Im Rahmen einer Studienarbeit / eines Review-Papers üben Sie das wissenschaftliche Schreiben. Dabei wird eine konkrete Fragestellung bearbeitet; Vorschläge Ihrerseits sind willkommen.
o Dazu melden Sie sich bitte bei Dr. Marvin Scherzinger (marvin.scherzinger@tuhh.de) oder bei Martin Kaltschmitt (kaltschmitt@tuhh.de). Beide können Ihnen Themenvorschläge unterbreiten und den Kontakt zu einer Betreuerin / einem Betreuer herstellen.
Leistungsnachweis:
m1713-2021 - Green Technologies III<ul><li>p1658-2021 - Green Technologies III: Studienarbeit</li></ul>
ECTS-Kreditpunkte:
4
Weitere Informationen aus Stud.IP zu dieser Veranstaltung
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.