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 > Béla Wiegel, M.Sc.

Béla Wiegel

M.Sc.
Wissenschaftlicher Mitarbeiter

Kontakt

Béla Wiegel, M. Sc.
E-6 Elektrische Energietechnik
  • Elektrische Energietechnik
Sprechzeiten
Auf Anfrage
Harburger Schloßstraße 22a,
21079 Hamburg
Gebäude Harburger Schloßstraße 22a, Raum 2.003
Tel: +49 40 42878 2240
Logo

Forschungsprojekte

EffiziEntEE
Effiziente Einbindung hoher Anteile Erneuerbarer Energien in technisch-wirtschaftlich integrierte Energiesysteme

EffiziEntEE

Effiziente Einbindung hoher Anteile Erneuerbarer Energien in technisch-wirtschaftlich integrierte Energiesysteme

Bundesministerium für Wirtschaft und Klimaschutz (BMWK); Laufzeit: 2022 bis 2025

zur Projektseite
CyEntEE
I³-Lab Cyber Physical Energy Systems – Sustainability, Resilience and Economics

I³-Lab

CyEntEE

Cyber Physical Energy Systems – Sustainability, Resilience and Economics

Technische Universität Hamburg (TUHH); Laufzeit: 2020 bis 2023

zur Projektseite

Publikationen

TUHH Open Research (TORE)

2024

2023

2022

2021

Lehrveranstaltungen

Stud.IP
link to course in Stud.IP Studip_icon
Machine Learning in Electrical Engineering and Information Technology
Semester:
SoSe 24
Course type:
Lecture
Course number:
lv3004_s24
Lecturer:
Prof. Dr. sc. techn. Christian Schuster, Prof. Dr.-Ing. Christian Becker, Prof. Dr. Alexander Kölpin, Gerhard Bauch, Dr. Maximilian Stark, Dr. Davood Babazadeh, Dr. Cheng Yang, PD Dr.-Ing. habil. Rainer Grünheid, Simon Stock, M.Sc.
Description:
This master course, a collaborative effort between the Institute of Communications, the Institute for High-Frequency Engineering, the Institute for Power Systems, and the Institute for Theoretical Electrical Engineering, is designed to unveil the synergies between machine learning and our respective fields of expertise. In an age defined by rapid technological advancement, machine learning stands as a catalyst for innovation, offering transformative possibilities across diverse sectors. From optimizing communication systems to enhancing power grid efficiency, and from refining signal processing techniques to enabling autonomous systems, the integration of machine learning techniques holds immense promise for addressing contemporary challenges. Throughout this course, we will delve into the theoretical underpinnings, practical methodologies, and tangible applications of neural networks and machine learning algorithms. By delving into algorithmic design, data analysis, and optimization techniques, we aim to equip you with the skills and insights needed to navigate the complexities of modern engineering landscapes.
Performance accreditation:
m1785-2022 - Machine Learning in Electrical Engineering and Information Technology<ul><li>p1778-2022 - Machine Learning in Electrical Engineering and Information Technology: mündlich</li></ul>
ECTS credit points:
6
Stud.IP informationen about this course:
Home institute: Institut für Nachrichtentechnik (E-8)
Registered participants in Stud.IP: 100
Postings: 4
Documents: 23

Betreute Abschlussarbeiten

laufende
beendete

2024

  • Rücker, J. (2024). Optimal Scheduling of Flexible Components in Residential Neighborhoods Using Detailed Linear Programming.

2023

  • Nitz, A. (2023). Die Wärmepumpen im virtuellen Kraftwerk - Untersuchung von Wärmepumpen unter Berücksichtigung unterschiedlicher Funktionsprotokolle innerhalb eines virtuellen Kraftwerks.

2022

  • Kaya, E. (2022). Simulation des Lebenszyklus‘ einer Lithium Ion Zelle in den stationären EP and instationären EV Anwendungsfällen.

  • Pauelsen, F.-T. (2022). Implementierung eines Maximum-Power-Point-Tracker für Photovoltaikanlagen in Modelica.

  • Rücker, J. (2022). Dynamische Untersuchung des Verhaltens elektrischer Komponenten auf Quartiersebene hinsichtlich der Spannungshaltung.

  • Rüffert, J. (2022). Charakterisierung von Zellen in Verteilnetzen anhand von Bewertungskriterien und die Auswirkungen von punktuell und zeitlich begrenzt auftretenden Lasten.

2021

  • Helmrich von Elgott, L. (2021). Optimierter Einsatz dezentraler Flexibilität zur Betriebsführung intelligenter sektorgekoppelter Verteilnetze.

  • Zwinzscher, S. (2021). Entwicklung einer Methodik zur dynamischen Berechnung der Flexibilität eines auf Power-to-Heat basierenden Nahwärmenetzes.

TU Hamburg
Institut für Elektrische Energietechnik (ieet) E-6
Prof. Dr.-Ing. Christian Becker
Harburger Schloßstraße 36
21079 Hamburg
E-Mail : ieet(at)tuhh.de
Tel : +49 40 42878 3213
Fax : +49 40 42878 2382
Weiterführende Links
Lageplan und Anfahrt
Datenschutz
Impressum