Dr.-Ing. Jan-Peter Heckel

Research Assistant

Contact

Dr.-Ing. Jan-Peter Heckel
E-6 Elektrische Energietechnik
  • Elektrische Energietechnik
Office Hours
nach Vereinbarung (Terminabsprache per E-Mail)
Harburger Schloßstraße 36,
21079 Hamburg
Building HS36, Room C3 0.009
Phone: +49 40 42878 2381
Logo

Research Projects

VeN²uS
Networked grid protection systems - Adaptive and interconnected

VeN²uS

Networked grid protection systems - Adaptive and interconnected

Federal Ministry for Economic Affairs and Climate Action (BMWK); Duration: 2021 to 2024

ResiliEntEE
Resilience of integrated energy systems with a high share of renewables

ResiliEntEE

Resilience of integrated energy systems with a high share of renewables

Hamburg University of Technology (TUHH); Duration: 2017 to 2021

Publications

TUHH Open Research (TORE)

2023

2022

2021

2020

2019

Courses

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: 102
Postings: 2
Documents: 1

Supervised Theses

ongoing

2024

  • Kumar, Melvin (2024). Automatische Erstellung von Simulationsmodellen für die Untersuchung der Auswirkung einer Netzaggregation auf die Kurschlusseigenschaften eines Netzes.

completed

2024

  • Helmich, L. M. (2024). Entwicklung und Simulation eines Effektivwertmodells für STATCOM-Anlagen mit neuartigen Regelstrategien für Pendeldämpfungen in PowerFactory.

2023

  • Engemann, T. (2023). Nachbildung des Betriebsverhaltens einer Windkraftanlage in einer Laborumgebung.

  • Helmich, L. M. (2023). Entwicklung und Simulation einer Regelstrategie für die Pendeldämpfung durch STATCOM-Geräte.

  • Heunda, J. (2023). Dynamische Lastmodellierung zur adaptiven Schutzparametrierung in elektrischen Verteilnetzen.

  • Hube, P. (2023). Quantitative Bewertung des Mehrwerts einer adaptiven gegenüber einer konventionellen Netzschutzparametrierung.

  • Hube, P. (2023). Modellierung und Analyse des Kurzschlussverhaltens von Typ 4 umrichtergekoppelten Windkraftanlagen.

  • Kock am Brink, J. (2023). Vergleich von Spannungsstabilitätskennzahlen und deren Eignung als Resilienzindex.

  • Stoffregen, J. F. (2023). Implementierung und Simulation eines Testnetzes für die Mehrwertbetrachtung eines adaptiven Netzschutzes.

2022

  • Hillebrecht, T. (2022). Entwicklung und Implementierung eines Verfahrens zur Online-Detektion von Spannungsin-stabilitäten in gekoppelten Energiesystemen.

  • Schill, G. (2022). Untersuchung von Störungskaskaden in sektorengekoppelten Energiesystemen mittels einer Resilienzkennzahl.

2021

  • Ducci, D. (2021). Untersuchung der Bereitstellung von Regelleistung durch virtuelle Kraftwerke in sektorengekoppelten Energiesystemen.

  • Gomez Anccas, E. D. (2021). Entwicklung einer Methodik zur quantitativen Untersuchung und Bewertung dynamischer Interaktionen in gekoppelten Energiesystemen.

2020

  • Dressel, M. (2020). Untersuchung von spannungsstabilitätsbedingten Resilienzveränderungen im norddeutschen Energiesystem.

  • Gomez Anccas, E. D. (2020). Entwicklung eines Testmodells zur Untersuchung dynamischer Interaktionen in gekoppelten Energiesystemen.

  • Luo, K. (2020). Untersuchung der Auswirkungen des Netzentwicklungsplans 2025 auf die Netztopologie in Norddeutschland.

2019

  • Bredenberg, H. (2019). Optimierungssystem zur Netzplanung für die Mittelspannungsebene unter Berücksichtigung möglicher Entwicklungsszenarien.

  • Faili, Z. (2019). Analysis of the Voltage Stability in the Northern German Electrical Grid with Dynamic Simulation.

  • Häbel, I. (2019). Aggregation von Netzdaten für die numerisch effiziente Simulation gekoppelter Energiesysteme.

  • Krupp, M. (2019). Entwicklung und Integration eines Simulationsmodells für vermaschte Mehrpunkt-HGÜ-Systeme im Rahmen der Power System Toolbox.

2018

  • Dressel, M. (2018). Entwicklung und Integration eines Testnetzes zur Nachbildung des elektrischen Energiesystems von Nordeutschland für die Simuation energietechnischer Szenarien.