Dr.-Ing. Stefan Möws

2018-2023 Research Assistant

Research Project

Verify Green Technologies for Intelligent Grid Control with Power Hardware-in-the-Loop
I³-Project

I³-Project

Verify Green Technologies for Intelligent Grid Control with Power Hardware-in-the-Loop

Hamburg University of Technology (TUHH); Duration: 2020 to 2022

Research Focus

Analysis of the provision of ancillary services with decentralised energy sources and storages using Power Hardware-in-the-Loop

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

completed

2022

  • Steen, A. (2022). Untersuchung und Modellierung der kurzfristigen Leistungsschwankungen von wetterabhängigen Erzeugern.

  • Steen, A. (2022). Optimierung der Steuerung eines Pools aus Erneuerbaren Energien und Speichern zur Erbringung von Frequency Containment Reserve.

2021

  • Ahrens, M. (2021). Entwicklung und Implementierung einer Methode zur Vorhersage der verfügbaren Leistung eines Pools aus Windkraft- und Solaranlagen mithilfe Quantiler Regression.

  • Erxleben, J. (2021). Untersuchung der Performance eines Pools aus Erneuerbaren Energien für die Erbringung von frequenzstützenden Maßnahmen.

  • Fahrenkrug, F. (2021). Modellierung und Validierung einer steuerbaren Photovoltaikanlage zur Berechnung der Ausgangsleistung mithilfe von Wetterdaten.

  • Spechtmeyer, J. (2021). Konzeptentwicklung einer Kfz-Ladeinfrastruktur für einen Industriebetrieb mit Batteriespeicher zur Spitzenlastabdeckung.

  • von Krosigk, J. (2021). Untersuchung eines neuartigen Ansatzes zur kurz- und mittelfristigen Vorhersage der Netzfrequenz unter der Verwendung künstlicher neuronaler Netze.

2020

  • Duday, D. (2020). Leistungsregelung eines Pools aus Windkraftanlagen zur Erbringung von Primärregelleistung.

  • Famulla, J. (2020). Entwicklung einer Methode zur strukturierten Untersuchung von Einflussfaktoren auf die Fehlercharakteristik von Wetterprognosen.

  • Klie, C. (2020). Entwicklung und Implementierung einer echtzeitfähigen Regelung zur Erbringung von Pri-märregelleistung mit einem Pool aus Erneuerbaren Energien und Speichern.

  • Landenfeld, J. (2020). Optimale Zusammensetzung von Pools aus Erneuerbaren Energien und Speichern zur gesicherten Bereitstellung von Primärregelleistung.

  • Schmidt, M. (2020). Vorhersage von zuverlässig bereitstellbarer Regelleistung aus Erneuerbaren Energien mithilfe von neuronalen Netzen.

  • Schwarz, F. (2020). Vergleich eines OPAL-RT Echtzeitsimulators und einer Bachmann Speicherprogrammierbaren Steuerung für die Anwendung in einem Power Hardware-in-the-Loop Labor.

  • Shahid, D. (2020). Testumgebung eines europäischen Verteilnetzes für Untersuchungen von Pool-Regelungen mit dem OPAL-RT Echtzeitsimulator.

  • Shahid, D. (2020). Entwicklung und Untersuchung einer dezentralen Regelung zur Erbringung von Primärregeleistung mit Windenergieanlagen, Solaranlagen und Speichern.

  • Steen, A. (2020). Untersuchung und Vergleich der Bereitstellung von frequenzstabilisierenden Dienstleistungen durch Batteriespeichersysteme mittels Power Hardware-in-the-Loop.

  • Stumpf, K. (2020). Entwicklung einer echtzeitfähigen Methode zur kurzfristigen Vorhersage der elektrischen Netzfrequenz.

  • Wiegel, B. (2020). Entwicklung und Untersuchung einer optimierten Gebotsstrategie für Primärregelleistung mit einem Pool aus Erneuerbaren Energien und Speichern.

2019

  • Kaack, L. (2019). Untersuchung einer speicheroptimierten Erbringung von Primärregelleistung mit erneuerbaren Energien.

  • Klie, C. (2019). Bestimmung der Stabilitätskriterien eines Power Hardware-in-the-loop Labors für die Untersuchung echtzeitfähiger Regelungen für Primärregelleistung.

2018

  • Huhmann, D. (2018). Untersuchung risikobasierter Gebote von Photvoltaikanlagen zur Teilnahme am Regelleistungsmarkt.

  • Jestel, J. (2018). Erstellung probabilistischer Windleistungsprognosen unter Berücksichtigung stochastischer Abhängigkeit.