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 > Robert Annuth, M.Sc.

Robert Annuth

M.Sc.
Wissenschaftlicher Mitarbeiter

Kontakt

Robert Annuth M. Sc.
E-6 Elektrische Energietechnik
  • Elektrische Energietechnik
Sprechzeiten
nach Vereinbarung
Harburger Schloßstraße 36,
21079 Hamburg
Gebäude HS36, Raum C3 0.005
Tel: +49 40 42878 2837
Logo

Forschungsprojekt

SuSy
Sustainable DC-Systems - Gleichstrom-Energieversorgung auf Schiffen

SuSy

Sustainable DC-Systems - Gleichstrom-Energieversorgung auf Schiffen

Bundesministerium für Wirtschaft und Klimaschutz (BMWK); Laufzeit: 2021 bis 2024

zur Projektseite

Publikationen

TUHH Open Research (TORE)

2024

2023

Lehrveranstaltungen

Stud.IP
zur Veranstaltung in Stud.IP Studip_icon
Machine Learning in Electrical Engineering and Information Technology
Semester:
SoSe 24
Veranstaltungstyp:
Vorlesung (Lehre)
Veranstaltungsnummer:
lv3004_s24
DozentIn:
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.
Beschreibung:
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.
Leistungsnachweis:
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-Kreditpunkte:
6
Weitere Informationen aus Stud.IP zu dieser Veranstaltung
Heimatinstitut: Institut für Nachrichtentechnik (E-8)
In Stud.IP angemeldete Teilnehmer: 102
Anzahl der Postings im Stud.IP-Forum: 2
Anzahl der Dokumente im Stud.IP-Downloadbereich: 1

Betreute Abschlussarbeiten

laufende

2024

  • Görner, T. (2024). Vergleich der Effizienz von Windparks mit AC- und DC-Sammelnetzen.

beendete

2024

  • Schultheiß, J. (2024). Impedanzbasierte Stabilitätsanalyse zur Bewertung der Stabilitätsgrenzen von DC- und AC-Netzen.

2023

  • Görner, T. (2023). Ermittlung der Stabilitätsgrenzen von DC-Microgrids und Validierung durch transiente Simulationen.

  • Langendörfer, T. (2023). Entwicklung eines Konzepts zur Auswahl von Netzstrukturen und Regelkonzepten für DC-Microgrids.

  • Rudolf, D. (2023). Optimierung der Energieeffizienz in DC-Microgrids: Eine Untersuchung der Rolle von DC-DC Wandlern.

  • Wichmann, A. (2023). Entwicklung eines Konzeptes zur datenbasierten Ermittlung des Alterungszustandes von Fahrzeugbatterien.

  • Winkel, J. (2023). Configurable gate driver circuits for IGBT based inverters with adjustable piecewise voltage and current gradient for industrial application.

2022

  • Nußbaum, F. (2022). Untersuchung der Systemstabilität von maritimen DC-Micro Grids durch Betrachtung von Lastflüssen und möglichen Fehlerfällen.

  • Nußbaum, F. (2022). Optimierung von Betriebszuständen und Spannungsregelung eines DC-Microgrids durch Reinforcement Learning.

  • Winter, K. (2022). Entwicklung eines verteilten Messsystems zur frequenzabhängigen Netzimpedanzbestimmung über einen breiten Frequenzbereich bis 500 kHz.

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