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 > Christina Eckel, M.Sc.

Christina Eckel

M.Sc.
Wissenschaftliche Mitarbeiterin

Kontakt

Christina Eckel, M. Sc.
E-6 Elektrische Energietechnik
  • Elektrische Energietechnik
Sprechzeiten
nach Vereinbarung
Harburger Schloßstraße 36,
21079 Hamburg
Gebäude HS36, Raum C3 0.006
Tel: +49 40 42878 2377
Logo

Forschungsprojekt

Stabilität und Netzregelung in Übertragungsnetzen mit leistungselektronisch gekoppelten Betriebsmitteln

Stabilität und Netzregelung in Übertragungsnetzen mit leistungselektronisch gekoppelten Betriebsmitteln

Technische Universität Hamburg (TUHH); Laufzeit: 2021 bis 2025

zur Projektseite

Publikationen

TUHH Open Research (TORE)

2024

2023

2022

Lehrveranstaltungen

Stud.IP
zur Veranstaltung in Stud.IP Studip_icon
Maschinelles Lernen in der Logistik (Modul)
Untertitel:
Dieser Raum ist für das gesamte Modul "Maschinelles Lernen in der Logistik"
Semester:
WiSe 23/24
Veranstaltungsart:
VL+Ü
Veranstaltungstyp:
sonstige (Lehre)
Veranstaltungsnummer:
lv2005_w23
DozentIn:
Prof. Dr. Carlos Jahn, Marvin Kastner, M. Sc, Prof. Dr. Sibylle Renate Schupp, Dipl. Informatiker Rainer Marrone, M.Sc Ole Grasse, Shubhangi Gupta
Beschreibung:

Übersicht

Im Modul "Maschinelles Lernen in der Logistik" werden die Studenten zunächst in eine Auswahl von Methoden des Maschinellen Lernens eingeführt. Dies passiert in der Vorlesung "Grundlagen des maschinellen Lernens" des Instituts für Software-Systeme. Im zweiten Teil des Semesters wird in der Vorlesung "Digitalisierung in Verkehr und Logistik" der Schritt in die Fachdomäne vollzogen. Vorlesungsbegleitend findet über das gesamte Semester die Übung "Maschinelles Lernen in der Logistik" statt. Hier werden Jupyter Notebooks eingesetzt, um den Studierenden die optimale Voraussetzung zur Datenexploration zu bieten.


Vorlesung Grundlagen des maschinellen Lernens

Die Studierenden sollen Konzepte ausgewählter Verfahren des Maschinellen Lernens verstehen und auf Datenbeispiele anwenden können. Studierende können geeignete Verfahren für bereitgestellte Daten auswählen.

Die Studierenden können die Unterschiede zwischen instanzenbasierten und modellbasierten Lernansätzen erläutern und spezifische Ansätze des Maschinellen Lernens für jeden dieser beiden Ansätze anwenden. Bei der Behandlung von Unsicherheiten können die Studierenden beschreiben, wie Parameter oder Strukturen automatisch anhand unterschiedlicher Algorithmen gelernt werden können. Des Weiteren wird den Studierenden vermittelt, wie unterschiedliche Clustertechniken entworfen werden können. Zudem können sie Rohdaten für Verfahren des Maschinellen Lernens aufbereiten.

Inhalte

  • Regression
  • Decision trees
  • K-Nearest-Neighbor
  • Neuronal Networks
  • Support Vector Machines
  • Bayesian Networks
  • Hidden Markov Models
  • Clustering
  • Ensemble Learning

Vorlesung Digitalisierung in Verkehr und Logistik

Thema der Vorlesung ist die quantitative Analyse verschiedenartiger Daten, die im Bereich Verkehr und Logistik auftreten. Hierbei wird der Fokus auf Probleme der maritimen Logistik liegen. Die Studierenden sollen befähigt werden, die erlernten Methoden bzgl. ihrer Nutzbarkeit in konkreten unternehmensrelevanten Kontexten zu bewerten und dazu Anforderungen und Potentiale einer effektiven Anwendung zu kennen bzw. ableiten zu können; beispielsweise bezogen auf Data-Mining Ansätze für das Controlling oder Forecasting-Ansätze für die betriebliche Planung von Unternehmen.

Inhalte

  • Maschinelles Lernen in der Wissenschaft und der Industrie
  • Zeitreihen
  • Bewegungsdaten
  • Feature Engineering
  • Anomalie-Detektion

Übung Maschinelles Lernen in der Logistik

Semesterbegleitend findet eine Übung statt, die zuerst von den Dozenten des ersten, dann des zweiten Moduls betreut wird und sich auf die Vorlesungsinhalte der jeweiligen Woche bezieht.
Voraussetzungen:
Keine
Leistungsnachweis:
615 - Maschinelles Lernen in der Logistik<ul><li>615 - Maschinelles Lernen in der Logistik: Klausur schriftlich</li></ul><br>m1402 - Maschinelles Lernen in der Logistik<ul><li>p1327 - Maschinelles Lernen in der Logistik: Klausur schriftlich</li><li>vl353 - Freiwillige Studienleistung Maschinelles Lernen in der Logistik - Referat: Referat</li></ul>
ECTS-Kreditpunkte:
6
Weitere Informationen aus Stud.IP zu dieser Veranstaltung
Heimatinstitut: Institut für Maritime Logistik (W-12)
beteiligte Institute: Institut für Softwaresysteme (E-16)
In Stud.IP angemeldete Teilnehmer: 31
Anzahl der Postings im Stud.IP-Forum: 6

Betreute Abschlussarbeiten

laufende

2024

  • Bahe, B. (2024). Nichtlineare Stabilitätsuntersuchungen in einem leistungselektronisch dominierten elektrischen Energiesystem.

  • Boehm, E. (2024). Einfluss des Netzäquivalents auf die Stabilität eines Netzes mit netzbildenden und netzfolgenden Umrichtern.

beendete

2024

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

  • Rüter, C. (2024). Einfluss der Netzstärke auf die Kleinsignalstabilität netzbildender Umrichter mit virtueller Oszillator-Regelung.

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

2023

  • Chouiter, B. (2023). Dynamic Phasor Modelling and Comparison to Classical EMT Models.

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

  • Kamma, J. (2023). Umrichtermodellierung zur Repräsentation von Interaktionen im Sinne der Converter-Driven Stability.

  • Mißfeldt, C. (2023). Einfluss von Zeitverzögerungen auf die Converter-Driven Stability.

  • Rosenau, Y. (2023). Einfluss netzbildender Umrichter-Regelungsstrukturen auf die "Converter-Driven Stability".

2022

  • Kumar, M. (2022). Modellierung und Vergleich des Frequenzverhaltens dezentraler Anlagen mit netzbildenden Eigenschaften oder beigestellter Schwungmasse.

  • Lim, I. (2022). Modelling and Integration of a Hydrogen Storage Power Plant in the 10-Machine New-England Power System.

  • Rieckborn, N. (2022). Modellierung des Umwandlungsprozesses eines Wasserstoffspeicherkraftwerks.

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