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 > Ehemalige Mitarbeitende und Gäste

Dr.-Ing. Hanko Ipach

2017-2023 Wissenschaftlicher Mitarbeiter

Forschungsprojekt

OUREL
Optimale Nutzung Regenerativer Energien in Niederspannungsverteilnetzen

OUREL

Optimale Nutzung Regenerativer Energien in Niederspannungsverteilnetzen

Technische Universität Hamburg (TUHH); Laufzeit: 2019 bis 2023

zur Projektseite

Forschungsschwerpunkt

Poster (PDF): Optimaler Betrieb von elektrischen Verteilnetzen mit hoher Durchdringung dezentraler Erzeugungseinheiten und steuerbarer Lasten

Publikationen

TUHH Open Research (TORE)

2023

2022

2021

2020

2019

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: 101
Anzahl der Postings im Stud.IP-Forum: 2
Anzahl der Dokumente im Stud.IP-Downloadbereich: 1

Betreute Abschlussarbeiten

beendete

2021

  • Fritz, B. (2021). Hierarchische Online-Optimierung zur Regelung von steuerbaren Lasten und Erzeugern in einem Mittelspannungsnetz.

  • Moritz, K.-E. (2021). Ermittlung repräsentativer Anschlussnehmer in Niederspannungsnetzen anhand von geographischen und statistischen Daten.

  • Ng, D. L. (2021). Rückkopplungsbasierte optimale Regelung von Ladesäulen in Niederspannungsnetzen mit limitierter Kapazität.

2020

  • Bölting, B. (2020). Entwicklung eines Algorithmus zur sensitivitätsbasierten nutzenoptimalen Korrektur von unzulässigen Betriebszuständen in Niederspannungsnetzen mit steuerbaren Lasten und Erzeugungseinheiten in Echtzeit.

  • Görner, T. (2020). Echtzeit-Regelung von Photovoltaikanlagen zur Spannungshaltung in Niederspannungsnetzen.

  • Harnisch, F. (2020). Integration eines Smart Meters in einen Hardware-in-the-Loop-Teststand für Niederspannungsnetze.

  • Steffen, T. (2020). Analyse und Bewertung der Störeigenschaften von kundeneigenen Endgeräten auf Breitband Powerline Kommunikation im Niederspannungsnetz.

2019

  • Benthack, J.-S. (2019). Entwicklung eines schnellen nutzenorientierten Lastflussoptimierungsalgorithmus für elektrische Verteilungsnetze.

  • Winter, N. (2019). Dreiphasige Erweiterung eines Zustandsschätzalgorithmus für elektrische Verteilnetze und Implementierung auf einer speicherprogrammierbaren Steuerung.

2018

  • Alberts, T. (2018). Entwurf eines innovativen elektrischen Energiekonzepts für das Motorschiff "Großer Michel".

  • Alberts, T. (2018). Nachbildung eines Verteilnetzes mit dezentralen Erzeugungseinheiten und steuerbaren Lasten auf dem Echtzeit-Simulator OPAL RT OP5600.

  • Duday, D. (2018). Bewertung der elektrischen Festigkeit eines 30-kV-Stahlwerks-SVC und Erarbeitung von technischen Lösungen zur SVC-Ertüchtigung.

  • Manthey, F. (2018). Entwurf und Implementierung eines Reglers zur automatisierten Netzsynchronisierung des Maschinensatzes im ieet-Labor.

  • Remmel, P. (2018). Implementierung und Bewertung eines Zustandsschätzungs-Algorithmus für Verteilungsnetze.

  • Ritt, B. (2018). Entwicklung einer Netzzustandsbestimmung im Niederspannungsnetz für eine effiziente Integration von Ladeinfrastruktur für Elektrofahrzeuge.

  • Straten, H. (2018). Vergleich von Methoden zur Abschätzung der Maximallast in Niederspannnungsnetzen für die Planung städtischer Verteilungsnetze.

  • Wagle, A. (2018). Scheduling of electric cars charging in low voltage smart home systems to avoid supply line overloading.

  • Winter, K (2018). Entwurf und Bewertung eines Schutzkonzepts für das weiterentwickelte Energieverteilernetz im Projekt "Airbus HB Replacement Systems LVMD-Systems MV-Stations".

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