Tom Steffen

M.Sc.
Wissenschaftlicher Mitarbeiter

Kontakt

Tom Steffen, M. Sc.
E-6 Elektrische Energietechnik
  • Elektrische Energietechnik
Sprechzeiten
Nach Vereinbarung
Harburger Schloßstraße 36,
21079 Hamburg
Gebäude HS36, Raum C2 1.006
Tel: +49 40 42878 2734
Logo

Forschungsprojekte

EffiziEntEE
Effiziente Einbindung hoher Anteile Erneuerbarer Energien in technisch-wirtschaftlich integrierte Energiesysteme

EffiziEntEE

Effiziente Einbindung hoher Anteile Erneuerbarer Energien in technisch-wirtschaftlich integrierte Energiesysteme

Bundesministerium für Wirtschaft und Klimaschutz (BMWK); Laufzeit: 2022 bis 2025

CyEntEE
I³-Lab Cyber Physical Energy Systems – Sustainability, Resilience and Economics

I³-Lab

CyEntEE

Cyber Physical Energy Systems – Sustainability, Resilience and Economics

Technische Universität Hamburg (TUHH); Laufzeit: 2020 bis 2023

Publikationen

TUHH Open Research (TORE)

2024

2023

2022

2021

Lehrveranstaltungen

Stud.IP
zur Veranstaltung in Stud.IP Studip_icon
Machine Learning Applications in Electric Power Systems (VL)
Untertitel:
This course is part of the module: Machine Learning in Electrical Engineering and Information Technology
Semester:
SoSe 24
Veranstaltungstyp:
Vorlesung (Lehre)
Veranstaltungsnummer:
lv3008_s24
DozentIn:
Prof. Dr.-Ing. Christian Becker, Dr. Davood Babazadeh, Simon Stock, M.Sc.
Beschreibung:

This part of the course focuses on how to utilize ML methods to model and operate electric power systems. Electric power systems consist of generation units such as PV, loads or consumers and the grid that connects those actors and supports to transport energy. This part of the course helps to understand the data-driven modelling of generation units (e.g. PV & fuel cells), modelling of load behavior, and to formulate and solve a state estimation problem for distribution grids using neural networks.

This part of the course includes lectures to introduce the basics that are followed by practical examples and coding.

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:
1
Weitere Informationen aus Stud.IP zu dieser Veranstaltung
Heimatinstitut: Elektrische Energietechnik (E-6)
In Stud.IP angemeldete Teilnehmer: 3

Betreute Abschlussarbeiten

laufende

2024

  • Gerstein, Manuel (2024). Analyse und Bewertung der Netzkapazität von Niederspannungsnetzen gegenüber hohen Durchdringungen an elektrischen Wärmepumpen und Elektroautos (extern).

  • Malpricht, Marlin (2024). Entwicklung und Simulation eines kurativen Engpassmanagements für zellulare Verteilnetze und Bewertung potentieller Vorteile bei Kooperation von Übertragungs- und Verteilnetzbetreibern.

2023

  • Mülke, Luca (2023). Verbesserung von verteilten Kurzfrist-Netzzustandsprognosen mit maschinellem Lernen für kuratives Engpassmanagement in zukünftigen modernen sektorgekoppelten Niederspannungsnetzen.

beendete

2024

  • Ahrens, Daniel (2024). Entwicklung und Bewertung von Sensitivitätsanalysen innerhalb zellularer Niederspannungsnetze für ein zukünftiges Engpassmanagement nach EnWG §14a.

2023

  • Buse, Alexander (2023). Entwicklung und Simulation eines kurativen Engpassmanagements für Niederspannungszellen innerhalb eines zellularen Energiesystems.

  • Merling, Stefan (2023). Analyse und Bewertung von Energieangeboten in zellular betriebenen Niederspannungsnetzen mit lokalem Markt.

2022

  • Fahrenkrug, Finn (2022). Entwicklung und Verifikation eines thermisch-elektrischen Leitungsmodells für das Engpassmanagement im elektrischen Verteilnetz.

  • Hoegel, N. (2022). Untersuchung und Bewertung von Netzzustandschätzung und -Prognosen unter Berücksichtigung von Fehlerszenarien bezüglich der Informations- und Kommunikationstechnik.

  • Hoegel, N. (2022). Entwicklung und Simulation eines verteilten Netzzustandsprognoseverfahrens für zellulare elektrische Energiesysteme. [pdf]

  • Rogoll, H. (2022). Entwicklung und Simulation von sozialen Beziehungen benachbarter Zellen zur Eigenverbrauchsoptimierung innerhalb eines zellularen Energiesystems mittels eines Multiagentensystem. [pdf]

  • Westphal, J. (2022). Implementierung und Bewertung einer Co-Simulation mit der Plattform Mosaik zur Kopp-lung von Modelica mit einem in Python implementierten Optimierungsalgorithmus.

2021

  • Luo, K. (2021). Entwicklung und Simulation eines Wechselrichtermodells für die Stabilitätsuntersuchung im winkelgeregelten Betrieb zukünftiger Stromnetze.

  • Schenk, C. (2021). Entwicklung und Optimierung der Beschaffungsstrategie für abzuregelnde Energie im Redispatch 2.0-Kontext basierend auf einer Vorhersagbarkeitsanalyse von Netzengpässen.