Maschinelles Lernen in Nachhaltigen Energiesystemen

Wer wir sind: Wir sind die MLSES Gruppe im Exzellenzcluster – Maschinelles Lernen für die Wissenschaft an der Universität Tübingen und entwickeln neue Algorithmen des Maschinellen Lernens, um ein zukünftiges nachhaltiges Energiesystem aufzubauen und zu erhalten.

Forschung

Klimawandelauswirkungen auf Energiesysteme

Klimawandelauswirkungen auf Energiesysteme

Welchen Einfluss hat der Klimawandel auf das Energiesystem?

Probabilistische Vorhersagen

Probabilistische Vorhersagen

Wie können wir Zeitreihen in komplexen Systemen unter Unsicherheit zuverlässig vorhersagen?

Statistische, Physikalische Informationen and Modularität

Statistische, Physikalische Informationen and Modularität

Wie können wir statistische und physikalische Informationen explizit berücksichtigen?

Nachfrageseitige Flexibilität & Märkte

Nachfrageseitige Flexibilität & Märkte

Wie können wir Flexibilität auf der Nachfrageseite erkennen, fördern und nutzen?

Aktuelles

Ausstellung zum Projekt IN-ML-OUT. Für weitere Details, klicken Sie auf den Link

Lehre

Bachelor's and Master's Thesis

If you want to write your thesis or research project within the group, please write an e-mail to Thesis/ Projects MLSES, stating which topics you are interested in and what your ideal starting date is (any E-Mails not going to the specified address will not be responded to). We currently have some limited capacity for thesis and research projects during the winter term.

Zuletzt aktualisiert am Jul 22, 2024

Machine Learning for Renewable Energy Systems

We’re offering the Seminar on Machine Learning for Renewable Energy Systems in the Summer Term 2024.

Zuletzt aktualisiert am Mar 26, 2024

Projekte

Projekt zur Wissenschaftskommunikation: Klimawandel, maschinelles Lernen und Windkraft

IN-ML-OUT

BMBF gefördertes Forschungsprojekt: Maschinelles Lernen in Komplexen Systemen unter Unsicherheit.

FEAT

Publikationen

Luca Schmidt, Nicole Ludwig (2024). Benchmarking Deep Learning Based Downscaling of Wind Speed.

PDF Zitieren Projekt DOI URL

Kornelius Raeth, Nicole Ludwig (2024). Comparing Conditional Calibration of Aleatoric Uncertainty Estimators.

PDF Zitieren Projekt

Nina Effenberger, Marvin Pförtner, Philipp Hennig, Nicole Ludwig (2024). Probabilistic Wind Speed Downscaling for Future Wind Power Assessment.

PDF Zitieren Projekt DOI URL

Nina Effenberger, Nicole Ludwig, Rachel H. White (2023). Mind the (spectral) gap: How the temporal resolution of wind data affects multi-decadal wind power forecasts.

Benedikt Heidrich, Nicole Ludwig, Marian Turowski, Ralf Mikut, Veit Hagenmeyer (2022). Adaptively coping with concept drifts in energy time series forecasting using profiles. Proceedings of the Thirteenth ACM International Conference on Future Energy Systems.

PDF Zitieren Projekt DOI

Weitere Publikationen

Wo man uns findet

Maria-von-Linden Str 6
72076 Tübingen