Thomas Wolgast

Kontakt

Universität Oldenburg
Fakultät II – Department für Informatik
Abteilung Digitalisierte Energiesysteme
26111 Oldenburg

Sekretariat:

Meike Burke

Regina Knippenberg

A05 2-227

+49 (0) 441 - 798 2878

+49 (0) 441 - 798 2756

Leitung

Prof. Dr.-Ing. Astrid Niesse 

A05 2-226

+49 (0) 441 - 798 2750

+49 (0) 441 - 798 2756

Thomas Wolgast

Thomas Wolgast M. Sc.

  • Angriffe auf Energiesysteme
  • Schwachstellenanalyse
  • Systemdienstleistungsmärkte
  • Machine Learning / Reinforcement Learning
  • Echtzeitfähiger Optimal Power Flow
  • Multiagentensysteme

https://orcid.org/0000-0002-9042-9964

Department für Informatik  (» Postanschrift)

https://uol.de/informatik/

A5-2-236 (» Adresse und Lageplan )

Nach Vereinbarung

+49 441 798-2753  (F&P

Lehrveranstaltungen

Sommersemester 2021

Publikationen

  • Wolgast, T., Nieße, A. Towards modular composition of agent-based voltage control concepts. Energy Inform 2, 26 (2019). https://doi.org/10.1186/s42162-019-0079-x
  • Neugebauer, T.; Wolgast, T.; Nieße, A. Dynamic Inspection Interval Determination for Efficient Distribution Grid Asset-Management. Energies2020, 13, 3875. https://doi.org/10.3390/en13153875
  • Veith, Eric; Balduin, Stephan; Wenninghoff, Nils; Tröschel, Martin; Fischer, Lars; Nieße, Astrid et al. (2020): Analyzing Power Grid, ICT, and Market Without Domain Knowledge Using Distributed Artificial Intelligence. In:. CYBER 2020, The Fifth International Conference on Cyber-Technologies and Cyber-Systems, S. 86–93.
  • Wolgast, Thomas (2020): Real-Time Capable Optimal Power Flow With Artificial Neural Networks. Abstracts from the 9th DACH+ Conference on Energy Informatics, Volume 3 Supplement 2, Sierre, Switzerland. 29-30 October 2020. https://doi.org/10.1186/s42162-020-00113-9
     

Lebenslauf

Thomas Wolgast ist Doktorand der Energieinformatik an der Universität Oldenburg.

Er hat seinen Master der Energietechnik an der Leibniz Universität in Hannover gemacht. Seine Masterarbeit war die Implementierung und der Vergleich von agentenbasierten Spannungshaltungskonzepten in Verteilnetzen.

Im Moment nutzt er Machine-Learning-Verfahren und insbesondere Reinforcement Learning, um Angriffe auf Energiesysteme zu lernen und so systemische Schwachstellen zu identifizieren. Damit sollen wiederum geeignete Gegenmaßnahmen identifiziert werden. Besonders relevant sind dabei Flexibilitätsmärkts im Energiesystem. Thomas ist verantwortlich für das PYRATE  Project.

(Stand: 09.06.2021)