Gaia
Smartgrids-en eta mikrosareen kudeaketa eta kontrola
Gaiari buruzko datu orokorrak
- Modalitatea
- Ikasgelakoa
- Hizkuntza
- Ingelesa
Irakasgaiaren azalpena eta testuingurua
Smartgrids should prove to adequately work for tomorrow networks. This requires technical solutions supported by adequate data analysis and mining so that the future network able to face the new requirements, including the integration of renewable based generation, energy storage systems, electric vehicles, and demand response.Therefore, data mining techniques are introduced in this subject, including supervised and unsupervised classification algorithms applied to Smartgrids concepts. Furthermore, data based decision making will be also covered by means of mathematical optimization.
Irakasleak
Izena | Erakundea | Kategoria | Doktorea | Irakaskuntza-profila | Arloa | Helbide elektronikoa |
---|---|---|---|---|---|---|
AGINAKO BENGOA, NAIARA | Euskal Herriko Unibertsitatea | Irakaslego Agregatua | Doktorea | Elebiduna | Konputazio Zientzia eta Adimen Artifiziala | naiara.aginako@ehu.eus |
ALDASORO MARCELLAN, UNAI | Euskal Herriko Unibertsitatea | Irakaslego Agregatua | Doktorea | Elebiduna | Matematika Aplikatua | unai.aldasoro@ehu.eus |
Gaitasunak
Izena | Pisua |
---|---|
Ikasleek Smartgrid eta Sorkuntza Banaturari sorkuntzari loturiko teknika eta lan metodologien inguruko ezagutza eguneratua edukitzea,batez ere horiek kontrolatzearen ikuspegitik. | 15.0 % |
Smartgrid-en kontzeptuak eta zehaztapenak ezagutu eta aplikatzea, baita haien tipologiak, osatzen dituzten osagaiak eta oinarrizko dimentsionatzea ere. | 10.0 % |
Jarduteko eta kudeaketarako estrategiak diseinatzea, Smartgrid sareak erregulatzeko teknika aurreratuak barne. | 30.0 % |
Smartgrid eta Microsareen jarduna baloratu eta kontrastatzea. Jardun hori simulazioari esker lortuko da, jarduteko eta kudeatzeko estrategia ezberdinen bidez. Lortutako emaitzak justifikatu beharko dira. | 20.0 % |
Tresna informatikoak eta telekomunikazio tresnak aplikatzea Smartgrid eta Sorkuntza Banatua kontrolatzeko. | 10.0 % |
Smartgrid-en alorrean lan egiten duten profesionalez eta aztertzaileez osatutako diziplina anitzeko talde eleanitzek, nazionalek zein nazioartekoek, egindako lanen gainean ikasleek komunikatzeko gaitasuna izatea. | 10.0 % |
Ikasleak masterraren gaiari buruzko dokumentu teknikoak, arauak eta artikulu zientifikoak ulertzeko eta aztertzeko gaituta egotea, baita Smartgrid-en alorreko garapen lanetan horiek aplikatzeko gai izatea ere. | 5.0 % |
Irakaskuntza motak
Mota | Ikasgelako orduak | Ikasgelaz kanpoko orduak | Orduak guztira |
---|---|---|---|
Magistrala | 27 | 40 | 67 |
Gelako p. | 6 | 5 | 11 |
Laborategiko p. | 8 | 15 | 23 |
Ordenagailuko p. | 4 | 7.5 | 11.5 |
Irakaskuntza motak
Izena | Orduak | Ikasgelako orduen ehunekoa |
---|---|---|
Ariketak | 4.0 | 100 % |
Azalpenezko eskolak | 24.0 | 100 % |
Ikasketa sistematizatua | 30.5 | 0 % |
Kasu praktikoen ebazpena | 21.0 | 66 % |
Proiektuen azalpena | 3.0 | 100 % |
Txostenak eta azalpenak lantzea | 30.0 | 0 % |
Ebaluazio-sistemak
Izena | Gutxieneko ponderazioa | Gehieneko ponderazioa |
---|---|---|
Idatzizko azterketa | 40.0 % | 40.0 % |
Lan praktikoak | 20.0 % | 20.0 % |
Txostenak eta azalpenak lantzea | 40.0 % | 40.0 % |
Ohiko deialdia: orientazioak eta uko egitea
Las actividades o pruebas que se realizarán durante el periodo formativo serán las siguientes:Proyecto:
Se realizará un proyecto grupal donde se incorporan los contenidos aprendidos en la asignatura. Cada grupo entregará una memoria del proyecto y realizará una defensa oral del trabajo realizado.
Evaluación puntual del proceso de aprendizaje:
Se realizarán ejercicios propuestos para entrega en clase. La realización del ejercicio será individual o grupal.
Examen escrito:
Constará de preguntas teóricas y prácticas que evaluarán las competencias a adquirir en la asignatura.
Nota final convocatoria ordinaria:
40% nota del proyecto.
30% nota de la evaluación puntual del proceso de aprendizaje.
30% nota del examen escrito.
En cualquier caso todo alumno que no se presente a la prueba final tendrá una calificación de NO PRESENTADO
Ezohiko deialdia: orientazioak eta uko egitea
Se realizará un examen escrito que constará de preguntas teóricas y prácticas que evaluarán las competencias a adquirir en la asignatura incluidas aquellas adquiridas en las prácticas de laboratorio.Nota final convocatoria extraordinaria:
100% nota del examen escrito
Irakasgai-zerrenda
Introduction to Data MiningApplication of supervised and unsupervised classification algorithms in SmartGrids
Introduction to optimization
Linear programming
Integer programming
Bibliografia
Nahitaez erabili beharreko materiala
Documentación de la página web de la asignatura. Accesible en: http://moodle.ehu.es/moodleOinarrizko bibliografia
H. Lee Willis Distributed Power Generation: Planning and Evaluation. Marcel Dekker, IncR.S. Michalski, I. Bratko, M. Kubat (1998). Machine Learning and Data Mining. Methods and Applications. Wiley.
B. Sierra (2006). Aprendizaje Automático: Conceptos Básicos y Avanzados. Pearson ¿ Prentice Hall.
I.H. Witten, E. Frank (2005). Data Mining: Practical Machine Learning Tools and Techniques. Elsevier, 2nd edition.
B. Korte, J. Vygen (2018) Combinatorial Optimization. Theory and Algorithms. Springer.
Gehiago sakontzeko bibliografia
Carol L. Stimmel (2014). Big Data Analytics Strategies for the Smart Grid. Auerbach Publications.M. Conforti, G. Cornujols, G. Zambelli (2014). Interger Programming. Springer
Aldizkariak
Smart Grid, IEEE Transactions on Renewable Energy (Elsevier)Applied Energy (Elsevier)
Information Sciences (Elsevier)
Artificial Intelligence (Elsevier)
Computers and Operations Research (Elsevier)
Estekak
https://sgc2020.ieee-smartgridcomm.org/http://www.kdnuggets.com
http://www.sc.ehu.es/ccwbayes/members/inaki/DM-applications.htm