Descripción y contextualización de la asignatura

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.

Convocatoria ordinaria: orientaciones y renuncia

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 tanto de manera presencial como no presencial. La realización de los ejercicios 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.

20% nota de la evaluación puntual del proceso de aprendizaje.

40% nota del examen escrito.



NOTA MÍNIMA: Para aprobar la asignatura es necesario que las notas tanto del proyecto como del examen escrito sean al menos de 4 puntos sobre 10. Si no se obtienen estas notas mínimas, la nota de la convocatoria ordinaria será como máximo de 4 (sobre 10).



En cualquier caso todo alumno que no se presente a la prueba final tendrá una calificación de NO PRESENTADO

Convocatoria extraordinaria: orientaciones y renuncia

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 y trabajo en grupo.





Nota final convocatoria extraordinaria:

100% nota del examen escrito

Temario

Introduction to Data Mining

Application of supervised and unsupervised classification algorithms in SmartGrids

Introduction to optimization

Linear programming

Integer programming

Bibliografía

Materiales de uso obligatorio

Documentación de la página web de la asignatura. Accesible en: https://egela.ehu.eus

Bibliografía básica

H. Lee Willis Distributed Power Generation: Planning and Evaluation. Marcel Dekker, Inc



R.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.

Bibliografía de profundización

Carol L. Stimmel (2014). Big Data Analytics Strategies for the Smart Grid. Auerbach Publications.







M. Conforti, G. Cornujols, G. Zambelli (2014). Interger Programming. Springer

Revistas

Smart Grid, IEEE Transactions on Renewable Energy (Elsevier)



Applied Energy (Elsevier)



Information Sciences (Elsevier)



Artificial Intelligence (Elsevier)



Computers and Operations Research (Elsevier)

Enlaces

https://sgc2020.ieee-smartgridcomm.org/



http://www.kdnuggets.com



http://www.sc.ehu.es/ccwbayes/members/inaki/DM-applications.htm