Gaia

XSLaren edukia

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

IzenaErakundeaKategoriaDoktoreaIrakaskuntza-profilaArloaHelbide elektronikoa
AGINAKO BENGOA, NAIARAEuskal Herriko UnibertsitateaIrakaslego Atxikia (Laguntzaile Doktorea)DoktoreaElebidunaKonputazio Zientzia eta Adimen Artifizialanaiara.aginako@ehu.eus
ALDASORO MARCELLAN, UNAIEuskal Herriko UnibertsitateaIrakaslego Atxikia (Laguntzaile Doktorea)DoktoreaElebidunaMatematika Aplikatuaunai.aldasoro@ehu.eus

Gaitasunak

IzenaPisua
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

MotaIkasgelako orduakIkasgelaz kanpoko orduakOrduak guztira
Magistrala274067
Gelako p.6511
Laborategiko p.81523
Ordenagailuko p.47.511.5

Irakaskuntza motak

IzenaOrduakIkasgelako orduen ehunekoa
Ariketak4.0100 %
Azalpenezko eskolak24.0100 %
Ikasketa sistematizatua30.50 %
Kasu praktikoen ebazpena21.066 %
Proiektuen azalpena3.0100 %
Txostenak eta azalpenak lantzea30.00 %

Ebaluazio-sistemak

IzenaGutxieneko ponderazioaGehieneko ponderazioa
Idatzizko azterketa40.0 % 40.0 %
Lan praktikoak20.0 % 20.0 %
Txostenak eta azalpenak lantzea40.0 % 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 Mining Application of supervised and unsupervised classification algorithms in SmartGrids Introduction to optimization Linear programmingInteger programming

Bibliografia

Nahitaez erabili beharreko materiala

Documentación de la página web de la asignatura. Accesible en: http://moodle.ehu.es/moodle

Oinarrizko bibliografia

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.

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

XSLaren edukia

Iradokizunak eta eskaerak