Tecnologías Específicas

Computación

Descripcion y Objetivos

En el mercado minorista los consumidores adquieren su energía a través de las comercializadoras y facturan a través de dos conceptos: coste de la energía y costes regulados (distribución, transporte, subsidios, etc.); en definitiva, costes establecidos por la administración. Por lo tanto, la competencia en este mercado se centra únicamente en el coste de la energía. Así, desde un punto de vista práctico, las predicciones de demanda a corto plazo, son una tarea muy importante para las empresas eléctricas a la hora de gestionar la producción, la transmisión y la distribución de la electricidad de la forma más segura y eficiente. 

A partir de datos demográficos, meteorológicos y datos del punto de suministro de la provincia de Granada, se pretende modelar los patrones de demanda de los consumidores, entrenando los modelos con datos históricos a lo largo de 1 año, y validando con nuevos datos de un mes.

 

Metodología y Competencias

El alumno deberá dedicar un tiempo considerable a recoger datos meteorológicos, además de procesar el registro de lecturas de contadores para un sector de la población de Granada. 

Después de la etapa de procesado, el trabajo se dividirá en una fase de análisis de datos y aprendizaje no supervisado; para más tarde pasar a una fase de selección de varaibles y clasificación supervisada.

A priori no hay modelos de aprendizaje decididos, será trabajo del alumno, con la ayuda de sus tutores, investigar la mejor elección.

 

Medios a utilizar

No se necesita ningún hardware adicional al PC. Se utilizarán las herramientas:

- R y/o Python (numpy, scipy, scikit-learn) para aprendizaje supervisado y no supervisado.

- KNIME para el modelado del flujo de trabajo.

- MySQL para la gestión de la base de datos.

- R, Python, KNIME o PowerBI para la visualización.

En relación a las competencias específicas de computación, este trabajo permitirá desarrollar, fundamentalmente, las  siguientes: [CM1], [CM3],  [CM5], y [CM7].

 

 

 

 

Bibliografía

Apuntes de la asignatura Minería de datos en la ESIIAB (Gámez, de la Ossa)
Documentación de Numpy: https://docs.scipy.org/doc/numpy-dev/user/quickstart.html
Documentación de Pandas: http://pandas.pydata.org/
Documentación de Scikit-learn: http://scikit-learn.org/stable/
Jiawey Han y Micheline Kamber, Data Mining: Concepts and techniques, Morgan Kauffmann, 2006
Wrappers for feature subset selection. R. Kohavi, G. John. Artificial Intelligence, 97 (1997), pp. 273-324