Diplomado en Redes inteligentes en sistemas eléctricos

Docentes: Matías Negrete

Unidad académica responsable: Escuela de Ingeniería – Centro de Energía

Créditos: 4

Horas totales: 75 | Horas directas: 35 | Horas indirectas: 40

Descripción del curso

El acoplamiento entre un sistema eléctrico y nuevas tecnologías de generación distribuida, almacenamiento e información es lo que se conoce como red inteligente. Dentro de las redes inteligentes son los recursos energéticos distribuidos una de las principales tecnologías habilitantes. Las redes inteligentes abren una serie de posibilidades de operación y nuevos modelos de negocios para permitir una transición hacia sistemas eléctricos más sustentables, eficientes y confiables.

En particular, este curso describirá en detalle las tecnologías y regulaciones habilitantes para el desarrollo de redes inteligentes y recursos energéticos distribuidos, incluyendo el potencial y desafíos asociados al control de la demanda en redes inteligentes. Este conocimiento permitirá describir nuevos modelos de negocios, oportunidades y limitantes en el uso de redes inteligentes y recursos energéticos distribuidos.

Durante el transcurso de las clases, el curso presentará casos de estudios tanto internacionales como nacionales presentando también escenarios de evolución esperados de recursos energéticos distribuidos en el sistema eléctrico chileno.

Los contenidos serán abordados en 6 clases en línea (8 semanas), donde se entregarán los contenidos mediante recursos interactivos que integran videos, esquemas, artículos, lecturas y preguntas formativas.

Resultados de aprendizaje

1. Comprender el concepto de redes inteligentes y sus implicancias técnico-económicas en diversos segmentos de los sistemas de energía y potencia.
2. Identificar las tecnologías y regulaciones que habilitan el desarrollo de recursos energéticos distribuidos.
3. Identificar el potencial y los desafíos asociados al control de la demanda en redes inteligentes.
4. Analizar los escenarios de evolución de recursos energéticos distribuidos en el sistema eléctrico chileno.
5. Analizar los modelos de negocios, oportunidades y limitantes en el uso de recursos energéticos distribuidos y redes inteligentes.

Contenidos

• Sistemas de energía y potencia.
  • Introducción e historia.
  • Generación, transmisión y distribución.
  • Modelos de operación y planificación de sistemas eléctricos de potencia.
  • Sistema eléctrico nacional: organización, actores, tecnologías, mercados.
• Recursos energéticos distribuidos.
  • Introducción.
  • Descripción de tecnologías y aspectos económicos.
  • Arquitecturas para su integración en sistemas eléctricos.
  • Oportunidades y desafíos en la integración.
  • Aspectos regulatorios.
• Redes inteligentes y tecnología.
  • Definición de redes inteligentes y arquitecturas.
  • Tecnologías habilitantes de redes inteligentes.
  • Infraestructura de comunicación y tecnologías de información.
  • Esquemas de control.
  • Oportunidades y desafíos tecnológicos.
• Redes inteligentes y mercados.
  • Operación económica de redes inteligentes.
  • Mercados eléctricos y redes inteligentes.
  • Mercados eléctricos locales.
• Demanda flexible en sistemas eléctricos.
  • Consumos eléctricos flexibles.
  • Servicios que puede entregar la demanda.
  • Estrategias de control de demanda: control directo, indirectos, híbridos.
  • HEMS (home energy management system).
  • Vehículos eléctricos como demanda flexible.
• Casos de estudio
  • Redes inteligentes.
  • Recursos energéticos distribuidos.
  • Demanda flexible.
  • Impacto en sistema eléctrico chileno de recursos energéticos distribuidos.
  • Nuevos modelos de negocios.

Estrategias Metodológicas

• Aprendizaje autónomo asincrónico estructurado en 6 módulos
• Clases expositivas
• Foros
• Estudio de caso

Estrategias Evaluativas

• 6 controles individuales (15%)
• 3 foros de participación individual (25%)
• 1 trabajo final grupal (30%)
• 1 examen final individual (30%)

Docente(s): Javier Pereda

Unidad académica responsable: Escuela de Ingeniería – Centro de Energía

Créditos: 4

Horas totales: 75 | Horas directas: 35 | Horas indirectas: 40

Descripción del curso

Este curso entrega conocimientos acerca del estado, las tendencias y las barreras de la electromovilidad, con un foco tecnológico aplicado que también incluye la operación, el mercado y algunas normativas generales. Entre los temas que se abordarán, está el mercado de vehículos eléctricos y su impacto, los distintos tipos de vehículos eléctricos e híbridos, además del uso de hidrógeno como sistema de almacenamiento y las tecnologías en baterías e infraestructura de carga.

El curso entregará a los alumnos una visión general para entender el funcionamiento, las barreras tecnológicas y de mercado, además de herramientas para la futura resolución y toma de decisiones estratégicas en electromovilidad. Se verá en detalle el funcionamiento de los distintos sistemas de propulsión de vehículos eléctricos e híbridos, incluyendo su operación, ventajas y desventajas, los distintos mecanismos de almacenamiento de energía a través de baterías de distintas tecnologías, el uso del hidrógeno a través de celdas de combustible, y las tecnologías en cargadores e infraestructura de carga. 

En consideración de lo anterior, este curso entrega los fundamentos teóricos y prácticos que permitan al estudiante comprender los conceptos claves para desarrollar proyectos en electromovilidad.

Los contenidos serán abordados en 6 clases en línea (8 semanas), donde se entregarán los contenidos mediante recursos interactivos que integran videos, esquemas, artículos, lecturas y preguntas formativas.

Resultados de aprendizaje

1. Identificar las tecnologías que hacen posible el desarrollo de la electromovilidad e impulsan este mercado.
2. Evaluar el impacto de las políticas e incentivos en la penetración de la electromovilidad, principalmente en el transporte terrestre.
3. Analizar los distintos tipos de vehículos eléctricos, su funcionamiento y sus ventajas según la aplicación.
4. Identificar las tecnologías de almacenamiento, sus ventajas, desventajas y desarrollos.
5. Analizar los modelos de negocios, oportunidades y limitantes de la infraestructura de carga.

Contenidos

• Vehículos eléctricos
  • Introducción e historia
  • Mercado y tendencias de los vehículos eléctricos, los buses eléctricos y el transporte de carga eléctrico
  • Incentivos, política y reconversión (retrofit)
  • Otras aplicaciones: industria, minería, transporte heavy-duty y transporte público
• Tren de potencia
  • Conceptos básicos: torque, potencia y su relación
  • Tren de potencia: EV, BEV, HEV, PHEV serie y paralelo, y FCEV.
  • Motor eléctrico: PMSM, MI y RSM.
  • Control del Motor
• Almacenamiento de energía
  • Conceptos básicos: operación, energía y potencia específica, ciclos de vida, SOC, etc.
  • Tipos de baterías: Plomo acido, Sal fundida, NIMH, NiCd, y Li-ion
  • Volantes de inercia y Ultracapacitores
  • Celdas de combustible
• Batería de Litio ion
  • Baterías de Litio: LCO, NMO, NCA, LFP, etc.
  • Mercado de baterías, tendencia, desarrollos y desafíos
  • BMS (Battery Management System)
  • Paquete de baterías, protecciones y disposición.
• Celdas de combustible (Hidrógeno)
  • Tipos de celda de combustible
  • Características eléctricas
  • Balance del sistema (BoS)
  • Complemento con ultracapacitores o batería de litio
  • EMS (Energy Management System)
• Infraestructura de Carga
  • Tipos de cargadores
  • Políticas y regulaciones en electromovilidad
  • Normativa SEC
  • Modelo de negocios
  • Tendencias y desarrollos
  • Oportunidades (V2G, V2B, V2H)

Estrategias Metodológicas

• Aprendizaje autónomo asincrónico estructurado en 6 módulos
• Clases expositivas
• Foros
• Estudio de casos

Estrategias Evaluativas

• 6 controles individuales (15%)
• 3 foros de participación individual (25%)
• 1 trabajo final grupal (30%)
• 1 examen final individual (30%)

Docente(s): Rodrigo Sandoval

Unidad académica responsable: Escuela de Ingeniería

Créditos: 3

Horas totales: 48 | Horas directas: 24 | Horas indirectas: 24

Descripción del curso

En este curso se explicarán los conceptos, modelos y herramientas más conocidas de la ciencia de datos con una perspectiva práctica y de potencial aplicación, cubriendo desde las aplicaciones más conocidas del aprendizaje automático, hasta el uso de modernos modelos de aprendizaje profundo, para resolver algunas de las problemáticas industriales más relevantes en la actualidad. La metodología docente consiste en clases expositivas en las que se complementan los conceptos y la teoría con ejemplos reales y actividades individuales y grupales en las que los participantes desarrollarán ejemplos de las materias tratadas en clases, utilizando R, Python R-Project y Google Colaboratory Notebooks.

Resultados de aprendizaje:

1. Identificar potencias y limitaciones del Aprendizaje Automático o Machine Learning (ML) y Aprendizaje Profundo o Deep Learning (DL), para la resolución de problemas en diferentes industrias.
2. Utilizar diferentes modelos, aplicando técnicas para su entrenamiento, evaluación, comparación, y refinamiento de desempeño en diferentes industrias.
3. Proponer un plan estratégico de desarrollo de tecnología basada en ciencia de datos, alineado con la estrategia corporativa.
4. Utilizar modelos de redes neuronales profundas en contextos de Visión Computacional, detectando objetos e interpretando contenido de imágenes.
5. Resolver problemáticas en textos no-estructurados de diferentes tipos y orígenes utilizando modelos de Procesamiento de Lenguaje Natural.

Contenidos:

• Introducción, conceptos, gestión de datos
  • Metodología de desarrollo de modelos (CRISP-DM, KDD, otros).
  • Pre-procesamiento de datos.
• Evaluación y Selección de Modelos
  • Workflow de evaluación.
  • Hold out, Cross Validation, refinamiento de hiper-parámetros.
  • Métricas de evaluación.
  • Accuracy, Precision, Recall, RMSE.
• Modelos de aprendizaje automático supervisado
  • Modelos de regresión numérica.
  • Regresión Lineal y no-lineal.
  • Modelos de clasificación, capacidades y características, así como ejemplos de aplicación.
  • Entre los modelos: Árbol de Decisión, Random Forest, KNN, Naive Bayes, SVM, Redes Neuronales.
• Modelos de Aprendizaje No-Supervisados
  • K-Means, DBSCAN, HDBSCAN.
• Modelos de Aprendizaje Profundo:
  • Introducción y conceptos esenciales: Ejemplos de aplicaciones en visión computacional y en procesamiento de lenguaje natural con modelos pre-entrenados (ej: YOLO).
  • Análisis y reducción dimensional.
  • Principal Component Analysis.
  • Características de las redes neuronales y conceptos básicos (álgebra lineal, funciones de mapeo). Diferentes topologías de redes profundas: FFN, Convolucional, Recurrente.
  • Aplicación en contextos de información No-Estructurada: procesamiento de video (Visión Computacional), procesamiento de texto natural (NLP y NLU), Word Embedding, Redes Neuronales Convolucionales, Transformers.
  • Modelos no-supervisados Profundos: Autoencoders, Generative Adversarial Networks, Restricted Boltzmann Machines.
  • Mención y uso práctico de transformers

Estrategias metodológicas

• Clases expositivas
• Trabajos prácticos
• Material complementario
• Desarrollar proyectos aplicados.

Estrategias evaluativas

• Control individual de conocimientos mediante preguntas en plataforma (50%)
• Trabajo grupal aplicado, máximo 4 integrantes, (50%)

Docente(s): Aldo Cipriano, Félix Rojas y Mario Torres

Unidad académica responsable: Escuela de Ingeniería

Créditos: 3

Horas totales: 48 | Horas directas: 24 | Horas indirectas: 24

Descripción del curso

El curso introduce a los estudiantes en los conceptos fundamentales de los sistemas de automatización, internet de las cosas, control avanzado, incluyendo sistemas inteligentes, control predictivo, y gemelos digitales, y en la aplicación de estas tecnologías a la automatización, control y optimización de sistemas eléctricos.

Resultados de aprendizaje

1. Distinguir los alcances, las potencialidades y los componentes de los sistemas de automatización en su aplicación a sistemas eléctricos.
2. Determinar alcances y potencialidades de IoT en el contexto de la industria 4.0, los componentes y modelos de referencia de la arquitectura IoT y estándares de dispositivos comerciales disponibles.
3. Identificar las arquitecturas y los componentes de un sistema inteligente, incluyendo sistemas expertos, sistemas expertos difusos y redes neuronales, en aplicaciones a gestión de activos físicos y automatización y control de sistemas eléctricos.
4. Reconocer los conceptos básicos de Model Predictive Control (MPC), los modelos que se utilizan para MPC, la función objetivo y la metodología de cálculo de la ley de control en su aplicación a sistemas eléctricos, así como los productos comerciales existentes.
5. Distinguir los conceptos básicos, los diferentes componentes y las potencialidades de las tecnologías de simulación de sistemas y de los gemelos digitales, sus ámbitos de aplicación, los beneficios que generan y reconocer las plataformas y productos comerciales para su desarrollo orientado a sistemas eléctricos.
6. Reconocer aplicaciones de automatización y control de sistemas eléctricos, basadas en las tecnologías expuestas previamente.

Contenidos

• Sistemas de automatización y aplicaciones en sistemas eléctricos.
• Internet de las cosas: arquitecturas, componentes, potencialidades y aplicaciones en sistemas eléctricos.
• Sistemas inteligentes: arquitecturas, componentes, potencialidades y aplicaciones en gestión de activos físicos de sistemas eléctricos.
• Control predictivo: historia, modelos dinámicos, función objetivo, restricciones, cálculo de la ley de control, productos comerciales y potencialidades en control de sistemas eléctricos.
• Gemelos digitales: conceptos básicos, componentes y potencialidades de las tecnologías de simulación de sistemas dinámicos y de los gemelos digitales, plataformas y productos comerciales.
• Control de sistemas eléctricos. presentación de cuatro aplicaciones de automatización y control de sistemas eléctricos, basadas en las tecnologías anteriormente descritas.

Estrategias metodológicas

• Clases expositivas
• Trabajos prácticos
• Material complementario
• Desarrollar proyectos aplicados.

Estrategias evaluativas

• Control individual de conocimientos mediante preguntas en plataforma (50%)
• Trabajo grupal aplicado, máximo 4 integrantes, (50%)