INTELIGENCIA ARTIFICIAL APLICADA A LA INGENIERÍA ELÉCTRICA

Módulo 1: Introducción a la IA y Machine Learning en Ingeniería Eléctrica

1.1. Fundamentos de Inteligencia Artificial (IA)
1.2. Breve historia y evolución de la IA en ingeniería
1.3. Machine Learning (ML) vs. Deep Learning (DL)
1.4. Aplicaciones de IA en el sector eléctrico
1.5. Herramientas básicas: Python, bibliotecas (Pandas, NumPy, Scikit-learn)
1.6. Casos de éxito globales de IA en ingeniería eléctrica
1.7. Introducción a la ética y responsabilidad en el uso de IA

Módulo 2: Técnicas de Predicción de Demanda Energética

2.1. Análisis de series temporales en datos de consumo eléctrico
2.2. Modelos de regresión para predicción de demanda
2.3. Algoritmos de ML: ARIMA, SARIMA, Prophet
2.4. Uso de redes neuronales recurrentes (RNN) para predicción
2.5. Factores externos: clima, eventos sociales, económicos
2.6. Métricas de evaluación de modelos predictivos (MAE, RMSE)
2.7. Ejercicio práctico: Predicción de demanda horaria

Módulo 3: Mantenimiento Predictivo en Sistemas Eléctricos Usando IA

3.1. Conceptos de mantenimiento predictivo vs. preventivo y correctivo
3.2. Recolección y preprocesamiento de datos de sensores
3.3. Detección de anomalías en transformadores y líneas de transmisión
3.4. Algoritmos de clustering y clasificación para diagnóstico temprano
3.5. Uso de Random Forest y SVM en fallas eléctricas
3.6. Caso práctico: Análisis de vibración y temperatura en equipos
3.7. Integración de sistemas de monitoreo en tiempo real

Módulo 4: Redes Neuronales Aplicadas a Detección de Fallos

4.1. Arquitecturas básicas de redes neuronales artificiales (ANN)
4.2. Redes neuronales convolucionales (CNN) para análisis de señales eléctricas
4.3. Detección y clasificación de fallas en líneas de distribución
4.4. Uso de LSTM para secuencias temporales en fallas intermitentes
4.5. Procesamiento de imágenes termográficas para diagnóstico
4.6. Entrenamiento y validación de modelos de detección
4.7. Taller: Diseño de un detector de fallas usando TensorFlow/Keras

Módulo 5: Optimización de Redes Inteligentes (Smart Grids)

5.1. Conceptos y componentes de Smart Grids
5.2. Gestión de energía distribuida con IA
5.3. Algoritmos genéticos y de enjambre para optimización de flujos
5.4. Balance entre generación y demanda en tiempo real
5.5. Integración de energías renovables usando ML
5.6. Modelado de micro-redes inteligentes
5.7. Simulación de escenarios con herramientas de optimización

Módulo 6: Proyecto Integrador: Caso de Estudio Real

6.1. Definición del problema real del sector eléctrico local
6.2. Recolección y limpieza de datos relevantes
6.3. Diseño de la solución con técnicas de IA/ML
6.4. Implementación del modelo seleccionado
6.5. Pruebas y validación de resultados
6.6. Presentación de informes técnicos y conclusiones
6.7. Exposición final de proyectos y retroalimentación