Curso
Analítica Avanzada y Simulación Energética con Python: De la Modelación Técnica a la Decisión Económica
SOMOS
EDUCACIÓN
CONTINUA
La transición energética y la gestión del riesgo climático han incrementado la necesidad de una planeación inter-disciplinaria y cuantitativa. Las decisiones sobre inversión, regulación y expansión del sistema eléctrico ya no pueden basarse únicamente en la ingeniería; requieren una evaluación rigurosa de costos marginales, riesgo de mercado y viabilidad económica.
Este curso intensivo de 60 horas utiliza el ecosistema de Python como la herramienta central para la simulación y la optimización. Los participantes aprenderán a gestionar grandes volúmenes de datos de precios y demanda con librerías estándar (Pandas), a realizar pronósticos econométricos y a construir modelos de Optimización Lineal (Investigación de Operaciones) para determinar el despacho o la expansión de recursos bajo criterios de minimización de costos y eficiencia. El curso proporciona las habilidades de Data Science necesarias para conectar el análisis técnico con la decisión financiera y gerencial.
El valor del curso se centra en dotar a los profesionales de la capacidad de cuantificar y valorar el impacto económico de las decisiones técnicas y de gestión, habilidades cruciales para el liderazgo en el sector.
-
Integración Interdisciplinaria: Une el rigor de la simulación ingenieril (restricciones físicas, IO) con el análisis de costos marginales y riesgo de mercado, creando un lenguaje común para Ingenieros, Economistas y Administradores.
-
Modelación Activa (IO): Se utiliza Python (librerías PuLP/Pyomo) para que los estudiantes construyan sus propios modelos de optimización, un skill superior a la simple operación de software propietario y una aplicación directa de la Investigación de Operaciones.
-
Accesibilidad Universal: La metodología es 100% cloud-based (Google Colab/Jupyter Hub), garantizando que el curso sea accesible para usuarios de Windows, Mac y Linux sin problemas de instalación.
Objetivos
Desarrollar en los participantes (ingenieros, economistas y administradores) la capacidad de construir, simular y analizar modelos de optimización energética utilizando Python, con el fin de evaluar la viabilidad técnica, económica y la gestión del riesgo de las estrategias de planeación en el sector.
1. Dominar Python para el wrangling y pre-procesamiento de series de tiempo de precios, demanda y variables técnicas.
2. Aplicar técnicas de pronóstico (Time Series Forecasting) para la predicción de variables críticas del mercado energético.
3. Construir y resolver un modelo de optimización lineal para el despacho económico de recursos utilizando librerías Python, aplicando los fundamentos de la Investigación de Operaciones.
4. Interpretar los resultados de la optimización (especialmente costos marginales y precios sombra) y comunicarlos de manera efectiva a las áreas ejecutivas y financieras de las organizaciones.
Dirigido a
● Ingenieros en áreas de planeación, operación, optimización de recursos y regulación del sector de infraestructura y energía.
● Economistas y Financieros que trabajen en el sector energético, que busquen una base cuantitativa para entender la formación de costos, valorar activos y gestionar el riesgo financiero.
● Administradores de Empresas y Gestores de Activos con interés en la cadena de valor energética, que necesiten validar los modelos de asignación de recursos y eficiencia operativa de sus equipos técnicos.
Al finalizar el curso, el estudiante estará en capacidad de:
1. Modelar: Construir un modelo de optimización lineal funcional en Python (utilizando librerías como PuLP/Pyomo) para simular escenarios de planeación energética, integrando correctamente las restricciones técnicas y la función de costo.
2. Cuantificar: Interpretar y aplicar los Costos Marginales y Precios Sombra (Dualidad) derivados de la optimización para valorar las inversiones en infraestructura y evaluar la viabilidad financiera de los proyectos energéticos.
3. Gestionar: Utilizar las técnicas de pronóstico (Time Series Forecasting) y los resultados de la optimización para la asignación eficiente de recursos, la gestión del riesgo operativo y la optimización de los procesos de management.
4. Liderar: Transformar los outputs complejos de Python en una narrativa ejecutiva y financiera clara para comunicar el valor, el impacto económico y las recomendaciones de los modelos de planeación a audiencias no técnicas.
Metodología
El curso se desarrollará bajo un modelo de Taller Intensivo y Práctico (Hands-on) con una estrategia de Aula Invertida (Flipped Classroom) para garantizar el máximo rendimiento del tiempo sincrónico.
1. Trabajo Autónomo Previo (Base Conceptual y Casos de Estudio) Este componente es obligatorio para maximizar el tiempo en el aula:
● Lecturas Requeridas: Se asignarán lecturas obligatorias que incluirán:
○ Capítulos de libros y artículos académicos para la fundamentación teórica (Estadística, IO y Economía del Despacho).
○ Artículos y Papers de Estudio de Casos que muestren la aplicación práctica de los modelos de optimización y analítica en el sector energético.
2. Tiempo Sincrónico
Las 60 horas sincrónicas serán distribuidas con el siguiente foco:
● Repaso y Conceptualización: Se dedicará aproximadamente un 30% del tiempo al repaso, la especificación de los conceptos derivados de las lecturas y la solución de dudas generadas por el material previo.
● Laboratorios de Código y Modelación: El 70% del tiempo restante se dedicará exclusivamente al Desarrollo de Laboratorios de Código y Modelos de Optimización guiados por la docente, aplicando los conceptos teóricos a bases de datos reales en Python.
3. Soporte Académico Adicional
● Canales de Consulta: Los estudiantes podrán contactar a la docente, fuera del horario de clase, a través de canales definidos (ej. correo electrónico o plataforma de la Javeriana) para la solución de dudas puntuales relacionadas con el contenido o el proyecto. Esto asegura un acompañamiento académico efectivo y personalizado.
4. Entorno de Trabajo Universal (Cloud-Based)
● Independencia del Sistema Operativo: Uso exclusivo de entornos de programación basados en la nube (Google Colab o Jupyter Hub), eliminando barreras de instalación y garantizando un ambiente uniforme (compatible con Windows, Mac o Linux).
5. Proceso de Evaluación
● Proyecto Final: Desarrollo y sustentación de un Modelo de Optimización Lineal completo en Python para un caso de negocio energético.
● Sustentación Ejecutiva: La evaluación se centrará en la calidad del modelo y la capacidad de traducir los resultados técnicos en conclusiones de valor económico y gerencial.
Contenidos académicos
El plan de estudios se divide en cuatro módulos que representan el ciclo completo de la analítica de planeación: Datos, Pronóstico, Optimización y Decisión.
Detalle Temático por Módulo
Módulo 1: Preparación de Datos de Mercado con Python (12 horas)
● Base Conceptual (Lectura Previa): Introducción a la Estadística Descriptiva (Medidas de Tendencia Central y Dispersión) y a los flujos básicos de datos en el sector energético.
● Contenido Sincrónico:
○ Introducción al Entorno y Python: Uso de Google Colab o Jupyter Hub. Instalación e importación de librerías esenciales (Pandas, Numpy).
○ Taller de Data Wrangling: Carga, limpieza y estandarización de series de tiempo de precios de bolsa, demanda histórica y variables técnicas. Manejo de datos faltantes e inconsistentes.
○ Manejo Avanzado de Series Temporales (Pandas): Funciones clave para el remuestreo (resampling), la agregación de datos por diferentes ventanas de tiempo y la creación de features relevantes para la modelación.
○ Visualización Exploratoria: Creación de gráficos informativos (líneas, dispersión, box plots) con Plotly o Seaborn para el Análisis Exploratorio de Datos (EDA).
Módulo 2: Estadística y Pronóstico de Variables Críticas (14 horas)
● Base Conceptual (Lectura Previa): Fundamentos de Series de Tiempo (Conceptos de Estacionalidad y Tendencia) y el marco conceptual de la Regresión Lineal.
● Contenido Sincrónico:
○ Análisis de Volatilidad y Riesgo: Detección de outliers y análisis estadístico de la volatilidad del mercado y la intermitencia de las energías renovables (EERR).
○ Estadística Descriptiva Aplicada: Análisis de la distribución de la demanda y la generación para entender la fiabilidad de las métricas.
○ Técnicas de Time Series Forecasting:
■ Implementación de modelos de Regresión Lineal Simple y Múltiple en Python para modelar la relación demanda-temperatura-precios.
■ Introducción a los conceptos de modelos de pronóstico avanzados (ej. ARIMA) para la predicción de precios de mercado y demanda futura.
Módulo 3: Modelación de Optimización (IO) y Análisis de Costos (20 horas)
● Base Conceptual (Lectura Previa): Fundamentos de Investigación de Operaciones (IO): Variables de Decisión, Restricciones Técnicas y la definición de la Función Objetivo de Costo/Beneficio.
● Contenido Sincrónico:
○ Formulación del Modelo: Repaso del marco matemático de la Optimización Lineal.
○ Taller Práctico de Optimización: Construcción y solución de un Modelo de Despacho Económico Básico en Python utilizando librerías como PuLP o Pyomo.
○ Modelación Avanzada: Implementación de restricciones de mayor complejidad (ej. rampas, límites de capacidad), acercando el modelo a un Unit Commitment simplificado.
○ Análisis Económico Profundo:
■ Interpretación de los Costos Marginales de la solución óptima (Costo de Generación).
■ Concepto, cálculo y aplicación de los Precios Sombra (Dualidad) como herramienta gerencial para valorar las restricciones y las inversiones (Ej. ¿Cuánto vale reducir la congestión en una línea?).
○ Análisis de Sensibilidad Exhaustivo: Taller práctico de what-if scenarios para la gestión de riesgo ante cambios en los costos de input o en la regulación.
Módulo 4: Proyecto Final Integrador y Comunicación Ejecutiva (14 horas)
● Base Conceptual (Lectura Previa): Principios de Visualización Efectiva de Datos y la estructura de una narrativa ejecutiva (Data Storytelling).
● Contenido Sincrónico:
○ Aplicación Práctica y Mentoría: Taller de integración para aplicar el ciclo completo de Módulos 1, 2 y 3. Revisión personalizada de los proyectos de optimización.
○ Análisis Estratégico de Resultados: Profundización en la traducción de outputs de Python a un lenguaje de negocio (Viabilidad Económica, Retorno de la Inversión, Mitigación de Riesgos).
○ Comunicación Ejecutiva (Data Storytelling): Transformación de los resultados (costos marginales, precios sombra) en una narrativa clara y concisa.
○ Presentación y Sustentación: Espacio final para la presentación del Proyecto Integrador, enfocándose en el impacto económico y la toma de decisiones.
Conferencistas
no aplica
La Pontificia Universidad Javeriana otorgará certificado de participación a quienes hayan asistido por lo menos al 80% de las sesiones programadas.
La certificación de asistencia se otorga de acuerdo con lo establecido en el Decreto 1075 de 2015 numeral 2.6.6.8. - Decreto Reglamentario del Sector Educación para Educación Informal.
Este Diplomado no conduce a título de Educación Formal de Especialización, Licenciatura, Maestría o Doctorado.
Descuentos
4% por pronto pago en curso o diplomados, cancelando 30 días calendario previos a la fecha de inicio (acumulable con otros descuentos).
10% egresados, afiliados a Cafam (válido para Colombia)
15% para grupos de 3 a 5 participantes en el mismo curso o diplomado.
20% para grupos de 6 personas en adelante, y en el tercer curso o diplomado realizado consecutivamente
Apertura y fecha de inicio: la apertura y la fecha de inicio del
programa dependerá del mínimo número de inscritos,
establecido por la Universidad.
Certificación: se otorgará certificación a quien haya
cumplido como mínimo con el 80% de las actividades
programadas en el aula.
Forma de pago: efectivo, cheque de gerencia, tarjeta de
crédito (recibimos todas las tarjetas, cuenta de cobro).
Válido para Colombia:
**Art. 92 Ley 30 de 1992 - Las Instituciones de
Educación Superior no son responsables del
I.V.A.
**Numeral 6 del Art. 476 Estatuto Tributario
(ET) - Servicios excluidos del impuesto sobre
las ventas.