Este Trabajo de Fin de Máster surge con la colaboración del grupo AUDIAS, de la Escuela Politécnica Superior (UAM), y una empresa proveedora de centrales eléctricas. Los principales objetivos del proyecto son, por un lado, la adquisición de un mayor conocimiento de las relaciones existentes entre las variables industriales implicadas en el proceso de generación de electricidad y, por otro lado, la predicción de determinadas variables no observables, y de mayor importancia, a lo largo del proceso en cuestión. Para la resolución de ambos objetivos, y partiendo de un trabajo previo realizado a lo largo de 2019, este trabajo se divide en dos tareas claramente diferenciadas. En primer lugar, con el objetivo de realizar el descubrimiento de relaciones entre las variables involucradas, se propone la utilización de técnicas de aprendizaje estructural de redes bayesianas gaussianas. Para ello, se han evaluado las principales técnicas basadas en puntuación, como son K2, Greedy Hill Climbing y GES. Esta tarea finaliza con la generación de estructuras alternativas a las definidas por conocimiento experto. En segundo lugar, este trabajo propone la utilización de un modelo completamente bayesiano gaussiano con el objetivo de obtener un modelo más robusto a la escasez de datos que el desarrollado en 2019. Para ello, se realiza un estudio sobre el impacto de la introducción de una distribución a priori Normal-Wishart en la predicción final de las variables no observables. De esta forma, se consigue una transferencia de conocimiento a la empresa, cumpliendo finalmente con los objetivos iniciales del proyecto

Máster Universitario en en Investigación e Innovación en Inteligencia Computacional y Sistemas Interactivos