Admisión abierta 2026-2027Rellenar solicitud

Diplomado en GNNs para Flujos, Energía y Tráfico

Diplomado online de 800 h: 8 módulos y 80 submódulos, de «Grafos de redes físicas de flujo» a «Proyecto de GNN para redes», pasando por «Redes hidráulicas y de calor».

Mapa del programa · pulsa un módulo
Módulo 1 · Grafos de redes físicas de flujo
800 hDuración total
8Módulos
80Submódulos
OnlineModalidad

Competencias y resultados

6 bloques de competencia, sacados de los módulos de este programa. Pulsa cualquiera y ves qué vas a saber hacer.

Grafos de redes físicas de flujo

Saldrás manejando redes eléctricas representadas como grafos de nudos, redes viarias: intersecciones, tramos y matrices origen-destino y redes de distribución de agua y gas. Es lo que se trabaja en «Grafos de redes físicas de flujo», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Arquitecturas GNN esenciales

Saldrás manejando paso de mensajes y funciones de agregación, convolución espectral y filtros ChebNet y GCN de Kipf y Welling. Es lo que se trabaja en «Arquitecturas GNN esenciales», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Modelos espaciotemporales de tráfico

Saldrás manejando conjuntos de datos METR-LA y PEMS-BAY, DCRNN: convolución por difusión recurrente y STGCN y convoluciones temporales con compuertas. Es lo que se trabaja en «Modelos espaciotemporales de tráfico», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Redes hidráulicas y de calor

Saldrás manejando modelado hidráulico de redes con EPANET, detección y localización de fugas por presión y estimación de presiones en nudos no monitorizados. Es lo que se trabaja en «Redes hidráulicas y de calor», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Aprendizaje informado por la física

Saldrás manejando physics-informed GNN: principios y formulación, conservación de masa y energía como penalización y operadores neuronales sobre mallas y grafos. Es lo que se trabaja en «Aprendizaje informado por la física», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Despliegue en operación de redes

Saldrás manejando inferencia en tiempo real y requisitos de latencia, particionado y muestreo de grafos a gran escala y entrenamiento distribuido en múltiples GPU. Es lo que se trabaja en «Despliegue en operación de redes», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Objetivos de aprendizaje

  • 01Modelar redes eléctricas, viarias e hidráulicas como grafos con atributos físicos.
  • 02Implementar arquitecturas GCN, GAT y GraphSAGE con PyTorch Geometric.
  • 03Desarrollar modelos espaciotemporales para la predicción de tráfico.
  • 04Construir modelos sustitutos del flujo de potencia con restricciones físicas.
  • 05Detectar y localizar fugas en redes de agua mediante GNN.
  • 06Evaluar la robustez y la incertidumbre de los modelos ante cambios topológicos.
  • 07Desplegar modelos de grafos integrados con sistemas SCADA y centros de control.

Plan de estudios

8 módulos, 80 submódulos, 800 h. Elige un módulo y ves su contenido completo.

1 de 8 módulos abiertos
Módulo 1 de 8 · 10 submódulos

Grafos de redes físicas de flujo

1.1Redes eléctricas representadas como grafos de nudos
1.2Redes viarias: intersecciones, tramos y matrices origen-destino
1.3Redes de distribución de agua y gas
1.4Matrices de adyacencia, incidencia y Laplaciana
1.5Leyes de Kirchhoff y conservación del flujo
1.6Señales sobre grafos y grafos dinámicos
1.7Fuentes de datos: SCADA, PMU y detectores de lazo
1.8Imputación de huecos en series espaciotemporales
1.9Métricas MAE, RMSE y MAPE por horizonte
1.10Taller: grafo de la red IEEE de 118 nudos
Módulo 2 de 8 · 10 submódulos

Arquitecturas GNN esenciales

2.1Paso de mensajes y funciones de agregación
2.2Convolución espectral y filtros ChebNet
2.3GCN de Kipf y Welling
2.4GraphSAGE y muestreo de vecindarios
2.5Graph Attention Networks y mecanismos de atención
2.6Message Passing Neural Networks con atributos de arista
2.7Over-smoothing y profundidad efectiva de la red
2.8Normalización, dropout y regularización en grafos
2.9Primeros modelos con PyTorch Geometric y DGL
2.10Práctica: regresión nodal con GCN sobre red sintética
Módulo 3 de 8 · 10 submódulos

Modelos espaciotemporales de tráfico

3.1Conjuntos de datos METR-LA y PEMS-BAY
3.2DCRNN: convolución por difusión recurrente
3.3STGCN y convoluciones temporales con compuertas
3.4Graph WaveNet y matrices de adyacencia adaptativas
3.5ASTGCN y atención espaciotemporal
3.6Predicción multi-paso y horizontes de 15 a 60 minutos
3.7Incidencias, eventos y variables meteorológicas exógenas
3.8Comparativa frente a ARIMA, LSTM y modelos históricos
3.9Transferencia de modelos entre ciudades
3.10Laboratorio: predicción de velocidades con DCRNN
Módulo 4 de 8 · 10 submódulos

GNN en sistemas eléctricos

4.1Flujo de potencia AC y aproximación DC
4.2GNN como modelo sustituto del flujo de cargas
4.3Estimación de estado con sincrofasores PMU
4.4Cribado de contingencias N-1
4.5Previsión de demanda nodal y por subestación
4.6Generación distribuida y variabilidad renovable
4.7Restricciones físicas en la función de pérdida
4.8Escalado a redes de distribución de media tensión
4.9Generación de datos con pandapower y MATPOWER
4.10Caso práctico: sustituto neuronal del flujo de cargas
Módulo 5 de 8 · 10 submódulos

Redes hidráulicas y de calor

5.1Modelado hidráulico de redes con EPANET
5.2Detección y localización de fugas por presión
5.3Estimación de presiones en nudos no monitorizados
5.4Redes de calefacción y refrigeración urbana
5.5Optimización de bombeo con modelos aprendidos
5.6Calibración con sensores escasos y ruidosos
5.7Incertidumbre en patrones de demanda
5.8Gemelo digital de la red de abastecimiento
5.9Validación frente a simulación hidráulica de referencia
5.10Práctica: localización de fugas en el benchmark L-Town
Módulo 6 de 8 · 10 submódulos

Aprendizaje informado por la física

6.1Physics-informed GNN: principios y formulación
6.2Conservación de masa y energía como penalización
6.3Operadores neuronales sobre mallas y grafos
6.4MeshGraphNets para simulación de flujos
6.5Hibridación entre modelo físico y datos
6.6Cuantificación de incertidumbre bayesiana y ensembles
6.7Explicabilidad con GNNExplainer y gradientes
6.8Robustez frente a cambios topológicos y reconfiguraciones
6.9Generalización a topologías no vistas
6.10Taller: GNN con penalización de balance nodal
Módulo 7 de 8 · 10 submódulos

Despliegue en operación de redes

7.1Inferencia en tiempo real y requisitos de latencia
7.2Particionado y muestreo de grafos a gran escala
7.3Entrenamiento distribuido en múltiples GPU
7.4MLOps para modelos espaciotemporales
7.5Deriva de datos y estrategias de reentrenamiento
7.6Integración con SCADA y centros de control
7.7Ciberseguridad de modelos en infraestructura crítica
7.8Interoperabilidad con el modelo CIM
7.9Monitorización del rendimiento en producción
7.10Caso práctico: servicio de predicción de tráfico en tiempo real
Módulo 8 de 8 · 10 submódulos

Proyecto de GNN para redes

8.1Definición del problema y de la red objetivo
8.2Adquisición, limpieza y alineación de datos
8.3Construcción del grafo y de las variables nodales
8.4Selección y justificación de la arquitectura
8.5Entrenamiento y ajuste de hiperparámetros
8.6Validación frente a modelos de referencia
8.7Análisis de errores e interpretabilidad
8.8Propuesta de despliegue operativo
8.9Memoria y presentación
8.10Revisión final con el tutor

¿Cuánto me va a llevar?

Mueve las horas que puedes dedicar cada semana y calculamos tu ritmo sobre las 800 h del programa.

—meses a ese ritmo
—semanas por módulo
—frente a los 800 horas · 6 a 8 meses previstos

¿Qué nivel tienes ya?

Cinco conceptos del propio temario. Marca lo que ya controlas y te decimos si te conviene el curso, el diplomado o el máster.

Matrices de adyacencia, incidencia y Laplaciana
Módulo 1 · Grafos de redes físicas de flujo
Paso de mensajes y funciones de agregación
Módulo 2 · Arquitecturas GNN esenciales
Comparativa frente a ARIMA, LSTM y modelos históricos
Módulo 3 · Modelos espaciotemporales de tráfico
Previsión de demanda nodal y por subestación
Módulo 4 · GNN en sistemas eléctricos
Detección y localización de fugas por presión
Módulo 5 · Redes hidráulicas y de calor

Marca los cinco conceptos y te damos tu resultado.

Normas y estándares que vas a manejar

ISO/IEC 23053:2022 (marco de sistemas de IA basados en aprendizaje automático)IEC 61970 (CIM para sistemas de gestión de energía)IEEE C37.118.1 (sincrofasores en sistemas de potencia)IEC 61968 (integración de aplicaciones en distribución eléctrica)ISO/IEC 42001:2023 (sistemas de gestión de IA)Reglamento (UE) 2024/1689 de Inteligencia ArtificialEN 50160 (características de la tensión suministrada)

Cuerpo docente y expertos

Este programa se imparte en el área de Data, IA, Simulación & Analytics, que dirige Dra. Lucía Hernández Vega. Debajo, los directores académicos más cercanos a este programa. El detalle de cada instituto está en la página de institutos.

Dra. Lucía Hernández Vega Dra. Lucía Hernández VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation Institute.
Dr. Kevin O’Connor Dr. Kevin O’ConnorDirector Académico del EET — Electronics & Embedded Technologies Institute.
Prof. Kenji Takahashi Prof. Kenji TakahashiDirector Académico del SRA — Robotics & Autonomous Systems Institute.

El claustro completo y los once institutos, con sus líneas de trabajo, están en institutos SEIUM y en liderazgo y consejo asesor.

Dónde se trabaja con esto

Perfiles a los que da acceso el programa.

Ingeniero de machine learning para infraestructuras
Científico de datos de redes eléctricas
Analista de movilidad y tráfico
Ingeniero de operación de redes inteligentes
Especialista en gemelos digitales de redes
Investigador en aprendizaje sobre grafos

Para quién es

Ingeniero de machine learning para infraestructuras
Científico de datos de redes eléctricas
Analista de movilidad y tráfico
Ingeniero de operación de redes inteligentes
Especialista en gemelos digitales de redes
Investigador en aprendizaje sobre grafos
Titulados en ingeniería o ciencias que busquen entrar en operadores de transporte y distribución eléctrica

Otras formaciones del área

Del mismo área y nivel, para completar tu itinerario.

En el blog técnico: Cómo evaluar herramientas de simulación antes de integrarlas en tu flujo de trabajo · Fotogrametría con drones: flujo de trabajo, precisión y errores habituales · Sistemas inteligentes y energía sostenible.

Áreas cercanas: todas las de Data, IA, Simulación & Analytics · Aeroespacial, UAM, Drones & Espacio · Automoción & Motorsport · Autónomos, ADAS & Vehículo Definido por Software · Civil, Rail & Smart Cities · Defensa, Ingeniería Militar & Sistemas Terrestres (enfoque académico, legal y ético) · Diseño, HMI & Producto · Electromovilidad, Baterías & Hidrógeno (Movilidad) · todas las facultades.

Opiniones de alumnos

Opiniones verificadas de alumnos de SEIUM, recogidas en Opynio.

Ver reseñas completas

De la solicitud al aula, sin esperas

  1. 1Rellenas la solicitud de admisiónTitulación o experiencia y firma, en una sola página.
  2. 2El sistema verifica la documentación al instanteEl sistema comprueba los datos y la firma al momento.
  3. 3Eliges modalidad de pago y reservas tu plazaPago único con descuento o entrada más cuotas mensuales. La matrícula de esta semana cierra el 27-11-2026.

El proceso completo, con documentación, plazos, convalidaciones y becas, está en admisión, cómo aplicar y becas y ayudas.

Comprueba tu acceso en tres respuestas

¿Tienes titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional equivalente?
¿Trabajas o quieres trabajar en Data, IA, Simulación & Analytics?
¿Puedes mantener un ritmo de estudio constante durante 800 horas · 6 a 8 meses?

Responde las tres y te decimos por dónde seguir.

Requisitos de acceso

  • ·Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria.
  • ·Conexión a internet y un ordenador capaz de ejecutar el software del programa.
  • ·Nivel de español suficiente para seguir lectura de normativa técnica.

Cómo se estudia

Formación 100 % online en el campus de SEIUM, con material descargable, clases grabadas y tutor técnico asignado. Sin horarios fijos: el alumno avanza a su ritmo dentro de la convocatoria, lo que permite compatibilizarlo con el trabajo.

Cada módulo combina teoría, lectura guiada de la norma original y ejercicios aplicados. El software de trabajo es PyTorch Geometric, DGL (Deep Graph Library), pandapower, EPANET, SUMO, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de predicción de velocidades de tráfico sobre datos de detectores, modelo sustituto del flujo de cargas en redes de prueba IEEE, localización de fugas en redes de abastecimiento simuladas. La evaluación es continua por módulo más el proyecto integrador final.

Las modalidades, el calendario y las tasas son comunes a todos los programas: modalidades, calendario académico y tasas y financiación.

Preguntas frecuentes

Son 8 módulos con 80 submódulos y 800 h de trabajo total. Abre por «Grafos de redes físicas de flujo» y cierra con «Proyecto de GNN para redes».

Se trabajan ISO/IEC 23053:2022 (marco de sistemas de IA basados en aprendizaje automático), IEC 61970 (CIM para sistemas de gestión de energía), IEEE C37.118.1 (sincrofasores en sistemas de potencia), IEC 61968 (integración de aplicaciones en distribución eléctrica), ISO/IEC 42001:2023 (sistemas de gestión de IA) y Reglamento (UE) 2024/1689 de Inteligencia Artificial.

Los perfiles más directos son Ingeniero de machine learning para infraestructuras, Científico de datos de redes eléctricas, Analista de movilidad y tráfico, Ingeniero de operación de redes inteligentes y Especialista en gemelos digitales de redes.

En un pago son 1.432 €, sobre una tarifa de 1.790 €. A plazos, una entrada de 716 € y 6 cuotas de 179 €, 1.790 € en total, sin intereses: lo mismo que la tarifa.

Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria, Conexión a internet y un ordenador capaz de ejecutar el software del programa y Nivel de español suficiente para seguir lectura de normativa técnica.

El programa son 800 horas totales repartidas en 6 a 8 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.

Se trabaja con PyTorch Geometric, DGL (Deep Graph Library), pandapower, EPANET, SUMO. Se usan versiones gratuitas, académicas o de evaluación, y el tutor indica la alternativa libre cuando existe.

Diploma propio de SEIUM al superar la evaluación continua y el proyecto integrador. Es formación propia, no un título oficial del Ministerio.

Sí. Los módulos superados en un curso o diplomado del mismo área convalidan en el programa superior. Consulta la política de convalidaciones al matricularte.

Las dudas comunes a todos los programas (titulación, convalidaciones, visado, idiomas) están resueltas en preguntas frecuentes, equivalencias y convalidaciones e idiomas.

Inicio de clases: 22 de diciembre de 20261.432 € Matricularme
Contactar con Seium
Pago al contado1.432 €ahorras 358 €
Reservar plaza
Seium - Universidad de ingeniería avanzada
Resumen de privacidad

Esta web utiliza cookies para que podamos ofrecerte la mejor experiencia de usuario posible. La información de las cookies se almacena en tu navegador y realiza funciones tales como reconocerte cuando vuelves a nuestra web o ayudar a nuestro equipo a comprender qué secciones de la web encuentras más interesantes y útiles.