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 VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation Institute.
Dr. Kevin O’ConnorDirector Académico del EET — Electronics & Embedded Technologies Institute.
Prof. Kenji TakahashiDirector Académico del SRA — Robotics & Autonomous Systems Institute.
1Rellenas la solicitud de admisiónTitulación o experiencia y firma, en una sola página.
2El sistema verifica la documentación al instanteEl sistema comprueba los datos y la firma al momento.
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.
¿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.
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.
Inicio de clases: 22 de diciembre de 20261.432 €Matricularme
Antes de decidir
¿Qué sacarías tú de este diplomado?
No es lo mismo llegar aquí recién titulado que con diez años en el sector. Dinos de dónde vienes.
Qué te aportaPasar de la teoría de carrera al criterio de proyecto: qué norma aplica a cada parte del trabajo, qué criterios de aceptación se fijan antes de ejecutar y cómo se deja todo documentado.
Dónde vas a sudarEl módulo de normativa y evidencia documental, si todavía no has trabajado dentro de un proyecto real con auditoría de por medio.
Con qué salesCon una memoria técnica propia, sobre un caso real, que puedes poner encima de la mesa en una entrevista.
Qué te aportaFormalizar lo que ya haces por oficio: distinguir requisito obligatorio de buena práctica, justificar por escrito las decisiones técnicas y dejar el trabajo trazable.
Dónde vas a sudarPoco en contenido. El esfuerzo real está en el proyecto final y en su defensa.
Con qué salesCon el diplomado acreditado y un proyecto hecho sobre un caso de tu propio trabajo.
Qué te aportaLa base técnica de Data, IA, Simulación & Analytics y el marco normativo del ámbito desde cero, sin dar por sabido el vocabulario del sector.
Dónde vas a sudarLas primeras semanas, por terminología. A partir del segundo módulo se nivela.
Con qué salesCon un perfil de entrada acreditado en Data, IA, Simulación & Analytics y un proyecto que demuestra que sabes aplicarlo.
¿Te va a dar la vida?
Calcula tu ritmo real
Son 800 horas. Mueve el control y mira cuánto tardarías tú de verdad.
—para terminar
Con sinceridad
¿Es para ti?
Sí, si quieres…
Trabajar en Data, IA, Simulación & Analytics con criterio de norma, no solo de intuición.
Saber justificar por escrito por qué tomaste una decisión técnica.
Terminar con una memoria técnica tuya, sobre un caso real.
Avanzar a tu ritmo, compatible con una jornada completa.
No, si buscas…
Un título rápido sin entregar trabajo propio.
Clases en directo con horario fijo: el programa es asíncrono.
Empezar mañana: las clases empiezan justo un mes después de matricularte.
Formación de taller o práctica presencial con maquinaria.
¿Te queda una duda?
Pregunta algo concreto
Escríbela aquí y la pasamos al formulario de contacto con la formación ya identificada.