ULPGC accedaCRIS Colección:

Contributions to Electricity Demand Estimation in Remote Areas: A Neural Network Approach

Thu, 01 Jan 2026 00:00:00 GMT

Título: Contributions to Electricity Demand Estimation in Remote Areas: A Neural Network Approach Autores/as: Sanfilippo, Stefano Resumen: La previsión de la demanda eléctrica es un componente fundamental de la planificación energética, pero se vuelve especialmente desafiante en contextos con limitaciones de datos caracterizados por la escasez, la fragmentación, las dependencias no lineales entre variables socio-técnicas y ambientales, y la evolución no estacionaria de la demanda. Los enfoques tradicionales, ya sean estadísticos o puramente basados en datos, suelen presentar dificultades en estas condiciones, pues dependen de grandes conjuntos de datos estacionarios y no logran capturar las dinámicas complejas y cambiantes del comportamiento de consumo. Estos desafíos se hacen especialmente evidentes al emplear modelos de redes neuronales, que normalmente requieren conjuntos de datos extensos y de alta calidad para generalizar de forma eficaz y evitar el sobreajuste. Abordar esta brecha requiere replantear la predicción de la demanda eléctrica como un proceso causal, flexible y evolutivo, en el que los mecanismos de aprendizaje capturen los verdaderos impulsores del consumo y no simples correlaciones estadísticas. La intuición central que guía esta tesis es que una predicción fiable en microrredes no puede ignorar ninguno de los tres desafíos fundamentales mencionados: la escasez y fragmentación de datos, las dependencias no lineales entre variables socio-técnicas y ambientales, y la evolución no estacionaria de la demanda. Con este propósito, la tesis introduce un nuevo marco metodológico, denominado ANGEL, concebido para actuar como un sistema orientador del aprendizaje en condiciones de incertidumbre. ANGEL funciona como un agente adaptativo capaz de extraer significado en contextos con limitaciones de datos, proporcionando dirección donde los datos son escasos y revelando patrones que no son inmediatamente visibles. El nombre evoca la idea de un mediador entre lo conocido y lo desconocido, reflejando el papel del marco en tender un puente entre la evidencia limitada y la comprensión significativa. En este sentido, ANGEL encarna la noción de iluminación: la capacidad de revelar estructura y causalidad en contextos con pocos datos, transformando información fragmentada en conocimiento coherente y accionable. El marco ANGEL integra tres pilares complementarios: observación, representación y evolución. La observación se centra en identificar y codificar los impulsores causales con significado físico y conductual, garantizando robustez cuando los datos son limitados o fragmentados. La representación captura dependencias no lineales mediante arquitecturas neuronales flexibles, concretamente la Red de Kolmogorov–Arnold, que descompone relaciones multivariadas complejas en componentes funcionales estables alineados con las dinámicas de la demanda. La evolución incorpora la adaptación temporal y el cambio socio-técnico a través del parámetro de Grado de Adopción (Degree of Adoption (DoA)) y técnicas de aprendizaje continuo, permitiendo que los modelos se ajusten de manera constante a medida que las comunidades se electrifican y los patrones de consumo evolucionan. Estos tres componentes son mutuamente indispensables: una predicción fiable en microrredes requiere abordarlos simultáneamente. La validación empírica, basada en datos reales de El Espino (Bolivia), demuestra que la integración de estructura causal, representación flexible y aprendizaje adaptativo reduce el error de predicción y mejora la robustez. El marco también muestra un desempeño eficiente bajo recursos computacionales limitados, lo que sugiere su potencial como una solución desplegable y eficiente en el uso de datos para sistemas energéticos descentralizados. Desde una perspectiva metodológica, la tesis conecta el razonamiento causal con el aprendizaje automático, contribuyendo al paradigma emergente de una inteligencia artificial confiable y eficiente en el uso de datos para sistemas energéticos sostenibles. Los resultados muestran que las mejoras en el rendimiento de la predicción no provienen del aumento del volumen de datos o de la complejidad del modelo, sino de estructurar el aprendizaje en torno a la causalidad significativa, la representación flexible y la evolución adaptativa. La investigación se adhiere a los principios de reproducibilidad y ciencia abierta. Todos los conjuntos de datos, scripts y flujos de trabajo experimentales fueron versionados, documentados y trazables, y los resultados se difundieron en tres publicaciones revisadas por pares que abarcan las sucesivas etapas de desarrollo del modelo: desde la estimación de carga y sensibilidad, hasta el modelado neuronal causal y la predicción adaptativa. En conclusión, los resultados evidencian que es posible alcanzar predicciones de demanda fiables y de bajo error incluso frente a los desafíos combinados de escasez y fragmentación de datos, dependencias no lineales y evolución no estacionaria de la demanda. Al articular observación, representación y evolución dentro de la arquitectura metodológica coherente de ANGEL, la tesis demuestra que ninguna de estas dimensiones puede ser ignorada, y que, en conjunto, permiten el desarrollo de modelos interpretables, adaptativos y eficientes en el uso de datos, que impulsan una inteligencia artificial equitativa y sostenible para la transición energética global.; Electricity demand forecasting is a fundamental component of energy planning but becomes particularly challenging in data-constrained contexts characterized by scarcity, fragmentation, nonlinear dependencies among socio-technical and environmental variables, and nonstationary demand evolution. Traditional approaches, whether statistical or purely data-driven, often struggle under such conditions, as they rely on large, stationary datasets and fail to capture the complex, evolving dynamics of consumption behavior. These challenges become particularly evident when employing neural network models, which typically require extensive, high-quality datasets to generalize effectively and avoid overfitting. Addressing this gap requires rethinking electricity demand forecasting as a causal, flexible, and evolving process, where learning mechanisms capture the true drivers of consumption rather than mere statistical correlations. The central intuition guiding this thesis is that reliable forecasting in microgrids cannot disregard any of the three fundamental challenges identified above: data scarcity and fragmentation, nonlinear dependencies among socio-technical and environmental variables, and nonstationary demand evolution. To this end, the thesis introduces a new methodological framework, ANGEL, conceived to act as a guiding system for learning under uncertainty. ANGEL functions as an adaptive agent capable of extracting meaning in data-constrained contexts, providing direction where data are limited, and uncovering patterns that are not immediately visible. The name evokes the idea of a mediator between what is known and what is unknown, reflecting the framework’s role in bridging limited evidence and meaningful understanding. In this sense, ANGEL embodies illumination, the capacity to reveal structure and causality in data-scarce contexts, transforming fragmented information into coherent and actionable knowledge. The ANGEL framework integrates three complementary pillars: observation, representation, and evolution. Observation focuses on identifying and encoding causal drivers that are physically and behaviorally meaningful, supporting robustness when data are limited or fragmented. Representation captures nonlinear dependencies through flexible neural architectures, specifically, the Kolmogorov–Arnold Network, which decomposes complex multivariate relations into stable functional components aligned with demand dynamics. Evolution incorporates temporal adaptation and socio-technical change through the inclusion of the Degree of Adoption (DoA) parameter and continual learning techniques, allowing models to adjust continuously as communities electrify and consumption patterns evolve. These three components are mutually indispensable: reliable forecasting in microgrids requires addressing all of them simultaneously. Empirical validation based on real-world data from El Espino (Bolivia) demonstrates that embedding causal structure, flexible representation, and adaptive learning reduces forecasting error and improves robustness. The framework also performs efficiently under limited computational resources, suggesting its potential as a data-efficient and deployable solution for decentralized energy systems. From a methodological standpoint, the thesis bridges causal reasoning and machine learning, contributing to the emerging paradigm of trustworthy and dataefficient artificial intelligence for sustainable energy systems. The findings show that improvements in forecasting performance stem not from increasing data volume or model complexity, but from structuring learning around meaningful causality, flexible representation, and adaptive evolution. The research adheres to the principles of reproducibility and open science. All datasets, scripts, and experimental workflows were versioned, documented, and made traceable, with results disseminated through three peer-reviewed publications covering successive stages of model development, from sensitivity and load estimation to causal neural modeling and adaptive forecasting. In conclusion, the results provide evidence that reliable, low-error demand forecasting can be achieved even under the combined challenges of data scarcity, fragmentation, nonlinear dependencies, and nonstationary demand evolution. By articulating observation, representation, and evolution within the coherent methodological architecture of ANGEL, the thesis establishes that none of these dimensions can be neglected, and together they enable the development of interpretable, adaptive, and data-efficient models that advance equitable and sustainable artificial intelligence for the global energy transition. Descripción: Programa de Doctorado en Tecnologías de Telecomunicación e Ingeniería Computacional por la Universidad de Las Palmas de Gran Canaria

Evaluación de diversas técnicas no invasivas ultrasonográficas tiroideas que ayuden a predecir la precisión y el coste del diagnóstico, en pacientes sometidos a punción-aspiración con control ecográfico en un hospital terciario.

Thu, 01 Jan 2026 00:00:00 GMT

Título: Evaluación de diversas técnicas no invasivas ultrasonográficas tiroideas que ayuden a predecir la precisión y el coste del diagnóstico, en pacientes sometidos a punción-aspiración con control ecográfico en un hospital terciario. Autores/as: Ruiz Hernández, Lelia Resumen: La presente tesis doctoral tiene como objetivo principal evaluar la capacidad diagnóstica de varias técnicas de imagen del tiroides, individualmente o en combinación, para identificar lesiones tiroideas sospechosas de malignidad. Los objetivos secundarios son evaluar la fiabilidad diagnóstica, así como la construcción y validación de una función de decisión de relación coste-eficacia para estas técnicas radiológicas. Tras una revisión bibliográfica muy extensa, detallada e ilustrada en la introducción de la Tesis se expone el estudio prospectivo, realizado entre octubre 2023 y febrero de 2025, con 300 pacientes con sospecha de cáncer de tiroides. Se excluyeron casos con diagnóstico citológico no concluyente, y finalmente se analizaron 296, de los cuales 25 (8,3%) tuvieron cáncer tiroideo. A todos se les realizó US modo B, elastografía (SWE), Doppler color, una técnica de imagen de microvascularización (SMI) y se les aplicó el TI-RADS, un sistema que clasifica los nódulos tiroideos, seguido de PAAF guiada por US y la categorización cito-patológica con el sistema Bethesda, siendo esto último el estándar de referencia o de “oro” del diagnóstico. Para analizar los resultados se emplearon modelos de regresión logística penalizada con Lasso, análisis bootstrap (1000 réplicas) y curvas ROC. La calidad diagnóstica se evaluó mediante el índice de Youden, sensibilidad, especificidad, valores predictivos y exactitud. Se diseñó una función de utilidad original que integra fiabilidad diagnóstica (índice de Youden) y coste económico, ponderadas por un parámetro “α” que expresa la importancia relativa que cada clínico da a cada componente. Los resultados muestran que la combinación elastografía y SMI fue la de mejor rendimiento diagnóstico. Esta combinación alcanzó un índice de Youden de 0,69, una sensibilidad del 72%, una especificidad del 97% y un valor predictivo negativo muy alto (97,4%), lo que la hace muy útil para descartar malignidad en poblaciones de baja prevalencia como la nuestra. El valor predictivo positivo fue del 69,1%, superior al de las otras combinaciones de técnicas de imagen. En comparación, los modelos basados solo en Doppler mostraron la peor capacidad diagnóstica. Desde el punto de vista fisiopatológico, la vascularización intranodular analizada tanto por Doppler como por SMI se identificó como un factor de riesgo significativo de cáncer tiroideo, mientras que la vascularización periférica se asoció a un efecto protector. En los modelos multivariantes, la elastografía y la vascularización intranodular por SMI fueron las variables más robustas; cuando la elastografía se excluía, el TI-RADS ganaba relevancia junto a SMI. En el análisis económico, la combinación elastografía + SMI resultó unas ocho veces más barata que la biopsia con diagnóstico citopatológico. La función de utilidad mostró que, cuando el peso asignado al coste es alto (α < 0,716), la estrategia no invasiva es preferible; en cambio, cuando se prioriza casi exclusivamente la seguridad diagnóstica (α cercano a 1), el estándar de referencia es superior. Concluimos que la combinación de elastografía y SMI constituye una regla diagnóstica fiable y coste-efectiva para la evaluación inicial de nódulos tiroideos sospechosos, especialmente como herramienta complementaria para reducir biopsias innecesarias. No obstante, no debe sustituir a la PAAF en pacientes de alto riesgo, debido a las consecuencias clínicas de los falsos negativos. Entre las limitaciones destacan la baja prevalencia de cáncer en la cohorte, el número reducido de casos malignos y la necesidad de validación externa en poblaciones con mayor incidencia. Descripción: Programa de Doctorado en Investigación Aplicada a las Ciencias Sanitarias por la Universidad de Las Palmas de Gran Canaria y La Universidad de León

From review to redesign: methodological advances in marine key-habitat mapping and management in the Central-Eastern Atlantic Archipelagos

Thu, 01 Jan 2026 00:00:00 GMT

Título: From review to redesign: methodological advances in marine key-habitat mapping and management in the Central-Eastern Atlantic Archipelagos Autores/as: Cosme de Esteban, Marcial Resumen: The conservation of ocean ecosystems is a global priority due to their essential role as life- support systems for the Biosphere, their ecological significance, and their socio-economic value. Strategic habitats such as seagrass meadows, rhodolith beds, and coral reefs, including Cold-Water Corals (CWC) are keystone elements. These habitats, formed by ecosystem-engineering organisms, create complex structures that enhance biodiversity through habitat cascades and facilitate the settlement of numerous species. Seagrass meadows function as nursery and refuge areas for numerous species, including those of fishery interest. Seagrass meadows function as nursery and refuge areas for numerous species, including those of fishery interest, act as natural filters that improve water quality, stabilize sediments, and serve as efficient carbon sinks. Rhodolith beds convert soft sediments into hard substrates, provide essential nurseries for benthic fauna, and contribute significantly to long-term carbon sequestration. Coral reefs, particularly CWCs, occupy only a small fraction of the seafloor yet represent biodiversity hotspots. In overall, these keystone habitats play a fundamental role in coastal protection, fisheries maintenance, and ecotourism promotion. These habitats are under threat from anthropogenic pressures such as bottom trawling, pollution, eutrophication, and climate change. This vulnerability is particularly acute in island regions such as the archipelagos of Azores, Madeira, Canary Islands and Cabo Verde in the Central East Atlantic and the archipelago of São Tomé and Príncipe in the Gulf of Guinee, where geographic isolation and high dependence on coastal resources increase the risk of irreversible degradation[...] Descripción: Programa de Doctorado en Acuicultura Sostenible y Ecosistemas Marinos por la Universidad de Las Palmas de Gran Canaria

La competencia motriz en el currículo de educación física de la enseñanza obligatoria en España y en Canarias

Thu, 01 Jan 2015 00:00:00 GMT

Título: La competencia motriz en el currículo de educación física de la enseñanza obligatoria en España y en Canarias Autores/as: González Romero, Francisco Agustín Resumen: El sistema educativo europeo se estructura en torno al desarrollo de una serie de competencias clave o básicas que deben posibilitar el desarrollo integral del alumnado. La competencia Motriz es la única que permite desarrollar la dimensión motriz del ser humano. En los currículos educativos se recoge que el área de Educación Física tiene como finalidad principal el desarrollo integral de la persona, a partir de su Competencia Motriz. Partiendo de esta premisa, los objetivos de nuestras investigaciones son, por un lado, realizar un análisis semántico de la Competencia que nos permita inferir una definición de Competencia y de Competencia Motriz; por otro lado, identificar y formular aquellos descriptores o indicadores que reflejen claramente cada una de las posibles manifestaciones de la Competencia Motriz; y analizar finalmente, desde el enfoque competencial, todos los elementos de los currículos de Educación Física de la educación obligatoria de España (legislación estatal) y de Canarias, para conocer de qué manera permiten o promueven directamente el desarrollo de la Competencia Motriz. Las investigaciones intentan dar respuesta a la tesis planteada en forma de interrogante: ¿Favorecen los diseños curriculares de la Educación Física actual el desarrollo de la Competencia Motriz como fundamento prioritario de la materia? Para ello, el marco teórico referencial de nuestras investigaciones es la Praxiología Motriz y la metodología de investigación que hemos utilizado es el análisis documental de contenido. Descripción: La praxiología motriz, el entrenamiento deportivo y la didáctica de las actividades física