Speculation-Aware Resource Allocation for Cluster Schedulers

Real-time demand response is essential for handling the uncertainties of renewable generation. Traditionally, demand response has been focused on large industrial and commercial loads, however it is expected that a large number of small residential loads such as air conditioners, dish washers, and electric vehicles will also participate in the coming years. The electricity consumption of these smaller loads, which we call deferrable loads, can be shifted over time, and thus be used (in aggregate) to compensate for the random fluctuations in renewable generation.

In this thesis, we propose a real-time distributed deferrable load control algorithm to reduce the variance of aggregate load (load minus renewable generation) by shifting the power consumption of deferrable loads to periods with high renewable generation. The algorithm is model predictive in nature, i.e., at every time step, the algorithm minimizes the expected variance to go with updated predictions. We prove that suboptimality of this model predictive algorithm vanishes as time horizon expands in the average case analysis. Further, we prove strong concentration results on the distribution of the load variance obtained by model predictive deferrable load control. These concentration results highlight that the typical performance of model predictive deferrable load control is tightly concentrated around the average-case performance. Finally, we evaluate the algorithm via trace-based simulations.

Towards a standard methodology to evaluate internal cluster validity indices

The evaluation and comparison of internal cluster validity indices is a critical problem in the clustering area. The methodology used in most of the evaluations assumes that the clustering algorithms work correctly. We propose an alternative methodology that does not make this often false assumption. We compared 7 internal cluster validity indices with both methodologies and concluded that the results obtained with the proposed methodology are more representative of the actual capabilities of the compared indices.

Orígenes, elementos determinantes y resultados de un exitoso proceso de colaboración entre competidores y otros agentes: el cluster de la Alta Cocina Vasca

[ES] El País Vasco es internacionalmente reconocido por su gastronomía y sus grandes cocineros; de hecho, es el territorio del mundo con más estrellas Michelin por kilómetro cuadrado. Esta notoriedad e imagen repercuten muy positivamente en todo el sector gastronómico y en la imagen y proyección turística del País Vasco y se ha logrado gracias a la labor sostenida de un grupo inicial de cocineros, a los que siguieron otros, que realizan importantes esfuerzos de colaboración, sin dejar de competir entre ellos (tratándose de un claro ejemplo de coopetition). El análisis de la relación entre estos grandes cocineros vascos y su entorno, permite identificar un cluster que actualmente se encuentra en fase de madurez con un futuro esperanzador y que ha arrojado importantes beneficios al sector, a cada uno de sus integrantes y a la región en su conjunto muy especialmente en términos de innovación, notoriedad y reputación. Para la realización de este trabajo se ha utilizado, además de la revisión bibliográfica y documental pertinente, una metodología cualitativa, consistente en la realización de entrevistas en profundidad a los siete cocineros fundadores y patronos del Basque Culinary Center (primera Facultad Universitaria de Estudios Gastronómicos de Europa, dependiente de la Universidad de Mondragón). El trabajo es uno de los frutos extraídos de un contrato de colaboración entre el Instituto de Economía Aplicada a la empresa de la UPV/EHU e Innobasque (Agencia Vasca para la Innovación), en el que esta última fijó tanto los objetivos de la investigación como la metodología a utilizar.