پروفسور محمد شاهیده پور

دانشگاه: دانشگاه صنعتی ایلینویز شیکاگو

پست الکترونیک: ms@iit.edu

صفحه شخصی: http://scholar.google.com/citations?user=Wbk0-zYAAAAJ&hl=en&oi=ao

عنوان سخنرانی:

Coordinated Infrastructure Planning for the Proliferation of Electric Vehicles in Smart Grids

 Dr. Mohammad Shahidehpour is a University Distinguished Professor, Bodine Chair Professor of Electrical and Computer Engineering, and Director of the Robert W. Galvin Center for Electricity Innovation at Illinois Institute of Technology (IIT). His project on Perfect Power Systems has converted the entire IIT Campus to an islandable microgrid. Dr. Shahidehpour was the recipient of several technical awards including of the IEEE Burke Hayes Award for his research on hydrokinetics, IEEE/PES Outstanding Power Engineering Educator Award, IEEE/PES Ramakumar Family Renewable Energy Excellence Award, IEEE/PES Douglas M. Staszesky Distribution Automation Award, and the Edison Electric Institute’s Power Engineering Educator Award. He has co-authored 6 books and 750 technical papers on electric power system operation and planning, and served as the founding Editor-in-Chief of the IEEE Transactions on Smart Grid.  Dr. Shahidehpour is the recipient of the 2009 honorary doctorate from the Polytechnic University of Bucharest.  He is a Fellow of IEEE, Fellow of the American Association for the Advancement of Science (AAAS), Fellow of the National Academy of Inventors (NAI), and an elected member of the US National Academy of Engineering (NAE). He is also listed as a highly cited researcher on the Web Science (ranked in the top 1% by citations demonstrating significant influence among his peers).

 چکیده سخنرانی

 As an environment-friendly and energy-saving option in the transportation industry, electric vehicles (EVs) are drawing additional attention to smart grids, especially with ongoing developments in battery technologies. However, large-scale EV proliferation can alter the electric power load profile with a critical impact on power system operation including the provision of peak load mitigation, frequency regulation, voltage quality, and electric power congestion. In addition, the proliferation of EVs in smart grids will tighten the interdependency of transportation and electric power networks and introduce additional difficulties in the planning of the two networks. This talk presents the enhanced solution for the coordinated planning of multiple facilities in the two networks, including electric power lines, transportation roads, energy storage systems and fast charging stations. In order to calculate the optimal solution for the proposed coordinated planning problem, we introduce the applications of linear optimization theory including Karush–Kuhn–Tucker conditions, the big M method, and a linear expression of power loss to transform the nonlinear planning problem into a mixed-integer quadratically constrained programming (MIQCP) formulation, which is solved by commercial solvers. The proposed MIQCP formulation is decomposed into two corresponding subproblems by Lagrangian relaxation to represent transportation and electric power networks. The case studies presented in this talk will validate the proposed smart grid planning model and demonstrate that the proposed solution can enhance the coordinated network planning with the proliferation of EVs.

دکتر امیر حسین پی براه

دانشگاه : KTH Royal Institute of Technology
پست الکترونیک : payberah@kth.se
صفحه شخصی : https://payberah.github.io

عنوان سخنرانی: یادگیری توزیع شده

ایشان استادیار علوم کامپیوتر گروه نرم افزار و سیستم‌های کامپیوتری دانشگاه صنعتی سلطنتی KTH  در سوئد هستند. همچنین ایشان عضو محاسبات توزیع شده در دانشگاه KTH و مرکز تحقیقات فناوری پیشرفته نرم افزار CASTOR هستند. پیش از این، ایشان محقق یادگیری ماشین در دانشگاه آکسفورد (۲۰۱۷-۲۰۱۸) و محقق ارشد دانشگاه علوم کامپیوتر سوئد (۲۰۱۳-۲۰۱۷) بودند. ایشان در ژوئن ۲۰۱۳دکترای خود را از دانشگاه صنعتی سلطنتی KTH دریافت کردند. زمینه‌های تحقیقاتی مورد علاقه ایشان شامل سیستم‌ها و الگوریتم‌های توزیع شده، یادگیری ماشین در مقیاس بزرگ، یادگیری عمیق و پلتفرم‌های محاسباتی با داده‌های حجیم.https://payberah.github.io

چکیده سخنرانی

آموزش شبکه‌های عصبی عمیق از لحاظ محاسباتی پیچیده و زمان‌بر است. این مساله ناشی از حجم زیاد داده‌های آموزشی یا تعداد زیاد پارامترهای مدل‌ها می‌باشد. گاهی حجم این داده‌ها یا پارمترها بیشتر از آن است که بتوان آنها را بر روی یک ماشین ذخیره کرد. یک راه برای رفع این مساله، موازی‌سازی پروسه آموزش است. در این سخنرانی،‌ دو شیوه موازی سازی data-parallelization و model-parallelization به عنوان دو راه برای مقابله با مشکل مطرح شده ارائه می‌شود.

پروفسور محمد باقر منهاج

دانشگاه : دانشگاه صنعتی امیر کبیر
پست الکترونیک : menhaj@aut.ac.ir
صفحه شخصی : https://aut.ac.ir/cv/2304/Mohammad-Bagher-Menhaj?slc_lang=en&&cv=2304&mod=scv

عنوان سخنرانی:محاسبات شناختی - نظریه و کاربرد آن

استاد تمام دانشکده مهندسی برق، دانشگاه صنعتی امیرکبیر.پروفسور محمد باقر منهاج دارای مدرک فوق دکترای مهندسی کنترل از دانشگاه ایالتی اوکلاهاما هستند. در سال ۱۹۹۸از ایالت متحده آمریکا به دعوت دانشگاه امیرکبیر به ایران آمدند. ایشان مولف بیش از ۱۲جلد کتاب هستند. انتشار بیش از ۱۹۰مقاله در مجلات معتبر بین المللی و انتشار بیش از ۲۸۰مقاله در کنفرانس‌های معتبر داخلی و خارجی نمونه‌ای از سوابق ارزشمند علمی ایشان است. ایشان از سوی موسسه ISI به عنوان دانشمند نمونه در سال ۲۰۰۴انتخاب شدند. سیستم‌‌های کنترل و فیلترهای تطبیقی، هوش محاسباتی، سیستم‌های چند عاملی، روباتیک و علوم شناختی از عمده‌ محورهای تحقیقاتی ایشان است.

https://aut.ac.ir/cv/2304/Mohammad-Bagher-Menhaj?slc_lang=en&&cv=2304&mod=scv

چکیده سخنرانی

محاسبات شناختی یک الگوی نوظهور از روش‌ها و سیستم‌های محاسبات هوشمند مبتنی بر انفورماتیک شناختی است، که با استفاده از استنتاج‌های خودمختار و سیستم‌‌های پردازش، هوش محاسباتی را پیاده‌سازی می‌کند، تصوراتی که از مکانیسم‌های مغز تقلید می‌کند. هدف آن شبیه‌سازی فرآیندهای فکر انسان در یک مدل رایانه‌ای است.

در این سخنرانی، ابتدا به اصول خواهم پرداخت و پس از آن مطالعات گسترده‌ای که در مورد محاسبات شناختی انجام شده است به همراه کاربردهای آن و مطالعات موردی آن ارایه خواهد شد. طیف گسترده‌ای از کاربردهای مختلف محاسبات شناختی و تحولات اخیر در آن، مانند تجزیه و تحلیل داده‌ها، یادگیری ماشین، شبکه‌های عصبی، تجزیه و تحلیل داده‌ها در امنیت سایبری، تشخیص الگوی، شناسایی و تشخیص خطا و بسترهای تحلیلی برای مطالعه واسط مغز-کامپیوتر بحث خواهد شد.