I en tid då samhället alltmer elektrifieras, står elnätsföretagen inför en växande utmaning att garantera att elsystemet kan hantera de ökande kraven. I detta sammanhang kan långtidsprognosverktyg spela en avgörande roll för att optimera det befintliga samt det framtida elnätet. Genom att använda sådana verktyg kan elnätsföretag förbättra sina planer för nätutveckling, vilket är viktigt för att främja en effektiv och hållbar utveckling av elnätet. Genom att följa välgrundade riktlinjer och bästa praxis kan man säkerställa tillgänglighet, pålitlighet och kostnadseffektivitet i elförsörjningen. Syftet med examensarbetet är att utforska vad som krävs för att hantera ett effektivt prognosverktyg och uppfylla föreskrift 7 § enligt EiFS 2024:1 från Energimarknadsinspektionen. Uppdraget kom som ett resultat av detta krav, där det anges att distributionsnätsföretaget ska rapportera sin prognos för överföringskapacitet i megawatt för att hantera kundernas energiförbrukning och produktion. Examensarbetet fokuserar på att utveckla metoder och använda programvaran AFS för att uppnå dessa mål samt att analysera nuvarande och framtida belastningar och parametrar som påverkar prognoserna En litteraturstudie har utförts kring de olika prognosverktygen och metoderna som finns ute på marknaden. Parallellt har fem olika elnätsföretag intervjuats för att undersöka vad för prognosverktyg de har utvecklat och hur de arbetar för att uppnå nätutvecklingsplanen. Utöver litteraturstudien och intervjuerna har prognosverktyget Aiolos Forecast Studio (AFS) analyserats för att undersöka dess potential vid långtidsprognostisering. Resultatet från litteraturstudien och intervjuerna visade att det krävs mer än bara prognosverktyg för att utföra långtidsprognoser. Litteraturstudien visade att det finns olika verktyg samt metoder för att utföra dessa prognoser, men att det beror på företagets specifika krav eller behov för vad som passar dem.  Intervjuerna avslöjade att många använder eller har använt Excel för prognosarbete, men att man behövde utveckla andra verktyg för att kunna hantera större mängder data då det kan överstiga Excels kapacitet. Med huvudverktyget som beräknar prognoserna, framkom det att det krävs en hel del förarbete. Samt att ett kompletterande verktyg som kan applicera prognoserna ute på elnätet är att föredra. Analysen av Aiolos Forecast Studio gav blandade resultat. Då uppdraget kom från Jämtkraft Elnät AB, är den bearbetade datan från deras lokalnät. AFS är ett givande verktyg för korttidsprognoser men går även att använda inför framtidsscenarion. De olika framtidsscenarion som arbetades med var om solelproduktionen skulle ha en ökad toppeffekt från år 2023 med 18 MW till 62 MW för 2030 och 150 MW för 2035. Det utfördes skalningar i programmet för att få de nya önskade toppeffekterna. Resultatet visade att de prognostiserade toppeffekterna för år 2030 samt 2035 låg på 14% och 20% ifrån det önskade toppvärdet. Detta beror på att när man arbetar med en regressionsmodell så kommer prognosen att skala relativt till det historiska utfallsdata, det vill säga 18 MW. Därefter analyserades skalningarna för ett årsperiod, inklusive en vecka med låg förbrukning och en vecka med hög förbrukning. Detta gav en tydlig inblick i hur solelproduktionen påverkade belastningen under olika förhållanden och med olika skalningar. Under lågförbrukningsveckan, som inträffade i juni, visade resultaten tydligt att vid en skalning på 150 MW skiftade belastningen från förbrukning till produktion under vissa timmar, med tydliga tecken på den så kallade ankkurvan. Under högförbrukningsveckan, som ägde rum i december, var resultaten knappt märkbara. Detta var förväntat, med tanke på att den globala strålningen ligger på lägre nivåer under vintermånaderna i Jämtlands län, där Jämtkraft AB är placerad. Sammanfattningsvis tyder resultaten på att den mest effektiva metoden verkar vara att skapa ett anpassat verktyg, där AFS kan vara till nytta för potentiella elnätsföretag genom att analysera historiska data och upptäcka avvikelser. / Electricity grid companies are facing a growing challenge to ensure that the electrical system can handle increasing demands in a time when society is becoming more electrified. In this context, long-term forecasting tools can play a crucial role in optimizing both the existing and future electricity grid. By using such tools, electricity grid companies can improve their network development plans, which is crucial for promoting an efficient and sustainable development of the electrical grid. By following well-established guidelines and best practices, it is possible to ensure accessibility, reliability, and cost-effectiveness in electricity supply. The purpose of the thesis is to explore what is required to manage an effective forecasting tool and meet the requirements of Regulation 7 § according to EiFS 2024:1 from the Swedish Energimarknadsinspektionen. The assignment arose as a result of this requirement, which states that distribution network companies must report their forecast for transmission capacity in megawatts to manage customers' energy consumption and production. The thesis focuses on developing methods and using the AFS software to achieve these goals, as well as analyzing current and future loads and parameters that affect the forecasts. A literature review has been conducted on various forecasting tools and methods available on the market. Simultaneously, five different electricity grid companies have been interviewed to investigate what forecasting tools they have developed and how they work to achieve the nätutvecklingsplanen. In addition to the literature review and interviews, the forecasting tool Aiolos Forecast Studio (AFS) has been analyzed to examine its potential for long-term forecasting. The findings from the literature review and interviews indicated that it takes more than just a single forecasting tool to conduct long-term forecasts. The literature review highlighted the presence of various tools and methods for performing these forecasts, but their suitability depends on the specific requirements or needs of the company. The interviews revealed that many individuals use or have used Excel for forecasting work, but additional tools needed to be developed to handle larger amounts of data as it might exceed Excel's capacity. Regarding the primary forecasting tool, it became evident that substantial preparatory work is required. Additionally, having a supplementary tool capable of applying the forecasts directly to the electricity grid is preferable. The analysis of AFS yielded mixed results. Since the assignment came from Jämtkraft Elnät AB, the data worked on was from their local grid. AFS is a valuable tool for short-term forecasts but can also be used for future scenarios. The different future scenarios worked on involved whether solar power production would have an increased peak capacity from 18 MW in 2023 to 62 MW in 2030 and 150 MW in 2035. Scalings were performed in the program to achieve the new desired peak capacities. The results showed that the forecasted peak capacities for 2030 and 2035 were 14% and 20% off from the desired peak value. This is because when working with a regression model, the forecast will scale relative to the historical outcome data, 18 MW. Following that, the scalings were analyzed for a year-long period, including a week of low consumption and a week of high consumption. This provided a clear insight into how solar power production influenced the load under different conditions and with different scalings. During the low-consumption week, occurring in June, the results clearly showed that at a scaling of 150 MW, the load shifted from consumption to production during certain hours, with clear signs of the so-called duck curve. During the high-consumption week, which took place in December, the results were barely noticeable. This was expected, considering that global radiation levels are lower during the winter months in Jämtlands län, where Jämtkraft AB is located. In summary, the results suggest that the most effective approach appears to be creating a customized tool, where AFS can be beneficial for potential grid companies by analyzing historical data and detecting anomalies.

Knowledge is one of the most important assets of an organization that directly affects business success, and its importance increases for organizations that use knowledge-intensive processes such as the software development industry. In an industry in which technological developments are rapid, in order to keep up with the continuously increasing competition and to obtain competitive advantage the software organizations need to obtain the correct knowledge, use it efficiently and pass it to future projects evolving it accordingly. The major aim of this research is to propose a novel model, namely AiOLoS, for assessing the level of organizational learning and learning characteristics in software development organizations. The primary contributions of this two-legged AiOLoS model are the identification of the major process areas and the core processes that a learning software organization follows during its organizational learning process and to provide the necessary measures and metrics and the corresponding definitions/interpretations for the assessment of the learning characteristics of the software development organization. The research is supported with a multiple case-study work conducted in software development teams in order to identify the mapping of the core processes and the applicability of the AiOLoS model to software development organizations, its utilization as a tool for assessing organizational learning and providing a basis for software process improvement.

Le facteur de transcription Aiolos, membre de la famille des protéines à doigts de zinc de type Ikaros, joue un rôle important dans la différenciation des lymphocytes B. Notre premier objectif a été de définir les mécanismes impliqués dans la régulation de la transcription du gène aiolos humain. Nous avons analysé la méthylation de l'îlot CpG d'Aiolos et les modifications de ses histones dans différentes lignées et cellules primaires. Nous avons observé une méthylation dense de l'ilot CpG, associée à des niveaux faibles de marques d'euchromatine (H3K4 di-/tri-méthylées, H3K9 acétylées) dans les lignées Aiolos négatives U937 et 1106mel, tandis que les cellules exprimant Aiolos présentaient les caractéristiques opposées. L'inhibition des Dnmt dans les U937 et 1106mel avec la 5-Aza-dC a entrainé une déméthylation de l'îlot CpG, associée à une augmentation des marques d'euchromatine et à une induction d'Aiolos. La répression d'Aiolos dans les monocytes et mélanocytes primaires a quant à elle été associée à une augmentation des H3K9me3 et H3K27me3, indépendamment de la méthylation de l'ADN. Notre deuxième objectif était d'étudier l'implication d'Aiolos dans les syndromes lymphoprolifératifs des cellules B matures chez l'homme (leucémie lymphoïde chronique et autres lymphomes B). Nous avons démontré que les cellules B, saines et tumorales, exprimaient majoritairement le variant hAio1 (80%) et nous avons observé pour la première fois une augmentation globale des transcrits Aiolos dans la LLC, indépendamment des marqueurs pronostiques (ZAP-70, statut mutationnel des IgVH). Cette augmentation, confirmée au niveau protéique, semble indépendante des niveaux d'H3K4me3 et H3K9ace.

Currently, smart mobile devices are used for more than just calling and texting. They can run complex applications such as GPS, antivirus, and photo editor applications. Smart devices today offer mobility, flexibility, and portability, but they have limited resources and a relatively weak battery. As companies began creating mobile resource intensive and power intensive applications, they have realized that cloud computing was one of the solutions that they could utilize to overcome smart device constraints. Cloud computing helps decrease memory usage and improve battery life. Mobile cloud computing is a current and expanding research area focusing on methods that allow smart mobile devices to take full advantage of cloud computing. Code offloading is one of the techniques employed in cloud computing with mobile devices. This research compares two dynamic offloading frameworks to determine which one is better in terms of execution time and battery life improvement.