Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
RNA aplicadas a economía - Predicción de demanda eléctrica
1. APLICACIÓN DE REDES
NEURONALES EN ECONOMÍA:
Predicción de la demanda eléctrica
Computación Neuro-Borrosa
Universidad de Salamanca
Arturo San Feliciano Martín
2. Computación Neuro-Borrosa 2
Índice
1 • Introducción
2 • Preparación de la red
3 • Arquitectura de la red utilizada
4 • Fase de entrenamiento
5 • Fase de predicción
6 • Comparativa métodos clásicos
7 • Conclusiones
3. Computación Neuro-borrosa 3
Introducción
• Importancia de las redes neuronales en economía:
• Permite predecir comportamientos no lineales
• Electricidad y Mercado eléctrico
• Importante recurso: “El mundo funciona con electricidad”
• Electricidad es una fuente de energía secundaria (carbón,
petróleo…)
• 2 características fundamentales de la electricidad:
• No puede ser almacenada
• No se puede reemplazar a corto plazo
4. Computación Neuro-borrosa 4
Introducción II
• Consecuencias en el mercado eléctrico:
• Si tenemos un exceso de oferta no se puede almacenar la
electricidad se pierde
• Si tenemos un exceso de demanda no se pueden adaptar los
elementos a corto plazo cortes suministro problemas sociales
y económicos.
5. Computación Neuro-borrosa 5
Introducción III
• Solución:
• Aparecen las entidades operadoras del mercado eléctrico (España:
Red Eléctrica de España)
• Estas operadoras asumen:
• Suministro de energía a los consumidores en el momento que se precise
• Mantenimiento de grupos de energía.
• Funcionamiento:
1. El operador estima la demanda
2. Solicita a los generadores de producción la carga a introducir en la red
• Objetivo:
• Minimizar la sobre-producción y costes de eficiencia en la estimación de la
demanda.
6. Computación Neuro-borrosa 6
Índice
1 • Introducción
2 • Preparación de la red
3 • Arquitectura de la red utilizada
4 • Fase de entrenamiento
5 • Fase de predicción
6 • Comparativa métodos clásicos
7 • Conclusiones
7. Computación Neuro-borrosa 7
Preparación de la red
• Estudio de los parámetros que afecta a la curva de
demanda.
Climáticas Calendario
Temperatura Hora
Viento Día
Fin de
semana
Mes
8. Computación Neuro-borrosa 8
Preparación de la red II
• En lo relacionado a
las climáticas, la
temperatura es el
Climáticas
factor mas influyente.
Temperatura
• En el estudio se
añade la variable
viento
considerándose como
Viento variable que afecta en
el consumo.
9. Computación Neuro-borrosa 9
Preparación de la red III
Calendario
Hora
• En lo referente al
calendario las
Día variables de entrada
elegidas son lógicas
y están basadas en
Fin de semana datos históricos
conocidos.
Mes
11. Computación Neuro-borrosa 11
Preparación de la red V
• Otros factores que afectan a la demanda eléctrica son los
factores económicos. Estos factores complican el modelo
y no aportan mejoras significativas al modelo (a corto o
medio plazo) no se tienen en cuenta
• Factores no predecibles son aleatorios y afectan
sensiblemente a la demanda de energía son
comportamientos atípicos (huelgas, paros, eventos
deportivos…) estos datos se filtran de la entrada.
12. Computación Neuro-borrosa 12
Preparación de la red VI
• Preparación de los datos:
• Filtrado: Eliminar datos atípicos como fallos en el suministro
eléctrico, en los dispositivos de medida, etc. y reemplazarlos con
una media aritmética del valor anterior y posterior al perdido.
• Codificación: según la tabla especificada en el apartado de los
datos de entrada
• Cambio de escala: todos los valores se representan en escala de 0
a 1.
13. Computación Neuro-borrosa 13
Preparación de la red VII
• Resumen de los parámetros de entrada.
Categoría Variable Unidades Tipo
Numérica
Temperatura Cº
Representada por su valor actual
Climáticas
Numérica
Viento m/seg
Representada por su valor actual
Numérica. Representada por su
Hora -
valor actual. Rango = (0,23)
Categoría codificada.
Representada por su valor actual
Día -
Lunes=0, Martes=1 …
Domingo=6
Numérico binario. Representada
Calendario
por su valor actual
Fin de semana -
Fin de semana o festivo=0 / Día
laborable=1
Categoría codificada.
Representada por su valor actual
Mes -
Enero = 0, Febrero=1 …
Diciembre = 11
Numérica
Objetivo Carga eléctrica GW/Hora
Representada por su valor actual.
14. Computación Neuro-borrosa 14
Índice
1 • Introducción
2 • Preparación de la red
3 • Arquitectura de la red utilizada
4 • Fase de entrenamiento
5 • Fase de predicción
6 • Comparativa métodos clásicos
7 • Conclusiones
15. Computación Neuro-borrosa 15
Arquitectura RNA
• Características del modelo de red propuesto:
• 3 Capas (Entrada, Oculta y Salida)
• 6 parámetros de entrada
• La función de activación utilizada es Sigmoide exponencial.
• La capa de entrada dispondrá de 6 neuronas
• La capa de salida contiene una única neurona cuyo
resultado es la carga eléctrica horaria.
• Se utilizará la táctica ensayo/error para la obtención de
los parámetros fundamentales de la RNA.
16. Computación Neuro-borrosa 16
Arquitectura RNA II
• Datos de Muestras para la red neuronal:
Distribución de la muestra
Total de observaciones 9120
Datos de entrenamiento 8760
Datos reservados para predicción 360
• Herramientas utilizadas
17. Computación Neuro-borrosa 17
Índice
1 • Introducción
2 • Preparación de la red
3 • Arquitectura de la red utilizada
4 • Fase de entrenamiento
5 • Fase de predicción
6 • Comparativa métodos clásicos
7 • Conclusiones
18. Computación Neuro-borrosa 18
Fase de entrenamiento
• El entrenamiento de la red se basa en el algoritmo de Retro-propagación de
Errores (BP).
• Este algoritmo modifica los pesos sinápticos dependiendo del vector de error
obtenido. Este proceso se realiza desde la capa de salida hacia atrás hasta la
capa de entrada.
• El calculo de los pesos sigue la siguiente formula:
• Donde α es la tasa de aprendizaje.
• Adicionalmente, se ha incluido la constante β (momento )para suavizar los
cambios en los pesos.
19. Computación Neuro-borrosa 19
Fase de entrenamiento II
• Objetivos buscados en el entrenamiento de la red:
• Obtener el número óptimo de iteraciones: se determina que el número de
iteraciones en el cual el error cuadrático es despreciable son 200.
• Obtener el número de neuronas óptimo en la capa oculta: Mediante experimentos
se llega a la conclusión de que el mejor número de neuronas en la capa oculta
es de 8, puesto que la inclusión de más neuronas en esta capa no afecta a la
capacidad explicativa del modelo.
• Valor óptimo de la tasa de aprendizaje (α): A través de la experimentación se
obtiene que el valor más apropiado de este parámetro se sitúa entre 0.6 y 0.8.
• Valor optimo del momento (β): Igualmente, se obtuvo el valor de este parámetro
cuyo valor se encontraba entre los valores 0.4 y 0.6.
20. Computación Neuro-borrosa 20
Fase de entrenamiento III
• Con los parámetros ajustados se obtienen los siguientes
resultados:
• La curva observada y la real se aproximan bastante.
21. Computación Neuro-borrosa 21
Índice
1 • Introducción
2 • Preparación de la red
3 • Arquitectura de la red utilizada
4 • Fase de entrenamiento
5 • Fase de predicción
6 • Comparativa métodos clásicos
7 • Conclusiones
22. Computación Neuro-borrosa 22
Fase de predicción
• Una vez la fase de entrenamiento ofrece unos resultados
óptimos, se procede a la fase de predicción con los datos
no utilizados en el entrenamiento.
• Los resultados obtenidos son los siguientes:
23. Computación Neuro-borrosa 23
Fase de predicción II
• Como es lógico, el error en la predicción es algo mayor
que en la fase de entrenamiento.
Fase Datos Neuronas T. Aprendizaje Momento Iteraciones
Entrenamiento 8760 8 0.8 0.5 200 7,73%
Predicción 360 8 0.8 0.5 200 9,64%
• Sin embargo, podemos indicar que el modelo predictivo
que proporciona la red neuronal es bastante aceptable
puesto que el error cuadrático medio es bastante
pequeño.
24. Computación Neuro-borrosa 24
Índice
1 • Introducción
2 • Preparación de la red
3 • Arquitectura de la red utilizada
4 • Fase de entrenamiento
5 • Fase de predicción
6 • Comparativa métodos clásicos
7 • Conclusiones
25. Computación Neuro-borrosa 25
Comparativa con modelos clásicos
• Adicionalmente, se realiza un estudio comparativo entre
el modelo desarrollado con RNA y los métodos clásicos
de predicción.
Alisado
RNA Modelo Ingenuo ARMA
exponencial
R2 del modelo 0.64 0.90 0.93 0.94
9.64% 29.91% 11.95% 14%
• El modelo basado en redes neuronales es el que menor
error obtiene aunque el coeficiente de determinación (R2)
sea el mas bajo.
26. Computación Neuro-borrosa 26
Índice
1 • Introducción
2 • Preparación de la red
3 • Arquitectura de la red utilizada
4 • Fase de entrenamiento
5 • Fase de predicción
6 • Comparativa métodos clásicos
7 • Conclusiones
27. Computación Neuro-borrosa 27
Conclusiones
• El modelo RNA planteado permite predecir la demanda
energética con un porcentaje de acierto del 98%. Las RNA MLP
pueden ser utilizadas como modelos de predicción económica.
• Se demuestra la influencia de variables como temperatura y
calendario en la evolución de la curva de demanda.
• Dada la forma de calcular el número de neuronas de capa
oculta, se debería estudiar la posibilidad del cálculo de
parámetros mediante el uso de algoritmos genéricos.
• Se plantea la posibilidad de estudiar la aplicación de modelos
RNA y transformadas de wavelet para eliminar ruidos en las
series.
28. Computación Neuro-borrosa 28
¿Dudas?
Computación Neuro-Borrosa
Master en Sistemas Inteligentes
Universidad de Salamanca
Arturo San Feliciano Martín
asanfeliciano@usal.es