APLICACIÓN DE REDESNEURONALES EN ECONOMÍA:Predicción de la demanda eléctrica                     Computación Neuro-Borrosa...
Computación Neuro-Borrosa   2Índice     1   • Introducción     2   • Preparación de la red     3   • Arquitectura de la re...
Computación Neuro-borrosa     3Introducción• Importancia de las redes neuronales en economía:   • Permite predecir comport...
Computación Neuro-borrosa   4Introducción II• Consecuencias en el mercado eléctrico: • Si tenemos un exceso de oferta no ...
Computación Neuro-borrosa        5Introducción III• Solución:   • Aparecen las entidades operadoras del mercado eléctrico ...
Computación Neuro-borrosa   6Índice     1   • Introducción     2   • Preparación de la red     3   • Arquitectura de la re...
Computación Neuro-borrosa   7Preparación de la red• Estudio de los parámetros que afecta a la curva de demanda.           ...
Computación Neuro-borrosa    8Preparación de la red II                                    • En lo relacionado a           ...
Computación Neuro-borrosa     9Preparación de la red IIICalendario             Hora                                       ...
Computación Neuro-borrosa   10Preparación de la red IV
Computación Neuro-borrosa   11Preparación de la red V• Otros factores que afectan a la demanda eléctrica son los factores ...
Computación Neuro-borrosa    12Preparación de la red VI• Preparación de los datos:  • Filtrado: Eliminar datos atípicos co...
Computación Neuro-borrosa                     13Preparación de la red VII• Resumen de los parámetros de entrada.     Categ...
Computación Neuro-borrosa   14Índice     1   • Introducción     2   • Preparación de la red     3   • Arquitectura de la r...
Computación Neuro-borrosa   15Arquitectura RNA• Características del modelo de red propuesto:  • 3 Capas (Entrada, Oculta y...
Computación Neuro-borrosa   16Arquitectura RNA II• Datos de Muestras para la red neuronal:                                ...
Computación Neuro-borrosa   17Índice     1   • Introducción     2   • Preparación de la red     3   • Arquitectura de la r...
Computación Neuro-borrosa        18Fase de entrenamiento•   El entrenamiento de la red se basa en el algoritmo de Retro-pr...
Computación Neuro-borrosa        19Fase de entrenamiento II• Objetivos buscados en el entrenamiento de la red:  •   Obtene...
Computación Neuro-borrosa   20Fase de entrenamiento III• Con los parámetros ajustados se obtienen los siguientes resultado...
Computación Neuro-borrosa   21Índice     1   • Introducción     2   • Preparación de la red     3   • Arquitectura de la r...
Computación Neuro-borrosa   22Fase de predicción• Una vez la fase de entrenamiento ofrece unos resultados óptimos, se proc...
Computación Neuro-borrosa               23Fase de predicción II• Como es lógico, el error en la predicción es algo mayor q...
Computación Neuro-borrosa   24Índice     1   • Introducción     2   • Preparación de la red     3   • Arquitectura de la r...
Computación Neuro-borrosa                 25Comparativa con modelos clásicos• Adicionalmente, se realiza un estudio compar...
Computación Neuro-borrosa   26Índice     1   • Introducción     2   • Preparación de la red     3   • Arquitectura de la r...
Computación Neuro-borrosa    27Conclusiones• El modelo RNA planteado permite predecir la demanda energética con un porcent...
Computación Neuro-borrosa   28¿Dudas?    Computación Neuro-Borrosa    Master en Sistemas Inteligentes    Universidad de Sa...
Upcoming SlideShare
Loading in...5
×

RNA aplicadas a economía - Predicción de demanda eléctrica

267

Published on

Presentación trabajo de Computación NB. Máster Sistemas Inteligentes 2011-2012

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
267
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
6
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

RNA aplicadas a economía - Predicción de demanda eléctrica

  1. 1. APLICACIÓN DE REDESNEURONALES EN ECONOMÍA:Predicción de la demanda eléctrica Computación Neuro-Borrosa Universidad de Salamanca Arturo San Feliciano Martín
  2. 2. Computación Neuro-Borrosa 2Índice 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. 3. Computación Neuro-borrosa 3Introducción• 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. 4. Computación Neuro-borrosa 4Introducción 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. 5. Computación Neuro-borrosa 5Introducción 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. 6. Computación Neuro-borrosa 6Índice 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. 7. Computación Neuro-borrosa 7Preparación 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. 8. Computación Neuro-borrosa 8Preparación 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. 9. Computación Neuro-borrosa 9Preparación de la red IIICalendario 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
  10. 10. Computación Neuro-borrosa 10Preparación de la red IV
  11. 11. Computación Neuro-borrosa 11Preparación 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. 12. Computación Neuro-borrosa 12Preparación 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. 13. Computación Neuro-borrosa 13Preparación 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. 14. Computación Neuro-borrosa 14Índice 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. 15. Computación Neuro-borrosa 15Arquitectura 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. 16. Computación Neuro-borrosa 16Arquitectura 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. 17. Computación Neuro-borrosa 17Índice 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. 18. Computación Neuro-borrosa 18Fase 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. 19. Computación Neuro-borrosa 19Fase 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. 20. Computación Neuro-borrosa 20Fase de entrenamiento III• Con los parámetros ajustados se obtienen los siguientes resultados:• La curva observada y la real se aproximan bastante.
  21. 21. Computación Neuro-borrosa 21Índice 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. 22. Computación Neuro-borrosa 22Fase 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. 23. Computación Neuro-borrosa 23Fase 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. 24. Computación Neuro-borrosa 24Índice 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. 25. Computación Neuro-borrosa 25Comparativa 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. 26. Computación Neuro-borrosa 26Índice 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. 27. Computación Neuro-borrosa 27Conclusiones• 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. 28. Computación Neuro-borrosa 28¿Dudas? Computación Neuro-Borrosa Master en Sistemas Inteligentes Universidad de Salamanca Arturo San Feliciano Martín asanfeliciano@usal.es
  1. A particular slide catching your eye?

    Clipping is a handy way to collect important slides you want to go back to later.

×