rna aplicadas a economía - predicción de demanda eléctrica
TRANSCRIPT
APLICACIÓN DE REDES
NEURONALES EN ECONOMÍA:
Predicción de la demanda eléctrica
Computación Neuro-Borrosa Universidad de Salamanca
Arturo San Feliciano Martín
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
Computación Neuro-Borrosa 2
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
Computación Neuro-borrosa 3
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.
Computación Neuro-borrosa 4
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.
Computación Neuro-borrosa 5
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
Computación Neuro-borrosa 6
Preparación de la red
• Estudio de los parámetros que afecta a la curva de
demanda.
Temperatura
Viento
Climáticas
Hora
Día
Fin de semana
Mes
Calendario
Computación Neuro-borrosa 7
Preparación de la red II
• En lo relacionado a
las climáticas, la
temperatura es el
factor mas influyente.
• En el estudio se
añade la variable
viento
considerándose como
variable que afecta en
el consumo.
Temperatura
Viento
Climáticas
Computación Neuro-borrosa 8
Preparación de la red III
• En lo referente al
calendario las
variables de entrada
elegidas son lógicas
y están basadas en
datos históricos
conocidos.
Hora
Día
Fin de semana
Mes
Calendario
Computación Neuro-borrosa 9
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.
Computación Neuro-borrosa 11
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.
Computación Neuro-borrosa 12
Preparación de la red VII
• Resumen de los parámetros de entrada.
Categoría Variable Unidades Tipo
Climáticas
Temperatura Cº Numérica
Representada por su valor actual
Viento m/seg Numérica
Representada por su valor actual
Calendario
Hora - Numérica. Representada por su
valor actual. Rango = (0,23)
Día -
Categoría codificada.
Representada por su valor actual
Lunes=0, Martes=1 …
Domingo=6
Fin de semana -
Numérico binario. Representada
por su valor actual
Fin de semana o festivo=0 / Día
laborable=1
Mes -
Categoría codificada.
Representada por su valor actual
Enero = 0, Febrero=1 …
Diciembre = 11
Objetivo Carga eléctrica GW/Hora Numérica
Representada por su valor actual.
Computación Neuro-borrosa 13
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
Computación Neuro-borrosa 14
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.
Computación Neuro-borrosa 15
Arquitectura RNA II
• Datos de Muestras para la red neuronal:
• Herramientas utilizadas
Distribución de la muestra
Total de observaciones 9120
Datos de entrenamiento 8760
Datos reservados para predicción 360
Computación Neuro-borrosa 16
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
Computación Neuro-borrosa 17
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.
Computación Neuro-borrosa 18
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.
Computación Neuro-borrosa 19
Fase de entrenamiento III
• Con los parámetros ajustados se obtienen los siguientes
resultados:
• La curva observada y la real se aproximan bastante.
Computación Neuro-borrosa 20
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
Computación Neuro-borrosa 21
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:
Computación Neuro-borrosa 22
Fase de predicción II
• Como es lógico, el error en la predicción es algo mayor que en la fase de entrenamiento.
• 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.
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%
Computación Neuro-borrosa 23
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
Computación Neuro-borrosa 24
Comparativa con modelos clásicos
• Adicionalmente, se realiza un estudio comparativo entre el modelo desarrollado con RNA y los métodos clásicos de predicción.
• El modelo basado en redes neuronales es el que menor error obtiene aunque el coeficiente de determinación (R2) sea el mas bajo.
RNA Modelo Ingenuo ARMA Alisado
exponencial
R2 del modelo 0.64 0.90 0.93 0.94
9.64% 29.91% 11.95% 14%
Computación Neuro-borrosa 25
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
Computación Neuro-borrosa 26
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.
Computación Neuro-borrosa 27
Computación Neuro-borrosa 28
Computación Neuro-Borrosa Master en Sistemas Inteligentes
Universidad de Salamanca
Arturo San Feliciano Martín
¿Dudas?