Return to search

Treino On Line de Redes Neuronais com Critérios de Informação Aplicado à Previsão Eólica

Análise de Dados e Sistemas de Apoio à Decisão / Master in Data Analysis and Decision Support Systems / Nesta tese são estudadas redes neuronais MLP (Multilayer Perceptron) para previsão de produção eólica com treino on line para um horizonte temporal de 72 horas. O principal
objectivo consiste em aplicar à previsão de produção eólica critérios de treino on line da rede neuronal, baseados na teoria da informação (ITL - Information Theoretic Learning).

O principal motivo para a aplicação dos critérios ITL fundamenta-se no facto de a distribuição dos erros de previsão eólica não ser Gaussiana. Mesmo que as previsões de vento exibissem erros Gaussianos, a não linearidade
da curva característica dos grupos eólicos produz erros não-Gaussianos, sendo as distribuições dos erros de previsão de potência eólica assimétricas positivas e mais achatadas que as Gaussianas. Quando se tratam distribuições de
erros como se fossem Gaussianas desperdiça-se informação contida nos momentos de ordem superior. Quando se utiliza um critério de mínimos quadrados ou de variância (MSE) o processo de treino apenas passa uma parte da informação
dos dados para os parâmetros do sistema, deixando na distribuição dos erros uma parte da informação.

Com base no critério ITL foram estudados três critérios de treino da rede neuronal: minimização da entropia do erro (MEE), maximização da correntropia (MCC) e minimização da entropia do erro com pontos de referência
(MEEF). Estes critérios de treino procuram conduzir a uma distribuição dos erros de previsão com entropia (informação) mínima, implicando maior frequência de erros próximos de zero. Os critérios combinam a definição de Renyi de
Entropia com a técnica das janelas de Parzen, construindo uma medida do conteúdo de informação da distribuição dos erros.

Tratando-se de um problema com um fluxo contínuo de dados não-estacionários foram desenvolvidas metodologias de treino on line da rede neuronal. O Treino on line permite incorporar nova informação proveniente do sistema
de aquisição de dados do parque eólico, permitindo também processar um fluxo contínuo de dados sem necessidade de armazenar informação numa base de dados. Duas estratégias de treino on line foram desenvolvidas utilizando critérios
de treino ITL: 1) retropropagação da correntropia do erro de um novo valor medido; 2) estimação recursiva da entropia do erro sobre uma janela temporal de tamanho pré-definido.

Os testes dos diferentes critérios e modos de treino foram realizados sobre três parques eólicos situados em locais distintos de Portugal Continental e com diferente complexidade de terreno. Dos resultados obtidos foi
possível apurar a superioridade da qualidade das previsões obtidas com os critérios ITL, quando comparadas com as obtidas com o MSE. O treino on line da rede neuronal quando comparado com o treino offline permitiu obter melhores
previsões nos três parques e num caso especial em que ocorre uma mudança de conceito.

Para o treino offline foi elaborada uma metodologia de estandardização dos parâmetros da rede de forma a tornar o treino da rede neuronal independente da complexidade do terreno e localização do parque eólico. No caso do
treino on line é avaliado o impacto dos diferentes parâmetros no erro e exploradas algumas técnicas adaptativas dos parâmetros. Verificou-se que valores fixos dos parâmetros levavam a melhores resultados, no entanto, a utilização
de abordagens adaptativas não deverá ser abandonada.

As redes neuronais desenvolvidas nesta tese são uma ferramenta que se revela bastante importante e útil quando integrada em sistemas de previsão mais sofisticados.

Identiferoai:union.ndltd.org:up.pt/oai:repositorio-aberto.up.pt:10216/10798
Date29 July 2008
CreatorsBessa, Ricardo Jorge Gomes de Sousa Bento
PublisherFaculdade de Economia da Universidade do Porto, FEP
Source SetsUniversidade do Porto
LanguagePortuguese
Detected LanguagePortuguese
TypeDissertação
Formatapplication/pdf, application/pdf
RightsopenAccess

Page generated in 0.0106 seconds