Previsão de consumos a curto prazo

Transcrição

1 Previsão de consumos a curto prazo Cláudio Monteiro Distribuição de Energia II 5º ano da LEEC - ramo de Energia (FEUP) O que são? são técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neuronal de organismos inteligentes e que adquirem conhecimento através da experiência. Uma rede neural é composta por várias unidades de processamento, cujo funcionamento é bastante simples. Essas unidades, geralmente são conectadas por canais de comunicação que estão associados a determinado peso. O comportamento inteligente de uma Rede Neuronal vem das interacções entre as unidades de processamento da rede. são máquinas de aprendizagem, distribuídas, adapativas e geralmente não lineares

2 Passos da construção de uma RN Definir o problema, identificando as variáveis que pretendemos prever e as variáveis independentes com significância (uma análise prévia da série temporal pode ser muito útil) Filtra, separar e processar a informação para treino e e teste da rede Treinar a rede com um conjunto de treino representativo Testar a rede com um conjunto de teste diferente do conjunto de treino Escolha da estrutura e topologia da rede (múltiplas tentativas de treino e teste) Implementar o sistema de previsão: o pre-processamento das entradas, processamento na RN e apresentação das previsões Estrutura e funcionamento de um neurónio Funções de activação entradas neurónio saída Pesos w Função de activação

3 Tipos de redes RN RN Diretas Feedforward NN As redes diretas são aquelas cujo grafo não tem ciclos é comum representar estas redes em camadas e neste caso são chamadas redes de camadas (MLP) u u v v y y u n Camada de entrada v Camadas escondidas l y m Camada De saída Tipos de redes RN RN Recorrentes - com Realimentação Feedback NN os grafo de conectividade contém ciclos São exemplos as redes de Hopfield e as redes bidirecionais u (0) u (0) y (k) y (k) y (k+) y (k+) un(0) y (k) n z - z - yn(k+) z - 3

4 Redes para séries temporais Redes TDNN e TFLN Problemas que envolvem o tempo (tal como previsão) são chamados dinâmicos O tempo estabelece uma ordem contínua nos dados de entrada São usadas topologias que modelizam memória a curto prazo A saída funciona como um combinador linear de atrasos TDNN Time-Domain Neural Network substitui-se os neurônios de entrada de uma MLP por uma linha de atraso Neurónios pode ser treinada com a retro-propagação estática A memória está nos atrasos da camada de entrada 4

5 TDNN Time-Lagged Feedforward Network Uma TLFN é um arranjo em avanço de neurônios com memória A memória de curto prazo pode estar distribuídas em qualquer camada As saídas dos neurónios dão resposta para vários horizontes de previsão Treino das redes neuronais Um neurônio é um elemento adaptativo, os pesos são modificáveis dependendo de um algoritmo de treino Aprendizagem supervisionada aprende com exemplos de sinais de entrada e saída Aprendizagem não supervisionada baseada apenas no sinal de entrada e em esquemas que especifiquem a saída correspondente Aprendizagem por retropropagação (Backpropagation) é o método de aprendizagem supervisionada mais utilizada 5

6 Aprendizagem por retropropagação a rede aprende um conjunto pré-definido de pares de exemplos de entrada/saída em ciclos de propagação/adaptação Para um padrão de entrada o estimulo é propagado até à saída. O padrão de saída é então comparado com a saída desejada e um sinal de erro é calculado para cada elemento de saída. O sinal de erro é retro-propagado ao longo das várias camadas Cada elemento da camada intermediária recebe apenas uma porção do sinal de erro total, proporcional apenas à contribuição relativa de cada elemento na forma ção da saída original Baseado no sinal de erro recebido, os pesos das conexões são então atualizados para cada neurônio Usando o Matlab Definição da estrutura da rede net = newff(pr,[s S...SNl],{TF TF...TFNl},BTF,BLF,PF) Newff cria a estrutura de uma rede neuronal directa com retropropagação (feed-forward backpropagation network) PR Matriz (Rx) de Min e Max, para cada variável de entrada R Si Número de neurónios na camada i TFi Função de transferência na camada i (tansig, logsig, or purelin) BTFi Função de treino da retropropagação na camada i (trainbfg, trainrp, traingd) 6

7 Usando o Matlab Treino da rede [net,tr,y,e,pf,af] = train(net,p,t,pi,ai,vv,tv) Train treina a rede net é a rede criada com newff P é a matriz de entrada (o número de entradas deve estar coerente com o número de neurónios da camada de entrada de newff) T é a matriz de saídas (o número de saídas deve estar coerente com o número de neurónios da camada de saída de newff) Usando o Matlab Simulação [Y,Pf,Af,E,perf] = sim(net,p,pi,ai,t) sim simula a rede neuronal net é a rede criada com newff P é a matriz de entrada (o número de entradas deve estar coerente com o número de neurónios da camada de entrada de newff) Y é a matriz de saídas 7