RNA aplicadas a economía - Predicción de demanda eléctrica

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.


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.


Índice

1 • Introducción






7 • Conclusiones


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


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


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


Preparación de la red IV


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.


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.


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


Calendario

Hora - Numérica. Representada por su

valor actual. Rango = (0,23)

Día -

Categoría codificada.


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.


Enero = 0, Febrero=1 …

Diciembre = 11

Objetivo Carga eléctrica GW/Hora Numérica

Representada por su valor actual.


Índice

1 • Introducción






7 • Conclusiones


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.


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


Índice

1 • Introducción






7 • Conclusiones


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.


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.


Fase de entrenamiento III

• Con los parámetros ajustados se obtienen los siguientes

resultados:

• La curva observada y la real se aproximan bastante.


Índice

1 • Introducción






7 • Conclusiones


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:


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%


Índice

1 • Introducción






7 • Conclusiones


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%


Índice

1 • Introducción






7 • Conclusiones


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 Master en Sistemas Inteligentes

Universidad de Salamanca

Arturo San Feliciano Martín

[email protected]

¿Dudas?

RNA aplicadas a economía - Predicción de demanda eléctrica

Documents

Transcript of RNA aplicadas a economía - Predicción de demanda eléctrica