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

Bessa, Ricardo Jorge Gomes de Sousa Bento

Please use this identifier to cite or link to this item: https://hdl.handle.net/10216/10798

Full metadata record

DC Field	Value	Language
dc.creator	Bessa, Ricardo Jorge Gomes de Sousa Bento	pt_PT
dc.date.accessioned	2009-05-27T10:23:03Z	-
dc.date.available	2009-05-27T10:23:03Z	-
dc.date.created	2007	pt_PT
dc.date.issued	2008-07-29	-
dc.date.submitted	2008-07-29	pt_PT
dc.identifier.other	060414018	pt_PT
dc.identifier.uri	http://hdl.handle.net/10216/10798	-
dc.description	Análise de Dados e Sistemas de Apoio à Decisão	pt_PT
dc.description	Master in Data Analysis and Decision Support Systems	pt_PT
dc.description	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.	pt_PT
dc.format.mimetype	application/pdf	pt_PT
dc.language	por	pt_PT
dc.publisher	Faculdade de Economia da Universidade do Porto	pt_PT
dc.publisher	FEP	pt_PT
dc.rights	openAccess	pt_PT
dc.subject	INFORMÁTICA	pt_PT
dc.subject	Porto	pt_PT
dc.title	Treino On Line de Redes Neuronais com Critérios de Informação Aplicado à Previsão Eólica	pt_PT
dc.type	Dissertação	pt_PT
Appears in Collections:	FEP - Dissertação

Files in This Item:

File	Description	Size	Format
Tese MADSAD Ricardo Bessa.pdf		2.73 MB	Adobe PDF	View/Open

Show simple item record Recommend this item Display Statistics