1 / 14

Previsão de consumos a curto prazo

Previsão de consumos a curto prazo. Redes Neuronais Cláudio Monteiro. Redes Neuronais O que são?. Redes Neuronais são técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neuronal de organismos inteligentes e que adquirem conhecimento através da experiência.

Download Presentation

Previsão de consumos a curto prazo

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Previsão de consumos a curto prazo Redes Neuronais Cláudio Monteiro Distribuição de Energia II 5º ano da LEEC - ramo de Energia (FEUP)

  2. Redes NeuronaisO que são? • Redes Neuronais 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. • Redes Neuronais são máquinas de aprendizagem, distribuídas, adapativas e geralmente não lineares

  3. Redes NeuronaisPassos 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

  4. Redes NeuronaisEstrutura e funcionamento de um neurónio Funções de activação entradas neurónio saída Função de activação Pesos w

  5. Redes NeuronaisTipos 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) Camada de entrada Camadas escondidas Camada De saída

  6. Redes NeuronaisTipos de redes RN • RN Recorrentes - com Realimentação – Feedback NN • os grafo de conectividade contém ciclos • São exemplos as redes de Hopfield e as redes bi-direcionais

  7. Redes NeuronaisRedes 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

  8. Redes NeuronaisTDNN – Time-Domain Neural Network • substitui-se os neurônios de entrada de uma MLP por uma linha de atraso • pode ser treinada com a retro-propagação estática • A memória está nos atrasos da camada de entrada Neurónios

  9. Redes NeuronaisTDNN – 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

  10. Redes NeuronaisTreino 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

  11. Redes NeuronaisAprendizagem 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 formação da saída original • Baseado no sinal de erro recebido, os pesos das conexões são então atualizados para cada neurônio

  12. Redes NeuronaisUsando o Matlab • Definição da estrutura da rede • net = newff(PR,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF) • Newff – cria a estrutura de uma rede neuronal directa com retropropagação (feed-forward backpropagation network) • PR – Matriz (Rx2) 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)

  13. Redes NeuronaisUsando 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)

  14. Redes NeuronaisUsando 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

More Related