previsão de consumos a curto prazo
DESCRIPTION
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. - PowerPoint PPT PresentationTRANSCRIPT
Distribuição de Energia II5º ano da LEEC - ramo de Energia
(FEUP)
Previsão de consumos a curto prazo
Redes Neuronais
Cláudio Monteiro
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
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
Redes NeuronaisEstrutura e funcionamento de um neurónio
entradas neurónio
saída
Pesos wFunção de activação
Funções de activação
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)
u1
u2
un
v
v
v
1
2
l
y
y
y
1
2
m
Camada de entrada
Camadas escondidas
Camada De saída
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-
direcionaisu
u
u
1
2
n
y
y
y
1
2
n
z-1
z-1
z-1
(0)
(0)
(0) y
y
y
1
2
n
(k+1)
(k+1)
(k+1)
(k)
(k)
(k)
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
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
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
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
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
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)
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)
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