Teoria do caos aplicada à definição do conjunto de entradas de modelos neurais autônomos para previsão de carga em curto prazo
| Autor: | Ferreira,Vitor Hugo, Silva,Alexandre Pinto Alves da |
|---|---|
| Jazyk: | angličtina |
| Rok vydání: | 2011 |
| Předmět: |
Relevance Vector Machines
Input Selection Chaos Theory Load Forecasting Perceptron de Multi-camadas Chaotic Synchronization Multi-layered Perceptron Inferência Bayesiana Bayesian Inference Previsão de carga Seleção de Entrada Teoria do Caos Máquinas de Vetores Relevantes Artificial Neural Networks Sincronização caótica Redes Neurais Artificiais |
| Zdroj: | Sba: Controle & Automação Sociedade Brasileira de Automatica, Volume: 22, Issue: 6, Pages: 585-597, Published: DEC 2011 Sba: Controle & Automação Sociedade Brasileira de Automatica v.22 n.6 2011 Sba: Controle & Automação Sociedade Brasileira de Automatica Sociedade Brasileira de Automática (SBA) instacron:SBA |
| Popis: | After 1991, the literature on load forecasting has been dominated by neural network based proposals. However, one major risk in using neural models is the possibility of excessive training, i.e., data overfitting. The extent of nonlinearity provided by neural network based load forecasters, which depends on the input space representation, has been adjusted using heuristic procedures. The empirical nature of these procedures makes their application cumbersome and time consuming. Autonomous modeling including automatic input selection and model complexity control has been proposed recently for short-term load forecasting. However, these techniques require the specification of an initial input set that will be processed by the model in order to select the most relevant variables. This paper explores chaos theory as a tool from non-linear time series analysis to automatic select the lags of the load series data that will be used by the neural models. In this paper, Bayesian inference applied to multi-layered perceptrons and relevance vector machines are used in the development of autonomous neural models. Após 1991, a literatura sobre previsão de carga passou a ser dominada por propostas baseadas em modelos neurais. Entretanto, um empecilho na aplicação destes modelos reside na possibilidade do ajuste excessivo dos dados, i.e, overfitting. O excesso de não-linearidade disponibilizado pelos modelos neurais de previsão de carga, que depende da representação do espaço de entrada, vem sendo ajustado de maneira heurística. Modelos autônomos incluindo técnicas automáticas e acopladas para seleção de entradas e controle de complexidade dos modelos foram propostos recentemente para previsão de carga em curto prazo. Entretanto, estas técnicas necessitam da especificação do conjunto inicial de entradas que será processado pelo modelo visando determinar aquelas mais relevantes. Este trabalho explora a teoria do caos como ferramenta de análise não-linear de séries temporais na definição automática do conjunto de atrasos de uma dada série de carga a serem utilizados como entradas de modelos neurais autônomos. Neste trabalho, inferência Bayesiana aplicada a perceptrons de múltiplas camadas e máquinas de vetores relevantes são utilizadas no desenvolvimento de modelos neurais autônomos. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|