Professional Documents
Culture Documents
Contenido
Introduccin
Caractersticas del parque elico Villonaco
Tcnicas de IA utilizadas
Agrupamiento
Redes neuronales
Redes Bayesianas dinmicas
Metodologa
Resultados experimentales
Conclusiones
INTRODUCCIN
El comportamiento del viento presenta alto grado de
aleatoriedad, incertidumbre e intermitencia. Asimismo, las
fuentes de informacin de este recurso como torres
meteorolgica y SCADAS pueden inducir ruido en la
informacin o huecos en los registros de datos.
Las tcnicas convencionales para caracterizar el viento no son
efectivas por lo que se propone utilizar la inteligencia artificial.
En este trabajo se pretende demostrar el poder de la
inteligencia artificial para resolver problemas complejos como
la prediccin de viento usando como base los datos de
produccin del parque elico villonaco.
Preguntas de investigacin
Es posible obtener perfiles de viento con fines de hacer
modelos de prediccin eficientes?
Podremos caracterizar el comportamiento del viento en
cierto periodo de tiempo?
Cmo podemos determinar la relacin entre variables
relacionadas con los recursos renovables con fines de
diagnostico?
Cmo podemos predecir una variable dadas otras?
Parque Villonaco
2500
11 aerogeneradores:
Gold Wind 1500 kw (GW70-1500)
Radio 35 m
Altura gndola: 65 m
Activos - Eficiencia del 100 %
2000
1500
Fecha-hora
/ Vel. v. / Dir. V.
01/03/2014 12:00 am 2.34 269
01/03/2014 11:50 am 2.15 148.53
1000
500
0
0
200
400
600
Agrupamiento (clustering)
vehculos
areos
martimos
terrestres
Definicin
Clustering es el proceso de agrupar datos en clases o clusters de modo
que los objetos de un cluster tengan alta similaridad entre ellos y baja con
objetos del otros clusters.
La medida de similaridad esta basada en los atributos que describen los
objetos.
Los grupos pueden ser: exclusivos, con traslapes, probabilsticos,
jerarquicos.
Aplicaciones: caracterizar clientes o empleados, formar taxonomas,
clasificar documentos, etc.
Medida de similiaridad
Medida de similiaridad
Para variables numricas (lineales).
x1
x0
s1
s2
s3
Medidas de similaridad
Otras:
Variables binarias. Ej. p=true y q=false.
Variables nominales. color=negro,forma=circular
Variables mixtas: Ej. alarma=activada, textura=suave
Algoritmos de clustering
Algoritmos de clustering
Bottom-up
(aglomeramiento)
Top down
Algoritmos de clustering
K-means
Redes neuronales
Las RNA's propuestas por las ciencia de la computacin y las
neurociencias son resultado del estudio de las funciones y
estructuras del cerebro.
Modelos computacionales basados en estos antecedentes
biolgicos para resolver problemas complejos como:
Reconocimiento de patrones
Procesamiento rpido de la informacin
Aprendizaje y adaptacin
Redes neuronales
Caractersticas
Habilidad para aproximar funciones no-lineales arbitrarias.
Proveen modelos no-lineales requeridos para el diseo de controladores
no-lineales y adaptables.
Estructura paralela:
Tolerancia a fallas y rapidez de operacin.
Redes neuronales
RNA - originalmente simulacin abstracta de
sistemas nerviosos biolgicos, formados por
conjunto de unidades llamadas "neuronas".
Alan Turing (1936) estudio cerebro como forma de
ver la computacin.
McCulloch y Pitts (1943 ) Primer modelo, primeros
tericos que concibieron los fundamentos de la
computacin neuronal.
Idea bsica
Inspiradas en las neuronas del cerebro
se crean redes de neuronas
interconectadas.
La capa de entrada tendr tantas
neuronas como nmero de variables de
entrada y la capa de salida tantas
neuronas como variables de salida.
Funciones de activacin
Existen diferentes funciones de activacin g
Funcin
umbral (o
escaln)
Funcin
rampa
Funcin
sigmoidal
(o logstica)
Funcin
gaussiana
Fases de aplicacin
Fase de aprendizaje:
aprenden por la actualizacin o cambio de los pesos
sinpticos que caracterizan a las conexiones.
Se usa un conjunto de datos o patrones de entrenamiento.
Fase de prueba:
Una vez calculados los pesos de la red, se comparan la(s)
salida(s) de la red con la salida deseada.
Diferentes arquitecturas
Perceptron
BP-Backpropagation
Rumelhart, Hinton y Williams (1986) basandose
en trabajos de (Werbos 74) y (Parker 82).
Mtodo para que la RNA aprendiera la
asociacin entre patrones de entrada y las
clases correspondientes.
Tcnica de optimizacin diseada
minimizar una funcin objetivo:
1 M
2
ew d k yk ( w)
2 k 1
para
Aplicaciones
(1) Clasificacin de
patrones
(2) Categorizacin
en grupos
(clusters)
(3) Aproximacin
de funciones
Aplicaciones
(4) Pronstico
(5) Optimizacin
(6) Recuperacin de
contenidos
REDES BAYESIANAS
Teora de
probabilidad
Teora de
grfos
REDES
BAYESIANAS
REDES BAYESIANAS
DAG (grfico acclico dirigido)
Nodos: representan variables (objetos)
Arcos: representan dependencia condicional (causalidad)
P(H)
P(E|H)
E
1.Estructura
(cualitativo).
de
la
red
2.Probabilidades a priori y
condicionales (cuantitativo).
P( E | H ) P( H )
P( H | E )
P( E )
Ejemplo
humo
Falta
gasolina
Falla
encendido
Falla
batera
Si despus
observamos
humo del motor,
entonces cambia
Pf(gas) y sube
Pf(batera)
Observando falla de
encendido, podemos
calcular Pf(gasolina) y
Pf(batera)
34
Interpretaciones prcticas
1. Identificando causalidad entre variables en
un proceso.
2. Representacin de la probabilidad conjunta
entre varias variables.
viscosidad
temperatura
viscosidad
alta
baja
alta
0.1 0.95
baja
0.9 0.05
tabla mayor.
0.5
0.9
temperatura
0
0.1
0.5
0.9
0.0001
0.0007
0.001
0.945
0.0008
0.001
0.93
0.0008
0.0015
0.0001
0.95
temperatura
Rgimen
Trmico
viscosidad
Flujo comb
Oxgeno
Temp comb
quemdores
viscosidad
Rgimen
Trmico
Generacin
Red Bayesiana
Representacin de la probabilidad
conjunta
m
p
t
g
P(m,t,p,g,a) = P(a|t,p)P(g|t)P(t|m)P(p|m)P(m)
Sistemas dinmicos
En sistemas dinmicos, las variables son
ahora series de tiempo Xt.
Xt ={Xt1, Xt2,..,Xtn}.
El espacio probabilista se forma por los
valores que puede tomar cada variable Xi
en cada tiempo relevante t.
La distribucin de probabilidad se convierte
en un espacio muy complejo.
44
Suposiciones:
1. Discretizar el tiempo en etapas (time slices)
regulares.
Xt =X(0), X(1),.., X(t)
Xti =X(0)i, X(1)i,.., X(t)i para i = 1..n
0:
)=
1
+1
0:
(
|
=0
Suposiciones
2. Sistema Markoviano
(0) , (1) , . . , () =
(+1 | )
=0
46
Suposiciones
3. Sistema estacionario
((+1) |() ) es igual para toda t
Es decir, el estado siguiente del proceso
depende del estado presente, de la misma
forma en cualquier parte de la muestra (un
ao a otro, las primaveras o los inviernos).
47
Suposiciones?
La primera es obvia y no hay duda: discretizar
el tiempo. Seleccionar el time slice apropiado.
Es un sistema Markoviano?
Es una serie de tiempo estacionaria?
Segn pruebas de Dicker-Fuller, s son
estacionarias.
48
49
50
Metodologa
Potencia MW
Perfil de viento 1
Datos
de
perfil1
Hora
Algoritmos de
agrupamiento
Herramientas
de IA (ANN /
DBN)
Hora
Datos
de
perfil n
Perfil de viento n
Potencia MW
Datos
histricos de
viento
Datos
de
perfil2
Potencia MW
Perfil de viento 2
Hora
RESULTADOS EXPERIMENTALES
Se realiz una serie de pruebas con datos
horarios del aerogenerador No. 1 del parque
villonaco.
Se usaron datos histricos de velocidad de
viento (m/s) y potencia (kw) registrados
durante 2014 y 2013.
Para las pruebas se usaron las herramientas:
Weka, OpenMarkov y una herramienta
propietaria para aprendizaje bayesiano.
RESULTADOS EXPERIMENTALES
Perfiles de viento
CLUSTERING
EM
(PROBABILISTICO)
K-MEANS
(DETERMINISTICO)
EM
ESTADISTICAS DE AGRUPAMIENTO
K-MEANS
ESTADISTICAS DE AGRUPAMIENTO
RESULTADOS EXPERIMENTALES
Aproximacin de
comportamiento anual de
viento
REDES NEURONALES
PERCEPTRN SIMPLE
PERCEPTRON MULTICAPA
PERCEPTRON MULTICAPA
1 CAPA OCULTA
2 CAPAS OCULTAS
3 NODOS
6 NODOS
PERCEPTRN SIMPLE
ESTADISTICAS DE CLASIFICACIN
Dependencia
condicional entre
variables y prediccin
probabilista
RED BAYESIANA
ESTTICA
RED BAYESIANA
DINMICA
RED ESTTICA
RED DINMICA
La Red Dinmica presentada fuer elaborada con datos del parque elico Villonaco
(Aerogenerador 1, ao 2014)
RED DINMICA
CONCLUSIONES
Se obtuvo para el perfil de viento en Villonaco con tcnicas
de clustering.
Se aproxim una funcin de viento anual con una red
neuronal.
Se obtuvo un modelo de prediccin mediante redes
bayesianas dinmicas.
Se compararn resultados para los modelos construidos.
Referencias
[1] Pablo H. Ibargengoytia, Alberto Reyes, Ins Romero Len, David
Pech, Uriel Garcia, Eduardo F. Morales, L. Enrique Sucar, Wind Power
Forecasting Using Dynamic Bayesian Models, A. Gelbukh et al. (Eds.):
MICAI 2014, Part II, LNAI 8857, pp. 184--197. Springer International
Publishing Switzerland (2014)
[2] Pablo H. Ibargengoytia, Alberto Reyes, Uriel Garcia, Ins Romero
Len, David Pech, and Mnica Borunda, A Tool for Learning Dynamic
Bayesian Networks for Forecasting, MICAI 2015, Part II, LNAI 9414,
Springer International Publishing, Switzerland (2015)
[3] C. Monteiro, R. Bessa, V. Miranda, A. Botterud, J. Wang and G.
Conzelmann, Wind Power Forecasting: State-of-the-Art-2009, Argonne
National Laboratory, Decision and Information Sciences Division, Porto,
Portugal, 2009, ANL/DIS-10-1
[4] Pablo H. Ibargengoytia, Alberto Reyes, Uriel Garcia, Ins Romero
Len, David Pech, Evaluating Probabilistic graphical models for forecasting,
Intelligent Systems Applications in Power ISAP-2015, Porto, Portugal,
Septiembre del 2015.
Referencias
Ian H. Witten, Eibe Frank, Mark A. Hall; Data Mining:
Practical Machine Learning Tools and Techniques, Third
Edition (The Morgan Kaufmann Series in Data Management
Systems) 3rd Edition; 2011.
K-means tutorial
http://youtu.be/zHbxbb2ye3E