Influencia de los Algoritmos de Entrenamiento de RNAs en la Predicción del Nivel de Embalse de Agua en una Estación Hidroeléctrica
DOI:
https://doi.org/10.47187/perspectivas.vol1iss1.pp16-22.2019Palabras clave:
Inteligencia Artificial, Redes Neuronales, Predictor, Keras, TensorflowResumen
El presente artículo reporta los resultados obtenidos del análisis de la influencia de los algoritmos de entrenamiento de redes neuronales artificiales (RNAs) en el error de predicción del nivel de embalse de agua de una represa hidroeléctrica. Los algoritmos estudiados son los contenidos en la librería Keras, la misma que usa el back-end de TensorFlow. Los datos utilizados son los registros históricos (2005-2016) del nivel de embalse, caudal y potencia activa de una central hidroeléctrica en el Ecuador. Tales datos fueron divididos en datos de entrenamiento, validación y pruebas. La plataforma hardware fue una unidad de procesamiento gráfico (GPU) Nvidia 1050Ti, la misma que permitió explotar el cálculo altamente paralelo de TensorFlow. Un total de 7 algoritmos fueron evaluados. La prueba de Tukey reveló que el algoritmo Nadam obtuvo la menor diferencia significativa respecto al resto, comprobando que es el más eficiente. El modelo RNA de la planta, entrenado con el algoritmo Nadam, permitió lograr predicciones del nivel de embalse de agua hasta un umbral de 48 horas. Los resultados alcanzados favorecerán optimizar la planificación de producción energética en una central hidroeléctrica a través de una predicción más precisa de los recursos hídricos para cotas de producción deseadas.
Métricas
Citas
BANCO MUNDIAL, “Energía @ www.bancomundial.org.” 2017.
L. Galarza and Tecpetrol, “Estadística Anual y Multianual del Sector Eléctrico Ecuatoriano,” p. 208, 2017.
Instituto Nacional de Estadística y Censos, “Proyecciones Poblacionales @ www.ecuadorencifras.gob.ec.” 2017.
REN21, “Renewables 2017: Global Status Report,” Paris, 2017.
C. A. Villacís Laínez, Y. F. Suarez Nuñez, and X. M. Güillín Llanos, “Análisis de la Responsabilidad Social en el Ecuador,” Rev. Publicando, vol. 3, no. 8, pp. 452–466, 2016.
Consejo Nacional de Electricidad, “Plan Maestro de Electrificación 2013-2022,” Plan Maest. Electrif. 2013-2022, vol. 1, p. 116, 2013.
J. Hernández-Ambato, G. Asqui-Santillán, A. Arellano, and C. Cunalata, “Multistep-ahead Streamflow and Reservoir Level Prediction Using ANNs for Production Planning in Hydroelectric Stations,” in 2017 16th IEEE International Conference on Machine Learning and Applications, 2017, pp. 479–484.
G. E. Asqui Santillán, “Predicción del nivel de agua del embalse, basado en redes neuronales, para la mejora de la planificación de producción de energía en la Central Hidroeléctrica Agoyán.,” 2017.
J. R. Azagra, “Control robusto cuantitativo de sistemas con múltiples entradas de actuación y una salida objeto de control,” 2017.
P. Isasi Viñuela and I. M. Galván León, Redes de Neuronas Artificiales: Un Enfoque Práctico. Pearson Educación, 2004.
G. Asqui Santillán, D. Olmedo Vizueta, and J. Hernández Ambato, “Modelamiento basado en Redes Neuronales Artificiales para la Predicción de Recursos Hídricos en una Central Hidroeléctrica,” in V Congreso Internacional de la Ciencia, Tecnología, Emprendimiento E Innovación, 2018, pp. 532–545.
J. M. Zaldívar, E. Gutiérrez, I. M. Galván, F. Strozzi, and A. Tomasin, “Forecasting high waters at Venice Lagoon using chaotic time series analysis and nonlinear neural networks,” J. Hydroinformatics, vol. 2, no. 1, pp. 61–84, 2000.
J. L. Correa-Figueroa, E. Morales-Sánchez, J. A. Huerta-Ruelas, J. J. González-Barbosa, and C. R. Cárdenas-Pérez, “Sistema de adquisición de señales SEMG para la detección de fatiga muscular,” Rev. Mex. Ing. Biomed., vol. 37, no. 1, pp. 17–27, 2016.
F. Chollet, “Optimizers - Keras Documentation,” 2015. .
F. Chollet, Deep Learning with Python, vol. 80, no. 1. 2007.
T. Dozat, “Incorporating Nesterov Momentum into Adam,” ICLR Work., no. 1, pp. 2013–2016, 2016.
A. T. Hadgu, A. Nigam, and E. Diaz-Aviles, “Large-scale learning with AdaGrad on Spark,” in Big Data (Big Data), 2015 IEEE International Conference on, 2015, pp. 2828–2830.
S. Ruder, “An overview of gradient descent optimization algorithms,” pp. 1–14, 2016.
M. D. Zeiler, “ADADELTA: An Adaptive Learning Rate Method,” 2012.
M. C. Mukkamala and M. Hein, “Variants of RMSProp and Adagrad with Logarithmic Regret Bounds,” CoRR, vol. abs/1706.05507, 2017.
D. P. Kingma and J. Ba, “Adam: A Method for Stochastic Optimization,” CoRR, vol. abs/1412.6, 2014.
X. Zeng, Z. Zhang, and D. Wang, “AdaMax Online Training for Speech Recognition,” 2016.
S. J. Reddi, S. Kale, and S. Kumar, “On the Convergence of Adam and Beyond,” in ICLR 2018, 2018, pp. 1–23.
E. Morales and J. González, “Aprendizaje Computacional,” Inst. Nac. Astrofísica, Óptica y Electrónica, pp. 1–232, 2011.
B. Cecila, “Facultad de Ciencias Forestales,” 2002.
J. A. Villalpando-García, A. Castillo-Morales, M. E. Ramírez-Guzmán, G. Rendón-Sánchez, and U. Larqué-Saavedra, Mario, “COMPARACIÓN DE LOS PROCEDIMIENTOS DE TUKEY, DUNCAN, DUNNETT, HSU Y BECHHOFER PARA SELECCIÓN DE MEDIAS,” Agrociencia, vol. 35, no. 1, pp. 79–86, 2001.
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2019 Edison Chafla, Gabriel Asqui Santillán, Jorge Paucar, Diana E. Olmedo Vizueta
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Derechos de Autor
Los autores de trabajos escritos retendrán sus derechos de autor sobre sus artículos publicados en la Revista Pespectivas. Estos derechos les permite sobre dichos trabajos: presentarlos en público, preparar trabajos derivados, reproducirlo físicamente a través de impresión y distribuirlo en sus redes sociales o de investigación. Estos derechos se mantendrán inalterables siempre y cuando los autores respecten la política de publicación y de acceso libre que maneja la Revista Perspectivas.
Derechos de Publicación
La Revista Perspectivas se reserva todos los derechos de primera publicación sobre cada uno de los artículos que los autores hayan enviado a su proceso de revisión y publicación. Esto implica que los autores solo podrán ejercer sus derechos de autor si, al momento de distribuir, compartir, presentar o usar el contenido total o parcial de sus artículos, indican adecuadamente la fuente y origen de dicha publicación.
