Influencia de los Algoritmos de Entrenamiento de RNAs en la Predicción del Nivel de Embalse de Agua en una Estación Hidroeléctrica

Autores/as

  • Edison Chafla Ministerio del Interior Ecuador
  • Gabriel Asqui Santillán Transelectric CELEC E.P
  • Jorge Paucar Escuela Superior Politécnica de Chimborazo
  • Diana E. Olmedo Vizueta Escuela Superior Politécnica de Chimborazo

DOI:

https://doi.org/10.47187/perspectivas.vol1iss1.pp16-22.2019

Palabras clave:

Inteligencia Artificial, Redes Neuronales, Predictor, Keras, Tensorflow

Resumen

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.

Descargas

Publicado

2019-01-08

Cómo citar

[1]
E. Chafla, G. Asqui Santillán, J. Paucar, y D. E. Olmedo Vizueta, «Influencia de los Algoritmos de Entrenamiento de RNAs en la Predicción del Nivel de Embalse de Agua en una Estación Hidroeléctrica: Array», Perspectivas, vol. 1, n.º 1, pp. 16–22, ene. 2019.

Número

Sección

Artículos arbitrados