EL REPOSITORIO SE ENCUENTRA EN MARCHA BLANCA

 

Thesis
Pronóstico probabilístico basado en redes neuronales profundas para series de tiempo de energía

dc.contributor.advisorAllende Olivares, Héctor Manuel (Profesor Guía)
dc.contributor.advisorGil Sagas, Esteban Manuel (Profesor Guía)
dc.contributor.advisorPezoa Rivera, Raquel (Profesora Correferente)
dc.contributor.authorSerpell Carriquiry, Cristián Felipe
dc.contributor.departmentUniversidad Técnica Federico Santa María. Departamento de Informáticaes_CL
dc.coverage.spatialCasa Central Valparaísoes_CL
dc.date.accessioned2024-09-13T17:39:54Z
dc.date.available2024-09-13T17:39:54Z
dc.date.issued2023-05
dc.description.abstractMuchas actividades dependen del pronóstico fiable de valores futuros. Para hacerlo, se han concebido modelos de redes neuronales que toman valores previamente observados, y proveen una descripción de la distribución de probabilidad de los valores futuros, en vez de solo un valor esperado. Esta tarea, llamada pronóstico probabilístico, permite prepararse para diferentes situaciones potenciales con distinta probabilidad de ocurrencia, en vez de prepararse solo para una situación primedio que podría no ocurrir en la realidad. Estos modelos consideran la incertidumbre de los valores futuros usando diferentes representaciones, que incluyen intervalos de pronóstico, cuantiles, o supuestos distribucionales. En todas ellas, dos fuentes de incertidumbre deben ser consideradas: incertidumbre aleatoria, asociada a la elección del modelo, incluyendo la no consideración de otras variables que podrían otorgar más información sobre la variable pronosticada, e incertidumbre epistémica, relacionada a la falta de suficientes datos de entrenamiento para ajustar los parámetros del modelo. Esta última no es considerada por muchos trabajos, aún siendo especialmente importante para modelos de pronóstico basados en redes neuronales, ya que éstos tienen una gran cantidad de parámetros y los datos de entrenamiento son usualmente escasos para pronóstico de series de tiempo. En este trabajo, se propone un modelo de pronóstico probabilístico de aprendizaje profundo que considera ambas fuentes de incertidumbre. Para la primera, se considera un supuesto distribucional, que permite elegir entre distintas familias de distribuciones, y para la segunda, se usa Monte Carlo Dropout, una técnica que muestrea valores distintos para los parámetros cada vez que se evalua la red neuronal. Este modelo es validado para pronóstico a múltiples pasos de velocidad del viento, potencia eólica y demanda eléctrica, importantes tareas para el sector eléctrico, donde la penetración de fuentes de energía renovables no convencionales ha incrementado la incertidumbre presente en los sistemas eléctricos. Se concluye que el modelo maneja ambas fuentes de incertidumbre para el pronóstico de series de tiempo, y que la elección de la distribución de salida permite mejorar el desempeño para algunas series de tiempo, al usar una distribución diferente a la normal.es_CL
dc.description.degreeDOCTOR EN INGENIERIA INFORMATICAes_CL
dc.description.programDEPARTAMENTO DE INFORMÁTICA. DOCTORADO EN INGENIERÍA INFORMÁTICAes_CL
dc.identifier.barcode156426253UTFSMes_CL
dc.identifier.urihttps://repositorio.usm.cl/handle/123456789/195
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.accessRightsAes_CL
dc.subjectMONTE CARLO DROPOUTes_CL
dc.subjectPRONOSTICO PROBABILISTOes_CL
dc.subjectINCERTIDUMBREes_CL
dc.subjectINTERVALOSes_CL
dc.titlePronóstico probabilístico basado en redes neuronales profundas para series de tiempo de energíaes_CL
dspace.entity.typeTesis

Files

Original bundle

Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
m15642625-3.pdf
Size:
17.88 MB
Format:
Adobe Portable Document Format