Redes Neurais Recorrentes para Predição de Carga Elétrica
Autores
|
1770 |
750,250
|
|
|
1771 |
750,250
|
Informações:
Publicações do PESC
Redes Neurais Recorrentes para Predição de Carga Elétrica
Marcelo Andrade Teixeira
Junho/1999
| Orientador: | Gerson Zaverucha | |
| ||
Este trabalho descreve como redes neurais recorrentes podem ser usadas na tarefa de predição de carga elétrica. Aqui as redes são empregadas como preditores, fazendo predições a partir dos dados disponíveis, ou como clusterizadores, produzindo grupos de dados similares. Várias arquiteturas são apresentadas: Uma única rede preditora (modelo global); uma rede clusterizada que agrupa dados para serem usados por várias redes preditoras (modelos locais); várias redes preditoras onde apenas algumas de suas predições são combinadas (modelos locais combinados). A fim de julgar o desempenho das redes recorrentes comparou-se arquiteturas constituídas tanto por redes recorrentes como por redes não-recorrentes. A principal contribuição deste trabalho foi o desenvolvimento da rede clusterizada Recurrent Neural Gas, a utilização de redes recorrentes de Elman para o apredizado de modelos locais e o projeto de sistemas de redes neurais para modelos locais combinados.
Recurrent Neural Networks for Electric Load Forecasting
Marcelo Andrade Teixeira
June/1999
| Advisor: | Gerson Zaverucha | |
| Department: Systems Engineering and Computer Science | ||
This work describes how recurrent neural networks can be used in the task of electric load forecasting. Here the networks are employed either as predictors, which do predictions using the available data, or as clustering algorithms, wich produce groups of similar data. Many architectures are presented: Only one predictive network (global model); a clustering network groups data that are used by several predictive networks (local models); several predictive networks whose predictions are combined (ensembles); a clustering network plus several predictive networks where only some of their predictions are combined (combined local models). In order to judge the performance of the recurrent networks we compare architectures that include both recurrent and non-recurrent networks. The main contribution of this work was the development of the Recurrent Neural Gas clustering network, the utilization of Elman recurrent networks for the local model learning, and the design of neural networks systems for combined local models.