Aplicacion de rna

Solo disponible en BuenasTareas
  • Páginas : 22 (5425 palabras )
  • Descarga(s) : 0
  • Publicado : 24 de enero de 2011
Leer documento completo
Vista previa del texto
Europeas de Dirección y Economía de la Empresa Investigaciones Vol. 10, N° 2,2004, pp. 221-232, ISSN: 1135-2523

APLICACIÓN DE REDES NEURONALES ARTIFICIALES AL CÁLCULO DE PREVISIONES A CORTO PLAZO EN EL MERCADO ELÉCTRICO ESPAÑOL
Pino Diez, R. De la Fuente García, D. Parreño Fernández, J. Priore, P. Universidad de Oviedo

RESUMEN En ocasiones, la "sobreabundancia" de información se puedeconvertir en un problema incluso más grave que el no disponer de series temporales suficientemente largas. Desde el punto de vista de las RNAs, es importante disponer de un conjunto de ejemplos de entrenamiento suficientemente, pero' si es desmesuradamente grande, es más que posible que, si no se utiliza un ordenador de gran capacidad y velocidad, el tiempo necesario para que la red converja y lleguea soluciones adecuadas, sea demasiado grande en términos relativos. En este trabajo proponemos método de entrenamiento (que denominamos "selectivo y continuo"), en el que se hace una selección previa de los ejemplos de entrenamiento del Perceptrón Multicapa que se utiliza para calcular las previsiones. Hemos comprobado la efectividad del método propuesto, pronosticando una
serie temporalcorrespondiente al Mercado dc la Electricidad Español.

PALABRAS CLAVE: Previsión Perceptrón Multicapa, Redes ART. ABSTRACT

a corto

plazo,

Redes

Neuronales

Artificiales,

Sometimes, having time series that are too long can be an even greater problem, even worse than having series with too few data. From a Neural Networks point ofview, it is important to have a set oftraining samplesthat is big enough; however, ifthis set is too big the time required to reach an adequate solution may be too long. In this paper, we propose a training method we have called a selective and continuous method, in which a previous selection for the Multilayer Perceptron (MLP) training samples is made using an ART-type neural network. The MLP is then trained and finally it is used to make forecasts. Wetested the effectiveness ofthe proposed method, making forecasts for the time series called DailyMarket Hourly Price, part ofthe Electricity Production Market ofSpain. KEYWORDS: Short-Time Forecasting, Artificial Neural Networks, Multilayer Perceptron, ART Networks.

1. INTRODUCCIÓN. Hasta los primeros años 20, las previsiones se calculaban simplemente extrapolando la serie en el tiempo. Elprincipio de lo que podemos llamar "predicción moderna" de series temporales se puede fijar en el año 1927, cuando Yule inventó la técnica autorregresiva para pronosticar el número anual de manchas solares (Yule, 1927). Su modelo pronosticaba el

Pino Diez, R., De la Fuente Garcia, D., Parreño Fernández, J, Priore, P.

siguiente valor como una suma ponderada de las observaciones previas de laserie. Para poder obtener un comportamiento interesante de estos sistemas lineales, era necesario asumir la intervención de un factor externo (ruido), que afectaba al sistema lineal. Durante el medio siglo siguiente, se asumía que las series temporales eran generadas por sistemas lineales afectados por un ruido, y todas las investigaciones culminaron en la metodología ARIMA de BoxJenkins (Box andJenkins, 1970). Sin embargo, existen casos simples para los que esta última metodología es poco adecuada. El hecho de que series temporales aparentemente complicadas puedan ser generadas por ecuaciones muy simples, hace necesario un marco teórico mucho más general para el análisis y predicción de series temporales. Así fueron surgiendo estudios en los que en los que se trataban series noestacionarias y/o no lineales, con nuevos métodos: modelos bilineales, biespectrales, de umbral, etc. (Tong, 1983, 1990; Priestley, 1988; Tsay, 1991; Subba Rao, 1992). En los años 80, ocurrieron dos acontecimientos cruciales en la evolución de los estudios sobre series temporales. Por un lado, el incremento en la potencia de los ordenadores personales, permitió el estudio de series temporales mucho más...
tracking img