Análisis del rendimiento de algoritmos de entrenamiento de redes neuronales artificiales, aplicadas al modelamiento dinámico de represas hidroeléctricas, mediante el error de predicción del nivel de embalse de agua.
El objetivo de esta investigación fue evaluar los algoritmos de entrenamiento de la librería Keras de Python, aplicadas al modelamiento dinámico de represas hidroeléctricas, mediante el error de predicción del nivel de embalse de agua. Para esto se utilizó datos históricos (2005-2016) del nivel, cau...
Saved in:
| Main Author: | |
|---|---|
| Format: | masterThesis |
| Language: | spa |
| Published: |
2019
|
| Subjects: | |
| Online Access: | https://dspace.espoch.edu.ec/handle/123456789/9697 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
Add Tag | Summary: | El objetivo de esta investigación fue evaluar los algoritmos de entrenamiento de la librería Keras de Python, aplicadas al modelamiento dinámico de represas hidroeléctricas, mediante el error de predicción del nivel de embalse de agua. Para esto se utilizó datos históricos (2005-2016) del nivel, caudal y potencia activa de la Central Hidroeléctrica Agoyán, almacenados en el gestor de base de datos PostgredSQL, a los cuales se los dividió en temporadas climáticas y se los procesó utilizando técnicas de estacionamiento de señales y de normalización. Para el entrenamiento de los modelos se desarrolló una plataforma de software de Python, con el uso de los algoritmos de entrenamiento de la librería Keras más el back-end de Tensorflow. El procesador utilizado para estas tareas fue una unidad de procesamiento gráfico GPU Nvidia 1050Ti. A través del análisis de la varianza ANOVA, se obtuvo una probabilidad (p) de 6,02157E-44 y 1.4024E-42 para el error de entrenamiento y error de validación respectivamente, lo cual descartó la hipótesis nula ya que en ambos caso la probabilidad fue menor a 0.05 es decir (p<n) para un nivel de confianza (n) del 95%, la prueba de Tukey determinó que el algoritmo Nadam tiene la menor diferencia significativa respecto al resto, la eficiencia estadística comprobó que el algoritmo Nadam es el más eficiente Var(Nadam)< Var(SGD). El modelo entrenado con el algoritmo Nadam alcanzó un predictor de nivel efectivo hasta un umbral de 48 horas, consiguiendo un RMSE mínimo de 0.035876 [m] y un máximo de 0.344913 [m] del error de nivel de agua de embalse de la presa. En este caso de estudio se utilizó el backend de TensorFlow, pero existe actualmente otros backends como: Theano y CNTK, se recomienda entrenar los algoritmos en estas estructuras y probar su rendimiento. |
|---|