Por favor, use este identificador para citar o enlazar este ítem: http://dspace.espoch.edu.ec/handle/123456789/9697
Título : 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.
Autor : Chafla Yambay, Edison Xavier
Director(es): Hernández Ambato, Jorge
Tribunal (Tesis): Asqui Santillan, Gabriel
Paucar Samaniego, Jorge
Palabras claves : TECNOLOGÍA Y CIENCIAS DE LA INGENIERÍA;CONTROL AUTOMÁTICO;INTELIGENCIA ARTIFICIAL;REDES NEURONALES ARTIFICIALES (RNA);PREDICTOR;DEEP LEARNING;PYTHON (SOFTWARE);KERAS (SOFTWARE)
Fecha de publicación : feb-2019
Editorial : Escuela Superior Politécnica de Chimborazo
Citación : Chafla Yambay, Edison Xavier. (2019). 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. Escuela Superior Politécnica de Chimborazo. Riobamba.
Identificador : UDCTIPEC;20T01148
Abstract : The objective of this investigation was to evaluate training algorithms from the Keras Python library; applying to the dynamic modelling of hydroelectric dams, by means of the prediction error of the water reservoir level. Historical dates were used (2005-2016) such as level, row and active power from the Agoyan Hydroelectric Power Plant stored in the database manager PostgreSQL which are divided into climatic seasons and are processed using signalling and standardization techniques. For the training of the models, a Python software platform was developed, with the use of the training algorithms of the Keras library plus the Tensorflow back-end. The processor used for these tasks was graphics processing unit GPU Nvidia 1050Ti. Through the variance analyze ANOVA a probability obtained was (p) of 6,02157E - 44 and 1.4024E - 42 for training error and validation error respectively, which rule out the null hypothesis since in both cases the probability was less than 0.05 this means (p<n) for a confidence level (n) of 95% the Tukey test determine that Nadam algorithm It has the least significant difference from other statistical efficiency found that the Nadam algorithm is the most efficient Var(Nadam)< Var(SGD). The model with training the algorithm Nadam reached a predictor of an effective level to a threshold 48 hours obtaining an RMSE minimum of 0.035876 [m] and a maximum of 0.344913 [m] of reservoir water level error of the dam. In this case study the backend Tensorflow was used but there are currently others like Theano and CNTK, it is recommended to train the algorithms in these structures and test their performance.
Resumen : 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.
URI : http://dspace.espoch.edu.ec/handle/123456789/9697
Aparece en las colecciones: Maestrias: Modalidad Proyectos de Investigación y Desarrollo

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
20T01148.pdf3,01 MBAdobe PDFVista previa
Visualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.