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

Simple item page

datacite.subject.fos	Natural sciences::Computer and information sciences
dc.contributor.department	Departamento de Informática
dc.contributor.guia	Gil Sagas, Esteban Manuel
dc.coverage.spatial	Campus Casa Central Valparaíso
dc.creator	Serpell Carriquiry, Cristián Felipe
dc.date.accessioned	2025-09-09T14:21:31Z
dc.date.available	2025-09-09T14:21:31Z
dc.date.issued	2023-05
dc.description.abstract	Muchas 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 promedio 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 evalúa 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
dc.description.abstract	Many activities depend on reliable forecasting of future values. To do it, neural network models have been devised that take previously observed values, and provide a description of a probability distribu- tion of future values, instead of only one expected value. This task, called probabilistic forecasting, allows preparing for different potential situations with different probability of occurrence, instead of only preparing for a mean situation that may not happen in reality. These models consider the uncertainty of future values using different representations, including prediction interval bounds, quantile cuts, or distributional assumptions. In any of them, two sources of uncertainty must be considered: aleatoric uncertainty, related to the model choice, including the lack of consideration of other variables that may provide more information about the forecasted variable, and epistemic uncertainty, related to the lack of enough training data to fit the model parameters. This last uncertainty source is not considered by many approaches, being specially important for neural network forecasting models, as they have a big number of parameters and training data is usually scarce for time series prediction. In this work, a deep learning probabilistic forecasting model is proposed that considers both sources of uncertainty. For the former, a distributional assumption is considered, that allows choosing among different distribution families, and for the second, Monte Carlo Dropout is used, a technique that sample different values for the parameters each time the neural network is evaluated. This model is validated on wind speed, wind power and elec- trical load multistep forecasting, important tasks for the energy sector, where the penetration of variable renewable energy sources has made electrical grids to present more uncertainty. It is concluded that it handles both sources of uncertainty for time series forecasting, and that choosing the output distribution improve performance for some energy related time series, when using a distribution different from the normal one.	en_US
dc.description.degree	Doctorado en Ingeniería Informática
dc.driver	info:eu-repo/semantics/doctoralThesis
dc.format.extent	122 páginas
dc.identifier.barcode	156426253UTFSM
dc.identifier.doi	10.71959/7gs0-7m82
dc.identifier.uri	https://cris.usm.cl/handle/123456789/4116
dc.identifier.uri	https://doi.org/10.71959/7gs0-7m82
dc.language.iso	en
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 International	en
dc.rights.accessRights	A	es_CL
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Monte Carlo Dropout
dc.subject	pronostico probabilistíco
dc.subject	incertidumbre
dc.subject	intervalos
dc.subject	series de tiempo
dc.subject	Distribución de salida
dc.subject	redes neuronales
dc.subject.ods	9 Industria, innovación e infraestructura
dc.title	Pronóstico probabilístico basado en redes neuronales profundas para series de tiempo de energía
dspace.entity.type	Tesis

Files

Original bundle

Now showing 1 - 1 of 1

Name:: DC_CS_2023.pdf
Size:: 17.88 MB
Format:: Adobe Portable Document Format

Collections

Tesis de Postgrado