Aprendizaje Automático en la Identificación de Sistemas. Un caso de estudio en la generación de un parque eólico

  1. Aguilar Chinea, Rosa María
  2. Torres Jorge, Jesús Miguel
  3. Galán, Carlos Alberto Martín
Revista:
Revista iberoamericana de automática e informática industrial ( RIAI )

ISSN: 1697-7920

Año de publicación: 2019

Volumen: 16

Número: 1

Páginas: 114-127

Tipo: Artículo

DOI: 10.4995/RIAI.2018.9421 DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Revista iberoamericana de automática e informática industrial ( RIAI )

Resumen

Uno de los mayores desafíos tecnolóogicos de la actualidad es la obtención de modelos predictivos de sistemas complejos. En este artículo se propone darle valor a los datos recogidos sobre un proceso utilizándolos para la identificación del mismo mediante el empleo de algoritmos de aprendizaje automático. En concreto, se describe el desarrollo de un proyecto de determinación del modelo predictivo de un sistema, a partir de algoritmos de aprendizaje automático supervisado, usando como ejemplo el problemade determinar la generación energía de un campo eólico. Para ello se estudian las transformaciones a realizar a los datos recogidos, la búsqueda del mejor algoritmo, cómo determinar la bondad del mismo y, finalmente, el entrenamiento y ajuste del modelo seleccionado. Todo ello usando el lenguaje de programación Python, que dispone de librerías que facilitan este tipo de proyectos, y en el entorno de Jupyter Notebook para realiza el proyecto y divulgar los resultados.

Referencias bibliográficas

  • Bermudez-Edo, M., Barnaghi, P., Moessner, K., 2018. Analysing real world data streams with spatio-temporal correlations: Entropy vs. pearson correlation. Automation in Construction 88, 87 – 100. URL: http://www.sciencedirect.com/science/article/pii/ S0926580517303874 DOI: https://doi.org/10.1016/j.autcon.2017.12.036
  • Bibault, J.-E., Giraud, P., Burgun, A., 2016. Big data and machine learning in radiation oncology: State of the art and future prospects. Cancer Letters 382 (1), 110 – 117. URL: http://www.sciencedirect.com/science/article/pii/S0304383516303469 DOI: https://doi.org/10.1016/j.canlet.2016.05.033
  • Brunner, R. J., Kim, E. J., 2016. Teaching data science. Procedia Computer Science 80, 1947 – 1956, international Conference on Computational Science 2016, ICCS 2016, 6-8 June 2016, San Diego, California, USA. URL: http://www.sciencedirect.com/science/article/pii/S1877050916310006 DOI: https://doi.org/10.1016/j.procs.2016.05.513
  • Cervantes, J., Taltempa, J., Garc´ıa, F., Ruiz, J., Yee, A., Jalili, L., 2017. Análisis comparativo de las técnicas utilizadas en un sistema de reconocimiento de hojas de planta. Revista Iberoamericana de Automática e Informática Industrial RIAI 14 (1), 104–114. URL: https://polipapers.upv.es/index.php/RIAI/article/view/9244 DOI: 10.1016/j.riai.2016.09.005
  • Domínguez-Tejo, E., Metternicht, G., Johnston, E. L., Hedge, L., 2018. Exploring the social dimension of sandy beaches through predictive modelling. Journal of Environmental Management 214, 379 – 407. URL: http://www.sciencedirect.com/science/article/pii/S0301479718302238 DOI: https://doi.org/10.1016/j.jenvman.2018.03.006
  • Fichman, R., Dos Santos, B., Zheng, Z., 2014. Digital innovation as a fundamental and powerful concept in the information systems curriculum. MIS Quarterly: Management Information Systems 38 (2), 329–353, cited By 76. URL: https://www.scopus.com/inward/record.uri?eid=2-s2.0-84923459614&partnerID=40&md5=3e9979842834a08721716f33f1ae5ced
  • Forbes, M. G., Patwardhan, R. S., Hamadah, H., Gopaluni, R. B., 2015. Model predictive control in industry: Challenges and opportunities. IFACPapersOnLine 48 (8), 531 – 538, 9th IFAC Symposium on Advanced Control of Chemical Processes ADCHEM 2015. URL: http://www.sciencedirect.com/science/article/pii/S2405896315011039 DOI: https://doi.org/10.1016/j.ifacol.2015.09.022
  • Hyndman, R. J., Koehler, A. B., 2006. Another look at measures of forecast accuracy. International Journal of Forecasting 22 (4), 679–688. URL: http://www.sciencedirect.com/science/article/pii/S0169207006000239 DOI: 10.1016/j.ijforecast.2006.03.001
  • Kokkinos, Y., Margaritis, K. G., 2018. Managing the computational cost of model selection and cross-validation in extreme learning machines via cholesky, svd, qr and eigen decompositions. Neurocomputing 295, 29 – 45. URL: http://www.sciencedirect.com/science/article/pii/S0925231218300195 DOI: https://doi.org/10.1016/j.neucom.2018.01.005
  • Ljung, L., 1998. System Identification: Theory for the User. Pearson Education. URL: https://books.google.es/books?id=fYSrk4wDKPsC
  • Ljung, L., 2008. Perspectives on system identification. IFAC Proceedings Volumes 41 (2), 7172 – 7184, 17th IFAC World Congress. URL: http://www.sciencedirect.com/science/article/pii/S1474667016400984 DOI: https://doi.org/10.3182/20080706-5-KR-1001.01215
  • Ljung, L., Hjalmarsson, H., Ohlsson, H., 2011. Four encounters with system identification. European Journal of Control 17 (5), 449 – 471. URL: http://www.sciencedirect.com/science/article/pii/S0947358011709712 DOI: https://doi.org/10.3166/ejc.17.449-471
  • Morris, D. H., Gostic, K. M., Pompei, S., Bedford, T., Łuksza, M., Neher, R. A., Grenfell, B. T., L¨assig, M., McCauley, J. W., 2018. Predictive modeling of influenza shows the promise of applied evolutionary biology. Trends in Microbiology 26 (2), 102 – 118. URL: http://www.sciencedirect.com/science/article/pii/S0966842X17302093 DOI: https://doi.org/10.1016/j.tim.2017.09.004
  • Peña, D., 2014. Big data and statistics: Trend or change? Boletín de Estadística e Investigación Operativa 30-3, 313 – 324. URL: http://www.seio.es/BEIO/files/BEIOVol30Num3_opinion1.pdf
  • Pillonetto, G., Chen, T., Chiuso, A., Nicolao, G. D., Ljung, L., 2016. Regularized linear system identification using atomic, nuclear and kernel-based norms: The role of the stability constraint. Automatica 69, 137 – 149. URL: http://www.sciencedirect.com/science/article/pii/S0005109816300449 DOI: https://doi.org/10.1016/j.automatica.2016.02.012
  • Piñuela-Martín, E., del Ama, A. J., Fraile-Marinero, J. C., Ángel Gil-Agudo, 2016. Modelización de la estimulación eléctrica neuromuscular mediante un enfoque fisiológico y de caja negra. Revista Iberoamericana de Automática e Informática Industrial RIAI 13 (3), 330 – 337. URL: http://www.sciencedirect.com/science/article/pii/S1697791216300073 DOI: https://doi.org/10.1016/j.riai.2015.09.012
  • Pospieszny, P., Czarnacka-Chrobot, B., Kobylinski, A., 2018. An effective approach for software project effort and duration estimation with machine learning algorithms. Journal of Systems and Software 137, 184 – 196. URL: http://www.sciencedirect.com/science/article/pii/S0164121217302947 DOI: https://doi.org/10.1016/j.jss.2017.11.066
  • Stone, M., 1974. Cross-validatory choice and assessment of statistical predictions. Journal of the Royal Statistical Society 36, 111–147.
  • Torres, J. M., Aguilar, R. M., Zuñiga-Meneses, K. V., 2018. Deep learning to predict the generation of a wind farm. Journal of Renewable and Sustainable Energy 10 (1), 013305. DOI: https://doi.org/10.1063/1.4995334
  • Vapnik, V. N., Sep 1999. An overview of statistical learning theory. IEEE Transactions on Neural Networks 10 (5), 988–999. https://doi.org/10.1109/72.788640
  • Walpole, R., Raymond, S. L. M., Myers, H., 2011. Probability & Statistics for Engineers & Scientists. Pearson, 9 edition. URL: https://www.amazon.ca/Probability-Statistics-Engineers-Scientists-9th/dp/0321629116
Fuente de los datos: Dialnet