Resumo da Tese apresentada à COPPE/UFRJ como parte dos requisitos necessários para a obtenção do grau de Doutor em Ciências (D.Sc.)

Seleção de Variáveis de Entrada para Previsores Neurais de Carga

Roberto Miguel Gutiérrez Velásquez

Novembro/2006

Orientadores:

Alexandre Pinto Alves da Silva Djalma Mosqueira Falcão

Programa:

Engenharia Elétrica

      A qualidade da previsão de carga fornecida por qualquer modelo está fortemente associada à correta escolha das variáveis explicativas. Se tais variáveis não são suficientemente representativas do problema a ser modelado, a capacidade de ajuste e previsão do modelo fica comprometida. Nesta tese é apresentado um método automático de seleção de variáveis relevantes para modelos de previsão. A metodologia de seleção está baseada na aplicação prática do Teorema de Reconstrução de Espaço Fase de Takens em séries de carga a partir da definição prévia de duas variáveis: Dimensão da Imersão e Passo de Reconstrução. Para o cálculo da Dimensão da Imersão são utilizadas duas técnicas originadas no âmbito da dinâmica não linear e da teoria do caos: Dimensão da Correlação e Falsos Vizinhos Mais Próximos. Já para a determinação do Passo de Reconstrução, a metodologia utilizada é conhecida como Método da Informação Mútua, originária da Teoria da Informação. Visando aproximar as hipóteses dos métodos para assim realizar uma correta aplicação do Teorema de Takens, é aplicada a Teoria de Wavelets nas séries de carga antes do processo de reconstrução. Com o mesmo objetivo são reduzidas as componentes de tendência e sazonalidade das séries antes do processo de reconstrução. A qualidade do processo de reconstrução de Espaço Fase é avaliada usando estatísticas de ajuste e previsão em modelos de redes neurais.