Resumen

Este artículo analiza un novedoso algoritmo de entrenamiento para una arquitectura de red neuronal aplicada a la predicción de series temporales con aplicaciones de redes inteligentes. El algoritmo de entrenamiento propuesto se basa en un filtro de Kalman extendido (EKF) mejorado mediante optimización por enjambre de partículas (PSO) para calcular los parámetros de diseño. El algoritmo basado en EKF-PSO se emplea para actualizar los pesos sinápticos de la red neuronal. El tamaño del vector de regresión se determina mediante la metodología de Cao. La estructura propuesta captura de forma más eficiente la naturaleza compleja de las series temporales de velocidad del viento, generación de energía y demanda de carga eléctrica que se monitorizan constantemente en una red inteligente de referencia. El modelo propuesto se entrena y se prueba utilizando valores de datos reales para demostrar la aplicabilidad del esquema propuesto.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:series temporales de demanda de carga eléctrica, filtro de kalman ampliado, arquitectura de red neuronal, algoritmo de entrenamiento novedoso, optimización por enjambre de partículas, valores de datos reales, referencia de redes inteligentes, aplicaciones de redes inteligentes, predicción de series temporales, ekf
• Keywords:electrical load demand time series, extended kalman filter, neural network architecture, novel training algorithm, particle swarm optimization, real data values, smart grid benchmark, smart grids applications, time series prediction, ekf