Inteligencia artificial aplicada al viento.


Una de las problemáticas de nuestra sociedad es predecir el futuro de los fenómenos que impactan en nuestra vida y economía y es indudable que el clima es una de ellas. Para lograr esto es necesario recurrir a nuevas tecnologías, que reflejan la complejidad de la mayoría de fenómenos en la naturaleza.

En este Lab estudiamos la capacidad predictiva del nuestros algoritmos basados en Redes Neuronales Artificiales y Programación Genética, ya que estas permiten captar las características de un fenómeno sin conocer la física subyacente de los mismos.

Las Redes Neuronales son implementaciones matemáticas inspiradas en la manera de aprender que tienen los organismos vivos con sistema nervioso central. Estos algoritmos aprenden mediante procesos iterativos a partir de ejemplos suministrados por grandes series temporales de datos. Es asi que la red, a través, de la comparación entre salidas y objetivos va ajustando sus parámetros internos, aprendiendo y acercándose con cada paso de cálculo a la solución óptima del problema. Así la calibración es la etapa fundamental en el aprendizaje. Ésta instancia se denomina entrenamiento y se trata de un proceso de aprendizaje supervisado.

En la tabla 1 podemos ver los tipos de variables de entrada de las redes:

Los algoritmos de IAA fueron alimentados con variables meteorológicas, que se corresponden con datos provenientes de estaciones propias y de terceros. Además la influencia de los puntos de medición cercanos fueron tomados como factores que influencian los resultados. De esta forma podemos decir que el pronósticos para un punto de la región pampeana se encuentra relacionado con las mediciones instantáneas, la historia meteorológica en dicho punto y en sus alrededores.

En la siguiente figura (figura 1) se puede apreciar un ejemplo de predicción de viento con un horizonte de 3 horas.

De este primer ensayo se observa los errores predictivos típicos de las RNA. Los pronósticos están desfasados de las mediciones, es decir que el algoritmo copia las mediciones de un período anterior t-n. No obstante este enfoque presenta resultados satisfactorios para el pronostico de otras variables, como la temperatura, como se muestran en la figura a continuación.


A fin de mejorar estos resultados, profundizando aún más el análisis se incorporan otros factores que ayudan a describir un fenómeno tan inestable como lo es el viento, se incorporaron otros parámetros como la estacionalidad mensual y diaria. La influencia de la estacionalidad se analiza en el siguiente gráfico para diversas estaciones de la región pampeana.


La incorporación de los parámetros mencionados permite obtener resultados con una mejora en la predicción de la varianza de los modelos de 22%.


Se observa que haciendo usos de los algoritmos de Inteligencia Artificial Aplicada se pueden lograr buenos modelos para la predicción de variables atmosféricas de comportamiento caótico, que para ser abordadas por métodos tradicionales requieren una sofisticacion y uso de modelos muy complejos y de un conocimiento profundo del fenómeno, obteniendo de igual manera resultados con importantes errores dada la imprevisibilidad del modelo.

Se resalta el impacto que tiene la incorporación de la estacionalidad y otras tendencias para mejorar el ajuste del modelo. En este caso se empleó información extraída de las mismas series temporales disponibles, lo que nos indica de incorporar otras tendencias se obtendrían resultados con mayor precisión.

Al investigar el perfil de frecuencias de la velocidad de vientos se encuentra que existe una escasez de vientos con velocidades mayores a 20 km/hs lo que hace que no haya suficiente información para que los algoritmos aprendan el comportamiento de los picos o extremos. Sin embargo, seguimos trabajando en modelos acoplados para poder predecir con el menor error tanto eventos aislados como valores frecuentes.