TEMPS DE SERIE

Auteur: OCAÑA PEINADO FRANCISCO.
Année: 2004.
Université: GRANADA.
Lieu de l'exposition: CENTRO DE INSTUMENTACIÓN CINETÍFICA.
Lieu de préparation: FACULTAD DE FARMACIA.

Résumé: L'introduction en 1970 de modèles ARIMA dans le travail des ingénieurs EPG Box et GM Jenkins, à partir de travaux effectués dans la décennie précédente, était une nouvelle approche dans le traitement de la série chronologique, comme ils font face à la notion classique de la série, qui était compatible Avec un certain modèle ou d'une tendance dont les départs ont été au cœur de l'analyse, cette nouvelle metología hypothèse que l'outil de base pour la modernisation et l'analyse ont été lals corrélations entre les variables aléatoires série. Malgré les limites de ces modèles (structure linéaire, temporaires dicreto, ont besoin de longues séries historiques, etc), ARIMA été mises en oeuvre dans de nombreux domaines scientifiques, tels que l'ingénierie, l'économie, des sciences du comportement, etc. Étant un outil efficace pour la prévision à court terme. La formulation d'une base ARIMA est concevable que la série à l'étude est conforme à un second ordre de processus aléatoires (avec des moments de premier et second ordre finis), qui représente la réponse ou sortie d'un système linéaire ou d'un apport dynamique que si blanc Le bruit et la fonction de transfert du filtre ratio de deux polynômes de degré fini, c'est-à-dire le type de son. Dans le texte de Box et Jenkins a soulevé une génération de ces modèles univariés l'affaire dans laquelle la variable temps de réponse peut être expliquée par une ou plusieurs variables aléatoires autres que le bruit blanc, qui est, en proposant l'extension du modèle de régression multiple à l'événement Dynamique. Cette nouvelle formulation donne lieu à ce que l'on appelle des modèles de transfencia (MFT), ni même principalement dans le domaine des modèles économétriques regersión dynamique. La MFT est constituée de deux termes additifs, la première partie contient les variables exogènes par explicites et le deuxième, appelée le processus de l'inertie, représentant la perturbation aléatoire. Partie explicative se pose d'abord avec une structure de retards linalmente distribués à partir de laquelle ils sont issus la plupart des modèles compacts en termes de retards rationnellement répartie (Pankratz, 1991. Otero, 1993). En ce qui concerne le processus d'inertie, faisant partie de base qui s'inspire d'un modèle ARIMA. Se fondant sur les contraintes devant la ARIMA commenté avant, cette thèse vise à développer des modèles plus appropriée pour représenter la partie inexpliquées, ce qui permet d'optimiser leur capacité prédictive et de faire des modèles plus généraux. Plus précisément, le traitement est présenté est basé sur la décomposition du processus en termes de l'inertie de ses principales composantes, à la fois sous l'angle fonctionnel et discret que, comme indiqué dans le mémoire, cette approche donne une idée plus précise modèle prédictif fin. La thèse comprend trois chapitres, le premier consacré aux concepts de base MFT, ilustrándose avec une application à la Behavioral Sciences, où les deux modèles dynamiques sont développées pour expliquer les symptômes du lupus érythémateux selon le stress d'un groupe de patients sur un protocole médical numérique Échelle, et vice versa, ce qui permet de les classer en trois groupes en fonction de l'ordre du retard en partie expliqué. Le deuxième chapitre traite des questions susmentionnées consiste à modéliser les processus d'inertie en termes de composantes majeures de son considerción comme second ordre de processus aléatoires. Cela permet d'atteindre un degré de rapprochement aussi élevé que souhaité car ils intègrent de nouvelles variables à leur représentation numerable. L'efficacité de la méthode est présenté avec deux applications, un type de financement, qui met au point un modèle pour prévoir l'évolution du IBEX35 de l'indice SP5000 de la Bourse de New York, et l'autre dans le domaine de l'environnement pour predecri la concenración pollens de cyprès et D'olive pollen de deux entrées d'autre choix que correlados un de l'autre, la température et l'ensoleillement 8. Le env 38c pítulo troisième traite de l'approche fonctionnelle à ce problème et, après avoir présenté les principes de base des modèles CARMA, consacre une attention particulière à l'ordre un, est la version de la MFT temps continuité, en termes de systèmes linéaires stochastiques. Voici dasarrolla le processus d'inertie en termes de composants majeurs tels que le nombre de Karhumen - loève obtenu des approximations temps continu d'optimisation de ce validándose modélisation par le biais d'un exemple simulé.

Auteur: ARAUJO DA COSTA ALEXANDRE.
Année: 2005.
Université: POLITÉCNICA DE MADRID.
Lieu de l'exposition: E.T.S. INGENIEROS INDUSTRIALES.
Lieu de préparation: E.T.S. ING. INDUSTRIALES.

Résumé: Le principal objectif de cette thèse est de développer des modèles et des outils pour la prévision à court terme de la puissance de sortie de parcs éoliens. En ce qui concerne les besoins de cette thèse, "à court terme", se veut un horizon de la prévision jusqu'à 2 ou 3 jours à venir, dans les étapes de 1 à 3 heures (de l'étape de l'intégration du temps). Les modèles et outils sont développés essentiellement pour but de: Â intégrée avec les systèmes d'exploitation de parcs éoliens, ce qui permet une meilleure gestion des autres sources (par exemple, le calendrier de thermique), et en cherchant à assurer la satisfaction de la demande; Â les exigences pour la négociation de Le vent dans les marchés quotidiens et intrajournaliers énergie électrique; Â planification de certains travaux d'entretien dans les éoliennes. Le dernier modèle développé est composé de deux sous-groupes de modèles de différentes natures: des modèles mathématiques / physique des modèles statistiques et / météo. Les modèles mathématiques sont utilisés par sa capacité à extraire des informations de la série temporelle (mesurée en temps réel) de l'énergie éolienne et des éoliennes pour les informations de cette nature, de générer des estimations de la forte corrélation, en très peu de l'horizon de prévision, en hausse de 6 ou 12 heures plus tard . Ici, la "corrélation" doit être entendue au sens strictement statistique "corrélation linéaire", telles que l'augmentation de la corrélation entre la sortie d'un modèle et les données réelles d'un parc d'éoliennes, La meilleure adaptation à un tel modèle paramétrique. Les modèles mathématiques / statistiques sont testées genre autoregresivo, la logique floue et des réseaux neuronaux. À son tour, les modèles physiques sont basées sur des estimations de vent géostrophique (prévisions météorologiques des centres de vent immédiatement à l'extérieur de la couche limite planétaire). Ces modèles utilisent des statistiques des corrections à la loi de cortadura vent verticale couche d'Ekman, compte tenu de la complexité de l'orographie locale et le degré de stabilité de l'atmosphère. Ainsi, les estimations de vent géostrophique sont "déplacés" à la hauteur des pylônes anemométricas parc d'éoliennes avec le plus bas possible les erreurs. En outre, les effets de l'orographie complexe locaux sont calculés de manière plus détaillée pour une haute résolution de maillage autour du site de la ferme éolienne. Les modèles physiques sont utilisés par la portée de leurs prévisions, d'un horizon allant jusqu'à 48 ou 72 heures. Sorties de le modèle final est fonction des résultats de la submodels mathématiciens et des physiciens. En ajustant les paramètres de cette fonction est exercée de manière adaptative (en raison de la dynamique de variation de ces paramètres) par le biais de outils statistiques.