Metodología para la previsión del nivel de agua en los embalses de las centrales hidroeléctricas en condiciones de bajo caudal de entrada
DOI:
https://doi.org/10.5935/jetia.v10i48.1137Resumen
El fenómeno de «El Niño» trae al norte de Sudamérica periodos de sequía que impactan negativamente en el nivel de los embalses de las centrales hidroeléctricas, lo que podría reducir su producción de energía. Con el fin de evitar que se alcance el nivel mínimo de operación antes de que finalice el período de sequía, esta investigación propone una metodología basada en ciencia de datos para la previsión objetivo del nivel de los embalses de las centrales hidroeléctricas en condiciones de bajo caudal. El objetivo es que el nivel mínimo operativo del embalse se alcance en la fecha estimada de finalización del periodo de sequía, es decir, el 31 de marzo de 2024. Se aplica a los datos del embalse de una central hidroeléctrica ubicada en el noroeste de Sudamérica, para lo cual se utilizan tres horizontes secuenciales de pronóstico, permitiendo evaluar los modelos a medida que transcurren dichos períodos, utilizando las métricas: MAPE, RMSE y MAE. Para cumplir el objetivo, se utiliza el método de muestreo predictivo de la técnica de previsión Prophet. Los resultados indican que la técnica es una herramienta adicional útil para el despachador de planta, con valores para las métricas de desempeño durante el tercer horizonte de pronóstico de 0.045%, 48 cm, y 62 cm, para el MAPE, el MAE, y el RMSE, respectivamente.
Descargas
Referencias
Organización de las Naciones Unidas, «Programa Mundial de Alimentos,» 13 Mayo 2024. [En línea]. Available: https://docs.wfp.org/api/documents/WFP-0000157673/download/?_ga=2.39065891.1453367334.1715622910-1541892750.1715622909.
M. López, «¿Qué pasa con los fenómenos de El Niño y La Niña y cómo esto afecta a Venezuela?,» Efecto Cocuyo, 11 Febrero 2024.
H. Li, L. Zhang, Y. Zhang, Y. Yao, R. Wang y Y. Dai, «Water-Level Prediction Analysis for the Three Gorges Reservoir Area Based on a Hybrid Model of LSTM and Its Variants» MDPI Water, p. https://doi.org/10.3390/w16091227, 2024.
M. Sapitang, W. M. Ridwan, K. Faizal Kushiar, A. N. Ahmed y A. El-Shafie, «Machine Learning Application in Reservoir Water Level Forecasting for Sustainable Hydropower Generation Strategy» MDPI Sustainability, p. http://dx.doi.org/10.3390/su12156121, 2020.
H.-H. Tsao, Y.-G. Leu, L.-F. Chou y C.-Y. Tsao, «A Method of Multi-Stage Reservoir Water Level Forecasting Systems: A Case Study of Techi Hydropower in Taiwan» MDPI Energies, p. https://doi.org/10.3390/en14123461, 2021.
M. Tucci, «Hourly Water Level Forecasting in an Hydroelectric Basin Using Spatial Interpolation and Artificial Intelligence,» MDPI Sensors, p. https://doi.org/10.3390/s23010203, 2022.
J.-H. Yang, C.-H. Cheng y C.-P. Chan, «A Time-Series Water Level Forecasting Model Based on Imputation and Variable Selection Method» Computational Intelligence and Neuroscience - Hindawi, p. https://doi.org/10.1155/2017/8734214, 2017.
A. D. Nguyen, P. L. Nguyen, V. H. Vu, Q. V. Pham, V. H. Nguyen, M. H. Nguyen, T. H. Nguyen y K. Nguyen, «Accurate discharge and water level forecasting using ensemble learning with genetic algorithm and singular spectrum analysis based denoising» Scientific Reports, pp. https://doi.org/10.1038/s41598-022-22057-8, 2022.
S. J. Mohammed, S. L. Zubaidi, N. Al-Ansari, H. Mohammed Ridha y N. S. Saad Al-Bdairi, «Hybrid Technique to Improve the River Water Level Forecasting Using Artificial Neural Network Based Marine Predators Algorithm» Hindawi - Advances in Civil Engineering, p. https://doi.org/10.1155/2022/6955271, 2022.
S. C. Ibañez, C. V. G. Dajac, M. P. Liponhay, E. F. T. Legara, J. M. H. Esteban y C. P. Monterola, «Forecasting Reservoir Water Levels Using Deep Neural Networks: A Case Study of Angat Dam in the Philippines» MDPI Water, p. https://doi.org/10.3390/w14010034, 2022.
Facebook, «https://facebook.github.io/prophet/docs/quick_start.html#python-api» 4 Mayo 2024. [En línea]. Available: https://facebook.github.io/prophet/.
S. J. Taylor y B. Letham, «Forecasting at Scale,» Peer J, p. https://doi.org/10.7287/peerj.preprints.3190v2, 2017.
M. Peixeiro, Time Series Forecasting in Python, Shelter Island, NY: Manning Publications Co., 2022.
K. Sharma, R. Bhalla y G. Ganesan, «Time Series Forecasting Using FB-Prophet» de ACM-2022: Algorithms Computing and Mathematics Conference, Chennai, India, 2022.
E. Žunić, K. Korjenić, K. Hodžić y D. Đonko, «Application of Facebook's Prophet Algorithm for Successful Sales Forecasting Based on Real-World Data» International Journal of Computer Science & Information Technology, pp. 23-36. DOI: 10.5121/ijcsit.2020.12203, 2020.
Z. Z. Oo y S. Phyu, «Time Series Prediction Based on Facebook Prophet: A Case Study, Temperature Forecasting in Myintkyina» International Journal of Applied Mathematics, Electronics and Computers, pp. 263-267. https://doi.org/10.18100/ijamec.816894, 2020.
S. Makridakis, S. Wheelwright y R. Hyndman, Manual of Forecasting: Methods and Applications, 1997.
T. O. Hodson, «Root-mean-square error (RMSE) or mean absolute error (MAE): when to use them or not,» Geoscientific Model Development, pp. 5481–5487. https://doi.org/10.5194/gmd-15-5481-2022, 2022.
M. Naser, «Error Metrics and Performance Fitness Indicators for Artificial Intelligence and Machine Learning in Engineering and Sciences» Architecture, Structures and Construction, pp. https://doi.org/10.1007/s44150-021-00015-8, 2021.
D. Cielen, A. D. B. Meysman y M. Ali, Introducing Data Science, Shelter Island, NY: Manning Publications Co., 2016.
W. McKinney, Python for Data Analysis, Sebastopol, CA: O’Reilly Media, Inc., 2018.
