Metodologia para previsão de metas de nível de água em reservatórios de usinas hidrelétricas em condições de baixo fluxo de entrada
DOI:
https://doi.org/10.5935/jetia.v10i48.1137Resumo
O fenômeno “El Niño” traz períodos de seca para o norte da América do Sul que impactam negativamente o nível dos reservatórios das usinas hidrelétricas, o que pode reduzir sua produção de energia. Para evitar que o nível mínimo de operação seja atingido antes do final do período de seca, esta pesquisa propõe uma metodologia baseada em ciência de dados para a previsão de metas do nível dos reservatórios de usinas hidrelétricas em condições de baixa vazão. O objetivo é que o nível operacional mínimo do reservatório seja atingido na data estimada para o fim do período de seca, ou seja, 31 de março de 2024. Ele é aplicado aos dados do reservatório de uma usina hidrelétrica localizada no noroeste da América do Sul, para a qual são usados três horizontes de previsão sequenciais, permitindo que os modelos sejam avaliados à medida que esses períodos passam, usando as métricas: MAPE, RMSE e MAE. Para atingir o objetivo, é usado o método de amostragem preditiva da técnica de previsão Prophet. Os resultados indicam que a técnica é uma ferramenta adicional útil para o despachante da fábrica, com valores para as métricas de desempenho durante o terceiro horizonte de previsão de 0,045%, 48 cm e 62 cm, para o MAPE, o MAE e o RMSE, respectivamente.
Downloads
Referências
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.
