Previsão de vazões naturais afluentes médias semanais para usinas hidrelétricas
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNIFEI (RIUNIFEI) |
Texto Completo: | https://repositorio.unifei.edu.br/jspui/handle/123456789/2445 |
Resumo: | A engenharia de recursos hídricos vem empregando amplamente os modelos de previsão de vazão para subsidiar a tomada de decisão em diversas áreas. Os modelos Previvaz e Smap Diário já vêm sendo empregados pelo ONS para a previsão de vazões médias semanais para até seis semanas operativas com o objetivo de fornecer os inputs necessários para a otimização do recurso hidroenergético no planejamento da operação do sistema elétrico brasileiro. Visando somar esforços para melhorar essa previsão, este trabalho propôs e analisou os resultados de uma versão semanal para o modelo Smap, a qual foi gerada tendo por base o mecanismo de cálculo da versão mensal do Smap. No estudo de caso calibrou-se o Smap semanal para duas sub-bacias do SIN: a bacia da UHE Camargos (bacia do Grande); e a bacia da UHE Santa Clara (bacia do Iguaçu). Fez-se um back test para ambas as bacias para o período entre setembro de 2019 e setembro de 2020 comparando a previsão de vazão dos modelos Previvaz, Smap diário e Smap semanal com as vazões observadas no mesmo período. Como resultados, o modelo Previvaz, na primeira semanas prevista, propagou a tendência das vazões observadas na semana anterior e nas demais semanas apresentou tendência em superestimar as vazões mais baixas e dificuldades em captar os picos de vazões. Ambas as versões do modelo Smap apresentaram um ajuste quando a chuva utilizada para o cálculo das vazões foi a chuva observada, entretanto ambos apresentaram a tendência de superestimar os picos de vazões quando utilizada a chuva prevista pelo CFS V2. Conclui-se que a versão semanal do Smap teve performance melhor do que o Previvaz na maior parte dos cenários, indicando que pode ser um modelo empregado para o planejamento da operação. Além disso, a versão semanal do Smap também apresentou melhores resultados na quinta e sexta semana do horizonte de previsão, indicando que o modelo semanal pode ser utilizado para melhorar o resultado de horizontes mais longos de previsão. |
id |
UFEI_81c700064d78242f64c4fa762951282b |
---|---|
oai_identifier_str |
oai:repositorio.unifei.edu.br:123456789/2445 |
network_acronym_str |
UFEI |
network_name_str |
Repositório Institucional da UNIFEI (RIUNIFEI) |
repository_id_str |
7044 |
spelling |
2021-05-072021-05-262021-05-26T14:37:57Z2021-05-26T14:37:57Zhttps://repositorio.unifei.edu.br/jspui/handle/123456789/2445A engenharia de recursos hídricos vem empregando amplamente os modelos de previsão de vazão para subsidiar a tomada de decisão em diversas áreas. Os modelos Previvaz e Smap Diário já vêm sendo empregados pelo ONS para a previsão de vazões médias semanais para até seis semanas operativas com o objetivo de fornecer os inputs necessários para a otimização do recurso hidroenergético no planejamento da operação do sistema elétrico brasileiro. Visando somar esforços para melhorar essa previsão, este trabalho propôs e analisou os resultados de uma versão semanal para o modelo Smap, a qual foi gerada tendo por base o mecanismo de cálculo da versão mensal do Smap. No estudo de caso calibrou-se o Smap semanal para duas sub-bacias do SIN: a bacia da UHE Camargos (bacia do Grande); e a bacia da UHE Santa Clara (bacia do Iguaçu). Fez-se um back test para ambas as bacias para o período entre setembro de 2019 e setembro de 2020 comparando a previsão de vazão dos modelos Previvaz, Smap diário e Smap semanal com as vazões observadas no mesmo período. Como resultados, o modelo Previvaz, na primeira semanas prevista, propagou a tendência das vazões observadas na semana anterior e nas demais semanas apresentou tendência em superestimar as vazões mais baixas e dificuldades em captar os picos de vazões. Ambas as versões do modelo Smap apresentaram um ajuste quando a chuva utilizada para o cálculo das vazões foi a chuva observada, entretanto ambos apresentaram a tendência de superestimar os picos de vazões quando utilizada a chuva prevista pelo CFS V2. Conclui-se que a versão semanal do Smap teve performance melhor do que o Previvaz na maior parte dos cenários, indicando que pode ser um modelo empregado para o planejamento da operação. Além disso, a versão semanal do Smap também apresentou melhores resultados na quinta e sexta semana do horizonte de previsão, indicando que o modelo semanal pode ser utilizado para melhorar o resultado de horizontes mais longos de previsão.Water resource engineering has been largely employing flow forecasting models to support decision making in several areas. The Previvaz and Smap Diário models have already been used by ONS to forecast average weekly flows for up to six operating weeks in order to provide the necessary inputs for the optimization of the hydroenergetic resource in the planning of the operation of the Brazilian electrical system. Aiming at adding efforts to improve this forecast, this work proposed and analyzed the results of a weekly version for the Smap model, which was generated based on the calculation mechanism of the monthly version of Smap. In the case study, the weekly Smap was calibrated for two sub-basins of the SIN: the Camargos HPP basin (Grande basin); and the Santa Clara HPP basin (Iguaçu basin). A back test was carried out for both basins for the period between September 2019 and September 2020, comparing the flow forecast of the Previvaz, daily Smap and weekly Smap models with the flows observed in the same period. As a result, the Previvaz model, in the first week foreseen, propagated the trend of flows observed in the previous week and in the other weeks it tended to overestimate the lowest flows and difficulties in capturing peak flows. Both versions of the Smap model showed an adjustment when the rainfall used to calculate the flows was the observed rain, however both showed a tendency to overestimate the peak flows when using the rain predicted by the CFS V2. It is concluded that the weekly version of Smap performed better than Previvaz in most scenarios, indicating that it can be a model used for planning the operation. In addition, the weekly version of Smap also showed better results in the fifth and sixth week of the forecast horizon, indicating that the weekly model can be used to improve the result of longer forecast horizons.Agência 1porUniversidade Federal de ItajubáPrograma de Pós-Graduação: Mestrado - Meio Ambiente e Recursos HídricosUNIFEIBrasilIRN - Instituto de Recursos NaturaisCNPQ::ENGENHARIAS::ENGENHARIA SANITÁRIA::RECURSOS HÍDRICOSModelo hidrológicoSmapRevisão de vazãoPrevisão de vazões naturais afluentes médias semanais para usinas hidrelétricasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisSILVA, Benedito Cláudio dahttp://lattes.cnpq.br/5122382690957007http://lattes.cnpq.br/0398982104608707GALIZONI, ThalesGALIZONI, Thales. Previsão de vazões naturais afluentes médias semanais para usinas hidrelétricas. 2021. 74 f. Dissertação (Mestrado em Meio Ambiente e Recursos Hídricos) – Universidade Federal de Itajubá, Itajubá, 2021.info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNIFEI (RIUNIFEI)instname:Universidade Federal de Itajubá (UNIFEI)instacron:UNIFEILICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.unifei.edu.br/jspui/bitstream/123456789/2445/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52ORIGINALDissertação_2021123.pdfDissertação_2021123.pdfapplication/pdf4492701https://repositorio.unifei.edu.br/jspui/bitstream/123456789/2445/1/Disserta%c3%a7%c3%a3o_2021123.pdf2a97af4711464d3895ad8e1266d4fd03MD51123456789/24452021-05-26 11:37:57.368oai:repositorio.unifei.edu.br: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Repositório InstitucionalPUBhttps://repositorio.unifei.edu.br/oai/requestrepositorio@unifei.edu.br || geraldocarlos@unifei.edu.bropendoar:70442021-05-26T14:37:57Repositório Institucional da UNIFEI (RIUNIFEI) - Universidade Federal de Itajubá (UNIFEI)false |
dc.title.pt_BR.fl_str_mv |
Previsão de vazões naturais afluentes médias semanais para usinas hidrelétricas |
title |
Previsão de vazões naturais afluentes médias semanais para usinas hidrelétricas |
spellingShingle |
Previsão de vazões naturais afluentes médias semanais para usinas hidrelétricas GALIZONI, Thales CNPQ::ENGENHARIAS::ENGENHARIA SANITÁRIA::RECURSOS HÍDRICOS Modelo hidrológico Smap Revisão de vazão |
title_short |
Previsão de vazões naturais afluentes médias semanais para usinas hidrelétricas |
title_full |
Previsão de vazões naturais afluentes médias semanais para usinas hidrelétricas |
title_fullStr |
Previsão de vazões naturais afluentes médias semanais para usinas hidrelétricas |
title_full_unstemmed |
Previsão de vazões naturais afluentes médias semanais para usinas hidrelétricas |
title_sort |
Previsão de vazões naturais afluentes médias semanais para usinas hidrelétricas |
author |
GALIZONI, Thales |
author_facet |
GALIZONI, Thales |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
SILVA, Benedito Cláudio da |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/5122382690957007 |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/0398982104608707 |
dc.contributor.author.fl_str_mv |
GALIZONI, Thales |
contributor_str_mv |
SILVA, Benedito Cláudio da |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA SANITÁRIA::RECURSOS HÍDRICOS |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA SANITÁRIA::RECURSOS HÍDRICOS Modelo hidrológico Smap Revisão de vazão |
dc.subject.por.fl_str_mv |
Modelo hidrológico Smap Revisão de vazão |
description |
A engenharia de recursos hídricos vem empregando amplamente os modelos de previsão de vazão para subsidiar a tomada de decisão em diversas áreas. Os modelos Previvaz e Smap Diário já vêm sendo empregados pelo ONS para a previsão de vazões médias semanais para até seis semanas operativas com o objetivo de fornecer os inputs necessários para a otimização do recurso hidroenergético no planejamento da operação do sistema elétrico brasileiro. Visando somar esforços para melhorar essa previsão, este trabalho propôs e analisou os resultados de uma versão semanal para o modelo Smap, a qual foi gerada tendo por base o mecanismo de cálculo da versão mensal do Smap. No estudo de caso calibrou-se o Smap semanal para duas sub-bacias do SIN: a bacia da UHE Camargos (bacia do Grande); e a bacia da UHE Santa Clara (bacia do Iguaçu). Fez-se um back test para ambas as bacias para o período entre setembro de 2019 e setembro de 2020 comparando a previsão de vazão dos modelos Previvaz, Smap diário e Smap semanal com as vazões observadas no mesmo período. Como resultados, o modelo Previvaz, na primeira semanas prevista, propagou a tendência das vazões observadas na semana anterior e nas demais semanas apresentou tendência em superestimar as vazões mais baixas e dificuldades em captar os picos de vazões. Ambas as versões do modelo Smap apresentaram um ajuste quando a chuva utilizada para o cálculo das vazões foi a chuva observada, entretanto ambos apresentaram a tendência de superestimar os picos de vazões quando utilizada a chuva prevista pelo CFS V2. Conclui-se que a versão semanal do Smap teve performance melhor do que o Previvaz na maior parte dos cenários, indicando que pode ser um modelo empregado para o planejamento da operação. Além disso, a versão semanal do Smap também apresentou melhores resultados na quinta e sexta semana do horizonte de previsão, indicando que o modelo semanal pode ser utilizado para melhorar o resultado de horizontes mais longos de previsão. |
publishDate |
2021 |
dc.date.issued.fl_str_mv |
2021-05-07 |
dc.date.available.fl_str_mv |
2021-05-26 2021-05-26T14:37:57Z |
dc.date.accessioned.fl_str_mv |
2021-05-26T14:37:57Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.unifei.edu.br/jspui/handle/123456789/2445 |
url |
https://repositorio.unifei.edu.br/jspui/handle/123456789/2445 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.references.pt_BR.fl_str_mv |
GALIZONI, Thales. Previsão de vazões naturais afluentes médias semanais para usinas hidrelétricas. 2021. 74 f. Dissertação (Mestrado em Meio Ambiente e Recursos Hídricos) – Universidade Federal de Itajubá, Itajubá, 2021. |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Itajubá |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação: Mestrado - Meio Ambiente e Recursos Hídricos |
dc.publisher.initials.fl_str_mv |
UNIFEI |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
IRN - Instituto de Recursos Naturais |
publisher.none.fl_str_mv |
Universidade Federal de Itajubá |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNIFEI (RIUNIFEI) instname:Universidade Federal de Itajubá (UNIFEI) instacron:UNIFEI |
instname_str |
Universidade Federal de Itajubá (UNIFEI) |
instacron_str |
UNIFEI |
institution |
UNIFEI |
reponame_str |
Repositório Institucional da UNIFEI (RIUNIFEI) |
collection |
Repositório Institucional da UNIFEI (RIUNIFEI) |
bitstream.url.fl_str_mv |
https://repositorio.unifei.edu.br/jspui/bitstream/123456789/2445/2/license.txt https://repositorio.unifei.edu.br/jspui/bitstream/123456789/2445/1/Disserta%c3%a7%c3%a3o_2021123.pdf |
bitstream.checksum.fl_str_mv |
8a4605be74aa9ea9d79846c1fba20a33 2a97af4711464d3895ad8e1266d4fd03 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UNIFEI (RIUNIFEI) - Universidade Federal de Itajubá (UNIFEI) |
repository.mail.fl_str_mv |
repositorio@unifei.edu.br || geraldocarlos@unifei.edu.br |
_version_ |
1801863201539751936 |