Modeling coordinated operation of multiple hydropower reservoirs at a continental scale using artificial neural network : the case of Brazilian hydropower system

• Autor(a) principal: Brêda, João Paulo Lyra Fialho
• Data de Publicação: 2021
• Outros Autores: Paiva, Rodrigo Cauduro Dias de, Pedrollo, Olavo Correa, Passaia, Otávio Augusto, Collischonn, Walter
• Tipo de documento: Artigo
• Idioma: eng
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/226163
• topic: Modelos hidrológicos; Barragens; Reservatórios; Redes neurais artificiais; Vazões : Simulação; Reservoir outflow estimate; Machine learning

Reservatórios afetam consideravelmente a vazão dos rios e por isso precisam ser adequadamente representados em estudos de impactos ambientais. Simular defluência de reservatórios representa um desafio para estudos hidrológicos já que sua operação depende do risco de inundações e aspectos econômicos e de demanda. O Sistema Interligado Nacional (SIN) é um exemplo de um sistema único e complexo de operação coordenada composto por mais de 160 grandes reservatórios. Então foi proposto e avaliado uma abordagem integrada para simular defluências diárias da maioria dos reservatórios do SIN (138) usando um modelo de Redes Neurais Artificiais (RNA), distinguindo reservatórios de armazenamento e a fio d’água e testando casos em que defluência e nível estavam disponíveis ou não como dados de entrada. Além disso, foi investigada a relação entre as variáveis de entrada propostas (14) e a defluência simulada, sendo as variáveis relativas ao balanço hídrico do reservatório, sazonalidade e demanda indireta. Como resultado, foi verificado que as saídas do modelo de RNA foram principalmente influenciadas pelas variáveis locais de balanço hídrico, como a afluência do mesmo dia e a defluência do dia anterior. No entanto, outras variáveis como o nível de 4 grandes reservatórios representativos de diferentes regiões do país (que infere sobre à demanda pela disponibilidade de água para geração de energia) aparentemente teve uma influência considerável nas saídas do modelo. Esse resultado aponta para vantagens em se usar uma abordagem integrada ao invés de olhar cada reservatório isoladamente. Em termos de disponibilidade de dados, foram testados cenários com (WITH_Qout) e sem (NO_Qout and SIM_Qout) defluência e níveis observados como variáveis de entrada do modelo de RNA. Esses 3 modelos de RNA foram comparados com dois benchmarks simples: a defluência é igual a defluência do dia anterior (STEADY) e a defluência é igual a afluência do mesmo dia (INFLOW). Em reservatórios de armazenamento, as estimativas dos modelos atingiram uma mediana do coeficiente de Nash-Suthcliffe (NSE) de 0.91, 0.77 e 0.68 para os modelos WITH_, NO_ e SIM_Qout respectivamente, comparado com uma mediana do NSE de 0.81 e 0.29 para o STEADY e INFLOW respectivamente. Concluindo, os modelos RNA apresentaram performances satisfatórias: quando dados de defluências dos dias anteriores estão disponíveis, WITH_Qout é superior ao STEADY; caso contrário, NO_Qout e SIM_Qout são superiores ao INFLOW.