Modeling coordinated operation of multiple hydropower reservoirs at a continental scale using artificial neural network : the case of Brazilian hydropower system
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Outros Autores: | , , , |
Tipo de documento: | Artigo |
Idioma: | eng |
Título da fonte: | Repositório Institucional da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/226163 |
Resumo: | 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. |
id |
UFRGS-2_27c216e9e65af8be69dc055a91129be1 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/226163 |
network_acronym_str |
UFRGS-2 |
network_name_str |
Repositório Institucional da UFRGS |
repository_id_str |
|
spelling |
Brêda, João Paulo Lyra FialhoPaiva, Rodrigo Cauduro Dias dePedrollo, Olavo CorreaPassaia, Otávio AugustoCollischonn, Walter2021-08-26T04:09:08Z20211414-381Xhttp://hdl.handle.net/10183/226163001127002Reservatórios 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.Reservoirs considerably affect river streamflow and need to be accurately represented in environmental impact studies. Modeling reservoir outflow represents a challenge to hydrological studies since reservoir operations vary with flood risk, economic and demand aspects. The Brazilian Interconnected Energy System (SIN) is an example of a unique and complex system of coordinated operation composed by more than 160 large reservoirs. We proposed and evaluated an integrated approach to simulate daily outflows from most of the SIN reservoirs (138) using an Artificial Neural Network (ANN) model, distinguishing run-of-the-river and storage reservoirs and testing cases whether outflow and level data were available as input. Also, we investigated the influence of the proposed input features (14) on the simulated outflow, related to reservoir water balance, seasonality, and demand. As a result, we verified that the outputs of the ANN model were mainly influenced by local water balance variables, such as the reservoir inflow of the present day and outflow of the day before. However, other features such as the water level of 4 large reservoirs that represent different regions of the country, which infers about hydropower demand through water availability, seemed to influence to some extent reservoirs outflow estimates. This result indicates advantages in using an integrated approach rather than looking at each reservoir individually. In terms of data availability, it was tested scenarios with (WITH_Qout) and without (NO_Qout and SIM_Qout) observed outflow and water level as input features to the ANN model. The NO_Qout model is trained without outflow and water level while the SIM_Qout model is trained with all input features, but it is fed with simulated outflows and water levels rather than observations. These 3 ANN models were compared with two simple benchmarks: outflow is equal to the outflow of the day before (STEADY) and the outflow is equal to the inflow of the same day (INFLOW). For run-of-the-river reservoirs, an ANN model is not necessary as outflow is virtually equal to inflow. For storage reservoirs, the ANN estimates reached median Nash-Sutcliffe efficiencies (NSE) of 0.91, 0.77 and 0.68 for WITH_, NO_ and SIM_Qout respectively, compared to a median NSE of 0.81 and 0.29 for the STEADY and INFLOW benchmarks respectively. In conclusion, the ANN models presented satisfactory performances: when outflow observations are available, WITH_Qout model outperforms STEADY; otherwise, NO_Qout and SIM_Qout models outperform INFLOW.application/pdfengRbrh : revista brasileira de recursos hídricos. Vol. 26 (Jan./Dec. 2021), e12, 12 p.Modelos hidrológicosBarragensReservatóriosRedes neurais artificiaisVazões : SimulaçãoReservoir outflow estimateMachine learningModeling coordinated operation of multiple hydropower reservoirs at a continental scale using artificial neural network : the case of Brazilian hydropower systemSimulando operação coordenada de múltiplos reservatórios de geração de energia em escala continental usando redes neurais artificiais. Estudo de caso : sistema hidrelétrico brasileiroinfo:eu-repo/semantics/articleinfo:eu-repo/semantics/otherinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001127002.pdf.txt001127002.pdf.txtExtracted Texttext/plain49212http://www.lume.ufrgs.br/bitstream/10183/226163/2/001127002.pdf.txtb5aedb42e3744b3b0447d91c985179eaMD52ORIGINAL001127002.pdfTexto completo (inglês)application/pdf1849186http://www.lume.ufrgs.br/bitstream/10183/226163/1/001127002.pdf11f1610c521fe3df65cdfea08a1479f8MD5110183/2261632024-05-10 06:17:29.838629oai:www.lume.ufrgs.br:10183/226163Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2024-05-10T09:17:29Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Modeling coordinated operation of multiple hydropower reservoirs at a continental scale using artificial neural network : the case of Brazilian hydropower system |
dc.title.alternative.pt.fl_str_mv |
Simulando operação coordenada de múltiplos reservatórios de geração de energia em escala continental usando redes neurais artificiais. Estudo de caso : sistema hidrelétrico brasileiro |
title |
Modeling coordinated operation of multiple hydropower reservoirs at a continental scale using artificial neural network : the case of Brazilian hydropower system |
spellingShingle |
Modeling coordinated operation of multiple hydropower reservoirs at a continental scale using artificial neural network : the case of Brazilian hydropower system Brêda, João Paulo Lyra Fialho Modelos hidrológicos Barragens Reservatórios Redes neurais artificiais Vazões : Simulação Reservoir outflow estimate Machine learning |
title_short |
Modeling coordinated operation of multiple hydropower reservoirs at a continental scale using artificial neural network : the case of Brazilian hydropower system |
title_full |
Modeling coordinated operation of multiple hydropower reservoirs at a continental scale using artificial neural network : the case of Brazilian hydropower system |
title_fullStr |
Modeling coordinated operation of multiple hydropower reservoirs at a continental scale using artificial neural network : the case of Brazilian hydropower system |
title_full_unstemmed |
Modeling coordinated operation of multiple hydropower reservoirs at a continental scale using artificial neural network : the case of Brazilian hydropower system |
title_sort |
Modeling coordinated operation of multiple hydropower reservoirs at a continental scale using artificial neural network : the case of Brazilian hydropower system |
author |
Brêda, João Paulo Lyra Fialho |
author_facet |
Brêda, João Paulo Lyra Fialho Paiva, Rodrigo Cauduro Dias de Pedrollo, Olavo Correa Passaia, Otávio Augusto Collischonn, Walter |
author_role |
author |
author2 |
Paiva, Rodrigo Cauduro Dias de Pedrollo, Olavo Correa Passaia, Otávio Augusto Collischonn, Walter |
author2_role |
author author author author |
dc.contributor.author.fl_str_mv |
Brêda, João Paulo Lyra Fialho Paiva, Rodrigo Cauduro Dias de Pedrollo, Olavo Correa Passaia, Otávio Augusto Collischonn, Walter |
dc.subject.por.fl_str_mv |
Modelos hidrológicos Barragens Reservatórios Redes neurais artificiais Vazões : Simulação |
topic |
Modelos hidrológicos Barragens Reservatórios Redes neurais artificiais Vazões : Simulação Reservoir outflow estimate Machine learning |
dc.subject.eng.fl_str_mv |
Reservoir outflow estimate Machine learning |
description |
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. |
publishDate |
2021 |
dc.date.accessioned.fl_str_mv |
2021-08-26T04:09:08Z |
dc.date.issued.fl_str_mv |
2021 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/other |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/226163 |
dc.identifier.issn.pt_BR.fl_str_mv |
1414-381X |
dc.identifier.nrb.pt_BR.fl_str_mv |
001127002 |
identifier_str_mv |
1414-381X 001127002 |
url |
http://hdl.handle.net/10183/226163 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.relation.ispartof.pt_BR.fl_str_mv |
Rbrh : revista brasileira de recursos hídricos. Vol. 26 (Jan./Dec. 2021), e12, 12 p. |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Repositório Institucional da UFRGS |
collection |
Repositório Institucional da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/226163/2/001127002.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/226163/1/001127002.pdf |
bitstream.checksum.fl_str_mv |
b5aedb42e3744b3b0447d91c985179ea 11f1610c521fe3df65cdfea08a1479f8 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
|
_version_ |
1801225033781084160 |