Deriving reservoir operational behavior with artificial neural networks : the caseof Luiz Gonzaga dam, Brazil

Detalhes bibliográficos
Autor(a) principal: Dalcin, Ana Paula
Data de Publicação: 2021
Outros Autores: Pedrollo, Olavo Correa, Finck, Juliano Santos, Marques, Guilherme Fernandes
Tipo de documento: Artigo
Idioma: eng
Título da fonte: Repositório Institucional da UFRGS
Texto Completo: http://hdl.handle.net/10183/233996
Resumo: Reservatórios são operados de acordo com políticas específicas, condicionadas por condições hidrológicas e estruturais. Em simulações hidrológicas de sistemas hídricos antropizados com reservatórios, a incorporação de regras operacionais é fundamental para melhorar a capacidade de modelagem. No entanto, regras de operação nem sempre estão disponíveis ou são fáceis de identificar em sistemas multirreservatórios de grande escala, onde a operação deriva de um grande número de variáveis e restrições, em vez de uma função objetivo local bem definida. Este estudo aplica Redes Neurais Artificiais (RNAs) com o objetivo de analisar se variáveis locais (vazão, armazenamento e evaporação) de um subsistema parte de um sistema multirreservatório integrado de grande escala são preditores suficientes do seu comportamento operacional (decisões de despacho) em um intervalo de tempo diário. O subsistema inclui os reservatórios de Luiz Gonzaga e Sobradinho. Os resultados apontaram para um coeficiente de eficiência Nash-Sutcliffe (NS) de 0,67 a 0,74 e um coeficiente de determinação (r2) de 0,75, mostrando que podemos prever o comportamento operacional do subsistema na maior parte do tempo, mas com alguns picos de vazão não previstos.
id UFRGS-2_cab7c56b37e1aa4d31822c0d4fa4aa57
oai_identifier_str oai:www.lume.ufrgs.br:10183/233996
network_acronym_str UFRGS-2
network_name_str Repositório Institucional da UFRGS
repository_id_str
spelling Dalcin, Ana PaulaPedrollo, Olavo CorreaFinck, Juliano SantosMarques, Guilherme Fernandes2022-01-12T04:36:55Z20211806-4051http://hdl.handle.net/10183/233996001129781Reservatórios são operados de acordo com políticas específicas, condicionadas por condições hidrológicas e estruturais. Em simulações hidrológicas de sistemas hídricos antropizados com reservatórios, a incorporação de regras operacionais é fundamental para melhorar a capacidade de modelagem. No entanto, regras de operação nem sempre estão disponíveis ou são fáceis de identificar em sistemas multirreservatórios de grande escala, onde a operação deriva de um grande número de variáveis e restrições, em vez de uma função objetivo local bem definida. Este estudo aplica Redes Neurais Artificiais (RNAs) com o objetivo de analisar se variáveis locais (vazão, armazenamento e evaporação) de um subsistema parte de um sistema multirreservatório integrado de grande escala são preditores suficientes do seu comportamento operacional (decisões de despacho) em um intervalo de tempo diário. O subsistema inclui os reservatórios de Luiz Gonzaga e Sobradinho. Os resultados apontaram para um coeficiente de eficiência Nash-Sutcliffe (NS) de 0,67 a 0,74 e um coeficiente de determinação (r2) de 0,75, mostrando que podemos prever o comportamento operacional do subsistema na maior parte do tempo, mas com alguns picos de vazão não previstos.Reservoirs are operated following specific policies, constrained by hydrological and structural conditions. When modeling anthropized water systems with reservoirs, the incorporation of existing operating policies is important to improve model capability. However, operating policies are not always available or easy to identify within large-scale multi-reservoir systems, where operation derives from large number of variables and constraints rather than a clear-cut local objective function. This study applies Artificial Neural Networks (ANNs) with the objective of analyzing if local variables (inflow, storage level, and evaporation) of a sub-system part of a large-scale coordinated multi-reservoir system are sufficient predictors of the operational behavior (release decisions) in a daily time step. The sub-system includes the Luiz Gonzaga and Sobradinho reservoirs. Results pointed to a Nash–Sutcliffe efficiency coefficient (NS) of 0.67 to 0.74 and a coefficient of determination (r2) of 0.75, showing that we can predict the subsystem operational behavior most of the time but with some outflow peaks under predicted.application/pdfengRega : revista de gestión del agua de America Latina. Vol. 18, n.1 (jan./dez. 2021), 17 p.Gestão de recursos hídricosOperação de reservatóriosSimulaçãoRedes neurais artificiaisReservoir operating policyReservoir operation emulationAnthropized water systems simulationDeriving reservoir operational behavior with artificial neural networks : the caseof Luiz Gonzaga dam, BrazilAnálise do comportamento operacional de reservatórios com redes neurais artificiais : caso de Luiz Gonzaga, Brasilinfo: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:UFRGSTEXT001129781.pdf.txt001129781.pdf.txtExtracted Texttext/plain43648http://www.lume.ufrgs.br/bitstream/10183/233996/2/001129781.pdf.txtd442b97a1fe41b65376d3fe2c7ddea77MD52ORIGINAL001129781.pdfTexto completo (inglês)application/pdf1961992http://www.lume.ufrgs.br/bitstream/10183/233996/1/001129781.pdfb8401644ec2aa5ae9ec772b631307015MD5110183/2339962022-09-28 04:40:53.038915oai:www.lume.ufrgs.br:10183/233996Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2022-09-28T07:40:53Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Deriving reservoir operational behavior with artificial neural networks : the caseof Luiz Gonzaga dam, Brazil
dc.title.alternative.pt.fl_str_mv Análise do comportamento operacional de reservatórios com redes neurais artificiais : caso de Luiz Gonzaga, Brasil
title Deriving reservoir operational behavior with artificial neural networks : the caseof Luiz Gonzaga dam, Brazil
spellingShingle Deriving reservoir operational behavior with artificial neural networks : the caseof Luiz Gonzaga dam, Brazil
Dalcin, Ana Paula
Gestão de recursos hídricos
Operação de reservatórios
Simulação
Redes neurais artificiais
Reservoir operating policy
Reservoir operation emulation
Anthropized water systems simulation
title_short Deriving reservoir operational behavior with artificial neural networks : the caseof Luiz Gonzaga dam, Brazil
title_full Deriving reservoir operational behavior with artificial neural networks : the caseof Luiz Gonzaga dam, Brazil
title_fullStr Deriving reservoir operational behavior with artificial neural networks : the caseof Luiz Gonzaga dam, Brazil
title_full_unstemmed Deriving reservoir operational behavior with artificial neural networks : the caseof Luiz Gonzaga dam, Brazil
title_sort Deriving reservoir operational behavior with artificial neural networks : the caseof Luiz Gonzaga dam, Brazil
author Dalcin, Ana Paula
author_facet Dalcin, Ana Paula
Pedrollo, Olavo Correa
Finck, Juliano Santos
Marques, Guilherme Fernandes
author_role author
author2 Pedrollo, Olavo Correa
Finck, Juliano Santos
Marques, Guilherme Fernandes
author2_role author
author
author
dc.contributor.author.fl_str_mv Dalcin, Ana Paula
Pedrollo, Olavo Correa
Finck, Juliano Santos
Marques, Guilherme Fernandes
dc.subject.por.fl_str_mv Gestão de recursos hídricos
Operação de reservatórios
Simulação
Redes neurais artificiais
topic Gestão de recursos hídricos
Operação de reservatórios
Simulação
Redes neurais artificiais
Reservoir operating policy
Reservoir operation emulation
Anthropized water systems simulation
dc.subject.eng.fl_str_mv Reservoir operating policy
Reservoir operation emulation
Anthropized water systems simulation
description Reservatórios são operados de acordo com políticas específicas, condicionadas por condições hidrológicas e estruturais. Em simulações hidrológicas de sistemas hídricos antropizados com reservatórios, a incorporação de regras operacionais é fundamental para melhorar a capacidade de modelagem. No entanto, regras de operação nem sempre estão disponíveis ou são fáceis de identificar em sistemas multirreservatórios de grande escala, onde a operação deriva de um grande número de variáveis e restrições, em vez de uma função objetivo local bem definida. Este estudo aplica Redes Neurais Artificiais (RNAs) com o objetivo de analisar se variáveis locais (vazão, armazenamento e evaporação) de um subsistema parte de um sistema multirreservatório integrado de grande escala são preditores suficientes do seu comportamento operacional (decisões de despacho) em um intervalo de tempo diário. O subsistema inclui os reservatórios de Luiz Gonzaga e Sobradinho. Os resultados apontaram para um coeficiente de eficiência Nash-Sutcliffe (NS) de 0,67 a 0,74 e um coeficiente de determinação (r2) de 0,75, mostrando que podemos prever o comportamento operacional do subsistema na maior parte do tempo, mas com alguns picos de vazão não previstos.
publishDate 2021
dc.date.issued.fl_str_mv 2021
dc.date.accessioned.fl_str_mv 2022-01-12T04:36:55Z
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/10183/233996
dc.identifier.issn.pt_BR.fl_str_mv 1806-4051
dc.identifier.nrb.pt_BR.fl_str_mv 001129781
identifier_str_mv 1806-4051
001129781
url http://hdl.handle.net/10183/233996
dc.language.iso.fl_str_mv eng
language eng
dc.relation.ispartof.pt_BR.fl_str_mv Rega : revista de gestión del agua de America Latina. Vol. 18, n.1 (jan./dez. 2021), 17 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/10183/233996/2/001129781.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/233996/1/001129781.pdf
bitstream.checksum.fl_str_mv d442b97a1fe41b65376d3fe2c7ddea77
b8401644ec2aa5ae9ec772b631307015
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_ 1801225048603754496

Registros relacionados