CAPTULO 2

PAGE

Proyecto de GraduacinPRONSTICO DE CAUDALES AFLUENTES

Presentado por:

Andrs Ziga

1. Antecedentes y justificacin.

En el ao de 1986, fue promulgada la Ley de Rgimen del Sector Elctrico Ecuatoriano (LRSE), con el objetivo de regular y administrar el negocio de la generacin, transmisin y distribucin de la energa elctrica en el Ecuador. Segn este marco legal, la gestin del sector elctrico debe ser el resultado de un proceso de planificacin liderado por un ente regulador (CONELEC) y un ente de control y operacin (CENACE). El Artculo 24, literal i, de la LRSE, define entre las funciones especficas del CENACE el preparar los programas de operacin para los siguientes doce meses, con un detalle de la estrategia de operacin de los embalses y la generacin esperada mensualmente de cada central [15]. El Ecuador es un pas con una considerable capacidad de generacin hidroelctrica (el 65% de la energa consumida en el ao 2001 fue suministrada por centrales hidroelctricas) [4] y existe un gran potencial hidroelctrico aprovechable an no explotado. Dada la disponibilidad de estos recursos, el sistema elctrico ecuatoriano debe planificarse considerando un ptimo aprovechamiento de la generacin hidroelctrica para sustituir al mximo la generacin termoelctrica, cuyo costo operativo es muy alto [24].

La operacin de una central hidroelctrica depende de dos variables principales: el volumen almacenado en el embalse y el caudal afluente a dicho embalse, que es una variable aleatoria. Debido a la incertidumbre asociada a los caudales afluentes, es necesaria la adopcin de modelos de previsin que simulen de una manera eficiente el comportamiento de la hidrologa del sistema [8].

La Ley de Rgimen del Sector Elctrico [15] y la regulacin CONELEC-006/00 [5] definen los procedimientos para la Planificacin Operativa Energtica del Sistema Nacional Interconectado (horizontes de largo plazo), y su objetivo es establecer una poltica ptima de generacin y operacin de los embalses, considerando como objetivo la minimizacin del costo esperado de la operacin del sistema; este modelo debe considerar, entre otros aspectos, la hidrologa a travs de una modelo de caudales afluentes medios mensuales.

Las series de caudales mensuales tienen un comportamiento peridico, reflejado en parmetros como la media, desviacin estndar, asimetra y estructura de autocorrelacin [13], [14], [19]. Dada la importancia de su previsin, gran variedad de modelos han sido propuestos durante las ltimas dcadas, entre los que se cuentan los modelos de alisamiento exponencial, modelos de regresin lineal y no lineal, y modelos de series de tiempo estocsticas (AR, ARIMA, SARIMA, PAR) [2], [13], [14], [17], [18], [19], [23], [24]. Estas tcnicas se basan en mtodos estadsticos y extrapolan el comportamiento de los caudales en el pasado, mientras consideran el efecto de otros factores como el clima y la correlacin espacial entre caudales de diferentes centrales; sin embargo, estos modelos emplean un gran nmero de relaciones complejas y no lineales entre la serie de caudales y dichos factores; se requiere, adems, una gran cantidad de tiempo y esfuerzo computacional, y pueden resultar en soluciones numricamente inestables.

Los modelos de series de tiempo estocsticas y de regresin lineal son ampliamente utilizados en el sector elctrico ecuatoriano [17]; las limitaciones de estos modelos motivan el desarrollo y aplicacin de nuevas metodologas para la previsin de caudales, que representen, de manera ms exacta, las variaciones estacionales de la serie de caudales afluentes. Dentro de este contexto, en las dos ltimas dcadas se ha introducido nuevos modelos de previsin, que manejan de una manera eficiente la aleatoriedad de los caudales y presentan una fcil adaptabilidad a nuevos datos, sin la necesidad de incurrir en laboriosas formulaciones matemticas. Entre estos modelos se incluyen las tcnicas de Redes Neuronales Artificiales (ANN) [22], Sistemas Fuzzy (FS) [3], [6], y Sistemas Neuro-Fuzzy (NFS) [1], [7]; esta ltima tcnica ha tenido una gran aceptacin en el desarrollo de modelos para previsin de series de tiempo, debido a que combinan la capacidad de aprendizaje y adaptacin de las ANN y el poder de la interpretacin lingstica de los FS [9], [10], [11], [12], [16].

Este proyecto propone la aplicacin de los sistemas Neuro-Fuzzy para la previsin de caudales afluentes medios mensuales afluentes a las centrales hidroelctricas. Como resultado se prev obtener un modelo de previsin mensual que mejore, de una manera eficiente, el actual proceso de previsin entre los Agentes Generadores Hidroelctricos del Mercado Elctrico Ecuatoriano.

2. Objetivos.

El objetivo principal de este trabajo es la aplicacin de la metodologa de las Redes Adaptables basadas en Sistemas de Inferencia Fuzzy (ANFIS) como una alternativa para mejorar la previsin de caudales medios mensuales afluentes a las centrales hidroelctricas del Sistema Nacional Interconectado Ecuatoriano. Los datos a utilizarse en este trabajo corresponden a los registros histricos de series de caudales medios mensuales de 3 importantes centrales hidroelctricas del Ecuador (Paute, Agoyn y Daule-Peripa), correspondientes al perodo entre 1964 y 2003 (40 aos); este conjunto de datos forma parte de un registro mantenido por el CENACE.

Entre los objetivos especficos pueden anotarse:

Representacin de los caudales mensuales afluentes medios a los embalses de las centrales hidroelctricas del Sistema Nacional Interconectado mediante conjuntos Fuzzy.

Identificacin de un modelo hbrido ANFIS para la previsin de caudales afluentes mensuales medios.

Comparacin del desempeo de las tcnicas hbridas Neuro-Fuzzy frente a los mtodos estocsticos tradicionalmente usados en la previsin de series de tiempo.

Fomentar la investigacin en el rea de los sistemas inteligentes y su aplicacin en la solucin de problemas de Ingeniera Elctrica.

Motivar la adopcin de esta metodologa para su aplicacin en el proceso de planificacin de la operacin del Sistema Elctrico Ecuatoriano.

3. Metodologa y plan de trabajo.

Para el desarrollo del proyecto se emplear, principalmente, la metodologa propuesta por Jyh-Shing Roger Jang [9], [10], [11], [12], [16], que corresponde a la representacin de las reglas de un sistema de inferencia Fuzzy (modelo Takagi-Sugeno) a travs de una red adaptable.

El sistema de inferencia Fuzzy se encarga de representar lingsticamente las caractersticas de las variables que componen el sistema modelado, produciendo reglas de inferencia del tipo antecedente ( consecuente, donde las variables de entrada se encuentran representadas mediante conjuntos Fuzzy y la salida corresponde a un valor crisp. La red adaptable tiene como funcin aprender el comportamiento del sistema, produciendo una relacin no lineal entre los valores de entrada y salida de la red, y debe ser construida de tal manera que cada uno de los componentes del sistema de inferencia est representado.

El anlisis estadstico de los datos proporcionar informaciones sobre la naturaleza de las series hidrolgicas, caracterizando su comportamiento y ofreciendo informacin sobre los modelos de series de tiempo que pueden ser ajustados para simular sus caractersticas. El desempeo de los modelos ser evaluado considerando algunas medidas de error como el error medio cuadrtico, error medio relativo porcentual y el error medio absoluto.

Para implementar el modelo y realizar el anlisis de las informaciones se emplear el software Matlab(.

Las principales actividades a llevarse a cabo se resumen a continuacin:

1. Levantamiento y procesamiento de la informacin, incluyendo el anlisis estadstico de las series de caudales.

2. Estudio de los modelos de Sistemas Fuzzy, Redes Adaptables y Sistemas Hbridos Neuro-Fuzzy.

3. Realizacin de conferencias y seminarios sobre el tema, dirigidos a estudiantes y personal de la ESPOL.

4. Previsin de caudales por mtodos convencionales de series de tiempo estocsticas.

5. Representacin de las series de caudales mensuales a travs de conjuntos fuzzy.

6. Determinacin del modelo de ANFIS mas apropiado para la previsin de caudales empleando criterios heursticos de bsqueda para la mejor estructura.

7. Pruebas finales, anlisis de resultados y comparacin con metodologas convencionales.

8. Redaccin del reporte final y divulgacin de resultados en congresos y publicaciones nacionales.

4. Cronograma de Actividades.

El tiempo estimado para el desarrollo del proyecto es de 6 meses; la distribucin en el tiempo de cada una de las actividades programadas se resume en cuadro 1.

ActividadMes1Mes2Mes3Mes4Mes5Mes6

1

2

3

4

5

6

7

8

Cuadro 1. Cronograma de actividades del proyecto.

5. Referencias bibliogrficas.

[1] Ballini, R., Soares, S., Gomes de Andrade, M., Redes Neurais Nebulosas para Previso de vazes mdias mensais, XVI Seminario Nacional de Produo e Transmisso de Energia Eltrica, Campinas, SP, Brasil, octubre de 2001.

[2] Box, G. E. P., Jenkins, G. M., Time Series Analysis, Forecasting and Control, Holden Day, Revised Edition, 1976.

[3] Cardoso, G. C., Modelo de Previso baseado em Agrupamento e Base de Regras Nebulosas, Disertacin de Maestra, Universidade Estadual de Campinas, Campinas, SP, Brasil, mayo de 2003.

[4] CONELEC, Estadsticas del Sector Elctrico Ecuatoriano, Quito, Ecuador, 2002.

[5] CONELEC, Regulacin CONELEC-006/00, Procedimientos de Despacho y Operacin, Versin 2.0, Ley de Rgimen del Sector Elctrico, Quito, Ecuador, agosto de 2000.

[6] De Melo, H., Cavalcanti, J. H. F., da Silva, J. F., da Silva, V. P. R., Sistema de Previso Inteligente, IV Congresso Brasileiro de Redes Neurais, pp. 303-307, So Jos dos Campos, SP, Brasil, julio de 1999.

[7] De Oliveira, L. C. K., Papel do monitoramento e da previso de vazes no gerenciamento de bacas hidrogrficas, Tesis de Maestra, Universidade Federal de Ro de Janeiro, Rio de Janeiro, RJ, Brasil, enero de 2003.

[8] Jang, J-S. R., ANFIS: Adaptive-network-based fuzzy inference system, IEEE Transactions on Systems, Man, and Cybernetics, No.23, pp. 665-685, 1993.

[9] Jang, J-S. R., Input Selection for ANFIS Learning, Proceedings of the IEEE International Conference on Fuzzy Systems, New Orleans, 1996.

[10] Jang, J-S. R., Neurofuzzy Modeling: Architecture, Analyses and Applications, Disertacin de Doctorado, University of California, Berkeley, CA, Estados Unidos, julio de 1992.

[11] Jang, J-S. R., Sun. T-S., Mizutani, E., Neuro-Fuzzy and Soft Computing: A computational approach to Learning and Machine Intelligence, Prentice Hall Inc., 1997.

[12] Kelman, J., Uso de series sintticas no planejamento e operaes de sistemas hidrotrmicos, Centro de Pesquisas de Energa Eltrica, Rio de Janeiro, RJ, Brasil, 1987.

[13] Maceira, M. E. P., Kelman, J., Damzio, J. M., Utilizao de modelos PAR para simulao e previso de sries hidrolgicas mensais, Anais do VII Simposio Brasileiro de Hidrologa e Recursos Hdricos, pp. 511-521, Salvador da Baha, BA, Brasil, noviembre 1987.

[14] Registro Oficial, eds., Ley de Rgimen del Sector Elctrico, Suplemento del Registro Oficial N 43 (Incluidas reformas hasta agosto de 2000), Quito, Ecuador, octubre de 1996.

[15] Riyanto, B., Febrianto, F., Machbub, C., Adaptive-Network-Based Fuzzy Inference System for Forecasting Daily Gasoline Demand, Proceedings of the Sixth AEESEAP Triennial Conference, Bali, Indonesia, agosto de 2000.

[16] Ruilova, J. C., Estudio del Ao Hidrolgico 2001, Embalse Amaluza, Centro Nacional de Control de Energa, Quito, Ecuador, mayo de 2001.

[17] Seth, S. M., Chandra, S., Stochastic modeling of monthly streamflow sequences, en Stochastic Processes in Water Resource Engineering pp. 18-1 a 18-21, Proceedings of the Second International IAHR Symposium on Stochastic Hydraulics, 1977.

[18] Terry, L. A., Pereira, M. V. F., Araripe Neto, T. A., Silva, L. F. C. A., Soares, P. R. H., Coordinating the energy generation of the Brazilian National Hydrothermal Electrical Generating System, Interfaces, No. 16, Vol. 1, pp. 16-38, enero-febrero de 1986.

[19] Tomsovic, K., Chow, M. Y., IEEE Power Engineering Society Tutorial: Fuzzy Set Applications to Power Systems, IEEE PES TP-140-0, enero de 2000.

[20] Tomsovic, K., Fuzzy Systems Applications to Power Systems, Chapter IV-Short Course, The 1999 International Conference on Intelligent System Application to Power Systems, Rio de Janeiro, RJ, Brasil, abril de 1999.

[21] Tucci, C.E., Flood Flow Forecasting, 54th Session of Executive Coouncil of WMO World Meteorological Organization in Geneva, july 2002.

[22] Valena, M., Ludermir, T. B., Guilhon, L. G., Previso de vazes de longo prazo utilizando Redes Neurais, XVI Seminario Nacional de Produo e Transmisso de Energia Eltrica, Campinas, SP, Brasil, octubre de 2001.

[23] Yevjevich, V., Stochastic Processes in Hydrology, Water Resources Publications, Colorado, Estados Unidos, 1972.

[24] P.C. Nayak, K.P. Sudheer, D.M. Rangan, K.S. Ramasastri, A neuro-fuzzy computing technique for modeling hydrological time series, Journal of Hydrology, 291 (2004), 52-66.

[25] Fernanda da Serra Costa, Maria Elvira Pieiro Maceira, Jorge Machado Damzio, Modelos de Previsao Hidrolgica Aplicados ao Planejamento da Operaao do Sistema Eltrico Brasileiro, Revista Brasileira de Recursos Hdricos, Volume 12, No. 3, julio/setembro 2007.

[26] Manoel Henrique da Nbrega Marinho, Ricardo Levi Pianc Cavalcante, Regressao linear para previsao de vazoes afluentes do rio sao francisco, XI Simpsio de Recursos Hdricos do Nordeste, Joo Pessoa PB, Brasil, 27 a 30 de novembro de 2012.[27] Chang-Shian Chen, You-Da Jhong, Chao-Hsien Yeh, Integrated fuzzy inference system with artificial neural network for the forecast of dayli discharge", ISIS 2007 Proceedings of the 8th Symposium on Advanced Intelligent Systems, September 2007, pp. 426-431[28] Figueiredo, M., Ballini, R., Soares, S., Andrade, M., Gomide, F., Learning Algorithms for a Class of Neurofuzzy Network and Aplication, IEEE Transactions on System, Man and Cybernetics Part C: Applications, Vol. 34, No. 3, pp. 293 301, August 2004.[29] Muser Valena, Teresa Ludermir, NeuroInflow: The new model to forecast average monthly inflow, Proceedings of the VII Brazilian Symposium on Neural Networks (SBRN02), 2002.

[30] Ballini, R.; Soares, S.; Andrade, M.G., "Multi-step-ahead monthly streamflow forecasting by a neurofuzzy network model," IFSA World Congress and 20th NAFIPS International Conference, 2001. Joint 9th , vol.2, no., pp.992,997 vol.2, 25-28 July 2001.

[31] tokelj, T., Golob, R., Application of Neural Networks for Hydro Power Plant Water Inflow Forecasting, 5th Seminar on Neural Network Application in Electrical Engineering NEUREL-2000, University of Belgrade, Yugoslavia, September 25-27, 2000.

[32] Prakash C. Swain, Umamahesh N. V., Streamflow Forecasting Using Neuro-Fuzzy Inference System, Proceedings of XXXI IAHR Congress, Seoul, Korea, September, 2005[33] Balini, R., Soares, S., Andrade, M.G., An Adaptive Neural Fuzzy Network Model for Seasonal Streamflow Forecasting, In Proceedings of the Vth Brazilian Symposium on Neural Networks (SBRN '98), Belo Horizonte-MG, Brazil, Dezembro 1998.

[34] Manoel Henrique da Nbrega Marinho, Thyago Carvalho Marques, Rosangela Ballini, Secundino Soares, Comparative Study of Seasonal Streamflow Forecasting models, 5th Latin American Congress: Electricity Generation and Transmission, November 16- 20 2003, Sao Pedro, Brazil.

[35] Velsquez, J. D., Dyner I., Souza, R.C., Modelacin de Series Temporales usando ANFIS, Inteligencia artificial: Revista Iberoamericana de Inteligencia Artificial, Vol. 8, N. 23, 2004 , pgs. 47-64[36] Marinho, M.E.N, Porevisao de vazoes afluentes varios passos rente via agregaao de vazoes para o planejamento energtico da operaao de sistemas hidrotrmicos de potencia, Tese de Doutorado, Universidade Estadual de Campinas, Campinas Sp, Brazil, 2005.

[37] Vasquez, P., Guzmn, P., Cambio de Paradigma en el Pronstico del Recurso Hidrolgico-Influencia del Cambio Climtico, Revista Tcnica Energa, No. 7, Enero 2011, [38] Anchaluisa, F., Hinojosa, V.H., Pronstico de caudales de mediano y corto plazo utilizando razonamiento inductivo fuzzy y algoritmos evolutivos aplicacin para las centrales de embalse y centrales de pasada, Biblioteca Digital CENACE, Ecuador, 2008.

[39] Firat, M. Comparison of Artificial Intelligence Techniques for river flow forecasting, Hydrology and Earth System Sciences, 12, pp. 123-139, 2008.

[40] Moreno, J., Ceballos, Y., Pronstico de generacin ideal a escala mensual usando ANFIS, Revista Avances en Sistemas e Informtica, Vol. 5 No. 3, Diciembre 2008.

[41] Firat, M., Gngr, M., Sugeno fuzzy inference system for river flow estimation, International Congress on River Basin Management, Antalya, Trkiye,pp. 583-598, 2007.

[42] Kisi, ., ztrk, ., Forecasting river flows and estimating missing data using soft computing techniques, International Congress on River Basin Management, Antalya, Trkiye, pp. 655-668, 2007.[43] Firat, M., River flow estimation using fed forward and radial basis neral networks approaches, International Congress on River Basin Management, Antalya, Trkiye, pp. 599-611, 2007.

[44] Jordn, C. Ziga, A., Medina, D., Gallo, J., Galvn, B., MODELO PARA EVALUACIN DE LOS EFECTOS DEL CAMBIO CLIMTICO EN LA OPERACIN DE LARGO PLAZO DE CENTRALES HIDROELCTRICAS APLICANDO TCNICAS DE INTELIGENCIA COMPUTACIONAL, Proyecto PIC-08-00165 financiado por SENECYT Ecuador, Noviembre 2008 a Julio 2010.[45] Jordn, C., Ziga, A., Medina, D., Aplicacin de un algoritmo evolutivo flexible a la optimizacin de la operacin de sistemas hidrotrmicos, Revista Tecnolgica ESPOL, Vol. 23, N.3, pp. 35 45, Diciembre de 2010.[46] Jordn, C., Ziga, A., Medina, D., Ajuste de un Modelo Lluvia-Caudal para la Cuenca Media del Ro Paute Aplicando el Modelo Neuro-Difuso ANFIS, V CONGRESO SOBRE INGENIERIA E INVESTIGACION CIENTIFICA- V CONIIC 2009, Universidad Tecnolgica del Per, Lima, Per, 16 a 19 de Octubre de 2009.

[47] Ziga, A., Planificacin de largo plazo de la operacin de sistemas hidrotrmicos, Jornadas de Investigacin ESPOLCIENCIA 2007, Guayaquil, Octubre de 2007 (Primer lugar categora Ponencias).[48] Ziga, A., Jordn, C., Pronstico de caudales medios mensuales aplicando Sistemas Neurofuzzy, Revista Tecnolgica ESPOL, No. 18, Vol. 1, pp. 17 23, Octubre de 2005.[49] Ziga, A., Jordn, C., Redes Adaptables y Sistemas de Inferencia Fuzzy: Una aplicacin al problema de la previsin de caudales, I Congreso Nacional de Investigacin, Tecnologa e Innovacin, Escuela Politcnica del Ejrcito, Quito, Octubre de 2005.[50] Ziga, A., Previso de Demanda de Energia Eltrica usando Redes Neurais Adaptativas y Regras Nebulosas. Relatrio do Projeto, Director: Prof. Dr. Fernando Von Zuben, Universidade Estadual de Campinas, Campinas-SP, Brasil, 2003.[51] Ziga, A., Layana, J., Despacho Econmico en Sistemas Hidrotrmicos Aplicando Mtodos Probabilsticos, I Seminario del Mercado Elctrico del Ecuador, organizado por Electroguayas S.A., Guayaquil, Octubre de 2001.[52] Palit, A., Popovic, D., Computational Intelligence in Time Series Forecasting, Srpinger-Verlag, 2005.

[53] Luna, I., Anlise de Sries Temporais e Modelagem Baseada em Regras Nebulosas, Tese de Doutorado, Universidade Estadual de Campinas, Campinas, SP, Brasil, 2007.

[54] Ballini, R., Anlise e Previsao de Vazoes Utilizando Modelos de Sries Temporais, Redes Neurais e Redes Neurais Nebulosas, Universidade Estadual de Campinas, Campinas, SP, Brasil, 2000.PAGE