Skip navigation
Please use this identifier to cite or link to this item: http://repositorio.unb.br/handle/10482/49275
Files in This Item:
File Description SizeFormat 
2023_ThiagoLappicyLemosGomes_DISSERT.pdf25,25 MBAdobe PDFView/Open
Title: Previsões de vazões mensais para usinas do sistema hidroelétrico brasileiro utilizando métodos estocásticos e informações climáticas
Authors: Gomes, Thiago Lappicy Lemos
Orientador(es):: Lima, Carlos Henrique Ribeiro
Assunto:: Usinas hidrelétricas
Usinas hidrelétricas - vazão
Clima
Previsão de vazão
Índices climáticos
Issue Date: 29-Jul-2024
Citation: GOMES, Thiago Lappicy Lemos. Previsões de vazões mensais para usinas do sistema hidroelétrico brasileiro utilizando métodos estocásticos e informações climáticas. 2023. 143 f., il. Dissertação (Mestrado em Tecnologia Ambiental e Recursos Hídricos) — Universidade de Brasília, Brasília, 2023.
Abstract: Esse trabalho busca avançar nas previsões de vazões mensais ao sistema hidroelétrico brasileiro, incorporando informações climática aos modelos periódicos atualmente em uso pelo operador nacional do sistema (ONS). A informação climática foi incluída como variáveis exógenas nos modelos de previsões (PARX e RIDGE) a partir do uso de índices climáticos. Os indicadores climáticos utilizados são em função da temperatura da superfície do mar do Oceano Atlântico Sul (SST2) e do Pacífico Central (NINO3) e dos padrões de vento sobre o Sudeste Brasileiro (U1). A regressão ridge foi uma forma de incluir esses preditores climáticos nas previsões. Esse é um método de regularização (L2), que é capaz de introduzir um pouco de viés no modelo como tentativa de reduzir a variância das previsões. Já o PARX é um modelo periódico autorregressivo (do tipo PAR) que consegue acoplar variáveis exógenas, com seus coeficientes sendo calculados, neste trabalho, pelo método dos mínimos quadrados. A partir das métricas de desempenho NSE e KGE para os diferentes meses e horizontes de previsão (entre 1 e 6 meses a frente), observou-se ganhos relevantes a partir da inclusão da informação climática. Os valores de NSE, KGE, α, r, βNSE e βKGE apresentaram, respectivamente, ganhos em até 68%, 79%, 90%, 71%, 81% e 82% das UHEs quando agrupadas para cada mês. Na espacialização, nota-se um melhor ganho do uso dos preditores climáticos nas regiões Norte e Sul do país, mostrando uma dificuldade nas previsões mais centrais e do Nordeste. Os ganhos são menores quando agrupando as UHEs individuais em reservatórios equivalentes de energia (REE) e subsistemas. Ao realizar esse agrupamento, fica ainda mais perceptível o efeito que cada indicador climático tem nas previsões, com padrões similares se mantendo (Norte e Sul tendo as melhores previsões e os subsistemas Nordeste e Sudeste/Centro-Oeste tendo ganhos em menos situações). Ainda assim, o subsistema Nordeste apresentou ganho em 49% dos cenários (72 cenários sendo das previsões de até 6 meses a frente de cada um dos 12 meses). No sistema Norte o ganho atingiu 78% dos cenários avaliados.
Abstract: This work aims on advancing the streamflow monthly forecasts for the Brazilian hydroelectric system, by incorporating climatic information to the periodic models currently used by the national operator (ONS). The climatic information was included as exogenous variables in the forecasting models (PARX and RIDGE) with climatic indexes. These indicators are related to the sea surface temperature (SST) for part of the Atlantic Ocean (SST2) and part of the Pacific Ocean (NINO3) as well as the pattern of the alisium winds on the southeast of Brazil (U1). The ridge regression is one option used to include the climatic predictors into the forecasts. This is a L2 regularization method that introduces some bias in an attempt to reduce the variance of the forecasts (known as bias-variance tradeoff). The PARX is a periodic autoregressive model (PAR type) that can use exogenous variables, with its coefficients being calculated, in this work, by the least square method. With performance metrics such as the NSE and KGE for different months and lead times (1 to 6 months ahead), it was observed relevant gains with the addition of the climatic information. The values for NSE, KGE, α, r, βNSE and βKGE where up to, respectively, 68%, 79%, 90%, 71%, 81% and 82% of the individual hydropower plants when grouped by each month. During the spatialization, there was a bigger gain for the use of climatic predictors in the Northern and Southern parts of Brazil, showing some difficulties for the forecast in more central areas, as well as for the Northeastern region. Although the gains were lower when grouping individual hydropower plants into equivalent energy reservoirs (REE) and subsystems, they made more perceptible the effect that each climatic indicator has in the forecasts. There were visible patterns, with the South and the North having the better forecast – the latter having a gain of 78% in the scenarios evaluated. Moreover, the brazilian Northeast subsystem, which had the lowest gains when using climatic predictors, showed a gain in 49% of the scenarios (from a total of 72 for forecasting up to 6 months ahead for each of the 12 months), which is still significant.
metadata.dc.description.unidade: Faculdade de Tecnologia (FT)
Departamento de Engenharia Civil e Ambiental (FT ENC)
Description: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil e Ambiental, 2023.
metadata.dc.description.ppg: Programa de Pós-Graduação em Tecnologia Ambiental e Recursos Hídricos
Appears in Collections:Teses, dissertações e produtos pós-doutorado

Show full item record " class="statisticsLink btn btn-primary" href="/jspui/handle/10482/49275/statistics">



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.