Professional Documents
Culture Documents
Presentado por:
Andrs A. Ziga
El problema del pronstico de caudales se encuentra limitado a la informacin histrica sobre las variables
relacionadas con la escorrenta y, en los mejores casos, estos registros abarcan perodos de hasta 100 aos
en algunos pases. En el caso de Ecuador, los registros de caudales medios mensuales afluentes a la
principal central hidroelctrica del Pas (Paute-Molino) y que se encuentran disponibles en los archivos del
Instituto Nacional de Meteorologa e Hidrologa INAMHI abarca un perodo de 51 aos (desde 1964
hasta la fecha); los registros de otras variables relacionadas con los caudales afluentes medios mensuales
(temperatura, precipitaciones) abarcan perodos de 33 aos (desde 1982 hasta la fecha).
Los modelos de series de tiempo estocsticas corresponden a modelos lineales, sin embargo, por su
sencillez y versatilidad en el pronstico son ampliamente utilizadas para el pronstico. Los mtodos
utilizados comnmente para el pronstico de caudales en el sector elctrico se basan en modelos
estocsticos, segn Hinojosa [55], el CENACE utiliza un Modelo Economtrico (ARIMA) para el
pronstico de caudales de Paute, el cual es un mtodo de pronstico lineal.
Sin embargo, siendo el proceso hidrolgico un fenmeno natural, la relacin entre sus variables es no lineal
y se requieren otro tipo de herramientas que permitan realizar un mapeamiento no lineal entre las variables
que conforman el problema de pronstico, como los modelos basados en inteligencia artificial, como las
Redes Neuronales Artificiales, los Sistemas de Inferencia Fuzzy, y los ensembles que son combinaciones de
las tcnicas antes mencionadas.
2. 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 53.16% de la energa
bruta disponible en el ao 2012 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].
3. 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 2 importantes centrales hidroelctricas del Ecuador (Paute-Molino, y Daule-Peripa),
correspondientes al perodo entre 1964 y 2013 (50 aos); este conjunto de datos forma parte de un registro
mantenido por el CONELEC.
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.
Comparacin del desempeo de las tcnicas hbridas Neuro-Fuzzy frente a los mtodos
estocsticos tradicionalmente usados en la previsin de series de tiempo utilizando las
mtricas de error medio cuadrtico, error medio relativo porcentual y error medio absoluto.
4. Metodologa
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 estructura de 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 (denominacin dada a los valores reales). 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 de
pronstico ser evaluado considerando algunas medidas de error como el error medio cuadrtico, error
medio relativo porcentual y el error medio absoluto.
Con el fin de analizar el comportamiento de un sistema hidrotrmico al aplicar las metodologas de
pronstico, se realizar la simulacin de la operacin de un sistema hidrotrmico de prueba considerando
caudales pronosticados en un horizonte de 5 aos.
Para implementar el modelo y realizar el anlisis de las informaciones se emplear el software Matlab , el
sistema de modelado General Algebraic Modeling System (GAMS) y el lenguaje de programacin ANSI C.
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 Hbridos Neuro-Fuzzy.
3. Previsin de caudales por mtodos convencionales de series de tiempo estocsticas.
5. Resultados esperados
Como resultado del proyecto se espera obtener un modelo para el pronstico de caudales medios mensuales
afluentes a centrales hidroelctricas aplicando la metodologa ANFIS.
Se espera que este modelo presente mejores resultados que los modelos basados en series de tiempo
estocsticas, conforme se ha conseguido en investigaciones realizadas en otros pases como Brasil [1], [2],
[30], [34], [36].
De igual manera, se realizar un anlisis del comportamiento de un sistema hidrotrmico frente a la
aplicacin de los modelos de pronstico analizados.
6. 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]
[4]
[5]
[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]
[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, 54 th 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, 5 th 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, Previsao 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.
[55] 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, Revista Tcnica Energa, CENACE, Quito, Enero 2008, pp. 149 154