Modelo de predicción de aportaciones mensuales utilizando Redes Neuronales Artificiales. Aplicación a la cuenca del río Amambaí (Brasil)

Abstract

[EN] Hydrological modeling, for flow prediction purposes, has today several alternatives regarding to traditional modeling. These alternative prediction methods are growing in terms of usage and knowledge in hydrology. The limitations found in the implementation of a classical conceptual hydrological model, either distributed or lumped, in terms of the data required for its application makes that, in some cases and depending on the target, is feasible to choose for an alternative model approach based exclusively on data, such as Artificial Neural Networks (ANN). The ANN are a structured computer system based on the behavior of the human brain, in which inputs data are processed along the network to obtain an output data, and could be an interesting prediction tool, not only because the advantages above-mentioned, concerning to a classical hydrological prediction model, but also because they have a great advantage of being very adaptable for the "modeler" requirements, who defines from the initial design to the training algorithm. Despite being considered as a "black-box" model, its versatility is one of the main advantages of this type of model. Early flow prediction, it is extremely important for any hydroelectric plant, especially for the planning and operation and even more for one like Itaipu (14.000 MW installed capacity) because of its generation and contribution to the electrical systems for both countries, Paraguay (75%) and Brazil (15%). Based on a real need of the Division of Hydrological and Energy Studies of Itaipu to improve its monthly hydrological predictions, a monthly flow prediction model using ANN have been developed for one of the five rivers in the incremental basin, the Amambaí River, located in the state of Mato Grosso do Sul, Brazil. Six ANN have been designed and evaluated varying the inputs data and hidden neurons, obtaining 83% to 90% of correlation coefficient in the verification phase with other events.

[ES] La modelación hidrológica, con fines de previsión de caudales tiene hoy varias alternativas con relación a la modelación clásica. Estos métodos alternativos de predicciones, van ganando espacio y conocimiento en hidrología. Las limitaciones encontradas en la implementación de un modelo hidrológico conceptual clásico, ya sea distribuido o agregado, en cuanto a los datos necesarios para su aplicación, hace que en algunos casos y dependiendo del objetivo, sea factible optar por una metodología basada exclusivamente en datos, como son las Redes Neuronales Artificiales (RNA). Las RNA son un sistema computacional estructurado, basado en el funcionamiento del cerebro humano, en el que se procesan datos de entradas a lo largo de la red, para obtener un dato de salida, y pueden ser una interesante herramienta de predicción, que no solo tienen las ventajas mencionadas más arriba, con relación a un modelo clásico de previsión hidrológica, sino que, tienen la gran ventaja de ser muy adaptables a las necesidades del modelador , que define desde el diseño inicial hasta el algoritmo de calibración. Por más que sea considerado como un modelo de caja negra , su versatilidad es una de las principales ventajas para este tipo de modelo. La predicción temprana de caudales, es de fundamental importancia para cualquier hidroeléctrica, especialmente para la planificación y operación y más aún, para una tan importante como la Itaipu (14.000 MW capacidad instalada), por su generación y aporte a los sistemas eléctricos tanto para el Paraguay ( 75%) y el Brasil (15%). Basado en una necesidad real de la División de Estudios Hidrológicos y Energéticos de la Itaipu, de mejorar sus predicciones hidrológicas mensuales, se ha desarrollado un modelo de previsión de caudales mensuales usando RNA, de uno de los cinco ríos de la cuenca incremental, el río Amambaí, localizado en el estado de Mato Grosso do Sul, Brasil. Han sido diseñadas y evaluadas seis RNA variando datos de entradas y neuronas ocultas, y se han obtenido resultados con coeficientes de correlación de 83% a 90% en la fase de verificación con otros eventos.