Modelo para Manejo de la Incertidumbre Hidrológica en la Planificación de la Operación del SIC. Eugenio Palacios G. Prof. Guía: Rodrigo Palma B.

Introducción, Motivación La variable hidrológica adquiere un relevancia fundamental en la solución del problema de planificación de la operación de sistemas hidrotérmicos. Es conveniente invertir recursos en estudiar las propiedades estadísticas de las serie hidrológicas. 3. Este trabajo propone un modelo que usa la información histórica para representar la hidrología.

¿Y qué podríamos ganar? ... Una mejor modelación implicará: Orientar la planificación de las instalaciones que operan en forma coordinada a una operación aún más segura y económica. Mejores estimaciones de compra-ventas de energía en el mercado spot. Prever con mayor anticipación un año seco, dando una mayor capacidad de reacción a las empresas y al sistema. Permitirá tener mejores estimaciones de compras de combustibles.

Afluentes naturales a las centrales hidráulicas del sistema Hidrología Afluentes naturales a las centrales hidráulicas del sistema Variable aleatoria No estacionaria Posee características periódicas anuales:  Correlación entre invierno y deshielo Correlación entre años  Hasta hoy no ha sido detectada Correlación espacial

Hidrología Cómo representar su evolución futura?

PDDE aplicada al problema de despacho Secuencias iniciales Aperturas Ejemplo: Interfase actual de PLP: Caudales determinísticos en la primera etapa. Incertidumbre reducida. En el invierno, las aperturas son sorteadas desde el histórico, suponiendo escenarios equiprobables e independencia entre meses. En periodo de deshielo se define una sola apertura

Generación de Simulaciones y Aperturas Se pueden mejorar la información con que se alimentan los modelos actuales? Propuesta: Generación de Simulaciones y Aperturas Calculo de Probabilidades para los escenarios históricos Ajuste de Modelo PARMA Transformación de los datos Registro Estadístico

Modelos de Series de Tiempo Modelos Estadísticos Lineales Se ajustan con datos del registro histórico Modelos que reconocen la tendencia de los datos. Entregan una distribución aproximada de los datos.

Modelo PARMA PARMA (Periodic Auto Regresive Moving Average) Valores Pasados Propiedades: Reconoce tendencia local de los datos. Entregan una distribución normal para la hidrología futura. Permite modelar series con características periódicas. Es decir, este modelo básicamente define una N(m,s)

Modelo PARMA Media m Modelo PARMA Valores Pasados De la Serie N(m,s)

Modelo PARMA: estudio de casos N(m,s) Mediante modelo PARMA se generaron series simuladas N(m,s)

Caso 1: años “normales” En años normales: Junio En años normales: En el corto plazo (pronóstico un mes hacia adelante) el modelo entrega buenos pronósticos. Los resultados de los meses siguientes se aproximan a la media histórica.

Caso 2: años “extremos” En años extremos: Junio En años extremos: El modelo advierte oportunamente la sequía.

Modelo PARMA Limitaciones: Sólo algunas series de caudales admiten un ajuste de un modelo de este tipo. Limitación Práctica: Los modelos de planificación solo trabajan con caudales históricos, PARMA no es aplicable directamente. Adaptar modelo PARMA para seleccionar (sortear) escenarios históricos y no generar series simulada Pregunta: ¿Dados los valores pasados de la serie, cuales de los escenarios históricos ocurrirán con mayor probabilidad?

Modelo Propuesto N(m1,s) Modelo CPARMA Valores Pasados De la Serie Si ambas distribuciones se parecen, entonces ambas series “ven el futuro” de manera similar

Modelo Propuesto Se asigna probabilidad proporcional al “traslape” de las distribuciones

Modelo Propuesto Dados los valores pasados Con la misma metodología se sortean m aperturas para cada etapa Se sortean n series históricas para todo el horizonte

Resultados Año hidrológico 2000-2001 Hidrología: Normal

Resultados Año hidrológico 1998-1999 Hidrología: Seca

Gracias por su Atención...

Datos

Datos

Datos