modelo para manejo de la incertidumbre hidrológica en la planificación de la operación del sic
DESCRIPTION
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. - PowerPoint PPT PresentationTRANSCRIPT
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
1. La variable hidrológica adquiere un relevancia fundamental en la solución del problema de planificación de la operación de sistemas hidrotérmicos.
2. 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.
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:1. Caudales determinísticos en la primera etapa. Incertidumbre
reducida.2. En el invierno, las aperturas son sorteadas desde el histórico,
suponiendo escenarios equiprobables e independencia entre meses.
3. En periodo de deshielo se define una sola apertura
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 Estadísticos Lineales
• Se ajustan con datos del registro histórico
• Modelos que reconocen la tendencia de los datos.
• Entregan una distribución aproximada de los datos.
Modelos de Series de Tiempo
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(
Modelo PARMA
( ) ( )
1 1
( ) ( )p q
t i t i i t i ti i
X X
Media
(0, )N
Modelo
PARMA
Valores Pasados
De la Serie
N(
Modelo PARMA: estudio de casos
N(
Mediante modelo PARMA se generaron series simuladas
Caso 1: años “normales”
0 2 4 6 8 10 120
50
100
150
Mes Hidrologico
m3/
seg
Series para afluente LAJA para el año 1960
Serie HistoricaPromedio HistoricoValor EsperadoSorteos Modelo
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.
0 2 4 6 8 10 120
50
100
150
Mes Hidrologico
m3/s
eg
Series para afluente LAJA para el año 1959
Serie HistoricaPromedio HistoricoValor EsperadoSorteos Modelo
Junio
Caso 2: años “extremos”
0 2 4 6 8 10 120
20
40
60
80
100
120
140
Mes Hidrologico
m3/
seg
Series para afluente LAJA para el año 1999
Serie HistoricaPromedio HistoricoValor EsperadoSorteos Modelo
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
Modelo
CPARMA
Valores Pasados
De la Serie
N(
N()
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 Se sortean n
series históricas para todo el horizonte
Con la misma metodología se sortean m aperturas para cada etapa
Resultados
Año hidrológico 2000-2001Hidrología: Normal
Cmg-Hidrología Media-Humeda
0.0
10.0
20.0
30.0
40.0
50.0
1 4 7 10 13 16 19 22Etapas
Cm
g [
mill
s/K
wh
]
Simul. Deterministica
Modelo P ropuesto
Actual P LP
Modelo Propuesto
35%
39%
13%
13% 0%
Termicas
Embales
Pasada
Serie Hidraulica
Falla
Actual PLP
37%
38%
13%
12% 0%Termicas
Embales
Pasada
Serie Hidraulica
Falla
Hidrología Determinística
31%
41%
14%
14% 0%
Termicas
Embales
Pasada
Serie Hidraulica
Falla
Resultados
Año hidrológico 1998-1999
Hidrología: Seca
Cmg-Hidrología Seca
0.0
20.0
40.0
60.0
80.0
100.0
1 4 7 10 13 16 19 22Etapas
Cm
g[m
ills/
Kw
h]
Simul. DeterministicaModelo PropuestoActual PLP
Modelo Propuesto
51%
28%
11%
10% 0%
Termicas
Embales
Pasada
Serie Hidraulica
Falla
Hidrología Determinística
64%18%
10%
8%0%
Termicas
Embales
Pasada
Serie Hidraulica
Falla
Actual PLP
38%
37%
13%
12% 0%
Termicas
Embales
Pasada
Serie Hidraulica
Falla
Gracias por su Atención...
Datos
Datos
0 5 10 15-0.5
0
0.5
1mes1
0 5 10 15-0.5
0
0.5
1mes2
0 5 10 15-1
0
1mes3
0 5 10 15-1
0
1
2mes4
0 5 10 15-0.5
0
0.5
1mes5
0 5 10 15-0.5
0
0.5
1mes6
Datos
0 5 10 15 20 25 30 35 40 45 50 0
50
100
150
200
250 Serie Semanal Afluente LAJA 1959-1969
Semanas
m3/seg
0 2 4 6 8 10 12 0 20 40 60 80
100 120 140 160 180 Serie Mensual Afluente LAJA 1959-1969
Meses
m3/seg