Download
1 / 23
230 likes | 425 Views
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.
E N D
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.
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
Cómo representar su evolución futura? Hidrología
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
Registro Estadístico Transformación de los datos Ajuste de Modelo PARMA Calculo de Probabilidades para los escenarios históricos Generación de Simulaciones y Aperturas Se pueden mejorar la información con que se alimentan los modelos actuales? Propuesta:
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.
Valores Pasados Modelo PARMA PARMA (Periodic Auto Regresive Moving Average) • 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 Mediam Valores Pasados De la Serie N(m,s) Modelo PARMA
N(m,s) N(m,s) Modelo PARMA: estudio de casos Mediante modelo PARMA se generaron series simuladas
Junio Caso 1: años “normales” 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.
Junio Caso 2: años “extremos” 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 CPARMA Valores Pasados De la Serie N(m1,s) N(m2,s) Modelo Propuesto Si ambas distribuciones se parecen, entonces ambas series “ven el futuro” de manera similar
Se asigna probabilidad proporcional al “traslape” de las distribuciones Modelo Propuesto
Con la misma metodología se sortean m aperturas para cada etapa Dados los valores pasados Se sortean n series históricas para todo el horizonte Modelo Propuesto
Resultados Año hidrológico 2000-2001 Hidrología: Normal
Resultados Año hidrológico 1998-1999 Hidrología: Seca
