| Journal: | RBRH. Revista brasileira de recursos hidricos |
| Database: | PERIÓDICA |
| System number: | 000392808 |
| ISSN: | 1414-381X |
| Authors: | Bravo, Juan Martín1 Pedrollo, Olavo Correa1 Collischonn, Walter1 Paz, Adriano Rolim da1 Uvo, Cintia Bertacchi2 |
| Institutions: | 1Universidade Federal do Rio Grande do Sul, Instituto de Pesquisas Hidraulicas, Porto Alegre, Rio Grande do Sul. Brasil 2Lund University, Department of Water Resources Engineering, Lund, Malmohus. Suecia |
| Year: | 2008 |
| Season: | Abr-Jun |
| Volumen: | 13 |
| Number: | 2 |
| Pages: | 77-88 |
| Country: | Brasil |
| Language: | Portugués |
| Document type: | Artículo |
| Approach: | Analítico, descriptivo |
| English abstract | This study presents the evaluation of the performance of a streamflow forecast model based on a feedforward multilayer artificial neural network. Available rainfall forecasts were considered as additional inputs to the model. The Furnas dam, in the Rio Grande basin, was selected as the case study, primarily because of the availability of short-term rainfall forecast data produced in a previous study using an ETA model. Streamflow forecasts have a twelve day horizon at daily intervals (lead times from 1 to 12 days). A new methodology for training and validating the Artificial Neural Network is proposed based on perfect rainfall forecasts (considering observed rainfall as a forecast). Results show that benefits could be achieved in inflow forecasts to Furnas dam by incorporating rainfall forecasts. Improvement in inflow forecasts using the proposed model depends on quality of rainfall forecasts. However, forecast performance was better than the current streamflow forecasts produced by the Brazilian national electric system operator. The performance of the streamflow forecast model using ETA rainfall forecast and perfect forecast were similar up to the fifth lead time. Meanwhile, quality of streamflow forecasts improves when using perfect rainfall forecast from lead time six to twelve, compared to that using ETA forecast |
| Portuguese abstract | Decisões relacionadas à operação de reservatórios são tomadas com base no conhecimento antecipado de condições atmosféricas e hidrológicas em diferentes escalas de tempo e espaço. Assim, a utilização de informações obtidas através de previsões climáticas, meteorológicas e hidrológicas subsidia o processo de tomada de decisão, podendo produzir benefícios pela redução dos danos decorrentes de cheias, pelo aumento da segurança da barragem ou pela maior eficiência na geração de energia. Redes neurais artificiais são utilizadas, neste trabalho, para estimar a vazão de afluência ao reservatório de Furnas (Minas Gerais, Brasil) com base em previsões quantitativas de chuvas do modelo regional ETA. As previsões de vazão realizadas possuem um horizonte de doze dias com intervalo diário. Uma metodologia de treinamento e validação da rede é apresentada utilizando previsões perfeitas de chuva (considerando a chuva observada como previsão) e utilizando o maior número de dados disponíveis, favorecendo a representatividade dos resultados obtidos. Os resultados obtidos com previsão perfeita de chuva e considerando a chuva prevista pelo modelo ETA são similares até o quinto dia do horizonte de previsão. A partir do sexto dia da previsão, porém, o desempenho da rede neural utilizando chuvas previstas pelo modelo ETA decai em comparação à previsão de vazão baseada em previsão perfeita de chuva. Entretanto, os resultados do modelo desenvolvido, mesmo quando utilizada a chuva prevista pelo modelo ETA, apresentam ainda melhores índices de desempenho que os obtidos com o modelo matemático atualmente utilizado operacionalmente. Os resultados aqui obtidos mostram que a consideração de previsões quantitativas de chuva pode aprimorar as previsões de curto prazo de vazão afluente ao reservatório de Furnas |
| Disciplines: | Geociencias |
| Keyword: | Ciencias de la atmósfera, Hidrología, Pronóstico del tiempo, Redes neuronales artificiales, Lluvia, Caudal |
| Keyword: | Earth sciences, Atmospheric sciences, Hydrology, Weather forecasting, Artificial neural networks, Rainfall, River discharge |
| Full text: | Texto completo (Ver PDF) |
