Modelación, simulación y predicción del comportamiento dinámico del Río San Juan usando redes neuronales
La estimación de la predicción del escurrimiento hídrico anual (PEHA) de la cuenca de un río, principalmente en zonas áridas y semiáridas, es información de suma importancia para conocer con antelación la disponibilidad de agua para el consumo residencial, el requerimiento para el riego en la agricultura, el requerido por la industria y la generación de energía hidroeléctrica. Obtener un buen pronóstico es un insumo importante en la planificación, gestión, administración y optimización de todos los recursos del sistema hidráulico disponible, y también, para la planificación, construcción y operación de represas y centrales hidroeléctricas a lo largo de la cuenca, en un contexto de mediano-largo plazo. En general, los modelos de PEHA propuestos en la literatura se basan principalmente en medidas de la acumulación nívea, geología de la cuenca y evolución de la dinámica climática de la misma, variables más significativas que influyen en el proceso del derrame hídrico diario, mensual y anual. Sin embargo, estos modelos en general presentan algunos problemas relativos a su calibración, disponibilidad de mediciones de todas las variables involucradas en el proceso, dependiendo de la infraestructura de medición disponible.En este trabajo se propone la modelación y estimación del PEHA del río San Juan de Argentina basado en redes neuronales artificiales. El modelo computacional se realiza para un horizonte de predicción de un paso hacia delante basado en la aproximación de un modelo auto-regresivo no lineal (NAR) mediante una red neuronal de Fourier (RNF), ajustado mediante un filtro de Kalman extendido (FKE) con datos de la medición del caudal en m3/s. El sistema tiene la ventaja de requerir sólo como datos de entrada la serie temporal histórica del caudal y permite su extensión para un pronóstico de mediano y largo plazo (3-6-12 pasos hacia delante).El sistema de modelación y predicción propuesto se simula computacionalmente empleando la serie temporal histórica del río, disponible desde 1909 hasta 2012. El desempeño del mismo es evaluado tanto en el proceso de aprendizaje del modelo como en el de test-validación, usando como métricas los valores de sMAPE, RMSE y función de correlación. Los análisis y resultados obtenidos muestran una muy buena performance del sistema en el modelado computacional y una buena estimación de la PEHA en un año hacia delante de la cuenca del río San Juan.
| Main Authors: | , , |
|---|---|
| Format: | Fil: Fil: Patiño, H. Daniel. Universidad Nacional de San Juan. Facultad de Ingeniería. Instituto de Automática; Argentina. biblioteca |
| Language: | spa |
| Published: |
2014
|
| Subjects: | Inteligencia computacional, Redes neuronales de Fourier, Filtro de Kalman extendido, Sistemas no lineales, Hidroinformática, |
| Online Access: | http://hdl.handle.net/11086/547634 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | La estimación de la predicción del escurrimiento hídrico anual (PEHA) de la cuenca de un río, principalmente en zonas áridas y semiáridas, es información de suma importancia para conocer con antelación la disponibilidad de agua para el consumo residencial, el requerimiento para el riego en la agricultura, el requerido por la industria y la generación de energía hidroeléctrica. Obtener un buen pronóstico es un insumo importante en la planificación, gestión, administración y optimización de todos los recursos del sistema hidráulico disponible, y también, para la planificación, construcción y operación de represas y centrales hidroeléctricas a lo largo de la cuenca, en un contexto de mediano-largo plazo. En general, los modelos de PEHA propuestos en la literatura se basan principalmente en medidas de la acumulación nívea, geología de la cuenca y evolución de la dinámica climática de la misma, variables más significativas que influyen en el proceso del derrame hídrico diario, mensual y anual. Sin embargo, estos modelos en general presentan algunos problemas relativos a su calibración, disponibilidad de mediciones de todas las variables involucradas en el proceso, dependiendo de la infraestructura de medición disponible.En este trabajo se propone la modelación y estimación del PEHA del río San Juan de Argentina basado en redes neuronales artificiales. El modelo computacional se realiza para un horizonte de predicción de un paso hacia delante basado en la aproximación de un modelo auto-regresivo no lineal (NAR) mediante una red neuronal de Fourier (RNF), ajustado mediante un filtro de Kalman extendido (FKE) con datos de la medición del caudal en m3/s. El sistema tiene la ventaja de requerir sólo como datos de entrada la serie temporal histórica del caudal y permite su extensión para un pronóstico de mediano y largo plazo (3-6-12 pasos hacia delante).El sistema de modelación y predicción propuesto se simula computacionalmente empleando la serie temporal histórica del río, disponible desde 1909 hasta 2012. El desempeño del mismo es evaluado tanto en el proceso de aprendizaje del modelo como en el de test-validación, usando como métricas los valores de sMAPE, RMSE y función de correlación. Los análisis y resultados obtenidos muestran una muy buena performance del sistema en el modelado computacional y una buena estimación de la PEHA en un año hacia delante de la cuenca del río San Juan. |
|---|