Mejoras en la simulación de aportes a represas hidroeléctricas para su incorporación a modelos de planificación energética

Tamaño: px

Comenzar la demostración a partir de la página:

Download "Mejoras en la simulación de aportes a represas hidroeléctricas para su incorporación a modelos de planificación energética"

Consuelo Quintero Lucero
hace 6 años
Vistas:

1 Mejoras en la simulación de aportes a represas hidroeléctricas para su incorporación a modelos de planificación energética

2 Líneas del proyecto Evaluar modelos estocásticos existentes de representación de aportes Incorporar ENOS a dichos modelos y evaluar Identificar señales climáticas de más baja frecuencia (multianuales) Explorar nuevos modelos de memoria larga Determinar variables de estado para el optimizador (incorporar ENOS al optimizador) Evaluar beneficios e impacto económico

3 Contenido El Niño Oscilación Sur (ENOS) Incorporación de ENOS a los generadores estocásticos de aportes y su evaluación: CEGH Tipo EDF Incorporación de ENOS al SimSEE y evaluación Conclusiones, recomendaciones y futuro

4 El Niño Oscilación Sur (ENOS) N3.4

5 ENOS Aportes estacionales

6 ENOS Aportes semanales

7 Predictor climático asociado a ENOS: N3.4_AO

8 Candidato a Estado Climático Mucho mayor inercia que los caudales Q1 Q1 Q2 Q3 Q4 Q Q Q Q Q Ej.: Semana 48 Probabilidades de transición de los quintiles de ENOS para cada semana

9 Estacionalidad de su evolución y de su influencia en el clima local Gestación de ENOS Barrera de Predictibildad Probabilidad media de permanencia en el quintil

10 Contenido El Niño Oscilación Sur (ENOS) Incorporación de ENOS a los generadores estocásticos de aportes y su evaluación: CEGH Tipo EDF Incorporación de ENOS al SimSEE y evaluación Conclusiones, recomendaciones y futuro

11 Modelado de aportes en el CEGH Familias de funciones de deformación (lentes) que transforman [antitransforman] los datos reales en gaussianos. Varían con la semana del año (contienen información del ciclo anual). Mundo Real F Transformaciones No Lineales Mundo Gaussiano

12 Modelo auto-regresivo de 1er orden Bonete Palmar Salto b p s k b = p s + 1 Coeficientes entrenados históricamente k + w k Ruido Blanco Guassiano r F k Lineal F k k g k Filtro G k -1 R k Por construcción n respetan el clima y las autocorrelaciones de una semana, no así otras dinámicas más s lentas

13 Incorporando ENOS al CEGH 1) En los lentes: F K,N3.4_AO (Años análogos) 2) BPSN: Bonete Palmar Salto N3.4_AO b p s n k + 1 = b p s n [ A ] k (4 4) + wk k 3) En el ruido: w k (N3.4_AO) (modificar los sorteos del ruido blanco, sesgando según el estado climático N3.4_AO).

14 Evaluar memoria de largo plazo BPS Autocorrelaciones a 3 a 6 meses Probabilidad de excedencia de aportes extremos BPSN Índices de memoria de largo plazo

15 Explorar nuevos modelos de memoria larga

16 Explorar nuevos modelos de memoria larga

17 Explorar nuevos modelos de memoria larga

18 Identificar señales climáticas de más baja frecuencia (multianuales) Análisis espectral y proyección lineal de ciclos multi-anuales km 3 /año Suma de componentes asociados a pseudo-períodos de 3.6 años, 6.2 años y CBF de series finalizadas en distintos años (2003 a 2007), y sus predicciones hasta el año 2015 Serie cruda (anomalías) Suma de componentes (serie finalizada en 2007) Suma de componentes (serie finalizada en 2006) Suma de componentes (serie finalizada en 2005) Suma de componentes (serie finalizada en 2004) Suma de componentes (serie finalizada en 2003) Proyección (serie finalizada en 2007) Proyección (serie finalizada en 2006) Proyección (serie finalizada en 2005) Proyección (serie finalizada en 2004) Proyección (serie finalizada en 2003) Años

19 Identificar señales climáticas de más baja frecuencia (multianuales) Serie cruda de caudales suma de componentes desgaussianizada, asociadas a variabilidad de: 9.6 años, 6.4 años, 4.8 años, años y CBF Serie cruda Componente desgaussianizada Corr.: 0.44 % var explicada: m 3 /s (Ene 1909) (Dic 2009) Semanas Suma de componentes multianuales en base a series semanales

20 Evaluación estacional Se generan series sintéticas (simuladas) de 6 meses, iniciando el 1º de Feb, 1º de May, 1º de Ago y 1º de Nov. Condiciones iniciales: aportes históricos observados ( ). 100 simulaciones para cada año (100x100x4). Predictor N3.4_AO prescripto (predicción perfecta).

21 Evaluación estacional Ejemplo semestre Ago-Feb 6000 Simulaciones BPSN estacional vs observado en el año Aporte complexivo (m 3 /s) A S O N D E F Mes

22 Evaluación estacional Para cada fecha de inicio se tienen 100 simulaciones de 6 meses. Se calculan 100 aportes acumulados en el semestre. Se hace lo mismo con los aportes observados para dicho semestre. Se calcula el RMSE de las 100 simulaciones respecto del valor observado. Se tienen 400 RMSE por modelo: 100 años, 4 por año.

23 RMSE aportes acumulados Error medio cuadrático (RMSE) acumulado en el período Delta RMSE [miles Hm 3 ] Reducción (BPS-BPSN) en el RMSE de los aportes simulados 10% de semestres más secos 5% de semestres más secos Mejora de BPSN respecto a BPS: ejemplo semestre Ago-Feb

24 RMSE aportes acumulados Frecuencia de mejora: 73% 83% 95%

25 Ponderación por costos del Sistema

26 RMSE ponderado por costos Media de mejora: 9.0% 12.8% 14.5%

27 Resumen resultados RMSE ponderado por costos =BPS-BPSN Años RMSE >0 (%) RMSE (MUSD) RMSE / RMSE BPS (%) RMSE / Aportes (%) 1º febrero º mayo º agosto º noviembre Global

28 Sensibilidad al respaldo del Sistema

29 Resumen resultados =BPS-BPSN RMSE ponderado por costos Años RMSE >0 (%) Respaldo 2014 RMSE (MUSD) RMSE / RMSE BPS (%) RMSE / Aportes (%) 1º febrero º mayo º agosto º noviembre Global Global Respaldo 2012

30 Contenido El Niño Oscilación Sur (ENOS) Incorporación de ENOS a los generadores estocásticos de aportes y su evaluación: CEGH Tipo EDF Incorporación de ENOS al SimSEE y evaluación Conclusiones, recomendaciones y futuro

31 Modelado de aportes tipo EDF k k+1 ESHY 12 (k) Clase i Prob. de transición (k,i) Clase ESHY 12 (k+1) Sortear Promedio De los años históricos que tienen la misa clase en la semana k+1

Implementación y Verificación Confirmar que las series sintéticas respetan las frecuencias históricas de las clases hidrológicas y la clase climática asociada a N3.

32 Implementación y Verificación Confirmar que las series sintéticas respetan las frecuencias históricas de las clases hidrológicas y la clase climática asociada a N3.4_AO que se incorpora. Cuidados con el número de años en la muestra y la combinación de estados con menos frecuencia Comparación entre sorteos (tipo k-tiles) y promedios en aportes condicionados.

33 Incorporación de ENOS al EDF 1 Estado N3.4_AO: Estado climático ESHY_X: Estado hidrológico (Promedio de X semanas de aportes complexivos) 2 Estados: N34_AO + ESHY_X (condicional a N3.4_AO) Se probaron también variables de estados combinados (hidroclimáticos) sin mayor éxito (no se muestra)

34 Ídem CEGH: Evaluación estacional 100 simulaciones de 6 meses. Inicio en Feb, May, Ago y Nov a partir de la condición observada en cada año (100x100x4). Para c/año y c/fecha inicio, se calcula RMSE 100 simulaciones (aportes acumulados) respecto observado ponderado por costos. Simulaciones sin pronóstico de ENSO: N34_AO (1 estado) ESHY_X (1 estado) Simulaciones con información del pronóstico de ENSO: N34_AO (0 estado) N34_AO + ESHY_X (1 estado)

35 Evaluación estacional (RMSE) ESTADO MEDIAN MEAN ,5 MAX N34_AO ESHY ESHY ESHY ESHY ESHY ESTADO MEDIAN MEAN ,5 MAX N34_AO N34_AO + ESHY N34_AO + ESHY N34_AO + ESHY N34_AO + ESHY N34_AO + ESHY

36 Evaluación estacional N34_AO es el mejor modelo en casi todos los casos menos en los casos con mayor RMSE (coinciden con los casos más costosos y secos). El pronóstico perfecto de N34_AO reduce aprox. 20% los errores medios del modelo con estado N34_AO pero no hay mayores mejoras en los casos extremos. La inclusión de N34_AO prescripto como segundo estado reduce todos los errores de los modelos ESHY_X.

37 ESHY 12 vs N34_AO prescripto

38 ESHY 12 vs N34_AOprescripto+ESHY 12 RMSE = Eshy12-Neshy12 # >0 (%) Medio (MUSD) / RMSE Eshy12 (%) / Obs. (%) # 10til>0 # 5til>0 1º febrero 64 % 20 5 % 0,7 % 8 / 10 4 / 5 1º mayo 64 % % 1,8 % 9 / 10 5 / 5 1º agosto 73 % % 1,7 % 9 / 10 5 / 5 1º noviembre 72 % % 1,7 % 9 / 10 4 / 5 ANUAL 68 % % 1,5 % 35 / / 20

39 Contenido El Niño Oscilación Sur (ENOS) Incorporación de ENOS a los generadores estocásticos de aportes y su evaluación: CEGH Tipo EDF Incorporación de ENOS al SimSEE y evaluación Conclusiones, recomendaciones y futuro

40 Optimización SimSEE BPS: Optimización tradicional (en realidad BPSX, con X variable muda, pues es conveniente que tenga las mismas dimensiones que BPSN). BPSN_libre: Optimización tradicional para el sistema BPSN BPSN_Prescripto: Optimización en donde se conoce la trayectoria futura de la cuarta variable, N, durante la optimización) Predicción perfecta: evolución observada a posteriori Predicción real disponible en su momento ( ), a priori.

41 Simulaciones SimSEE Optimización madre BPSN larga Optimizaciones de 6 meses (BPSX, BPSN_libre, BPSN_Prescripto (prefecto o real) que enganchan con la optimización madre. Simulaciones de 6 meses, inicio Feb, May, Ago y Nov. Período: , sobre la trayectoria observada de BPSN 100 crónicas en la simulación que difieren en las suertes de las otras componentes aleatorias (rotura de máquinas y velocidad del viento)

42 Valor del agua al inicio BPS libre BPSN libre US$/Hm FEB MAY AGO NOV

43 Evaluación de resultados Se evalúan a través del Costo Total incurrido al final del semestre simulado. CD+CF: costo directo acumulado + costo futuro al final del semestre. CD+CAgua: costo directo acumulado + costo asociado al nivel del lago al finalizar el semestre. Ejemplo: semestres con inicio en agosto

44 CD+CF BPS libre BPSN libre Millones de US$ FEB MAY AGO NOV

45 CD+CAgua BPS libre BPSN libre Millones de US$ FEB MAY AGO NOV

46 Conclusiones La incorporación de información sobre El Niño -a través de N3.4_AO- a los generadores estocásticos de series de aportes CEGH/EDF reduce el RMSE de los modelos que se utilizan actualmente (crudos y ponderados por los costos del sistema). Su inclusión en el SimSEE (en la optimización y simulación) mejora el desempeño del a escala estacional, medido a través del CT al final de cada semestre simulado. Los resultados son válidos para diferentes escenarios de respaldo del sistema.

47 Gracias!

Documentos relacionados

Evaluación del impacto económico en el sector energético dado por los embalses para riego existentes en la cuenca de aporte a Rincón del Bonete

Trabajo de fin del curso SimSEE 2, Grupo 1, pág 1/9 Evaluación del impacto económico en el sector energético dado por los embalses para riego existentes en la cuenca de aporte a Rincón del Bonete Magdalena