NOVO MODELO DE PREVISÃO DE VAZÕES COM INFORMAÇÃO DE PRECIPITAÇÃO PARA A BACIA DO RIO IGUAÇU

Transcrição

1 NOVO MODELO DE PREVISÃO DE VAZÕES COM INFORMAÇÃO DE PRECIPITAÇÃO PARA A BACIA DO RIO IGUAÇU Operador Nacional do Sistema Elétrico Presidência Rua da Quitanda 196/22º andar, Centro Rio de Janeiro RJ tel (+21) fax (+21) H:\Projeto 8.4\Administração\E Desenvolvimento Técnico\Notas Técnicas\Fuzzy\NT SG-Hidrologia Modelo Fuzzy _versão_aneel.doc

2 2007/ONS Todos os direitos reservados. Qualquer alteração é proibida sem autorização. ONS NT149/2007 NOVO MODELO DE PREVISÃO DE VAZÕES COM INFORMAÇÃO DE PRECIPITAÇÃO PARA A BACIA DO RIO IGUAÇU 26 de setembro de 2007

3 Sumário 1 Introdução 6 2 Objetivo 9 3 Desenvolvimento dos Modelos de Previsão de Vazões Descrição da bacia do rio Características do atual processo de previsão de vazões para a bacia do rio Desenvolvimento e Avaliação dos Protótipos Preliminares para a bacia do rio Dados considerados no desenvolvimento Protótipos desenvolvidos 16 Protótipo Preliminar do Consórcio PUC-RIO 16 Protótipo Preliminar do LACTEC 17 Protótipo Preliminar da UFF Metodologia de avaliação 18 Períodos e Variáveis Considerados nas Análises Critérios de escolha dos protótipos finais 22 4 Metodologia Modelo Fuzzy Recorrente Conceitos Básicos Metodologia Proposta Cubo OLAP Modelo de Imputação de Dados Modelo de Previsão de Vazões Fuzzificação das Variáveis de Entrada e Saída do Modelo Modelo Recorrente (ou Recursivo) 28 3 / 51

4 4.2 Dados utilizados no desenvolvimento e implantação do Modelo Fuzzy Tratamento e ajustes devido a falta de dados de algumas estações pluviométricas 32 5 Resultados Resultados da Etapa de Desenvolvimento - Periodo de Teste no ONS (2002 a 2003) Resultados da Etapa de Implantação: Testes de Conformidade 38 6 Conclusões e Recomendações 42 Referências Bibliográfgicas 43 Relatórios Técnicos de Referência do Projeto Anexo: Operacionalização dos Modelos - Sistema Previm 45 Lista de figuras Figura 1 - Diagrama esquemático das usinas da bacia do rio 14 Figura 2 - Processo de Extração de Conhecimento em Bases de Dados 23 Figura 3 - Processo de Extração de Conhecimento em Bases de Dados 24 Figura 4 - Autômato finito fuzzy associado ao modelo de segunda ordem. 27 Figura 5 - Partição Fuzzy nas Variáveis de Entrada e Saída 28 Figura 6 Esquema do processo de previsões recursivas realizado pelo modelo Fuzzy 29 Figura 7 - Localização dos postos pluviométricos e a situação dos dados por empresa fornecedora 32 Figura 8 Valores semanais observados e previstos para Foz do Areia Semanas de Figura 9 Valores semanais observados e previstos para Foz do Areia Semanas de Figura 10 Valores semanais observados e previstos para Jordão Semanas de Figura 11 Valores semanais observados e previstos para Jordão Semanas de Figura 12 Valores semanais observados e previstos para Salto Osório Semanas de Figura 13 Valores semanais observados e previstos para Salto Osório Semanas de Figura 14 Testes de sensibilidade de ausência de chuva observada, dia 1 = 15/05/02 Foz do Areia 39 4 / 51

5 Figura 15 Testes de sensibilidade de ausência de chuva observada, dia 1 = 17/12/03 Foz do Areia 39 Figura 16 Testes de sensibilidade de ausência de chuva observada, dia 1 = 17/12/03 Jordão 40 Figura 17 Testes de sensibilidade de ausência de chuva observada, dia 1 = 17/12/03 Salto Osório 40 Lista de tabelas Tabela 1 - Técnicos, e respectivas instituições, entrevistados 7 Tabela 2 - Calendário do Programa Mensal de Operação e suas revisões 11 Tabela 3 - Características das bacias e sub-bacias hidrográficas piloto para o desenvolvimento de novos modelos de previsão 12 Tabela 4 Empresas e metodologias selecionadas para estudo 15 Tabela 5 - Método Selecionado Para Cada Pluviômetro 25 Tabela 6 - Estações hidrometeorológicas de interesse (localização, situação de recebimento e códigos correspondetes) 31 Tabela 7 - Índices aplicados a todo o período de testes 2002 a 2003 (Foz do Areia) 34 Tabela 8 - Índices aplicados a todo o período de testes 2002 a 2003 (Jordão) 35 Tabela 9 - Índices aplicados a todo o período de testes 2002 a 2003 (Salto Osório) 35 5 / 51

6 1 Introdução No âmbito dos processos de planejamento e programação da operação do SIN Sistema Interligado Nacional, destaca-se como um de seus principais produtos o Programa Mensal de Operação PMO. Este produto constitui-se numa referência técnica mensal, com revisões semanais, para as metas de geração de todas as usinas hidrelétricas, termelétricas e nucleares integrantes do Sistema Interligado Nacional - SIN. Além disso, são estabelecidas também as metas de intercâmbio entre os subsistemas elétricos e outras diretrizes operativas em etapas semanais para o horizonte mensal. Este processo se insere na cadeia de planejamento e programação da operação como etapa de planejamento denominada de curto prazo. Para a elaboração do PMO e de suas revisões, um dos principais insumos é a previsão de vazões semanais para todos os locais de aproveitamentos hidrelétricos, da primeira à última semana operativa do respectivo mês. A cada revisão, as previsões de vazões para todas as semanas remanescentes para o fechamento do mês são sempre revistas, tornando-se prioritário o aumento na qualidade da previsão de vazões para a próxima semana operativa que se deseja programar. Visando o aperfeiçoamento do processo de elaboração do PMO e suas revisões semanais, no que diz respeito às previsões de vazões, foi criado o projeto 8.4 do Plano de Ação do Operador Nacional do Sistema Elétrico ONS, intitulado Aperfeiçoamento de Modelos de Previsão e Geração de Vazões. O projeto 8.4, dentre outras ações, tem por objetivo estudar metodologias alternativas de previsão de vazões, para inclusão daquelas consideradas mais adequadas na cadeia de procedimentos atualmente em prática, promovendo o aprimoramento das ferramentas de previsão de vazões e seu aumento de qualidade. Como iniciativa principal do Projeto 8.4, o ONS resolveu estruturar o estudo e desenvolvimento de alternativas de modelos de previsão de vazões diárias, para um horizonte de 12 dias à frente, para uso no PMO e suas revisões, considerando a disponibilidade de informações de precipitação observada e prevista. O principal produto desse desenvolvimento constitui-se de uma previsão de vazões naturais médias semanais para a primeira semana à frente, obtidas a partir dessas previsões diárias, a ser utilizada no PMO e em suas revisões. A estratégia de implantação do projeto 8.4 foi formulada através de ampla discussão interna ao ONS, apoiada por entrevistas a técnicos ligados a 6 / 51

7 instituições de pesquisa e empresas de consultoria com experiência em previsão de vazões com as mais diversas técnicas matemáticas. Foram realizadas diversas reuniões com os consultores e empresas apresentados na tabela1. Tabela 1 - Técnicos, e respectivas instituições, entrevistados Após essas entrevistas, o ONS passou a tomar conhecimento das tecnologias existentes no ambiente de desenvolvimento técnico e científico brasileiro, que permitiram estruturar um projeto concorrencial para o desenvolvimento de modelos de previsão de vazões utilizando informações de precipitação observada e prevista. Para a bacia do rio, foram selecionadas as seguintes alternativas tecnológicas para a avaliação de resultados e seleção de modelo pelo ONS: Modelo Fuzzy recorrente: Modelo baseado em técnicas de Inteligência Artificial, modelo de transferência não linear, recorrente, com fuzzificação da chuva, que utiliza o cubo de OLAP (On-Line Analytical Processing) para estabelecer uma mineração de dados (Data Mining), contratado junto à Universidade Federal Fluminense UFF. Modelo de Redes Neurais: Modelo baseado na técnica do Multilayer Perceptron (MLP), desenvolvido pela PUC-Rio, que decidiu por essa tecnologia após analisar os resultados encontrados a partir da aplicação de diversos outros modelos, incluindo modelos heurísticos (inteligência artificial) e estocásticos. Modelo SMAP: Modelo determinístico de simulação hidrológica do tipo transformação chuva-vazão. Ele foi desenvolvido em 1981 por Lopes 7 / 51

8 J.E.G. e é constituído basicamente por três ou mais reservatórios matemáticos: reservatório da superfície da bacia, reservatório do solo (zona airada), e reservatório subterrâneo (zona saturada). 8 / 51

9 2 Objetivo Esta nota técnica tem como objetivo apresentar os resultados da aplicação dos novos modelos desenvolvidos para a bacia do rio, com um maior detalhamento do Modelo Fuzzy Recorrente, ou simplesmente Modelo Fuzzy. O maior detalhamento desse modelo se deve ao fato dele ter apresentado as melhores estatísticas para a bacia do rio, e ser, portanto, o modelo recomendado para ser integrado ao processo de previsão de vazões naturais realizado pelo ONS para os aproveitamentos da bacia do rio : UHE Foz do Areia, UHE Jordão e UHE Salto Osório, no horizonte de uma semana à frente, em substituição ao atual processo utilizado no ONS para esta bacia. 9 / 51

10 3 Desenvolvimento dos Modelos de Previsão de Vazões O projeto de desenvolvimento de novos modelos de previsão de vazões incluindo informações de precipitação prevista e observada, foi elaborado em sistema de concorrência, sendo constituído de quatro etapas, a saber: Etapa 1 - Desenvolvimento de Metodologias dos Modelos de Previsão de Vazão, consolidadas em Protótipos Preliminares. Etapa 2 - Análise do desempenho dos Protótipos Preliminares dos Modelos de Previsão de Vazão e escolha dos modelos mais interessantes para implementação no ONS. Etapa 3 - Desenvolvimento dos Protótipos Finais dos Modelos Selecionados. Etapa 4 - Integração dos novos modelos à base de dados do ONS e operacionalização dos mesmos. Visando o aperfeiçoamento do processo de elaboração do PMO, incluindo suas revisões semanais, o objetivo da primeira etapa do projeto foi o desenvolvimento de metodologias de modelos de previsão de vazões, para um horizonte de 12 dias à frente, com incorporação de informação de previsão de precipitação, considerando a disponibilidade de informações hidrometeorológicas, em especial, as de previsão de precipitação. Rotineiramente, as revisões semanais do PMO são feitas a cada quarta-feira, envolvendo a programação da operação que vai desde o sábado subseqüente até a sexta-feira da semana seguinte. Considerando que a quarta-feira é o primeiro dia de previsão (já que as vazões observadas nesta data somente serão conhecidas no dia seguinte), a próxima semana do PMO compreende, o período do 4º dia (sábado) ao 10º dia (sexta-feira) de previsão, conforme ilustrado na Tabela 2. Eventualmente, devido a ocorrências de feriados na quinta-feira ou sexta-feira, é necessário que a revisão semanal do PMO seja antecipada em um ou dois dias (para terça-feira ou para segunda-feira). Nesse caso, a próxima semana do PMO (desde o sábado subseqüente até a sexta-feira da próxima semana) corresponde ao período do 5º ao 11º dia (previsão feita na terça-feira) ou ao período do 6º ao 12º dia (previsão feita na segunda-feira). Desse modo, pode-se afirmar que o horizonte de previsão requerido é, rotineiramente, de 10 dias, podendo-se estender para 11 ou 12 dias, em função de eventuais antecipações na data de realização da previsão. A previsão da vazão natural média da próxima semana do PMO, seja ela correspondente ao período dos dias 4-10, ou 5-11, ou 6-12, constituiu-se no 10 / 51

11 principal produto deste projeto. As previsões de vazões naturais médias diárias, que devem ser compatíveis com a previsão semanal, constituem-se em um objetivo secundário do projeto. A Tabela 2 ilustra, esquematicamente, os períodos que compõem a previsão de vazões semanal em relação à data em que esta é efetuada. Tabela 2 - Calendário do Programa Mensal de Operação e suas revisões Para orientar este desenvolvimento, foram selecionadas três sub-bacias do SIN como bacias piloto para a aplicação dos novos modelos, as quais apresentam características de grande relevância na programação da operação do sistema: A bacia do rio, por apresentar comportamento hidrológico complexo, além de possuir um grande parque gerador instalado, fundamental, não só no suprimento energético do subsistema sul, mas também na definição dos intercâmbios de energia com o subsistema Sudeste/Centro-Oeste. A sub-bacia do rio Paraná, em seu trecho incremental à usina de Itaipu, entre Rosana e Porto Primavera, que é a maior sub-bacia incremental a um aproveitamento hidrelétrico do rio Paraná e essencial para a formação da energia natural afluente do subsistema Sudeste/Centro-Oeste. Além disso, tratase da parcela de vazão afluente à usina de Itaipu que não é regularizada pelos aproveitamentos a montante, cuja previsão, considerando a característica de usina a fio d água de Itaipu, é essencial para um melhor aproveitamento energético da água. A sub-bacia do rio Paranaíba, em seu trecho incremental às usinas de Itumbiara e São Simão, a qual apresenta um comportamento hidrológico de marcada sazonalidade, representando trecho final daquela bacia, importante 11 / 51

12 ponto de controle por se localizar antes da confluência do rio Grande e do Paranaíba para formação do rio Paraná. Para cada uma dessas bacias foi contratado o desenvolvimento de modelos de previsão de vazões considerando diferentes metodologias, de modo a permitir um confronto entre soluções tecnológicas, aplicadas a regiões de características diversificadas, seja pelo comportamento hidrológico seja pela disponibilidade de dados. A Tabela 3 resume as algumas características das sub-bacias que foram contempladas com o desenvolvimento de modelos de previsão de vazões. Tabela 3 - Características das bacias e sub-bacias hidrográficas piloto para o desenvolvimento de novos modelos de previsão 1. Bacia do rio : Bacia / Trecho Grandeza Prevista MLT (m 3 /s) Capacidade Instalada (MW) 1.1 UHE Foz do Areia Vazão natural total 30, , ao reservatório Jordão Vazão natural total Jordão 4, Incremental entre a UHE Foz do Areia, o reservatório Jordão e UHE Salto Osório Vazão natural incremental 10,960 1,042 1, Bacia do rio Paraná - Trecho Itaipu 2.1 Incremental entre as UHE Porto Primavera, Rosana e Itaipu Vazão natural incremental Paraná 150,900 10,121 14, Bacia do rio Paranaíba: 3.1 Incremental entre as UHE Itumbiara e São Simão Vazão natural incremental Paranaíba 76,746 2,381 1,710 Rio Área de Drenagem (km²) Aproveitamento mais à jusante 3.1 Descrição da bacia do rio O rio é um dos principais afluentes do rio Paraná. Desde suas nascentes, ao pé da serra do mar, próximas à cidade de Curitiba, até sua foz, no rio Paraná, possui uma área de drenagem total de km², dos quais mais de 80% em território paranaense e o restante no Estado de Santa Catarina, localizada entre os paralelos e de latitude sul e os meridianos e de longitude oeste, abrangendo um total de 98 afluentes, sendo ainda hoje a principal fonte de abastecimento de água da região metropolitana de Curitiba. Possui 910 km de meandros, cascatas, corredeiras e remansos que formam uma extraordinária e diversificada paisagem, passando por campos e capões, floresta araucária e floresta estacional semidecidual. A bacia do rio foi utilizada, ao longo da história do Paraná, como meio de transporte e fonte de água para abastecimento, produção de alimentos e energia, tendo sido suas densas florestas destruídas para exploração de madeira, permanecendo de pé menos de 1% da original floresta ombrófila e estacional semidecidual. Hoje, no trecho em que recebe a contribuição do rio 12 / 51

13 Barigüi, carrega grande parte do esgoto da cidade de Curitiba e dos municípios do leste metropolitano (URBAN, 2000), sendo que além do mais as fábricas costumam utilizar as águas do rio como área de despejo. O relevo da bacia é bastante irregular. Uma característica interessante do rio é a existência, no seu trecho superior, de vales amplos e de baixa declividade, proporcionando boas possibilidades de armazenamento, seguindose no seu trecho médio e inferior, vales rochosos estreitos e declividades mais acentuadas, com quedas concentradas, propiciando bons locais para construção de barragens. Estes aspectos tornam o rio particularmente atraente para a implantação de aproveitamentos hidrelétricos. Na usina hidroelétrica (UHE) de Foz do Areia, no trecho médio do rio, a área de drenagem da bacia incremental a montante do aproveitamento é de aproximadamente cerca de km² e a topografia caracteriza-se pela existência de um vale encaixado e profundo, onde a largura do rio é pequena, variando de 80m a 150m, e os taludes das margens são bastante íngremes. Na UHE Foz do Areia, a geologia constitui-se de um substrato de rochas basálticas recoberto por solos coluviais e residuais. A usina localiza-se à aproximadamente 80 km a jusante de Porto Vitória, onde o rio secciona a escarpa da Serra Geral e penetra na região das rochas basálticas. Desse modo, o reservatório está situado sobre basaltos até este local e sobre arenitos finos da formação Botucatu na maior parte do trecho a montante deste ponto (LACTEC, 2005). As condições climáticas da Região Sul do Brasil, que inclui a bacia do rio, são de um modo geral determinadas pelo movimento relativo das massas de ar que circulam sobre a região. Esses movimentos são influenciados pela posição relativa dos anticiclones sobre os oceanos Pacífico e Atlântico e do centro de baixa pressão localizado sobre o continente. Esses centros variam de posição e intensidade ao longo do ano de maneira irregular, acarretando como conseqüência uma distribuição errática ao longo do ano das principais características climáticas da região, tais como condições de temperatura, pressão, umidade do ar e precipitação. A temperatura média anual é da ordem de 16 C em União da Vitória. A evaporação e evapotranspiração também devem apresentar variações mensais apreciáveis. A falta de observações diretas limita o conhecimento desses parâmetros. Os poucos dados disponíveis indicam, para a bacia do rio, a ocorrência de valores entre 750 mm/ano e 800 mm/ano para evaporação no lago e evapotranspiração média da ordem de 800 mm/ano (COPEL, 1995). A precipitação pluvial é a variável hidrológica mais bem conhecida na bacia, sendo muito importante a contribuição pluviométrica na bacia incremental entre 13 / 51

14 União da Vitória e Foz do Areia. Conhecidamente a bacia do possui uma correlação direta (GUETTER et al., 2000) com o fenômeno macroclimático denominado "El Niño", o que geralmente ocarreta em um aumento nas afluências no inverno (junho e julho) e na primavera (novembro) e correlação inversa com o fenômeno "La Niña", com baixas afluências na primavera (outubro e novembro). A precipitação média anual sobre a bacia do rio é da ordem de mm/ano, e a distribuição da chuva é bastante irregular no tempo e no espaço, consequentemente não há um período úmido bem definido, intensificando a característica aleatória desta variável (LACTEC, 2005). Outro fator que deve ser considerado importante na bacia do é a recarga do rio vinda do lençol freático subterrâneo, e assim sendo pode-se estimar que essa recarga seja máxima quando o solo estiver próximo da saturação e que a partir de 70% de armazenamento do lençol ocorre a recarga dos aqüíferos que corresponde por sua vez a cerca de 10% do escoamento superficial, vindo a ocorrer na época de maior deflúvio, ou seja, de junho a outubro. 3.2 Características do atual processo de previsão de vazões para a bacia do rio A localização das principais usinas hidroelétricas da bacia do rio encontra-se na Figura 1 a seguir. Figura 1 - Diagrama esquemático das usinas da bacia do rio Atualmente, para a bacia do rio, o ONS ao processar o modelo de previsão de vazões semanais, o faz somente para os postos base daquela bacia, isto é, UHE Foz do Areia, UHE Jordão e UHE Salto Santiago, indicadas esquematicamente na Figura 1. Para as demais usinas dessa bacia as previsões são calculadas a partir de regressão linear entre as séries de vazões naturais médias mensais. 14 / 51

15 Durante o período de desenvolvimento de novos modelos contratado a diversas empresas e consultoras, o ONS passou a operar o modelo de previsão de classes de vazão MPCV, desenvolvido internamente pelo ONS. O MPCV vem sendo usado no ONS desde o início de 2006 para a realização das previsões mensais do Programa de Operação Mensal PMO, somente para a bacia do rio, demonstrando ganhos consideráveis em relação ao modelo PREVIVAZ. Outra característica do processo de previsão, a ser destacada, diz respeito as grandezas a serem previstas, no caso, vazões naturais totais e incrementais. Atualmente, são realizadas previsões das vazões naturais totais correspondentes aos postos base. A partir dessas previsões de vazões naturais, é, então, possível se calcular as vazões naturais incrementais correspondentes a cada trecho ou empreendimento. Essas incrementais são as variáveis a serem consideradas, de fato, nos modelos de operação do sistema. Adiante, veremos que o novo modelo proposto pretende mudar este método realizando, assim, a previsão da vazão incremental diretamente, como é o caso do aproveitamento de Salto Osório, Salto Santiago e Segredo. 3.3 Desenvolvimento e Avaliação dos Protótipos Preliminares para a bacia do rio Conforme mencionado no Capítulo 1, foram selecionadas três empresas para realizar o desenvolvimento de suas propostas de protótipos e participar em processo de avaliação de desempenho desses protótipos. A Tabela 4, a seguir, indica as metodologias propostas pelas três consultoras contratadas pelo ONS para o desenvolvimento dos protótipos dos modelos de previsão, para os aproveitamentos na bacia do rio. Tabela 4 Empresas e metodologias selecionadas para estudo Bacia - Trecho Empresa Modelo / Metodologia - Trechos naturais afluentes a Foz do Areia e Jordão e trecho incremental a Salto Osório UFF - Fundação Euclides da Cunha Consórcio PUC-Rio (*) LACTEC Técnicas de Mineração de Dados, com emprego de Cubo OLAP e modelos de Inteligência Artificial Redes Neurais Artificiais Redes Neurais Bayesianas Neurofuzzy Genético Hierárquico Modelos Estocásticos e Modelos de Regressão Dinâmica SMAP - Modelo Conceitual Concentrado (*) A PUC-Rio realizou uma concorrência interna de várias tecnologias de modelagem estocástica e de Inteligência Artificial, e, dentre estas, optou por estruturar um modelo baseado em Redes Neurais Artificiais usando a técnica de Multilayer Perceptron. 15 / 51

16 3.3.1 Dados considerados no desenvolvimento Para o desenvolvimento da pesquisa de novos modelos de previsão de vazões incluindo informações de precipitação observada e prevista, foram disponibilizados, pelo ONS para as empresas consultoras, os seguintes conjuntos de dados: Séries históricas de vazões naturais médias diárias verificadas nos locais dos aproveitamentos hidroelétricos para a bacia do rio, a saber, UHE Foz do Areia, UHE Jordão e UHE Salto Osório e as respectivas vazões naturais médias diárias incrementais verificadas para esses locais até o ano de 2001; Séries históricas de precipitação observada das estações pluviométricas na bacia do rio, até o ano 2001; Séries históricas de vazões médias diárias observadas em postos fluviométricos na bacia do rio, até o ano 2001; Séries históricas de previsões de totais de chuva acumulada em 24 horas obtidas com o modelo ETA/CPTEC para os anos de 1996 a Essas previsões foram realizadas semanalmente, às quartas-feiras, para um horizonte de 10 dias, em formato de grade e com resolução espacial de 40 km x 40 km. Essas previsões englobam as bacias/trechos da Tabela Protótipos desenvolvidos Três empresas trabalharam no desenvolvimento de modelos de previsão para a bacia do rio : o Consórcio PUC-RIO (inteligência artificial e técnicas estatísticas), a UFF (cubo OLAP associado a técnicas de inteligência artificial) e o LACTEC (modelo hidrológico concentrado - SMAP), cujos protótipos preliminares são descritos, de forma sucinta, a seguir: Protótipo Preliminar do Consórcio PUC-RIO Depois de concluídas suas pesquisas, o Consórcio PUC-RIO selecionou o modelo baseado em inteligência artificial (IA) para a implementação do seu protótipo preliminar. Dentre as diversas técnicas de IA estudadas, escolheu-se a técnica de Redes Neurais Multilyer Perceptrons (MLP) com Back Propagation (Haykin, 1994), que forneceu os melhores resultados na maior parte dos casos. Os resultados da aplicação desse modelo foram comparados com resultados obtidos não só com o uso de outras técnicas de inteligência artificial, bem como com o uso de técnicas estatísticas baseadas em regressão dinâmica e modelos estocásticos autoregressivos e de médias móveis, implementadas com técnicas de Box & Jenkins (Box e Jenkins, 1990). 16 / 51

17 O modelo de redes neurais selecionado (Mutlilayer Perceptron com Back Propagation), utilizou como dados de entrada as precipitações médias nas bacias hidrográficas, calculadas pelo método de Thiessen (Linsley e Franzini, 1978), e vazões observadas em postos fluviométricos da bacia, além das vazões incrementais registradas no próprio local de interesse. Foram pesquisados diferentes estruturas de dados de entrada e o número de neurônios na camada oculta, tendo sido definido um modelo específico de previsão para cada horizonte (D1 a D12), além de um modelo de previsão para cada semana estudada (S1, S2 e S3). Assim, para cada sub-bacia estudada na bacia do rio, o Consórcio PUC- RIO propôs 12 modelos diários específicos para a previsão de vazões em cada dia (D1, D2,..., D12) e três modelos semanais específicos para a previsão da vazão média na semana do 4 o a 10 o dia (S1), do 5 o ao 11 o dia (S2) e do 6 o ao 12 o dia (S3). Deve ser registrado que esta abordagem implicava que a vazão prevista pelo modelo S1 poderia ser definida da vazão média da semana do 4 o ao 10 o dia calculada a partir das previsões diárias (D4 a D10). Esta diferença foi tratada, na proposta do Consórcio PUC-RIio através de uma adequação das previsões diárias às semanais. Os modelos foram implementados em script MatLab totalmente automatizado, permitindo uma operação com mínima intervenção do usuário durante o processo. Protótipo Preliminar do LACTEC As pesquisas desenvolvidas pelo LACTEC se basearam na aplicação do modelo hidrológico concentrado SMAP Soil Moisture Accounting Procedure (Lopes et al., 1982). As sub-bacias do rio Jordão e incremental de Salto Osório foram tratadas globalmente pelo modelo, enquanto que a bacia de Foz do Areia, em virtude de seu comportamento hidrológico não homogêneo, foi dividida em duas sub-bacias, a de montante até União da Vitória e a de jusante deste local até Foz do Areia. A cada semana, o modelo SMAP realiza uma recalibração automática de seus parâmetros, baseada nos dois últimos anos de observação, e uma correção dos estados dos reservatórios da bacia, buscando minimizar a diferença entre a vazão simulada e a vazão observada no último dia que antecede à previsão. 17 / 51

18 O protótipo preliminar foi implementado em linguagem de programação Delphi, com um banco de dados associado, garantindo uma operação totalmente automática na qual os dados de entrada (a cada semana) eram conferidos antes do início da previsão. Esse protótipo realiza uma análise prévia dos dados recebidos antes de proceder a previsão de vazões, fornecendo como saída um hidrograma previsto com 12 dias, a partir do qual pode-se calcular a vazão média prevista para a próxima semana do PMO. Protótipo Preliminar da UFF As pesquisas desenvolvidas pela UFF se basearam no emprego do cubo OLAP para exploração de técnicas de mineração de dados, que resultaram em um modelo baseado em inteligência artificial. Foram desenvolvidos modelos de transferência lineares e não lineares, tendo se optado por estes últimos em função de seu melhor desempenho. Estes modelos são alimentados com os dados pluviométricos observados, com valores observados de vazões naturais, em cada aproveitamento, e com os dados de precipitação prevista pelo modelo ETA/CPTEC, além dos próprios resultados das previsões de vazões realizadas para períodos anteriores. Para cada sub-bacia estudada na bacia do rio, a UFF propôs um modelo diário recorrente (ou recursivo), o qual utiliza como dado de entrada valores de vazão previstos pelo próprio modelo em intervalos de tempo (dias) anteriores. As vazões semanais, por sua vez, são calculadas como a média das vazões diárias, considerando-se as vazões previstas para os respectivos dias da semana (sábado à sexta). Os modelos foram implementados em um banco de dados Oracle, com os recursos do cubo OLAP, e escritos na linguagem nativa do banco de dados, permitindo uma operação com mínima intervenção do usuário durante o processo. Maiores detalhes sobre a metodologia adotada no desenvolvimento do modelo Fuzzy são apresentados posteriormente no capítulo Metodologia de avaliação Após receber os protótipos preliminares dos modelos de previsão de vazão desenvolvidos pelas consultoras, o ONS realizou testes que permitissem uma quantificação da eficiência desses modelos. Para estes testes, o ONS definiu uma série de diretrizes orientando as avaliações. Estas diretrizes constituíram a base para a análise de desempenho e escolha realizadas pelo ONS, conforme descrito a seguir. 18 / 51

19 Os testes de desempenho dos protótipos preliminares tiveram por objetivo avaliar o desempenho dos modelos de acordo com as seguintes prioridades: 1. Minimização dos desvios de previsão da vazão média da semana prevista; 2. Minimização dos desvios de previsão da vazão média diária dos três primeiros dias de previsão; e 3. Minimização dos desvios de previsão da vazão média diária do 11 o e 12 o dias de previsão. Outros aspectos, igualmente importantes, a serem avaliados com relação aos protótipos preliminares foram: Tempo necessário para implantação dos modelos e complexidade da tarefa; Tempo necessário para preparação de uma previsão semanal; Habilidade (robustez) do modelo em lidar com falta de dados de observação (seja chuva, seja vazão); Susceptibilidade do modelo à entrada de dados errados; Esquema proposto para atualização das variáveis de estado e para eventual tratamento dos resultados da previsão; Esquema proposto para recalibração do modelo (atualização de parâmetros) quando necessário. Desempenho do modelo para a previsão das vazões incrementais na bacia, com ênfase no trecho entre as usinas de Salto Osório, Jordão e Foz do Areia. Os testes de desempenho foram todos realizados nos escritórios do ONS, no Rio de Janeiro, entre junho a setembro de 2005, utilizando dados referentes aos anos de 2002 e Períodos e Variáveis Considerados nas Análises Para o período utilizado para testes, compreendido da primeira semana operativa de 2002 até a última semana operativa de 2003, foram calculados diversos índices estatísticos associados aos desvios entre os valores previstos pelo modelo semanal e os valores efetivamente observados na semana (do 4 o ao 10 o dia de previsão). Estas estatísticas também foram aplicadas a sub-períodos do período de teste, tais como: Apenas as previsões realizadas em 2002; Apenas as previsões realizadas em 2003; Previsões realizadas nos períodos de cheias (ou de altas vazões); Período úmido (semanas 3 a 7, 18 a 26, 31 a 52 do ano 2002 e semanas 5 19 / 51

20 a 13, 22 a 31 e 43 a 52 do ano 2003). Previsões realizadas nos períodos de estiagens (ou de baixas vazões); Período seco (semanas 1 e 2, 8 a 17, 27 a 30 de 2002 e semanas 1 a 4, 14 a 21, 32 a 42 de 2003). Além disso, os resultados dos protótipos analisados foram também comparados com os resultados provenientes da aplicação do sistema PREVIVAZ, que é a ferramenta básica atualmente usada na previsão de vazões para os aproveitamentos do SIN. O sistema PREVIVAZ é constituído por um conjunto de modelos estocásticos que prevêem a vazão média da próxima semana em função das vazões observadas nas semanas anteriores, não utilizando informações de precipitação observadas nem previstas, para obtenção dos resultados. As simulações das previsões do PREVIVAZ foram realizadas procurando preservar ao máximo o procedimento normal realizado no ONS, o qual emprega as previsões diárias, para os três primeiros dias subseqüentes (D1, D2 e D3), realizadas pelos agentes de geração de modo a reconstituir a última semana observada antes de se aplicar o PREVIVAZ para prever a semana de D4 a D10. Finalmente, para a bacia do rio, foi possível comparar os resultados dos protótipos com os resultados fornecidos pela aplicação do PREVIVAZ associada ao MPCV Modelo de Previsão de Classes de Vazões, desenvolvido pelo ONS (ONS, 2005), que utiliza técnicas de Mineração de Dados para definir critérios de escolha da previsão a ser feita pelo PREVIVAZ. Ocorre que o PREVIVAZ trabalha com diversos modelos estocásticos simultaneamente, escolhendo a cada semana o modelo a ser empregado na previsão, em função de critérios internos com base nas diversas previsões realizadas pelos modelos do PREVIVAZ. O MPCV refaz essa escolha, respeitando limites de classe esperados para a previsão semanal, em função de bases de regras definidas através de técnica data mining, levando-se em conta informações hidrometeorológicas. Esta comparação é importante, visto que, os resultados obtidos com a aplicação do PREVIVAZ associada ao MPCV na bacia do rio, representaram um ganho substancial em relação à aplicação original do PREVIVAZ. Índices Estatísticos Utilizados São apresentados a seguir alguns dos índices estatísticos empregados na análise de desempenho dos diversos modelos de previsão considerados. 20 / 51

21 MAD Média dos valores Absolutos dos Desvios (m³/s) N 1 MAD = i QO i N i = 1 MAPE Média dos valores Absolutos Percentuais dos Erros (%). N 1 i QOi MAPE = x100 N QO i= 1 i EMQ Raiz do Erro Médio Quadrático (m³/s). 1 N EMQ = ( i= i N 1 QO i 2 ) onde a terminologia empregada é a seguinte:: i: vazão média prevista na semana i QOi: vazão média observada na semana i N: número de semanas consideradas na estatística Para melhor subsidiar as avaliações, principalmente nos casos onde era necessário compreender melhor certos resultados ou definir algum critério mais elaborado de decisão, foram desenvolvidos gráficos ilustrativos tais como: Hidrogramas e pluviogramas previstos e observados, plotados em conjunto; Gráficos onde são mostradas a correlação entre valores previstos e observados; Gráficos onde são mostradas a evolução dos índices em função do horizonte de previsão; Gráficos ilustrando os períodos de melhoras ou pioras dos protótipos analisados em comparação com o desempenho do PREVIVAZ. A aplicação dos diversos índices estatísticos e a realização da análise gráfica, ambas para diferentes períodos, proporcionaram subsídios concretos para a escolha do protótipo a ser implementado como o novo modelo de previsão para a bacia do rio. Alguns desses resultados, encontrados durante as análises de desempenho, são apresentados no próximo capítulo e maiores detalhes sobre as análises de desempenho podem ser encontrados em ONS (2006) e HICON (2005). 21 / 51

22 3.3.4 Critérios de escolha dos protótipos finais Com base nas análises objetivas (estatísticas), cujos índices considerados foram apresentados resumidamente no item anterior, e subjetivas (gráficos), ambas descritas com maiores detalhes no relatório técnico HICON (2005), foi selecionado o protótipo a ter o seu desenvolvimento final realizado, para fins de implantação operacional no âmbito do processo de previsão de vazões para o PMO. Nesta seleção, também foram considerados os seguintes aspectos: - recursos disponíveis para contratação da segunda etapa, confrontados com os custos das diversas alternativas de continuidade do projeto; - eficiência computacional do protótipo preliminar na realização dos testes; - expectativa de prazo para levar o protótipo preliminar até o estágio de protótipo definitivo, de acordo com o estabelecido no termo de referência do projeto; - facilidade de utilização da nova tecnologia nos procedimentos de rotina do ONS; - possibilidade de replicação futura, em novas bacias hidrográficas, dos estudos realizados neste projeto com auxílio do protótipo definitivo; - diversidade de tecnologias a serem adquiridas pelo ONS, visando melhor aproveitamento da experiência com o projeto em termos de apropriação do conhecimento; Sendo assim, o protótipo desenvolvido pela UFF (modelo Fuzzy Recorrente) foi escolhido para ser implantado, pelo ONS, como novo modelo para a realização de previsões de vazões médias, diárias e semanais, para os aproveitamentos da bacia do, conforme será apresentado no item / 51

23 4 Metodologia Modelo Fuzzy Recorrente 4.1 Conceitos Básicos Metodologia Proposta A proposta metodológica da UFF se baseia na técnica Extração de Conhecimento em Bases de Dados (ou Knowledge Discovery in Databases), que é o processo de extrair informação válida, previamente desconhecida e de máxima abrangência a partir de grandes bases de dados. O processo de extração de conhecimento baseia-se em uma nova geração de ferramentas e técnicas de análise de dados, e que envolve diversas etapas como: Definição do Problema, Pré-processamento de dados, Mineração (Análise) de Dados e Interpretação, conforme ilustrado na Figura 2, a seguir. Figura 2 - Processo de Extração de Conhecimento em Bases de Dados A metodologia desenvolvida, baseada em técnicas de data mining, procurou contemplar duas características consideradas fundamentais para atender às necessidades do ONS. A primeira característica é a escalabilidade da solução, ou seja, sua flexibilidade para aplicação em problemas de grande porte e para tratamento de diversos horizontes temporais. O segundo ponto refere-se à precisão do modelo: o modelo proposto deve ter a melhor precisão possível, mas é importante que se conheça uma estimativa da imprecisão resultante dos diversos erros de modelagem. A proposta metodológica da UFF, conforme ilustrado na Figura 3, procura oferecer, além do modelo de previsão solicitado, um modelo de análise de incerteza, ambos operando sobre uma base de dados completa associada a ferramentas de manipulação e análise. O modelo de base de dados adotado, cubo OLAP (On-Line Analytical Procedure), é uma tecnologia que explora os dados em uma forma 23 / 51

24 multidimensional, permitindo a visualização da informação armazenada sob diversas perspectivas e níveis de agregação. Esta tecnologia exige que o cubo contenha uma população completa, sem falhas nos registros, fato que demanda o desenvolvimento de um modelo de imputação (entrada) de dados, responsável pelo preenchimento das lacunas (falhas) nos dados básicos. Os modelos de previsão de vazões foram desenvolvidos com base no conhecimento adquirido através das técnicas de mineração de dados. Figura 3 - Processo de Extração de Conhecimento em Bases de Dados Cubo OLAP Modelo de Imputação de Dados O trabalho inicial da UFF foi o estabelecimento da base de dados, o cubo OLAP. Por esse motivo, a primeira pesquisa realizada teve por objetivo o desenvolvimento do modelo de imputação de dados (entrada de dados), para assegurar o completo povoamento do cubo. O desenvolvimento do modelo de imputação de dados se baseou em técnicas de inteligência artificial (redes neurais artificiais RNA). Para o estabelecimento da estrutura desses modelos, foi feita uma pesquisa de regionalização dos pluviômetros (decomposição estrutural da bacia) com o objetivo de configurar um número reduzido de variáveis para o treinamento da RNA, reduzindo, assim, o esforço computacional. Foram utilizadas cinco abordagens diferentes nessa pesquisa: 24 / 51

25 a. Correlação de Pearson; b. Análise de Componentes Principais (ACP); c. Método de Agrupamento Hierárquico (Dendrograma); d. Método de Partição k-means; e. Critério meramente geográfico de proximidade entre os pluviômetros. Os resultados dessa pesquisa não apenas forneceram as bases para o estabelecimento dos modelos de imputação de dados (redes neurais), como também permitiram compreender um pouco da estrutura causal (chuva-vazão) de cada sub-bacia incremental. As técnicas de regionalização (métodos b, c e d, acima) forneceram resultados similares para a subdivisão da bacia. A escolha do modelo a ser usado no preenchimento de falhas de cada local com dados ausentes se baseou nas estatísticas ρ (coeficiente de correlação) e rdp (razão de desvio padrão, igual ao quociente entre o desvio padrão dos erros e o desvio padrão das observações). A Tabela 5, a seguir, resume os resultados obtidos, indicando, para cada pluviômetro com dado ausente, o método selecionado para preenchimento das falhas. Vale destacar que o preenchimento de valores (pluviométricos) ausentes foi realizado somente para o período utilizado no desenvolvimento e treinamento dos modelos (anos de 1992 a 2001). Para períodos diferentes a este, quando de uma previsão, os dados são automaticamente carregados no banco de dados do modelo, sem qualquer preenchimento, sendo gravados com as respectivas falhas. Assim, para uma possível recalibração futura dos modelos, utilizando-se um período diferente do utilizado no desenvolvimento do modelo, o modelo de preenchimento de dados deve ser acionado para o preenchimento de falhas, já que estas podem influenciar, negativamente, o resultado do treinamento dos modelos de previsão. Tabela 5 - Método Selecionado Para Cada Pluviômetro Pluviômetro Método rdp ρ ACP Vizinhos Vizinhos ACP ACP Dendrograma = Correlação / 51

26 4.1.3 Modelo de Previsão de Vazões Para o desenvolvimento do modelo de previsão de vazões foi pesquisada inicialmente a possibilidade de adoção de modelos lineares. No confronto, os modelos não lineares apresentaram resultados mais promissores, tendo sido por isso escolhidos pela equipe desenvolvedora da UFF. Os modelos não lineares tiveram duas abordagens: os modelos de predição e os modelos de simulação. O modelo de predição utiliza as vazões observadas para o cálculo das saídas, o que implica na utilização de valores das variáveis defasados no tempo como regressores (variáveis independentes) e, conseqüentemente, num aumento na dimensionalidade do modelo. No modelo de simulação, as saídas são calculadas como função das próprias saídas calculadas anteriormente, o que implica numa recursividade e, conseqüentemente, maior complexidade no algoritmo de ajuste de parâmetros. Apesar de sua maior complexidade, a estrutura do modelo de simulação é mais próxima à estrutura do modelo físico e matematicamente mais elegante que a estrutura do modelo de predição. Os modelos de simulação podem ser implementados por redes neurais com topologias recorrentes. A UFF optou por uma abordagem inovadora, através da utilização de um modelo fuzzy recorrente, cuja vantagem é admitir uma representação (após uma transformação) na forma de um modelo de autômato finito fuzzy, o que permite representar lingüisticamente o comportamento dinâmico do processo. O modelo não linear de um sistema dinâmico discreto pode ser escrito na forma de equações de estado não lineares como: onde f e g são funções não lineares, x(t) o vetor de estados e u(t) as entradas do sistema, como no modelo linear. No modelo implementado, os estados são considerados como cópias defasadas da saída e a função de saída g linear, de forma que a estrutura matemática do modelo é escrita como: Na modelagem empregada para o modelo de previsão de vazões naturais totais diárias, utilizou-se um modelo fuzzy recorrente, cujas regras fuzzy são escritas como: 26 / 51

27 onde B k são conjuntos fuzzy definidos no domínio da variável de entrada (precipitação acumulada em 24 horas) e Ai e Aj são conjuntos fuzzy definidos no domínio da variável de saída (vazão natural total diária). Os parâmetros θ r são as saídas para cada uma das r = 1...M regras. O modelo fuzzy recorrente pode ser transformado no autômato finito fuzzy mostrado na Figura 4, que representa as transições possíveis do modelo e o comportamento dinâmico do processo. A interpretação do autômato é feita a partir da escolha de um nó para representar o estado corrente. Por exemplo, iniciando do nó BB, que representa a sentença fuzzy y(t-1) é B e y(t) é B, ou seja, a vazão estava baixa no instante (dia) anterior e continua baixa no instante atual. Os valores de precipitação representam as transições de estados e dependendo do valor da precipitação, o processo pode continuar no estado BB ou passar para o estado AB. Num autômato finito fuzzy, tanto os estados como as transições são representados por conjuntos fuzzy, de forma que o processo pode, a cada instante, estar em mais de um estado diferente. Figura 4 - Autômato finito fuzzy associado ao modelo de segunda ordem Fuzzificação das Variáveis de Entrada e Saída do Modelo Para a construção das regras do modelo foram utilizados, como variáveis de entrada, cinco conjuntos fuzzy na partição da variável de entrada precipitação acumulada (em 24 horas, no dia t) e dois conjuntos fuzzy para as variáveis de entrada (vazões naturais diárias totais observadas nos últimos dois dias t-1 e t- 2). Para a variável de saída (vazão natural diária total prevista para o dia t), também foram utilizados dois conjuntos fuzzy para repartição desta variável, conforme ilustrado na Figura 3.2.4, a seguir. 27 / 51

28 Figura 5 - Partição Fuzzy nas Variáveis de Entrada e Saída A fuzzificação da precipitação acumulada indica se esta precipitação é um valor freqüente (conjuntos PE, ME ou GR) ou se é um evento raro (conjuntos MP e MG), cuja ocorrência, no caso da parametrização apresentada acima, só foi verificada em 10% dos registros observados. Para as variáveis de Vazão natural, entrada e saída do modelo, os valores máximo e mínimo foram determinados com base em todo o histórico disponível de vazões diárias totais (anos de 1996 a 2001), e assim resultando num modelo que não poderá apresentar um comportamento (previsão) divergente destes valores (fora destes limites). O modelo resultante desta estrutura é representado por M = 20 regras e, conseqüentemente, deve ser ajustado por 20 parâmetros de saída de regras. Para o ajuste dos parâmetros do modelo fuzzy recorrente, apresentado acima, foi utilizado um algoritmo genético (Goldberg, 1989). Este algoritmo busca diminuir o desvio entre as previsões (recorrentes) e os valores observados, que nesta fase do desenvolvimento são fornecidos ao modelo, através da otimização dos parâmetros do modelo. Esta abordagem permite uma grande flexibilidade na escolha das características do modelo, ou seja, as ordens de entrada e saída bem como o número de funções de pertinência para as variáveis de entrada e saída Modelo Recorrente (ou Recursivo) Como dito anteriormente, o modelo proposto é um modelo recorrente, também chamado recursivo. Isto quer dizer que, para alguns casos, faz-se uso de previsões realizadas anteriormente pelo mesmo para se realizar novas previsões. No modelo aqui proposto, a variável prevista é a vazão de um dia a frente (ou vazão do dia 1 da previsão. Pela recursividade do modelo, este valor é usado para a previsão do dia 2. Para a vazão do dia três, são usados os valores previstos para o dia 2 e dia 1, e assim sucessivamente, conforme ilustrado na 28 / 51

29 Figura 6, onde representa as vazões previstas pelo modelo Fuzzy e a numeração 01 a 12 indica o dia para quando se faz a previsão. Basicamente existem dois métodos de se treinar modelos recursivos. O primeiro método de treinamento (identificação/otimização dos parâmetros do modelo) pretende identificar o melhor grupo de parâmetros que resulta em melhores previsões para, somente, o dia 1 previsto. Após essa identificação o modelo pode ser aplicado recursivamente para se encontrar o restante das previsões, em modo simulação, onde não se pretende mais mudar os parâmetros do modelo de modo iterativo. Esta técnica é bastante usada para se identificar modelos geradores de séries de vazão, por exemplo. O segundo método visa a identificação dos parâmetros do modelo, a partir da análise dos resultados das previsões recursivas para determinado período (neste caso 12 dias a frente). Neste método o processo recursivo de previsões se encontra dentro do algoritmo de otimização, aqui construído com base na técnica de algoritmo genético (AG). Este segundo método foi o utilizado para o treinamento dos modelos Fuzzy para a bacia do rio. Figura 6 Esquema do processo de previsões recorrentes realizado pelo modelo Fuzzy Observado Dia da Previsão Previsto Previsão Dia 1 Q2 Q1 PE PE Dias Previsão Dia 2 Q2 Q1 P PE Dias Previsão Dia 3 Q2 Q1 P PE Dias Previsão Dia 12 Q2 Q1 P PE Dias Q: Vazão observada : Vazão prevista pelo modelo Fuzzy P: Chuva observada : Chuva prevista modelo ETA PE: Chuva estimada : entrada do modelo Fuzzy : saída do modelo Fuzzy PE 00 = P PE 11 = Média (1 a 10) 29 / 51

30 Vale destacar que o processo recursivo de previsão pelo modelo Fuzzy estará limitado, num primeiro momento, pelo número de dias de previsão de chuva, já que esta informação também é usada pelo modelo como variável de entrada. Como as previsões de chuva (hoje realizadas pelo CPTEC para o ONS e definidas como na Figura 6) são feitas apenas para 10 dias à frente, e o objetivo é realizar previsão até 12 dias à frente, fez-se necessário estimar dois dias desta variável para entrada no modelo. Assim, essas variáveis são estimadas para o primeiro (dia 1) e o último (dia12) dia, conforme indicado na Figura 6 pelas siglas PE (previsão de precipitação estimada). Para o valor estimado desta variável de entrada, para o dia 1, adota-se a média entre o dia anterior e o primeiro dia de previsão do modelo ETA do CPTEC. Para o valor estimado da variável de entrada para a previsão do dia 12, adota-se sempre a média entre os 10 dias de previsão de precipitação. 4.2 Dados utilizados no desenvolvimento e implantação do Modelo Fuzzy Durante a fase de desenvolvimento dos modelos, certas estações hidrometeorológicas foram consideradas de interesse, considerando-se dois fatores principais para essa escolha: existência de histórico e possibilidade de recebimento de dados com freqüência diária. São dessas estações, listadas na Tabela 6, os dados enviados às empresas desenvolvedoras dos protótipos. Essas informações poderiam ou não ser utilizados na sua totalidade pelas empresas no desenvolvimento de seus protótipos. Por sua vez, a metodologia escolhida para o desenvolvimento dos modelos de previsão de vazões na bacia do rio, modelo Fuzzy Recorrente, não considerou o uso das informações provenientes de estações fluviométricas, resultando assim apenas na necessidade dos dados observados nas estações pluviométricas e as vazões naturais calculadas nos aproveitamentos em questão. Para a bacia do rio foram selecionadas 29 estações com as características identificadas no parágrafo anterior, sendo que todas as 29 foram consideradas no desenvolvimento do modelo Fuzzy. No entanto, na fase de operacionalização destes modelos, constatou-se que algumas estações, com um mesmo nome (e muitas vezes, mesmas coordenadas) possuíam mais de um código ANA (Agência Nacional de Águas). Em ação junto aos agentes de geração responsáveis por essas estações, foi possível confirmar que essa duplicidade de códigos tratava-se de uma formalidade operacional, já que novos códigos foram criados a partir da instalação, em uma localidade já existente, de novos equipamentos de coleta de dados, normalmente, telemétricos, mantendo-se assim dois códigos para um mesmo nome ou localidade. Em suma, um código para a estação convencional e outro para a telemétrica. 30 / 51

31 Tabela 6 - Estações hidrometeorológicas de interesse (localização, situação de recebimento e códigos correspondetes) Código ANA Posto Entidade responsável Lat Lon UF Recebimento Diário Tipo Código de posto correspondente (Curitiba) INMET PR SIM PLU Aguas do Verê COPEL PR SIM PLU Clevelandia IAPAR PR PLU Palmital do Meio (ex. Fazenda Maracanã) COPEL PR SIM PLU Fluviópolis COPEL PR SIM PLU Foz do Areia COPEL PR SIM PLU Foz do Cachoeira COPEL SC SIM PLU Fragosos COPEL PR SIM PLU Francisco Beltrão IAPAR PR PLU Guarapuava COPEL PR SIM PLU Jangada do sul COPEL PR SIM PLU Laranjeiras do Sul TRACTEBEL PR SIM PLU Madeireira Gavazzoni COPEL PR SIM PLU Palmas SIMEPAR PR SIM PLU Pato Branco SIMEPAR PR SIM PLU Planalto IAPAR PR PLU Porto Amazonas COPEL PR SIM PLU Porto Santo Antônio COPEL PR SIM PLU Porto Vitória COPEL PR SIM PLU Rio Negro COPEL PR SIM PLU Salto Cataratas COPEL PR SIM PLU Salto Caxias (Jusante) COPEL PR SIM PLU Salto do Vau SUDERHSA PR PLU Santa Clara COPEL PR SIM PLU Santa Cruz do Timbo COPEL SC SIM PLU São Bento COPEL PR SIM PLU São Mateus do Sul COPEL PR SIM PLU Solais Novo COPEL PR SIM PLU União da Vitória COPEL PR SIM PLU Assim, após análise das informações cadastrais e dos históricos das estações de mesmo nome e com códigos identificadores diferentes, e após consulta aos responsáveis por essas estações, concluiu-se que as informações entre as estações de mesmo nome são compatíveis entre si. Desta forma, na fase de operacionalização dos modelos, serão adotados os valores disponíveis em freqüência diária das estações telemétricas correspondentes (mesmo nome, mas códigos diferentes). A Tabela 6 apresenta, na coluna código de posto correspondente, os códigos das estações das quais o ONS já recebe dados observados em freqüência diária, sendo esses dados considerados como compatíveis as estações convencionais (códigos na coluna Código ANA ) de mesmo nome, consideradas na fase de desenvolvimento dos modelos. A coluna Recebimento Diário, também na Tabela 6, identifica as estações para as quais o ONS já recebe dados em freqüência diária, fornecidos pelas respectivas entidades responsáveis. Pode-se notar que o recebimento diário dos dados provenientes de quatro estações ainda não está disponível. O ONS mantém, atualmente, negociação com as respectivas entidades responsáveis para a obtenção das informações faltantes. Porém, com o intuito de não retardar o processo de operacionalização do modelo, decidiu-se por implementar o mesmo sem o recebimento dessas informações neste primeiro momento. Esta 31 / 51

32 decisão foi tomada após análise de sensibilidade da falta dessas informações com o novo modelo Fuzzy, a qual indicou desvios nulos ou desprezíveis entre as previsões realizadas com e sem os dados dessas quatro estações. Neste sentido, foi realizado um teste que teve como objetivo analisar a sensibilidade do modelo à ausência de dados dessas quatro estações pluviométricas faltante. O resultado dos testes de conformidade, realizados para avaliar a sensibilidade da falta de observações de precipitação, são apresentados para algumas semanas, escolhidas devido à ocorrência de grandes volumes de chuva. A Figura 7 apresenta a localização dos postos pluviométricos considerados em ambas as fases de implantação do modelo, desenvolvimento e operacionalização. Figura 7 - Localização dos postos pluviométricos e a situação dos dados por empresa fornecedora Itaipu Salto Caxias Salto Osorio Salto Santiago Segredo Foz do Areia Usinas Postos considerados no desenvolvimento Postos considerados na implementação 4.3 Tratamento e ajustes devido a falta de dados de algumas estações pluviométricas Devido a pouca influência nos valores previstos de vazões, oriundos da ausência de dados observados em algumas das estações pluviométricas utilizadas no desenvolvimento do modelo, optou-se pela não recalibração de seus parâmetros. Não obstante, o ONS continuará tentando obter os dados das estações faltantes por meio de ações junto às respectivas empresas responsáveis, para assim se aproximar ao máximo da configuração inicial adotada na fase de desenvolvimento dos modelos. 32 / 51

33 5 Resultados No primeiro subitem desde capítulo são apresentados alguns resultados obtidos durante a fase de desenvolvimento dos novos modelos, como também dos modelos atualmente em uso no ONS, PREVIVAZ e MPCV, sendo que, no caso deste último, os resultados são referentes a uma aplicação do PREVIVAZ associada ao MPCV (maiores detalhes podem ser encontrados na nota técnica NT ONS 082/2005). Estes resultados foram utilizados no processo de escolha do protótipo final a ser desenvolvido para a obtenção do modelo de previsão para a bacia do. No segundo subitem são apresentados os resultados dos testes de conformidade (sensibilidade). 5.1 Resultados da Etapa de Desenvolvimento - Periodo de Teste no ONS (2002 a 2003) Após calibração/treinamento dos protótipos preliminares desenvolvidos na 1ª etapa do projeto de novos modelos de previsão de vazões, as empresas responsáveis pelo desenvolvimento foram convocadas, no final de agosto de 2005, às instalações do ONS no Rio de Janeiro para a realização de testes para a avaliação de desempenho daqueles protótipos, o que constituiu a 2ª etapa deste projeto. Estes testes consistiram da previsão de vazões para um período independente da base de dados fornecida pelo ONS às empresas para desenvolvimento dos protótipos preliminares. Foram utilizados diversos indicadores estatísticos para a avaliação dos resultados encontrados para as três bacias, Foz do Areia, Jordão e Salto Osório, aplicando-se diversos modelos. No relatório de desempenho dos modelos (HICON, 2005), elaborado na época do projeto, apresenta-se com mais detalhes os resultados obtidos. Aqui são apresentados os resultados encontrados para os indicadores estatísticos de desempenho para os valores previstos de vazão média semanal, para o período de teste compreendendo as semanas dos anos de 2002 e Vale destacar que os resultados aqui apresentados diferem parcialmente dos apresentados no relatório HICON (2005). Isto se deve aos seguintes fatores: Os valores referentes ao MPCV foram recalculados, para fins desta Nota Técnica, utilizando-se as previsões de vazões fornecidas pelos agentes de geração para fechamento da semana em curso, de forma mais compatível com as condições reais existentes no processo de previsão de vazões. As estatísticas referentes ao desempenho do MPCV no relatório HICON (2005) para a bacia do rio levaram em consideração as previsões 33 / 51

34 de vazões totais para o aproveitamento de Salto Osório, já para este estudo se considerou os valores de vazão incremental entre Salto Osório- Jordão-Foz do Areia. As estatísticas dos modelos UFF semanal ( FUZZY ) e PUC ( RNA ) diário, constantes do relatório HICON (2005), foram excluídas, sendo apresentado nesta nota técnica somente os resultados do modelo de melhor desempenho de cada uma dessas empresas. Para Foz do Areia, o protótipo da UFF, cujo modelo foi o Fuzzy (o qual compõe a média semanal a partir das previsões diárias) apresentou melhores índices em todas as estatísticas levantadas, conforme os resultados apresentados na Tabela 7, seguido à distância pelos modelos da PUC. Maiores informações sobre as análises de desempenho realizadas durante o período de desenvolvimento dos modelos e sobre o processo de escolha do melhor protótipo podem ser encontradas no relatório técnico HICON (2005). Para Jordão o protótipo da UFF ( FUZZY ) e da PUC ( RNA ) apresentaram os melhores índices nas estatísticas levantadas, de acordo com os resultados apresentados na Tabela 8. O protótipo RNA teve desempenho superior aos dos demais nos períodos secos, enquanto que o protótipo FUZZY foi melhor nos períodos úmidos, conforme descrito com detalhes no relatório técnico HICON (2005). Para Salto Osório, o protótipo da UFF (médias semanais calculadas a partir das previsões diárias) apresentou os melhores resultados globais, conforme os resultados apresentados na Tabela 9. Sendo, o protótipo da PUC ( RNA ) o que apresentou melhor desempenho para o período seco referente ao aproveitamento de Jordão e os modelos LACTEC ( SMAP ) e UFF ( FUZZY ) com o melhor desempenho para o trecho incremental de Salto Osório, também para o período seco. Tabela 7 - Índices aplicados a todo o período de testes 2002 a 2003 (Foz do Areia) INDICADOR ESTATÍSTICO PREVIVAZ * SMAP RNA FUZZY MPCV * N MAD = 1 i QOi N i= 1 N 1 i QOi MAPE = x100 N QO 1 N EMQ = ( i= 1 i N i= 1 i QO i 3 ( m s) 2 ) (%) 3 ( m s) / 51

35 Tabela 8 - Índices aplicados a todo o período de testes 2002 a 2003 (Jordão) INDICADOR ESTATÍSTICO PREVIVAZ * SMAP RNA FUZZY MPCV * N 1 MAD = i QOi N i=1 N 1 i QOi MAPE = x100 N QO 1 N EMQ = ( i= 1 i N i= 1 i QO i 3 ( m s) 2 ) (%) 3 ( m s) Tabela 9 - Índices aplicados a todo o período de testes 2002 a 2003 (Salto Osório) INDICADOR ESTATÍSTICO PREVIVAZ * SMAP RNA FUZZY MPCV * N MAD = 1 i QOi N i= 1 N 1 i QOi MAPE = x100 N QO 1 N EMQ = ( i= 1 i N i= 1 i QO i 3 ( m s) 2 ) (%) 3 ( m s) Na bacia do rio como um todo, os índices avaliados mostraram uma vantagem, em termos gerais, para o protótipo da UFF ( FUZZY ), ocorrendo melhora de alguns índices em algumas das sub-bacias para os outros modelos. Nas figuras a seguir é possível se verificar as vazões semanais observadas (Qobs) e previstas (Qprev) a partir das precipitações diárias previstas pelo modelo ETA (Pprev: acumulada 1 semana), para os anos de 2002 e 2003, para os dois modelos MPCV e Fuzzy (UFF). São também apresentados os dados de chuva observada (Pobs), a partir dos quais pode-se ter uma noção da influência dos desvios de previsão de precipitação na previsão de vazões. Esses resultados são apresentados para cada um desses anos (2002 e 2003) e para cada um dos trechos de interesse: Foz do Areia, Jordão e a incremental de Salto Osório-Foz do Areia-Jordão. 35 / 51

36 Figura 8 Valores semanais observados e previstos para Foz do Areia Semanas de Vazão (m 3 /s) Pprev Pobs Qobs Qprev (Fuzzy) Qprev (MPCV) Chuva Acumulada 7 dias (mm) Semanas do Ano Figura 9 Valores semanais observados e previstos para Foz do Areia Semanas de Vazão (m 3 /s) Pprev Pobs Qobs Qprev (Fuzzy) Qprev (MPCV) Chuva Acumulada 7 dias (mm) Semanas do Ano Em linhas gerais, pode-se notar que o modelo Fuzzy tende a diminuir a ocorrência do efeito sombra existente nas previsões pelo MPCV, já que este último, por ser combinado com o modelo PREVIVAZ, tende a prever vazões, em certos casos, influenciado significativamente pelas últimas vazões observadas. Este fato pode ser observado claramente, por exemplo, na semana 21 do ano de 2002 em Foz do Areia e Jordão. 36 / 51

37 Figura 10 Valores semanais observados e previstos para Jordão Semanas de Vazão (m 3 /s) Pprev Pobs Qobs Qprev (Fuzzy) Qprev (MPCV) Chuva Acumulada 7 dias (mm) Semanas do Ano Figura 11 Valores semanais observados e previstos para Jordão Semanas de Vazão (m 3 /s) Pprev Pobs Qobs Qprev (Fuzzy) Qprev (MPCV) Chuva Acumulada 7 dias (mm) Semanas do Ano Vale destacar que as previsões de vazões incrementais obtidas, pelo MPCV, para o aproveitamento de Salto Osório, foram calculadas indiretamente a partir da previsão realizada para Salto Santiago. Após a regressão dos valores encontrados deste último para o primeiro por proporção de áreas de drenagem, foram subtraídas as vazões totais previstas, também pelo MPCV, para os aproveitamentos de Foz do Areia e Jordão. Isto se deve ao fato do modelo MPCV não ter sido desenvolvido para realizar, diretamente, previsões para o aproveitamento de Salto Osório. É exatamente neste trecho (incremental de 37 / 51

38 Salto Osório-Foz do Areia-Jordão) que, visualmente, o modelo Fuzzy apresentase claramente superior ao modelo MPCV. Figura 12 Valores semanais observados e previstos para Salto Osório Semanas de Vazão (m 3 /s) Pprev Pobs Qobs Qprev (Fuzzy) Qprev (MPCV) Chuva Acumulada 7 dias (mm) Semanas do Ano Figura 13 Valores semanais observados e previstos para Salto Osório Semanas de Vazão (m 3 /s) Pprev Pobs Qobs Qprev (Fuzzy) Qprev (MPCV) Chuva Acumulada 7 dias (mm) Semanas do Ano Resultados da Etapa de Implantação: Testes de Conformidade Selecionaram-se algumas semanas do histórico, entre os anos 2002 e 2003, para a realização de testes de conformidade que permitisse avaliar qual seria o comportamento desse modelo diante da ausência de alguns dados de estações 38 / 51

39 pluviométricas, a fim de assegurar que os resultados obtidos com o modelo em operação seriam similares aos obtidos na fase de desenvolvimento. Na Figura 14 e Figura 15 observam-se os resultados dos testes realizados para avaliar a sensibilidade do modelo Fuzzy, para Foz do Areia, à ausência parcial de dados (falta de informações dos quatro postos pluviométricos ainda sem recebimento pelo ONS). Vale destacar que nestes testes levou-se em consideração períodos de vazões médias semanais elevadas e com muita ou pouca ocorrência de chuva no dia anterior ao primeiro dia de previsão (dia 1), conforme apresentado na Figura 14 e Figura 15, respectivamente. Para os dias sem ocorrência de chuva no dia anterior ao primeiro dia de previsão, como é o caso do dia 1 = 15/05/02, Figura 14, nenhum desvio entre as previsões é esperado, já que na ausência de dados observados os modelos tendem a considerar chuva média igual a zero. Para os dias antecedentes ao dia de previsão com maiores volumes de chuva observados, como é o caso das previsões apresentadas na Figura 17, para as quais se observou em torno de 30 mm de chuva no dia 0, já se consegue notar, apesar de pequeno, algum desvio entre as previsões. A Figura 16 e a Figura 17 mostram as previsões realizadas, no dia 1 (17/12/2003), para os modelos desenvolvidos para os aproveitamentos de Jordão e Salto Osório, respectivamente, os quais também mostraram pouca sensibilidade relativa à variável de entrada de chuva (observada para previsão da vazão natural no primeiro dia do período). Figura 14 Testes de sensibilidade de ausência de chuva observada, dia 1 = 15/05/02 Foz do Areia Vazão (m 3 /s) Previsão com todas as estações PLU Previsão faltando 4 estações PLU Sem Dias de Previsão e Previsão Semanal Estes testes indicam que o não recebimento diário das informações desses postos afetou pouco o valor das vazões previstas, principalmente para as médias semanais e, consequentemente, tiveram pouca influência no desempenho final do modelo Fuzzy. 39 / 51

40 Figura 15 Testes de sensibilidade de ausência de chuva observada, dia 1 = 17/12/03 Foz do Areia Vazão (m 3 /s) Previsão com todas as estações PLU 200 Previsão faltando 4 estações PLU Sem Dias de Previsão e Previsão semanal Figura 16 Testes de sensibilidade de ausência de chuva observada, dia 1 = 17/12/03 Jordão Vazão (m 3 /s) Previsão com todas as estações PLU 50 0 Previsão faltando 4 estações PLU Sem Dias de Previsão e Previsão semanal Figura 17 Testes de sensibilidade de ausência de chuva observada, dia 1 = 17/12/03 Salto Osório Vazão (m 3 /s) Previsão com todas as estações PLU Previsão faltando 4 estações PLU Sem Dias de Previsão e Previsão semanal Vale destacar que no caso da falta de dados de chuva observados o modelo considera valores iguais a zero, ou seja, não ocorrência de chuva. 40 / 51

41 Como exposto anteriormente no sub-item 4.1.5, as variáveis de entrada dos modelos, para uma previsão de 1 (um) dia à frente, são somente: vazões médias observadas nos últimos dois dias e média entre os totais (acumulados em 24 horas) de precipitação observada e prevista. No item anterior, também observase que a chuva passada constitui parte da variável de entrada do modelo, somente para o dia 1 de previsão. Isto também sugere que a influência da chuva observada para a previsão da vazão média semanal será mínima. Esta influência poderá aumentar com o aumento dos volumes de chuva observados no dia anterior ao primeiro dia de previsão, porém, ainda assim, com pouca significância. Conclui-se então que o desvio entre as previsões, devido à ausência de dados de precipitação observada de alguns postos, será mais representativo na previsão para os primeiros dias à frente, tendendo a ser cada vez mais desprezíveis para os dias subseqüentes, já que neste caso as variáveis de entrada serão constituídas por valores previstos, tanto de precipitação quanto de vazões. Como explicado anteriormente no sub-item 4.1.5, o modelo Fuzzy utiliza para as previsões a partir do segundo dia, valores de vazão previstos, anteriormente, pelo mesmo (previsões recorrentes ou recursivas). Já para os valores de precipitação são utilizados, a partir do segundo dia, valores previstos pelo modelo ETA. 41 / 51

42 6 Conclusões e Recomendações Esta nota técnica teve como objetivo apresentar os resultados do projeto de desenvolvimento de novos modelos de previsão de vazões para a bacia do rio e apontar a metodologia recomendada para ser implementada como modelo de previsão de vazões para esta bacia. O modelo recomendado para implantação na bacia do rio é o modelo Fuzzy Recorrente, desenvolvido pela UFF, em parceria com a UFRJ, Os resultados dessa nova modelagem mostraram-se superior para todos os aproveitamentos analisados na grande maioria dos indicadores estatísticos considerados.. Assim, foi de extrema importância realizar análises comparativas não só com o sistema PREVIVAZ utilizado para as demais bacias do SIN, mas também com o modelo atualmente em uso no ONS para a bacia do, o modelo MPCV associado ao sistema PREVIVAZ. Neste sentido, foi contemplada nesta Nota Técnica a comparação do desempenho do modelo Fuzzy com o do modelo em uso, atualmente, no ONS. Esta análise mostrou que o desempenho do modelo Fuzzy é também superior ao do modelo MPCV associado ao PREVIVAZ para o período de testes, o que corrobora a recomendação de implantação desse novo modelo para a bacia do rio. Verificou-se, também, através dos testes de conformidade que os desvios entre as previsões, devido à ausência de dados de precipitação observada de alguns postos, são pequenos, especialmente para a previsão da vazão média semanal de uma semana à frente. Considerando esses resultados, recomenda-se a adoção do modelo Fuzzy no processo de previsão de vazões semanais (uma semana à frente) do Programa Mensal de Operação (PMO) e de suas revisões semanais para os aproveitamentos de Foz do Areia, Jordão e Salto Osório na bacia do rio. Tendo como objetivo a sua implantação de forma operacional, o ONS desenvolveu o sistema Previm, apresentado no Anexo, bem como tem realizado ações para a aquisição de informações hidrometeorológicas necessárias à execução do modelo Fuzzy, com o apoio dos agentes de geração responsáveis pelos aproveitamentos desta bacia e da Agência Nacional de Águas. 42 / 51

43 Referências Bibliográfgicas Box, GEP. e Jenkins, G., Time Series Analysis, Forecasting and Control, Holden-Day, Incorporated COPEL - COMPANHIA PARANAENSE DE ENERGIA, 1995, Usina Hidrelétrica Foz do Areia, rio, Paraná, Brasil: memória técnica. Curitiba : COPEL,. 280 páginas.cepel, Modelo de Previsão de Vazões Semanais Aplicado ao Sistema Hidroelétrico Brasileiro Modelo Previvaz, Manual de Referência. Goldberg, D.E., Genetic Algorithms in Search, Optimization and Machine Learning. Addison-Wesley Longman Publishing Co., Inc. Boston, MA, USA GÜETTER, A. K., ZAIKOVSKI, M.B., PILANTIR, J.O., 2000, Variabilidade Climática Interanual e Efeitos das Mudanças Climáticas Globais na Bacia do Rio Paraná, SIMEPAR / ANEEL / PNUD / MCT, 209 páginas. Haykin, S., Neural Networks: A Comprehensive Foundation, Prentice Hall PTR Upper Saddle River, NJ, USA. Linsley, R. e Franzini, J.B., Engenharia de Recursos Hídircos, McGraw- Hill do Brasil, Ed. Da Universidade de São Paulo. Lopes, J. E., Braga B.F.F., Conejo, J.L., 1982, A Simplified Hydrologic Model in Applied Modeling in Catchment Hydrology, Water Resources Publication. ONS, Alteração do critério de escolha do PREVIVAZ com a utilização de técnicas de data mining - Revisão 2. Operador Nacional do Sistema Elétrico ONS. Nota Técnica (ONS NT 082/2005). URBAN, T., 2000, A Crônica Degradação do Rio, ( Relatórios Técnicos de Referência do Projeto 8.4 FCTH, Manual do Usuário Sistema Previm, Versão 1.0 (978-MU-R1-06). FCTH - Fundação Centro Tecnológico de Hidráulica. HICON, Análise de desempenho dos protótipos preliminares, Relatório Técnico ONS-042/05, HICON Engenharia Ltda. LACTEC, Previsão de Vazões na Bacia do Rio com Incorporação de Informações de Precipitação - Metodologia a ser empregada no processo de previsão pelo modelo SMAP, Relatório Técnico Nº 3 Projeto Hg-210, Instituto de Tecnologia para o Desenvolvimento Centro de Hidráulica e Hidrologia Prof. Parigot De Souza. ONS, Modelos de previsão com incorporação de informações de precipitação consolidação de resultados do projeto. Nota Técnica (ONS NT 116/2006). Operador Nacional do Sistema Elétrico ONS. PUC-Rio, Projeto PreVIP: Modelo de Previsão de Vazões com Incorporação de Informações de Precipitação Desenvolvimento Metodológico. Relatório Técnico Nº 3, Fundação Padre Leonel Franca. UFF, 2005a. Desenvolvimento de Modelo de Previsão de Vazões com Incorporação de Informações de Precipitação Bacia do Rio IGUACU - Relatório Final da Metodologia, RELATÓRIO TÉCNICO P4 (D-222/2004/ RT P4/R0). 43 / 51

44 UFF, 2005b. Desenvolvimento de Modelo de Previsão de Vazões com Incorporação de Informações de Precipitação - Relatório de Teses de Avaliação de Desempenho, RELATÓRIO TÉCNICO P6 (D-222/2004/ RT P6/R0). 44 / 51

45 Anexo: Operacionalização dos Modelos - Sistema Previm Tais protótipos computacionais foram desenvolvidos empregando bases de dados próprias, não acopladas às bases de dados oficiais do ONS. No entanto, considerando a necessidade da empresa em processar estes novos modelos de previsão em seu ambiente operacional de forma integrada às bases de dados já existente (Base de Dado Técnica - BDT e Base de Dado Meteorológica - BDM), tornou-se necessária a implantação dos protótipos supracitados no ambiente operacional oficial do ONS. Neste contexto, a Fundação Centro Tecnológico de Hidráulica - FCTH desenvolveu o Sistema PREVIM - Previsão de Vazão com Informações Meteorológicas, foco do presente manual, que se destina à integração dos modelos de previsão de vazões MGB-IPH, SMAP- MEL e Fuzzy Recorrentes à Base de Dados Técnica do ONS. Processo de recebimento de Dados Operacionais O acoplamento do Sistema PREVIM à base de dados técnica do ONS tem por objetivo possibilitar a aquisição automática, a partir desta base, dos dados necessários aos modelos de previsão de vazões, bem como o armazenamento automático nesta mesma base dos resultados calculados pelos modelos. Os dados necessários aos modelos de previsão de vazões que são lidos automaticamente da BDT são: Histórico de dados pluviométricos e fluviométricos Histórico de vazões naturais afluentes aos reservatórios Previsões de precipitação oriundas de modelo meteorológico A carga dos dados pluviométricos e das vazões naturais afluentes aos reservatórios na base de dados é realizada pelo ONS através de procedimento executado externamente ao Sistema PREVIM. Por outro lado, a carga dos dados fluviométricos e das previsões de precipitação é realizada por meio de aplicativos batch que compõem o sistema. O acesso à base de dados e previsões do Sistema PREVIM é feito através do browser Internet/Intranet por meio de um conjunto de ferramentas que compõem o sistema. A tela inicial do PREVIM é apresentada na Tela 1. Para utilizar as ferramentas disponíveis no modelo, é necessário ser um usuário cadastrado no sistema. Na tela inicial são solicitados: o nome de Login e a Senha de acesso do usuário. Caso o nome de Login e a Senha sejam informados de modo correto, o usuário terá acesso à tela principal do Sistema PREVIM, que exibe o seguinte cabeçalho de menus: 45 / 51

46 Tela 1 Tela inicial do Sistema PREVIM. Tela 2 Tela inicial do Sistema PREVIM - Cabeçalho de temas principal. Menu PREVISÕES DE PRECIPITAÇÃO No menu principal está disponível a opção Previsões de Precipitação, que permite ao usuário a visualização da lista de pontos de previsão de precipitação cadastrados no sistema. A Tela 3 ilustra a tela inicial desta opção. Tela 3 Tela inicial da opção Previsões de Precipitação. 46 / 51

47 Menu BACIAS MODELADAS No menu Bacias Modeladas estão disponíveis três opções para os usuários do Sistema PREVIM: Bacia Incremental Itumbiara São Simão, Bacia Incremental Porto Primavera Rosana Itaipu e Bacia do rio. A Tela 4 a seguir ilustra tais opções: Tela 4 Opções do menu Bacias Modeladas. A primeira opção permite acesso à base de dados georreferencial da bacia incremental entre Itumbiara e São Simão no rio Paranaíba, bem como às ferramentas para integração do modelo de previsão de vazões MGB-IPH (Rhama Consultoria Ambiental) à base de dados técnica do ONS. A segunda opção permite acesso à base de dados georreferencial da bacia incremental à UHE Itaipu no rio Paraná, bem como às ferramentas de cálculo do Modelo SMAP-MEL (FCTH/USP). Por fim, a terceira opção permite acesso à base de dados georreferencial da bacia do rio, bem como às ferramentas para integração do modelo de previsão de vazões Fuzzy Recorrente (UFF/UFRJ) à base de dados técnica do ONS. Bacia do Rio Ao acessar a opção Bacia do Rio no menu Bacias Modeladas obtém-se a seguinte tela inicial. Tela 5 Tela inicial da opção Bacia do Rio. 47 / 51

48 Nesta tela inicial, o usuário pode escolher entre as opções: Base Georreferencial, Download de Dados e Upload de Resultados. a. BASE GEORREFERENCIAL Os temas abrangidos pela base georreferencial da bacia do rio são: Base, Cartografia, Hidrometeorologia e Previsão de Chuva. b. DOWNLOAD DE DADOS A opção Download de Dados permite ao usuário configurar as informações a serem obtidas automaticamente da base de dados do sistema, visando sua posterior utilização pelo modelo Fuzzy Recorrente na previsão de vazões na bacia do rio. Esta opção apresenta várias funcionalidades, incluindo as seguintes ferramentas: Configurar Dados Pluviométricos, Configurar Dados Fluviométricos, Configurar Vazões Afluentes aos Reservatórios, Configurar Previsões de Precipitação e Efetuar Download. Configurar Dados Pluviométricos. A opção Configurar Dados Pluviométricos permite ao usuário definir os postos pluviométricos de interesse para a aquisição de dados, selecionados a partir da listagem de todos os postos localizados na bacia e cadastrados na base de dados do sistema, conforme ilustra a Tela 6. Após a seleção dos postos de interesse para aquisição de dados, o usuário deve clicar sobre o botão ENVIAR e aguardar a confirmação do sistema para esta ação. Os dados pluviométricos serão exportados em arquivos texto com extensão.txt e nome formado pelo código do posto seguido do sufixo _c. Tela 6 - Configuração da aquisição automática de dados pluviométricos. Configurar Dados Fluviométricos. A opção Configurar Dados Fluviométricos permite ao usuário definir os postos fluviométricos de interesse para a aquisição de dados, selecionados a partir da listagem de todos os postos localizados na bacia e cadastrados na base de dados do sistema, conforme ilustra a Tela 7. Os dados fluviométricos serão exportados em arquivos texto com extensão.txt e nome formado pelo código do posto seguido do sufixo _c. 48 / 51

49 Tela 7 Configuração da aquisição automática de dados fluviométricos. Configurar Vazões Afluentes aos Reservatórios: A opção Configurar Vazões Afluentes aos Reservatórios permite ao usuário definir os aproveitamentos de interesse para a aquisição de dados, selecionados a partir da listagem de todos os aproveitamentos localizados na bacia e cadastrados na base de dados do sistema. O usuário pode optar pela exportação de vazões afluentes incrementais e/ou totais, bem como definir o prefixo do arquivo a ser exportado, conforme ilustra a Tela 8 a seguir. Tela 8 Configuração da aquisição automática de vazões afluentes aos reservatórios. A última coluna da listagem (da esquerda para direita) permite ao usuário escolher o prefixo do nome do arquivo a ser exportado. Os dados serão exportados em arquivos texto com extensão.txt e nome formado pelo prefixo definido pelo usuário, antecedido da expressão INC_ caso se trate de vazões incrementais. Caso haja falha na série de vazões afluentes, estas são preenchidas automaticamente com o valor nulo. 49 / 51

50 Configurar Previsões de Precipitação A opção Configurar Previsões de Precipitação permite ao usuário definir os pontos de previsão de precipitação de interesse para a aquisição automática das previsões oriundas de modelo meteorológico, conforme ilustra a Tela 9. Tela 9 Configuração da aquisição automática de previsão de precipitação. Efetuar Download Nesta opção, o usuário poderá definir o período desejado para exportação dos dados pluviométricos, fluviométricos e vazões afluentes aos reservatórios, bem como a data referente ao primeiro dia de previsão para exportação das previsões de precipitação, conforme ilustra a Tela 9. Os arquivos exportados através desta opção deverão ser salvos na pasta entrada do diretório de instalação do modelo Fuzzy Recorrente (por exemplo: C:\ons\entrada). Os dados contidos nestes arquivos serão empregados pelo modelo na previsão de vazões na bacia do rio, a ser realizada externamente ao Sistema PREVIM. UPLOAD DE RESULTADOS A opção Upload de Resultados permite ao usuário armazenar na base de dados do sistema os resultados calculados e exportados pelo modelo de previsão de vazões Fuzzy Recorrente. Tais resultados compreendem: Previsão de vazões naturais totais afluentes aos reservatórios de Foz do Areia, Salto Osório, Salto Santiago, Segredo e Jordão, em base diária e semanal; Previsão de vazões naturais incrementais afluentes aos reservatórios de Salto Osório, Salto Santiago e Segredo, em base diária e semanal. A ferramenta de armazenamento de resultados do Sistema PREVIM irá considerar como valor da previsão média semanal para a próxima semana do PMO, a média da previsão do modelo Fuzzy Recorrente das previsões diárias calculadas para a respectiva semana de interesse, sendo este o valor a ser gravado na base de dados do sistema. 50 / 51

51 Configurar Upload A opção Configurar Upload permite ao usuário definir os seguintes elementos referentes à carga de resultados: Os reservatórios para os quais se pretende fazer a carga de vazões previstas O modelo do qual se originam as previsões (neste caso, o usuário deve selecionar a opção Previsto Modelo Fuzzy Recorrente ) O tipo de previsão a ser carregada em cada reservatório selecionado (vazões totais e/ou incrementais) O prefixo do arquivo a ser carregado em cada caso A Tela 10 a seguir ilustra a tela para configuração destas informações. Tela 10 - Configuração do armazenamento automático dos resultados do modelo Fuzzy Recorrente na base de dados do sistema. Efetuar Upload Nesta opção, o usuário poderá efetuar o upload dos arquivos de resultados gerados pelo modelo Fuzzy Recorrente referentes à previsão de vazões na bacia do rio. Menu ENCERRAR Para efetuar logoff do sistema, o usuário deve clicar no menu Encerrar do cabeçalho de menus principal, destacado na figura a seguir. Tela 11 Menu Encerrar do cabeçalho de menus principal. Esta ação desconecta o usuário do sistema, atualizando seu acesso no banco de dados e encaminhando-o à tela de login. 51 / 51