Monthly streamflow forecast for National Interconnected System (NIS) using Periodic Auto-regressive Endogenous Models (PAR) and Exogenous (PARX) with climate information

Abstract

This study aims to find a seasonal streamflow forecast model simultaneous to all stations of SIN using periodic autoregressive models with exogenous variables (PARX) using climate indexes. Comparing the results from PAR and PARX Models, this research analyzes the impact on forecasts by using climate information. The proposed models for streamflow forecast has been carried out using natural streamflow data from Operador Nacional do Sistema (ONS) and statistical techniques (such as multiple linear regression and stepwise method to choose explanatory variables). On 27 climate indexes utilized, 4 of them are suggested in this work. The performance analysis methodology is based on the ELECTRE method further the NASH coefficient, the mean absolute percentage error, the multi-criteria distance and correlation. Forecasts with one month lead, the PAR models present better results for most stations of SIN within seasons DJF, MAM, and JJA, while for SON season there is greater efficiency from PARX model. This kind of model shows better performance during dry season in the basins at Northern Brazil -Amazonas and Araguaia-Tocantins; Central-Eastern Brazil -Eastern Atlantic and the most rivers located in the Paraná basin.Keywords: Monthly streamflow forecast; Climate information; National Interconnected System. RESUMOEste estudo propõe um modelo de previsão simultânea de vazões sazonais para todos os locais SIN através de modelos periódicos autorregressivos simples (PAR) e com variáveis exógenas (PARX) utilizando índices climáticos. Os modelos propostos de previsão de afluência utilizam os dados de vazões naturais gerados pelo Operador Nacional do Sistema (ONS) e técnicas estatísticas como as de regressão linear múltipla e o método stepwise para escolha de variáveis explanatórias. São utilizados 27 índices climáticos, dos quais 4 foram sugeridos neste trabalho. A análise de desempenho das metodologias é baseada no método ELECTRE com o uso do coeficiente de NASH, do erro médio percentual absoluto, da distância multicritério e da correlação. Para previsões com um mês de antecedência, os modelos do tipo PAR apresentam melhores desempenhos na maioria dos postos do SIN nos trimestres DJF, MAM e JJA, enquanto para o período SON a uma maior eficiência do modelo PARX. O PARX apresenta melhor desempenho no período seco das bacias do norte do Brasil -Amazonas e Araguaia-Tocantins; centro-leste brasileiro -Atlântico Leste e na maioria dos rios que formam a Bacia do Paraná.Palavras-chave: Previsão sazonal; Índices climáticos; Setor elétrico.

Seasonal and Periodic Autoregressive Time Series Models Used for Forecasting Analysis of Rainfall Data

“…Recently Ursu E. et.al have used PAR model identification using genetic algorithms and also have done work on application of periodic autoregression process to the modelling of the Garonne river flows [36], [37]. We also find the various application of PAR model on river flow [33] and stream flow [29], [40]. Sarnaglia A. J. Q. et.…”

Large-scale assessment of Prophet for multi-step ahead forecasting of monthly streamflow

“…The R code is available upon request to the corresponding author. The analyses were performed in R Programming Language (R Core Team, 2018) using the R packages devtools , forecast (Hyndman and Khandakar, 2008;, fracdiff (Fraley et al, 2012), gdata (Warnes et al, 2017), ggplot2 (Wickham, 2016;Wickham and Chang, 2016), HKprocess (Tyralis, 2016), knitr (Xie, 2014(Xie, , 2015(Xie, , 2018, lubridate (Grolemund and Wickham, 2011;Spinu et al, 2018), maps (Brownrigg et al, 2018), prophet (Taylor and Letham, 2017), readr (Wickham et al, 2017), rmarkdown (Allaire et al, 2018), stringi (Gagolewski, 2018), zoo (Zeileis and Grothendieck, 2005;Zeileis et al, 2018).…”

“…The results of such studies are usually presented in terms of point forecasts (hereafter forecasts) rather than in a probabilistic way, as in Tyralis and Koutsoyiannis (2014). An extensive study on the use of climate index data for forecasting monthly streamflow at 88 locations in Brazil is available in Silveira et al (2017). Another relevant and large-scale study by De Gregorio et al (2018) uses data originating from 300 alpine basins.…”

Previsão Sazonal de Vazões para a Bacia do Orós (Ceará, Brasil) Utilizando Redes Neurais e a Técnica De Reamostragem dos K-vizinhos

“…No Brasil, segundo Alexandre (2012), os modelos estatísticos de previsão de afluências têm sido uma ferramenta importante no suporte à tomada de decisões, no planejamento e na gestão de recursos hídricos aplicados ao Sistema Interligado Nacional (SIN). Silveira et al (2017) citam que modelos estatísticos foram propostos em diversos estudos, comprovando que o uso de índices climatológicos como variáveis explicativas em modelos matemáticos proporciona capacidade de explicar regimes de vazões interanuais, destacando os trabalhos de Uvo e Graham (1998), Souza Filho e Lall (2003, Silva e Molion (2004), Rohn et al (2003) e Rocha et al (2007). Silveira et al (2017) citam que estudos como os de Souza Filho e Lall (2003) e Foley et al (2002) são realizados desde a década de 1990 e apontam que o uso de variáveis climáticas pode reduzir incertezas devido à alta correlação dessas variáveis com variáveis hidrológicas.…”