Previsão Sazonal de Vazões para a Usina Hidrelétrica de Boa Esperança-PI utilizando Redes Neurais Artificiais

Abstract

Estudos que apresentam previsões climatológicas têm crescido em importância, na medida em que o aumento da demanda de água e energia cria uma necessidade de se obter informações sobre o comportamento futuro das fontes naturais. Este artigo apresenta dois modelos de previsão de vazões médias do Rio Parnaíba, na altura da Usina Hidrelétrica de Boa Esperança, para os períodos de outubro a dezembro e de janeiro a abril, épocas que apresentam os maiores valores médios para essa variável hidrológica no local. Como preditores, foram utilizados índices climáticos relacionados a temperatura da superfície do mar, os quais foram escolhidos através da análise de teleconexões já conhecidas da literatura e das correlações calculadas entre as vazões observadas e os valores médios dos índices com diferentes defasagens. Em seguida, foram construídas Redes Neurais Artificias do tipo Perceptron Multicamadas para realizar as regressões para os dois cenários. O Modelo Out-Dez apresentou bons resultados, com coeficientes de Nash-Sutcliffe e Kling-Gupta de 0,64 e 0,71, respectivamente, para a fase de teste. Já o Modelo Jan-Abr, apesar de retornar um coeficiente de Nash-Sutcliffe menor, de 0,56, também apresentou um desempenho satisfatório, com Kling-Gupta de 0,73. Deste modo, os modelos constituem ferramentas que podem ser de grande valia para a operação da usina e para o planejamento do setor hídrico local. Seasonal Streamflow Forecast for the Hydroelectric Power Plant of Boa Esperança-PI using Artificial Neural Networks A B S T R A C TStudies presenting climatological forecasts have grown in importance, as the increase in the demand for water and energy creates a need to obtain information about the future behavior of natural sources. This paper presents two models of forecasting the average streamflow of the Parnaíba River, at the Boa Esperança Hydroelectric Power Plant, for the periods from October to December and from January to April, times that present the highest average values for this hydrological variable on site. As predictors, climatic indices related to sea surface temperature were used, which were chosen through the analysis of teleconnections already known in the literature and the correlations calculated between the observed streamflows and the average values of the indices with different lags. Then, Artificial Neural Networks of Multilayer Perceptrons type were built to perform the regressions for these two scenarios. The Oct-Dec Model showed good results, with Nash-Sutcliffe and Kling-Gupta coefficients of 0.64 and 0.71, respectively, for the test phase. The Jan-Apr Model, in spite of returning a smaller Nash-Sutcliffe coefficient, of 0.56, also presented a satisfactory performance, with Kling-Gupta of 0.73. In this way, the models are tools that can be of great value for the operation of the plant and for the planning of the local water sector.Keywords: Streamflow Forecast. Artificial Neural Network. Climate Index. Boa Esperança Hydroelectric Power Plant.