Correo Electrónico
DNINFOA - SIA
Bibliotecas
Convocatorias
Identidad U.N.
Publicado
Modelos de predicción de caudales mensuales para el sector eléctrico colombiano
Palabras clave:
Modelos de predicción, Sector Eléctrico Colombiano, Software para predicción, Caudales (es)Forecasting Methodologies, Monthly Average Stream Flows, Forecasting Software (en)
Descargas
Se hace una breve descripción de cinco metodologías utilizadas para la predicción de caudales medios mensuales en Colombia: Redes Neuronales Artificiales, Redes Adaptativas Neuro-Difusas, Análisis Espectral Singular, Modelo Estructural y Modelo Físico y la aplicación de estos modelos en diferentes estaciones de medición de caudal pertenecientes al Sistema de Generación de Energía Eléctrica de Colombia. Los modelos se aplicaron para ventanas de predicción de uno, tres, seis y doce meses. Además se presenta la descripción de una herramienta computacional construida para apoyar la predicción de caudales donde se incluye las metodologías anteriores, acompañada de algunos resultados que muestran las posibilidades del mismo. El software, permite incluir variables macroclimáticas predichas, en cuyo caso puede tomar esos valores de diferentes agencias internacionales.
A brief description of five stream flow forecasting methodologies at a monthly level is presented. The methodologies are: Artificial Neural Networks, Artificial Neuro-Fuzzy Networks, Physical Models, Spectral Analysis and Structural Models. All methodologies are used for stream flows prediction in several rivers associated with the Colombian Electric Sector. Some results are presented with prediction windows of one, three, six and twelve months. A general description of a computational tool that has been built to support forecasting of monthly average stream flows for the main Colombian rivers is presented. Some results that illustrates the possibilities of the developed software are presented. This software allows to consider some forecasted macroclimatic variables.
Referencias
Carvajal, L. F., 1994. Acerca de la predicción no lineal en hidrología. Tesis de Maestría, Universidad Nacional de Colombia, Facultad de Minas, Medellín, Colombia. 136 pp.
Eberhart, R. y Dobbins, R. (1990). Neural Network PC Tools. A Practical Guide. Academic Press, Inc., New York, Estados Unidos.
Eppler, B., 1996. Interpretation of neural networks for classification tasks, http://citeseer.nj.nec.com/903.html.
Harvey, A. C., 1989. Forecasting, Structural Time Series and the Kalman Filter, Cambridge University Press, U.K.
Jang, R., 1993. ANFIS: Adaptive-Network-Based Fuzzy Inference System, IEEE Transactions on Systems, Man, and Cybernetics.
Katz, R. W., 1996. Use of conditional stochastic models to generate climate change scenarios. Climate Change, 32, 237-255.
Martín G., 2002. Modelos estructurales en el contexto de las series temporales económicas, Universidad de La Laguna. Tenerife, España.
Masters, T., 1993. Practical Neural Network Recipes in C++. Academic Press, Inc. San Diego, Estados Unidos.
Mendel J. M., 1995. Fuzzy Logic Systems for Engineering: A Tutorial, Proceedings of IEEE.
Mesa O., et al., 2001. Predicción no lineal de los caudales medios mensuales del Río Nare, Antioquia-Colombia. Revista Avances en Recursos Hidráulicos, Número 8, Facultad de Minas, septiembre, p 65-76.
Parlange, M. B., y Katz, R. W., 2000. An extended version of the Richardson model for simulating daily weather variables. Journal Applied Meteorology, 39, 610-622.
Preisendorfer, R. W., 1988. Principal Component Analysis in Meteorology and Oceanography. Amsterdam: Elsevier. 425 p.
Poveda, G, y O. J. Mesa., 2000. On the existence of Lloró (the rainiest locality on Earth): Enhanced ocean-atmosphere-land interaction by a low-level jet. Geophysical Research Letters. Vol. 27, No. 11, 1675-1678.
Poveda, G, Vélez J. I., Mesa O., Hoyos C. D., L. F. Salazar, Mejia J. F., Barco O. J., Correa P. L.. 2002. Influencia de Fenómenos Macroclimáticos Sobre el Ciclo Anual de la Hidrología Colombiana: Cuantificación Lineal, No Lineal y Percentiles Probabilísticas, Memorias VI Congreso Colombiano de Meteorología, Socolmet, Bogotá.
Richardson, C. W., 1981. Stochastic simulation of daily precipitation, temperature, and solar radiation. Water Resources. Research, 17, 182- 190.
Ultsch, A., Korus, D., y Wehrmann, A., 1995. Neural networks and their rules classification in marine geology, http://citeseer.nj.nec.com/ ultsch95neural.html.
Velásquez, J. M., 2000. El efecto de las tasas de descuento en la distribución óptima del recurso hídrico: casos de estudio: el modelo PD/AS y el MDPODE. Revista Energética N° 24. Universidad Nacional de Colombia, diciembre, Medellín, p 79- 85.
Vélez, J. I.. 2001. Desarrollo de un Modelo Hidrológico Conceptual y Distribuido Orientado a la Simulación de Crecidas.Tesis Doctoral, Universidad Politécnica de Valencia, Valencia, España.
