E-4-1-a06

INTEGRACIÓN DE ENSAMBLES DE PRONÓSTICOS HIDROLÓGICOS A LAS HERRAMIENTAS DE OPERACIÓN DEL SISTEMA ELÉCTRICO EN URUGUAY

Alejandra de Vera¹, Guillermo Flieller², Magdalena Crisci³, Ruben Chaer⁴, Rafael Terra⁵

¹Ingeniera Civil perfil Hidráulico-Ambiental y Magíster en Ingeniería en Mecánica de los Fluidos Aplicada por la Universidad de la República (FING-UdelaR), Uruguay. Actualmente estudiante de Doctorado y Docente Asistente del Instituto de Mecánica de los Fluidos e Ingeniería Ambiental (IMFIA) de la Facultad de Ingeniería (UdelaR), Uruguay. Además, Investigador nivel Iniciación del Sistema Nacional de Investigadores (SNI), Uruguay. adevera@fing.edu.uy

²Ingeniero Electricista perfil Potencia por la Universidad de la República (FING-UdelaR), Uruguay. Actualmente estudiante del Diploma de Especialización en Ingeniería de la Energía (UdelaR, Uruguay) e Ingeniero de la Gerencia Técnica y Despacho Nacional de Cargas en la Administración del Mercado Eléctrico (ADME), Uruguay. gflieller@adme.com.uy

³Ingeniera Civil perfil Hidráulico-Ambiental y Magíster en Ingeniería en Mecánica de los Fluidos Aplicada por la Universidad de la República (FING-UdelaR), Uruguay. Actualmente Docente Asistente del Instituto de Mecánica de los Fluidos e Ingeniería Ambiental (IMFIA) de la Facultad de Ingeniería (UdelaR), Uruguay. mcrisci@fing.eduy.uy

⁴Ingeniero Eléctrico y Máster en Energía por la Universidad de la República (FING-UdelaR), Uruguay. Actualmente Gerente de Técnica y Despacho Nacional de Cargas de la Administración del Mercado Eléctrico (ADME), Uruguay. Investigador en el Instituto de Ingeniería Eléctrica de la Facultad de Ingeniería (UdelaR), Uruguay. Senior Member de la IEEE, organización que lo distinguió en 2013 con el “PES Chapter Outstanding Engineer Award”. rchaer@adme.com.uy

⁵Ingeniero Civil, Hidráulico-Ambiental por la Universidad de la República (FING-UdelaR), Uruguay. Doctor en Ciencias de la Atmósfera por la Universidad de California de Los Ángeles (UCLA), Estados Unidos. Profesor Titular del Instituto de Mecánica de los Fluidos e Ingeniería Ambiental (IMFIA) de la Facultad de Ingeniería (UdelaR) y co-coordinador del Centro Inter-disciplinario de Respuesta al Cambio y la Variabilidad Climática (EI-UdelaR). Además, Investigador nivel II del Sistema Nacional de Investigadores (SNI), Uruguay. rterra@fing.edu.uy

Recibido: 12/02/2020 y Aceptado: 19/5/2020

ENERLAC. Volumen IV. Número 1. Junio, 2020 (96-117).

RESUMEN

En el marco de la operación del sistema eléctrico uruguayo con énfasis en la generación a partir de recursos naturales renovables, es de relevancia la capacidad de prever con antelación los caudales de aporte para la generación hidráulica. En este trabajo se desarrolla una metodología para la generación y procesado de un ensamble de pronósticos de aportes a la represa de Rincón del Bonete, a partir de un ensamble de pronósticos de precipitación, que permita asimilarlo en las herramientas de operación, conjuntamente con los pronósticos de eólica y solar. Para generar los caudales se emplea el modelo hidrológico GR4J de paso diario combinado con el modelo Muskingum de tránsito hidrológico. El ensamble de pronósticos de caudal se incorpora dentro del sintetizador de aportes del modelo de simulación del sistema eléctrico a través de los sesgos y una serie de atenuadores por paso de tiempo, ajustados por máxima verosimilitud. En general, el desempeño del modelo es satisfactorio, con un NSE semanal de 0.50, un coeficiente R² de 0.53 y una diferencia de volúmenes acumulados de -15%. De los resultados obtenidos se desprende que, para la implementación operacional del modelo, es crítica la asimilación de datos observados de precipitación y caudal en tiempo real.

Palabras clave: Simulación del Sistema Eléctrico, Modelación Hidrológica, Previsión de Caudales, Ensamble de Pronósticos, Procesos Estocásticos, Uruguay.

ABSTRACT

In the context of the operation of the Uruguayan electricity system, which prioritizes the power production from renewable sources, it is crucial to forecast the hydrological inflows for hydroelectric generation. This study describes a methodology for the generation and processing of a hydrological ensemble forecast for the Rincón del Bonete Dam, which allows its assimilation into the electricity-system simulation along with wind and solar power forecasts. The streamflow forecast ensemble is obtained from a precipitation ensemble one. To generate the hydrological inflows, we use the GR4J daily hydrological model coupled with the Muskingum hydrological transit model. The hydrological forecast ensemble is incorporated into the electricity-system-simulator-synthesizer model through biases and noise attenuators per time step, adjusted through maximum likelihood. In general, the model performance is satisfactory, with a NSE for a weekly time step of 0.50, a R² coefficient equal to 0.53 and a difference in cumulative volumes equal to -15%. The results indicate that, for the operational implementation of the model, the assimilation of observed precipitation and streamflow data in real-time is critical.

Keywords: Electricity-System Simulation, Hydrological Modelling, Hydrological Forecasting, Ensemble Forecast, Stochastic Processes, Uruguay.

INTRODUCCIÓN

En el marco de la operación del Sistema Interconectado Nacional (SIN), con énfasis en la generación eléctrica a partir de recursos naturales renovables que lleva adelante Uruguay, la generación hidráulica mantiene una participación muy significativa. En particular, durante el año 2018 cubrió aproximadamente el 50% de la generación total (ADME, 2019), tal como se presenta en la figura 1.

Figura 1. Participación por fuente en la generación total del SIN durante el año 2018.

Fuente: ADME (2019).

Un factor clave para la toma de decisión en la programación de la generación de dicho sistema es la capacidad de prever con antelación los caudales de aporte a los embalses de las represas hidroeléctricas, contribuyendo así a optimizar el uso de cada fuente de energía del SIN, con el correspondiente beneficio económico y ambiental.

Un caso particular, de relevancia estratégica para el país, es la posibilidad de exportar energía a los países vecinos (Argentina y Brasil), como se puede apreciar en la tabla de la figura 1. Dicha práctica en los últimos años se ha convertido en importantes beneficios económicos para Uruguay. La capacidad de ofertar bloques de energía exportables dentro de la programación semanal, pasa por la capacidad de poder predecir el comportamiento de los recursos de generación renovables en los siguientes días.

En este sentido, la experiencia contemporánea en varias regiones del mundo, incluyendo a Uruguay, indica que realizar previsiones hidrológicas operativas en base a predicciones numéricas de precipitación, permite la extensión del horizonte de pronóstico con resultados satisfactorios (Cuo et al., 2011; IMFIA, 2014). Asimismo, la técnica de simulaciones por ensambles, que busca representar la incertidumbre asociada a la evolución del flujo atmosférico a través de la realización de múltiples simulaciones empleando condiciones iniciales ligeramente perturbadas o diferentes modelos, permite obtener una reducción del error en los pronósticos a la vez que brinda información sobre la incertidumbre a lo largo del horizonte de la previsión. Este valor agregado en la información, impacta directamente sobre los productos o herramientas que se pueden desarrollar y que asisten al proceso de toma de decisiones de los diferentes usuarios del pronóstico (Kalnay, 2003; Ruiz, 2008).

Trabajos previos en Uruguay (Maciel et al., 2012; Maciel et al., 2015) se centraron en la incorporación de información climática asociada al fenómeno El Niño-Oscilación Sur (ENOS) en la simulación de los aportes hidrológicos dentro de los modelos para la gestión del sistema eléctrico, con el propósito de informar la planificación energética estacional (escala temporal de varias semanas a seis meses).

El objetivo de este trabajo consiste en desarrollar una metodología para la generación y procesado de un ensamble de pronósticos de aportes a las represas hidroeléctricas, a partir de un ensamble de predicciones numéricas de precipitación, que permita asimilarlo en las herramientas de operación del SIN, conjuntamente con los pronósticos de las energías eólica y solar. En particular, se presenta la implementación y los resultados obtenidos para la represa de Gabriel Terra (Rincón del Bonete) localizada en la cuenca alta del río Negro.

DESCRIPCIÓN DEL ÁREA DE ESTUDIO

La cuenca alta del río Negro, cuenca transfronteriza con Brasil, ocupa aproximadamente una superficie de 40,000 km², existiendo en su cierre la represa hidroeléctrica Gabriel Terra (en adelante Rincón del Bonete). En la tabla 1 se resumen las principales características de dicha cuenca.

Tabla 1: Principales características de la cuenca de aporte a la central de Rincón del Bonete.

Fuente: Elaboración de los autores.

Aguas abajo de la central de Rincón del Bonete se localizan consecutivamente las represas hidroeléctricas de Baygorria y Constitución (Palmar). Este sistema conformado por las tres represas hidroeléctricas del río Negro constituye, a la fecha, aproximadamente el 20% de la energía eléctrica total generada en el país (ADME, 2019). Complementariamente, sobre el río Uruguay se localiza la central hidroeléctrica binacional (Argentina-Uruguay) de Salto Grande.

En la figura 2 se presenta la localización de las cuatro centrales (con su respectiva potencia instalada) y la delimitación de la cuenca de aporte a la central de Rincón del Bonete. En la tabla 2 se resumen las principales características de dichas centrales, en la que puede observarse que la represa Rincón de Bonete es la que tiene mayor capacidad de regulación.

Figura 2. Localización de las centrales hidroeléctricas y delimitación de la cuenca de aporte a la central de Rincón del Bonete.

Fuente: Elaboración de los autores.

Tabla 2. Principales características de las centrales hidroeléctricas existentes en Uruguay.

Fuente: Elaboración de los autores.

METODOLOGÍA

Modelación hidrológica

Para generar los aportes hidrológicos se empleó un modelo hidrológico simple de paso diario, denominado “GR4J” (Génie Rural à 4 paramètres Journalier) propuesto y mejorado por Perrin et al. (2003).

El modelo consiste en un modelo diario concentrado, de cuatro parámetros (presentados en la tabla 3), basado en la cuantificación de la humedad del suelo. El mismo utiliza como datos de entrada la precipitación y la evapotranspiración potencial para luego modelar el almacenamiento en el suelo teniendo en cuenta dos reservorios. Una parte del escurrimiento es transitado a través de un hidrograma unitario simple y, otra parte, a través de otro hidrograma unitario que se almacena en un reservorio no lineal, para luego formar con ambas partes la escorrentía total.

Dicho modelo no pretende ser una modelación hidrológica-hidrodinámica exhaustiva. Por el contrario, el objetivo es desarrollar una metodología general que sea lo suficientemente flexible y que en particular permita incorporar a futuro otras fuentes de pronóstico. Cabe destacar que el modelo hidrológico en sí es determinístico, pero, al ser alimentado con un conjunto de pronósticos de precipitación, se obtiene igual número de previsiones para los caudales.

La cuenca de aporte a la represa de Rincón del Bonete (39,500 km²) se discretizó en 17 subcuencas de área menor a 7,000 km² (según se presenta en la figura 3), en base al modelo digital del terreno de la NASA SRTM (Shuttle Radar Topographic Mission) con una resolución de 90x90m¹.

El modelo hidrológico se implementa en cada una de estas subcuencas, a partir de los datos diarios de precipitación y evapotranspiración potencial disponibles (presentados en la p. 103). La precipitación media en cada subcuenca se obtiene a partir del método de los polígonos de Thiessen.

Una vez obtenidos los caudales diarios de aporte de cada subcuenca, los mismos se transitan a lo largo del cauce hasta los puntos de interés aguas abajo, mediante el método de Muskingum, método para el tránsito hidrológico en ríos que requiere de dos parámetros (presentados en la tabla 3).

En la figura 4 se presenta un esquema del modelo hidrológico implementado “GR4J + Muskingum”.

Figura 3. Discretización en subcuencas de la cuenca de aporte a Rincón del Bonete. Se incluye una tabla con el área de la cuenca de aporte (km²), la longitud (km) y pendiente media (m/km) del cauce principal y al agua disponible ponderada (mm) de cada subcuenca (identificada según un ID).

Fuente: Elaboración de los autores.

Figura 4. Representación esquemática del modelo hidrológico implementado “GR4J+Muskingum”.

Fuente: Elaboración de los autores.

Para obtener un buen desempeño del modelo hidrológico es necesario ajustar los parámetros, de forma tal que el modelo represente lo mejor posible los caudales históricos observados. En estudios antecedentes se destaca la aplicación satisfactoria del modelo hidrológico de paso diario GR4J en cuencas de Uruguay (Chreties et al., 2017; Narbondo et al., 2018). Estos trabajos han obtenido paquetes de parámetros óptimos (calibrados y regionalizados) para minimizar las diferencias entre caudal observado y simulado; además han logrado relacionar los parámetros del modelo con características físicas e hidrológicas para las cuencas de Uruguay, lo que permite su aplicación en cuencas no aforadas. En la tabla 3 se presentan los valores adoptados para cada uno de los parámetros del modelo GR4J siguiendo dichas recomendaciones. Cabe destacar que el parámetro x₁ (que representa la capacidad máxima de almacenamiento del suelo) no se considera como un parámetro de calibración, sino que se le asigna el valor del agua disponible (AD) media de los suelos presentes en cada subcuenca.

Tabla 3: Parámetros del modelo “GR4J+Muskingum” y valor adoptado en cada caso.

Fuente: Elaboración de los autores.

Simulación del sistema eléctrico

La modelación del sistema eléctrico se realiza mediante la plataforma de Simulación de Sistemas de Energía Eléctrica SimSEE² (Chaer, 2008). La misma permite simular la operación óptima del sistema incorporando distintos tipos de pronósticos, tales como generación de energías renovables, demanda eléctrica, precios futuros de tecnologías y combustibles, intercambios internacionales y otros. Por lo cual, es extensamente utilizada en Uruguay para simular la operación del sistema energético tanto en el largo plazo (planificación de inversiones) como en el corto plazo (operación del sistema y simulación del mercado).

En particular para el caso de la generación hidráulica, el SimSEE implementa un generador estocástico de series sintéticas de aportes a los embalses que permite realizar simulaciones utilizando un modelo de sintetizador CEGH: Correlaciones en Espacio Gaussiano con Histograma (Chaer, 2005). El sintetizador es utilizado por el SimSEE para caracterizar la incertidumbre esperada durante la optimización, donde se determina la política de operación óptima. Asimismo, también se utiliza el generador de series sintéticas en la etapa de simulación, para calcular costos esperados y su dispersión.

Acople del ensamble de pronósticos hidrológicos dentro del SimSEE

En SimSEE los pronósticos, tanto hidrológicos así como de generación en base a energías renovables no convencionales y de demanda, se modelan mediante fuentes CEGH.

En base a los histogramas de una serie histórica, que puede tener múltiples canales, se genera una transformación no lineal mediante deformadores por paso de tiempo que mapean la serie a Espacio Gaussiano (EG) para la fuente. En EG el proceso estocástico se modela como un sistema lineal, tal como se presenta en la ecuación 1.

(Ec. 1)

Donde X_k es el valor de la señal para el paso de tiempo _k, A es la matriz de filtros de correlación, B es la matriz global de ruido, R_k es una señal de ruido blanco gaussiano, Λ_k es la matriz de atenuadores de ruido y S_k es el sesgo para el paso _k.

Los pronósticos se incorporan a la fuente actuando sobre los sesgos y los atenuadores por paso de tiempo.

Como primer paso, las series de ensambles se transforman a EG usando los deformadores por paso de tiempo de la fuente sintetizadora (generando la serie E). De aquí en adelante m es el número de canales, p es el número de pasos de tiempo y r es el número de realizaciones.

Se toma como guía de la fuente en EG, al promedio por paso de tiempo del ensamble de pronósticos en EG.

Dado que la señal R_k es de ruido blanco gaussiano de media 0 (cero), se calcula el sesgo para el paso k como se presenta en la ecuación 2, para que el valor esperado de las series sintéticas en EG (X) replique el valor esperado del ensamble en EG (E).

(Ec. 2)

En segunda instancia, se ajustan por máxima verosimilitud el ensamble de pronósticos y el cono de pronósticos de la fuente CEGH, donde como variable de ajuste se utilizan los atenuadores por paso. Para maximizar la verosimilitud entre el ensamble y el pronóstico CEGH se recurre a que la covarianza del pronóstico producido por el CEGH está dada por la ecuación 3.

(Ec. 3)

Donde Z_k se construye iterativamente a partir de las ecuaciones 4 y 5:

(Ec. 4)

Donde d_j,k es el vector de desviación del miembro j en el paso de tiempo k con respecto a la media del ensamble para el paso.

(Ec. 5)

(Ec. 6)

Finalmente, se busca maximizar la probabilidad conjunta de todo el ensamble tal como se presenta en la ecuación 7. Aplicando “propiedades de logaritmo” sobre dicha ecuación se obtiene la condición de máxima verosimilitud, expresada en la ecuación 8.

(Ec. 7)

(Ec. 8)

Donde la matriz P_k es la inversa de Σ_k.

Igualando a cero las derivadas direccionales de los elementos de la ecuación 8, se llega a la condición de optimalidad expresada en la ecuación 9.

(Ec. 9)

Donde β_ij = 1⁄ λ_ij y λ son los elementos de Λ. La matriz C, introducida en la ecuación 10, es una matriz auxiliar que se utiliza para construir el sistema no lineal con el cual se calculan los atenuadores λ por paso.

(Ec. 10)

De esta manera el problema queda planteado como:

(Ec. 11)

Donde σ_ij corresponde al elemento ij de la matriz de covarianza Σ. A partir de aquí se define una matriz auxiliar (M) al problema, tal como se presenta en la ecuación 12.

Ciclo medio anual de ETP, construido a partir de datos diarios históricos registrados en el período 1991-2015 en las estaciones del Instituto Nacional de Investigación Agropecuaria de Uruguay (INIA) y del INUMET.

Para representar la capacidad de almacenamiento de agua del suelo se elaboró el mapa de agua potencialmente disponible (AD) en los suelos de Uruguay (figura 5), a partir del mapa de suelos CONEAT a escala 1:40.000 (Molfino, 2009) de la Dirección General de Recursos Naturales (DGRN, MGAP) de Uruguay. En base a esto, se pondera por área para obtener un valor representativo del suelo en cada subcuenca.

Figura 5. Mapa del agua potencialmente disponible en los suelos de Uruguay pertenecientes a la cuenca de Rincón del Bonete.

Fuente: Elaboración de los autores a partir del mapa de suelos CONEAT a escala 1:40.000.

Para la evaluación del modelo hidrológico, como referencia, se dispuso de la serie diaria de caudales de aporte teóricos al embalse de Rincón de Bonete (figura 6) brindada por la Administración Nacional de Usinas y Trasmisiones Eléctricas de Uruguay (UTE). Dicha serie se denomina “teórica” ya que consiste en una estimación en base a un balance hídrico en el embalse y no a una observación directa. Específicamente, los caudales de aporte teóricos se obtienen (de forma indirecta) a partir de la medida de la variación de la cota del lago, los caudales turbinados y los caudales vertidos, siendo esta estimación sensible al modelado del lago y al efecto del viento en la superficie del mismo. En este sentido, como se observa en la figura 6, durante el período analizado se tienen valores de caudal negativos, los cuales pueden deberse al efecto de compensación de valores de caudal excesivos propios de la metodología de estimación (posiblemente asociado a la acción del viento en el embalse). Tal como se discutirá en las próximas secciones, esto constituye una limitante para la implementación del modelo en modo operativo.

Figura 6. Serie diaria de caudales de aporte teóricos al embalse de Rincón de Bonete.

Fuente: Elaboración de los autores a partir de datos brindados por UTE.

En la figura 7 se presenta la distribución espacial de las estaciones hidro-meteorológicas (ETP y caudal) con influencia en la cuenca de Rincón del Bonete y los polígonos de Thiessen considerados (grilla GEFS) para el cálculo de la precipitación media en cada subcuenca.

Figura 7. Ubicación de las estaciones hidro-meteorológicas (ETP y caudal) y polígonos de Thiessen considerados (grilla GEFS) para el cálculo de la precipitación media en cada subcuenca. En cada estación se especifica el código correspondiente y la entidad responsable de su operación. Cada polígono de Thiessen está sombreado con un color diferente para facilitar su visualización.

Fuente: Elaboración de los autores.

RESULTADOS Y DISCUSIÓN

Simulación en modo retrospectivo

En primer lugar, a modo de diagnóstico, se realizó una simulación para el período junio 2018 a agosto 2019 a partir de la corrida de control del GEFS corregida por el boletín pluviométrico de INUMET (asumido como la información histórica disponible). En el diagrama superior de la figura 8, se presenta la serie de caudales resultante y se incluye, a modo de referencia, la serie de caudales teóricos estimados por UTE en base a las variaciones de la cota del lago y los caudales erogados. En el diagrama inferior de la figura 8, se presentan los respectivos volúmenes acumulados. Se observa que el modelo sigue la tendencia de la serie teórica, pero suavizada, y con sesgos a menores montos. Se obtuvo una diferencia entre el volumen de escurrimiento total (ΔV) modelado y teórico del -15% (tabla 4).

Figura 8. Resultados de la simulación en modo retrospectivo para el período junio de 2018 a agosto de 2019: serie de caudales diarios (diagrama superior) y volúmenes acumulados (diagrama inferior). A modo de referencia se incluye la serie de caudales teóricos de UTE.

Fuente: Elaboración de los autores.

El coeficiente de escorrentía (definido como el cociente entre el volumen escurrido y la precipitación acumulada en la cuenca) calculado a partir de las series de caudales simulados y teóricos, considerando en ambos casos la precipitación de la corrida de control del GEFS, es de 0.41 y 0.48 respectivamente (tabla 4). Asumiendo como válida la serie de caudales teóricos, resulta una subestimación del modelo que podría deberse a una subestimación de la precipitación y/o a una deficiencia en la representación del proceso de transformación P-Q (precipitación a caudal). Dado que según DINAGUA (2012), para la región de estudio corresponde un C promedio anual de 0.37, valor muy próximo al obtenido con la serie simulada, se deduce que el déficit es mayormente atribuible a la serie de precipitación considerada.

Adicionalmente, se calculó el coeficiente de eficiencia de Nash-Sutcliffe (NSE) y el coeficiente de determinación (R²) para todo el período simulado, para los pasos de tiempo diario y semanal (considerando que el modelo se emplea como una herramienta de apoyo a la toma de decisión de la programación semanal). Los resultados obtenidos se presentan en la tabla 4. En base a las calificaciones generales de desempeño para dichos estadísticos reportadas por Moriasi et al. (2007) y Chen et al. (2017), los resultados obtenidos para el paso diario no son satisfactorios (valores inferiores a 0.50 para ambos estadísticos), pero sí lo son para el paso semanal (NSE=0.50 y R2=0.53). En cuanto a la diferencia de volúmenes escurridos, se obtuvo un desempeño entre satisfactorio y bueno (ΔV ≈ -15%).

Tabla 4: Indicadores de desempeño de la modelación hidrológica.

Fuente: Elaboración de los autores.

Estos resultados son inferiores a los obtenidos por Narbondo et al. (2018) en la aplicación del modelo GR4J en otras cuencas de Uruguay, pero en vista de la discusión anterior, se entiende que el desempeño del modelo mejoraría significativamente al considerar una mejor estimación de la precipitación histórica, a partir de la cual será posible realizar la calibración del modelo de manera encontrar el conjunto de parámetros óptimos para la cuenca de estudio (ver la p. 110).

Simulación en modo pronóstico

En la figura 9, a modo de ejemplo, se presentan los ensambles de pronósticos de caudales y volúmenes acumulados obtenidos para ventanas de tiempo de dos semanas, para dos casos de distinto desempeño. A modo de referencia, se incluyen los valores teóricos estimados por UTE.

En la simulación del día 11/01/2019 (diagrama izquierdo), el caudal teórico tiende a aproximarse a los miembros más altos del ensamble. Asimismo, es interesante notar el efecto de compensación (posiblemente asociado a la acción del viento en el embalse) en la estimación teórica entre los días 15 al 17 de enero, donde el promedio de los aportes es de 2,600 m³/s, valor comprendido dentro del cono conformado por los caudales pronosticados. Este efecto repercute en los volúmenes acumulados, la curva del promedio del ensamble y la curva teórica se separan el 15/01 y a partir de allí continúan paralelas, con la consecuente subestimación del modelo.

En la simulación iniciada el día 29/04/2019 (diagrama derecho), el ensamble de caudales sigue la tendencia del caudal teórico durante la primera semana, luego se amplía su dispersión. En este caso, al final del horizonte de pronóstico el volumen acumulado teórico está incluido dentro del cono conformado por el ensamble.

Figura 9. Ejemplos de ensambles de pronósticos de caudales y volúmenes acumulados. A modo de referencia se incluye la serie de caudales teóricos de UTE.

Fuente: Elaboración de los autores.

Finalmente, es interesante señalar una limitación de la versión operativa actual del modelo, sin asimilación de datos observados. En la figura 10 se presentan los ensambles de pronósticos de caudales y volúmenes acumulados obtenidos en la simulación iniciada el 29/06/2019. Se observa un salto en el valor inicial del caudal (el pronóstico es muy superior al teórico), sin embargo, la tendencia es capturada correctamente por el modelo, que en este caso presenta baja dispersión.

Lo anterior, junto con la imperfecta representación del campo de precipitaciones observado y los errores introducidos en la modelación hidrológica, pone en evidencia la necesidad de implementar un proceso de ajuste que opere como parte de la simulación continua. Dicho ajuste podrá ser implementado solo en aquellas cuencas donde se cuente con registro observado de caudales (ver figura 7) y, por tanto, se puede estimar el error del modelo.

Figura 10. Ejemplo de ensamble de pronósticos de caudales que evidencia la necesidad de incluir asimilación de datos observados en la versión operativa del modelo.

Fuente: Elaboración de los autores.

CONCLUSIONES Y PASOS FUTUROS

Se desarrolló una metodología para la generación y acople dentro del SimSEE de ensambles de pronósticos, en particular aplicada a los aportes a la represa de Rincón del Bonete a partir de un ensamble de pronósticos de precipitación. Para ello, se implementó un modelo hidrológico simple de paso diario (GR4J) combinado con un modelo de tránsito hidrológico (Muskingum). El ensamble de pronósticos de caudal se incorpora dentro del sintetizador de aportes del modelo de simulación del sistema eléctrico (SimSEE) a través de los sesgos y una serie de atenuadores por paso de tiempo, ajustados por máxima verosimilitud. Dicha metodología es lo suficientemente general y flexible como para permitir incorporar a futuro otras fuentes de pronóstico, además de poder ser operada adecuadamente con la información hidro-meteorológica disponible en tiempo real.

En general, el desempeño del modelo hidrológico implementado es satisfactorio, con un NSE de 0.50 (paso semanal), un R² de 0.53 (paso semanal) y una diferencia de volúmenes acumulados de -15%. Se observa una leve subestimación de los caudales teóricos, mayormente atribuible a la serie de precipitación considerada.

Finalmente, en base a los resultados obtenidos se desprende que, para la implementación del modelo en modo operativo, la asimilación de datos observados de precipitación y caudal en tiempo real es crítica, ya que se identificaron algunas limitaciones:

Una vez hecho el aprendizaje en la cuenca de Rincón del Bonete, se podrá extender la metodología a las otras centrales hidroeléctricas, en particular a las localizadas sobre el río Negro.

AGRADECIMIENTOS

Este trabajo fue desarrollado en el marco del Proyecto PRONOS, financiado por el Banco de Desarrollo de América Latina (CAF). Se agradece al Instituto Uruguayo de Meteorología (INUMET), el Instituto Nacional de Investigación Agropecuaria (INIA) y la Administración Nacional de Usinas y Trasmisiones Eléctricas (UTE) de Uruguay, por la disponibilidad de los datos hidro-meteorológicos empleados.

REFERENCIAS

ADME (2019). Informe anual 2018. Administración del Mercado Eléctrico, Uruguay. https://adme.com.uy/db-docs/ Docs_secciones/nid_526/Informe_Anual_2018_V8.pdf

Chaer R. (2005). Modelo de series correlacionadas CEGH. http://iie.fing.edu.uy/simsee/curso2010/Cap9_ sintetizadorCEGH.pdf

Chaer R. (2008). Simulación de sistemas de energía eléctrica. Tesis de maestría en Ingeniería Eléctrica, Universidad de la República. Uruguay. http://iie.fing.edu. uy/publicaciones/2008/Cha08/Cha08.pdf

Chen H., Luo Y., Potter C., Moran P.J., Grieneisen M.L., Zhang, M. (2017). Modeling pesticide diuron loading from the San Joaquin watershed into the Sacramento-San Joaquin Delta using SWAT. Water Res. 2017, 121, 374–385. https://doi. org/10.1016/j.watres.2017.05.032

Chreties C., Crisci M., Narbondo S., Schenzer D., Pienika R. (2017). Mejora en la estimación de caudales fluviales en Uruguay y su aplicación para evaluar el potencial de generación hidrocinético. Informe final del Proyecto ANII FSE, Convocatoria 2014 (ANIIFSE_1_2014_1_102258). Instituto de Mecánica de Fluidos e Ingeniería Ambiental, Universidad de la República Oriental de Uruguay.

Cuo L., Pagano T., Wang Q. (2011). A review of quantitative precipitation forecasts and their use in short -to medium-range streamflow forecasting. J. Hydrometeor., 12, 713-728. https://doi.org/10.1175/2011JHM1347.1

DINAGUA (2012). Ciclos anuales y estacionales de parámetros hidrológicos (1980-2004). Informe temático de la División Recursos Hídricos, Departamento de Hidrología, Dirección Nacional de Aguas, MVOTMA, Uruguay.

IMFIA (2014). Previsión de niveles en el río Yi con base en información hidrológica en tiempo real y pronósticos meteorológicos. Informe final del Proyecto ANII FSE, Fondo Sectorial Energía Convocatoria 2011. Instituto de Mecánica de Fluidos e Ingeniería Ambiental. Universidad de la República Oriental de Uruguay.

Kalnay E. (2003). Atmospheric modelling, data assimilation and predictability. Cambridge University Press. https://doi. org/10.1017/CBO9780511802270

Maciel F., Terra R., Díaz A. (2012). Incorporación de información climática en la simulación de aportes a represas en un modelo del sistema eléctrico. Memorias del XXV Congreso Latinoamericano de Hidráulica, San José, Costa Rica. ISBN: 978-9968-933-06-3.

Maciel F., Terra R., Chaer R. (2015). Economic impact of considering El Niño Southern Oscillation on the representation of streamflow in an electric system simulator. Int. J. Climatol., 35, 4094-4102.

Molfino J.H. (2009). Estimación de Agua Disponible en los grupos CONEAT. División de Suelos y Aguas, Ministerio de Ganadería Agricultura y Pesca. Montevideo, Uruguay.

Moriasi D. N., Arnold J. G., Van Liew M. W., Bingner R. L., Harmel R. D., Veith T. L. (2007). Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. Transactions of the ASABE, 50 (3), 885-900. http://dx.doi.org/10.13031/2013.23153

Narbondo S., Crisci M., Chreties C. (2018). Modelación hidrológica diaria en cuencas con diferentes características de Uruguay. XXVIII Congreso Latinoamericano de Hidráulica, IAHR, Buenos Aires, Argentina.

Narbondo S., Gorgoglione A., Crisci M., Chreties, Ch. (2020). Enhancing physical similarity approach to predict runoff in ungauged watersheds in sub-tropical regions. Water, 12 (2), 528; https://doi.org/10.3390/w12020528

Perrin C., Michel C., Andréassian V. (2003). Improvement of a parsimonious model for streamflow simulation. Journal of Hydrology, 279 (1), 275-289. https://doi.org/10.1016/ S0022-1694(03)00225-7

Ruiz J.J. (2008). Aplicación de los pronósticos por ensambles a la predicción del tiempo a corto plazo sobre Sudamérica. Tesis Doctoral. Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires, Argentina. http://hdl.handle. net/20.500.12110/tesis_n4361_Ruiz

Zhu Y. (2018). NCEP Global Ensamble Forecast System (GEFS). Global EPS Report to WMO on NCEP GEFS, DPFS/ ET-OWFPS/Doc. 7.1(3). https://www.emc.ncep.noaa.gov/ GEFS/mconf.php

-----------

Pie de página:

1 Disponible en http://srtm.csi.cgiar.org/srtmdata/.

2 Disponible en https://simsee.org/.

3 VATES es un robot-software que se ejecuta en forma continua en los servidores de la Administración del Mercado Eléctrico (ADME, Uruguay), integrando la información de estado del SIN y los pronósticos (eólica, solar, hidráulica, demanda) para generar las distribuciones de las variables de interés de las siguientes 168 horas de la operación óptima del SIN.

4 Las salidas están disponibles en el siguiente link: http://latorre.adme.com.uy/vates.

5 Disponible en https://www.inumet.gub.uy/clima/ recursos-hidricos/boletin-pluviometrico.