Abstract
This study presents the evaluation of the performance of a streamflow forecast model based on a feedforward multilayer artificial neural network. Available rainfall forecasts were considered as additional inputs to the model. The Furnas dam, in the Rio Grande basin, was selected as the case study, primarily because of the availability of short-term rainfall forecast data produced in a previous study using an ETA model. Streamflow forecasts have a twelve day horizon at daily intervals (lead times from 1 to 12 days). A new methodology for training and validating the Artificial Neural Network is proposed based on perfect rainfall forecasts (considering observed rainfall as a forecast). Results show that benefits could be achieved in inflow forecasts to Furnas dam by incorporating rainfall forecasts. Improvement in inflow forecasts using the proposed model depends on quality of rainfall forecasts. However, forecast performance was better than the current streamflow forecasts produced by the Brazilian national electric system operator. The performance of the streamflow forecast model using ETA rainfall forecast and perfect forecast were similar up to the fifth lead time. Meanwhile, quality of streamflow forecasts improves when using perfect rainfall forecast from lead time six to twelve, compared to that using ETA forecast
Highlights
Além das rede neural feedforward de múltiplas camadas (RNFMC), outras redes neurais artificiais (RNAs) têm sido utilizadas na previsão de variáveis hidrológicas, entre elas: redes neurais nebulosas e redes recorrentes de Elman
Entretanto, 1800 ciclos, na média, foram necessários no treinamento das RNFMCs(5-3-1)
Short Term Forecasts of Inflow to the Furnas Reservoir Using Artificial Neural Networks
Summary
Decisões relacionadas à operação de reservatórios são tomadas com base no conhecimento antecipado de condições atmosféricas e hidrológicas em diferentes escalas de tempo e espaço. Redes neurais artificiais são utilizadas, neste trabalho, para estimar a vazão de afluência ao reservatório de Furnas (Minas Gerais, Brasil) com base em previsões quantitativas de chuvas do modelo regional ETA. A utilização de previsões hidrológicas subsidia o processo de tomada de decisão, podendo produzir benefícios pela redução dos danos decorrentes de cheias, pelo aumento da segurança da barragem e pela maior eficiência na geração de energia (Hamlet et al, 2002; Maurer e Lettenmaier, 2004; Bravo, 2006). Entre os diferentes modelos matemáticos que têm sido desenvolvidos para realizar previsões de vazão, as redes neurais artificiais (RNAs) se apresentam como um dos modelos empíricos mais utilizados (Dawson e Wilby, 2001; Maier e Dandy, 2000). O desempenho das RNAs é avaliado com base em diferentes critérios, inclusive comparando-o com o modelo atualmente utilizado pelo Operador Nacional do Sistema Elétrico (ONS) para prever a vazão afluente a esse reservatório
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Free) 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a call
