Análise de Agrupamento sobre cenários de Energia Natural Afluente, em bacias do Sistema Nacional Interligado (SIN), gerados a partir da previsão de precipitação de médio prazo do Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF) aplicadas num modelo chuva-vazão

Abstract

O presente trabalho tem como objetivo avaliar a assertividade de previsões de Energia Natural Afluente (ENA) geradas com base em uma análise de agrupamento dos 51 membros da previsão meteorológica ECMWF-Extended-Range. Para isso, aplicou-se o algoritmo K-Means sobre cenários de ENA gerados a partir do produto Extended-Range do ECMWF, do dia 23 de Setembro de 2021. Esta data está dentro do período de transição de seco para úmido para diversas bacias do Sistema Interligado Nacional (SIN). ENAs das sub-bacias que compõem o SIN foram agregadas espacialmente, em duas regiões distintas, e temporalmente, através de médias semanais, conforme metodologia proposta pelo Operador Nacional do Sistema Interligado (ONS) em estudos de análise de agrupamentos sobre cenários de ENA. Foram testados agrupamentos com K variando de 0 a 10. Utilizou-se como função objetivo do algoritmo a distância de Frobenius e, através do Elbow Method, determinou-se como 10 o número ideal de grupos. Uma única série de ENA prevista foi gerada a partir da ponderação de membros representativos dos agrupamentos, com base na quantidade de membros associados à cada grupo, sendo esta série denominada de ENA ponderada. A ENA ponderada conseguiu prever crescimentos de ENA não previstos pela previsão oficial do ONS no Planejamento Mensal de Operação Energética (PMO) de Outubro de 2021, em todos os submercados do SIN. Os resultados sugerem que a ENA ponderada é mais assertiva que a previsão oficial do ONS nos submercados Sul, Sudeste e Norte, com coeficientes de Nash-Sutcliffe de 0.23, 0.46 e 0.12, e erro médio absoluto percentual de 15.8, 19.9 e 11.0, respectivamente. Apesar da maior assertividade, os valores das métricas calculadas para a ENA ponderada no estudo de caso não são satisfatórios, portanto, recomenda-se a extensão da metodologia para outras datas previstas em diferentes cenários hidrológicos, além da variação da agregação temporal e espacial utilizada.

This work evaluates the assertiveness of Affluent Natural Energy (ENA) forecasts, which are generated from a cluster analysis considering 51 members of the meteoreological forecast ECMWF-Extended-Range. The K-Means algorithm is applied over the multiple ENA scenarios which generated through the Extended-Range product, from September 23, 2021. This date is in between the transition period from dry to wet season for many basins from the Sistema Interligado Nacional (SIN). The hydrological basins that make-up the SIN, were merged spacially, in two distinct regions, and temporally, by weekly means, according to methodology proposed by the Operador Nacional do Sistema Interligado (ONS) in clustering studies of ENA. The number of clusters tested ranged from 2 to 10. The Frobenius distance is considered in the objective function. The ideal number of clusters found through the Elbow Method is 10. A single series of ENA forecast was generated from the weighting of representative members and the number of members clustered in each group, and this forecast series is called weighted ENA. The weighted ENA achieved to predict the rise of observed ENA which was noted predicted by the National Operator of the Interligated System (ONS) on the Monthly Planning of Energy Operation (PMO) of October 2021, in all submarkets of the Interligated National System (SIN). This showed that the weighted ENA was more accuarate than the ONS forecast, on the Sul, Sudeste and Norte submarkets, with Nash-Sutcliffe coefficients of 0.23, 0.46 and 0.12, and the Mean Absolute Percentage Error (MAPE) of 15.8, 19.9 and 11.0, respectively. Despite better accuracy is shown, weighted ENA Nash-Sutcliffe and MAPE values aren’t satisfactory, threrefore, it is recommended the extension of the current methodology for other forecast dates in diferente hydrological scenarios, and the variation of temporal and spacial aggregation applied.