Correlated Time-Series in Multi-Day-Ahead Streamflow Forecasting Using Convolutional Networks

Acesse o artigo

O problema

A previsão da vazão dos rios é crucial para o planejamento da produção de energia hidrelétrica, especialmente para usinas hidrelétricas a fio d’água. No entanto, a vazão do rio é um reflexo de vários fatores hidrológicos, hidrogeológicos e meteorológicos, o que aumenta a dificuldade de modelagem direta e favorece o uso de métodos orientados por dados.

Abordagem utilizada

Neste artigo, propomos o uso de redes neurais convolucionais unidimensionais (1d-CNN) para previsão de vazão de vários dias à frente e apresentamos um modelo de múltiplas entradas usando séries temporais de entrada correlacionadas. Observamos que a vazão e a turbidez do rio são altamente correlacionadas, mas deslocadas no tempo.

Resultados

O modelo proposto foi aplicado no Rio Madeira, o maior e mais importante afluente do Amazonas, próximo à Usina Hidrelétrica de Santo Antônio. Observamos que a vazão está 38 dias atrasada da vazão, logo a turbidez é uma boa informação sobre a vazão futura. Os resultados mostraram que o uso de séries temporais correlacionadas como entrada para um modelo 1d-CNN diminui o tamanho do modelo em 5 vezes, com melhorias na precisão.

Perspectivas

Acreditamos que a abordagem proposta pode ser aplicada em outros rios e bacias hidrográficas, contribuindo para um planejamento mais eficiente e preciso da geração de energia hidrelétrica. Além disso, pretendemos investigar o uso de outras variáveis hidrológicas e meteorológicas como entrada para o modelo, visando melhorar ainda mais sua precisão e robustez.

Citação recomendada: Felipe Barino, Vinicius Silva, Andres Lopez-Barbero, Leonardo Honorio, Alexandre Santos, "Correlated Time-Series in Multi-Day-Ahead Streamflow Forecasting Using Convolutional Networks." IEEE Access, 2020.