Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CSPC2013
I.
I NTRODUCCIN
Los datos hidrolgicos constituyen una secuencia de observaciones de algunas de las fases del ciclo hidrolgico,
representadas a travs de series temporales. El anlisis de estos
datos es necesario para la planeacin y gestin de eventos que
presentan un fenmeno de persistencia observable.
Hay que tener en cuenta que cuanto ms largo sea el
registro, hay una mayor probabilidad de que existan cambios
en las condiciones fsicas de la cuenca o en los mtodos de
recoleccin los datos. Es conocido tambin que la simulacin
que usa unicamente los registros histricos introduce muchas
limitaciones, como por ejemplo [3] la cual remarca que hay
un limitado nmero de diseos o estrategias alternativas. Las
mejores reglas de operacin y diseo son obtenidas cuando se
prueban una variedad de escenarios generados.
Por otro lado, estimar la capacidad de almacenamiento de un
sistema de embalses puede ser hecho a partir de la generacin
sinttica de flujos en uno o mas lugares, del mismo modo
los estudios de operacin de un sistema de embalses pueden
requerir la previsin de variables como las precipitaciones o
caudales.
En general las investigaciones en recursos hdricos pueden
involucrar generacin de datos y/o previsin no solo de
variables hidrolgicas sino de otras vinculadas al uso de
agua como irrigacin, generacin elctrica, demandas de agua
potable, etc. Por lo tanto, la bsqueda de un diseo ptimo
en un proyecto de gestin del agua frecuentemente involucra
encontrar un mtodo o tcnica que genere largas secuencias
de las caracteristicas de los flujos en este caso de un ro en
cuestin. Estas secuencias pueden ser usadas para analizar el
desempeo del proyecto diseado.
41
Donde:
Q j es el caudal en el mes j
Q j es el caudal promedio en el mes j
B j es la pendiente de la recta de regresin entre el mes j y
j+1
S j es la varianza de la distribucin de los caudales en el
mes j
R j es el coeficiente de correlacin entre el mes j y j+1
T j es un nmero aleatorio que viene de una distribucin
normal de media nula y de varianza igual a uno.
Para calcular los promedios, la pendiente, la varianza y el
coeficiente de correlacin con los datos histricos.
El promedio:
1 n
Q j = Q j
n i=1
CSPC2013
Para j igual a 1
r1 =
1
n1
$
$
Q1 Q 1 Qm Q m
s1 sm
j j
b j = s j1
para j 2
para j = 1 b1 = rs1ms1
III.
sj =
$
2
1
Q j Q j
n1
El coeficiente de correlacin:
Para j mayor o igual a 2
$
$
1
n1 Q j Q j Q j1 Q j1
rj =
s j s j1
(2)
42
(3)
(4)
(6)
P ROCESAMIENTO DE DATOS
La varianza:
r
(5)
Figura 1.
Estaciones de Medicin
(7)
ct = a/gt2
(8)
Donde:
Qv,t es el caudal de entrada observado (MCM) para el mes
t = 1, 2, ..,12 y el ao v(v = 1, ..., N); N es el nmero de
aos registrados de la serie; Q es el promedio mensual de
caudales para el mes t, a es una constante; g es el coeficiente
de asimetra para el conjunto Q1,t , Q2,t , ...QN,t y Xv,t son los
caudales normalizados para el ao v y mes t.
IV.
CSPC2013
Las redes neuronales estn compuestas de elementos simples operando en paralelo, estos elementos son inspirados
por el sistema nervioso como en la naturaleza, la funcin
de la red es determinada en gran parte por las conexiones
entre elementos. Una red neuronal puede ser entrenada para
realizar una funcin particular mediante el ajuste de los valores
de sus conexiones(pesos) entre elementos, comnmente las
redes neuronales son ajustadas, o entrenadas , de modo que
una entrada en particular supone una salida especfica tal
situacin se encuentra ilustrada en 2, ah la red es ajustada,
basada en una comparacin de la salida y el objetivo hasta
que la salida de la red coincida con el objetivo. Tpicamente
muchas parejas entrada/objetivo son usadas, en el aprendizaje
supervisado para entrenar una red. las redes neuronales han
sido entrenadas para realizar funciones complejas en varios
campos de aplicacin incluyendo: reconocimiento de patrones,
identificacin, clasificacin, habla , visin y sistemas de control. hoy en da las redes neuronales pueden ser entrenadas para
resolver problemas que son difciles para las computadoras
convencionales o seres humanos.
El campo de redes neuronales tiene una historia de al menos
5 dcadas pero ha encontrado solida aplicacin slo en las dos
ultimas, y estn an desarrollndose rpidamente. As , esto
es diferente de los campos de sistemas de control u optimizacon donde la terminologa , matemtica bsica y diseo de
procedimientos han sido firmemente establecidos y aplicados
por muchos aos en los 90. Las ANN han sido usadas
satisfactoriamente en reas relacionadas de hidrologa, una
revisin detallada se encuentra en (ASCE-TCAANNH,2000).
Las Redes Neuronales son inicializadas asignando nmeros
aleatorios dentro del intervalo [-1,+1] para la interconexin
de pesos y definiendo los parmetros de la funcin sigmoide
de las capas , escondida y salida. tambin una taza de
aprendizaje es seleccionada, controla el cambio incremental
en la interconexin de pesos durante un entrenamiento iterativo
como un porcentaje de la diferencia entre la salida deseada
y la salida calculada por red neuronal. El entrenamiento de
la NN es realizado proporcionando entradas para el modelo,
Figura 2.
IV-A.
43
IV-B.
Figura 3.
(9)
2
1
1 + ex
(10)
44
F(x) =
CSPC2013
(11)
CSPC2013
xk+1 = xk [J T J + I]1 J T e
(12)
(13)
j = O j (1 O j )(T j O j )
(15)
(16)
1
N
(Tj O j )2
(17)
j=1
(18)
El esquema usado es un modelo que usa procesos estocsticos para la generacin de datos artificiales hidrolgicos, en
trminos de series mensuales de afluencia usando un modelo
basado en ANN. El modelo consiste de dos componentes, el
primero es la misma parte estocstica del modelo de ThomasFiering, y un componete determinstico que es representado
por la arquitectura de la ANN. Los dos componentes han de
ser recogidos sobre series estandarizadas y normalizadas.
Los datos usados para la generacin para los valores de
caudal, precipitacin y evaporacin son obtenidos de la cuenca
de Ro Chili en la represa del Pae.
Consecuentemente la red neuronal necesita primero ser
escalada. La forma final del modelo puede ser resumido como
la suma de ambos componentes dado por :
Qv,t = f (Yv,td + Rv,t )
(19)
(20)
Qv,t = 10dv,t ct Qt
(21)
45
CSPC2013
14
media
real
12
10
0
0
10
12
Figura 6. Modelo de Caudal generado para las cuencas del Chili, data
historica: aos 1970-2002, data sintetizada: 2003
30
escenarios
real
25
180
media
real
170
20
15
160
150
10
140
5
130
120
0
0
10
12
110
100
90
0
10
12
Figura 7. Modelo de Caudal generado para las cuencas del Chili, data
historica: aos 1970-2002, data sintetizada: 2003
Figura 4. Modelo de Evaporacin generado para las cuencas del Chili, data
historica: aos 1970-2002, data sintetizada: 2003
250
media
real
200
150
240
escenarios
real
220
100
200
180
50
160
140
0
0
10
12
120
100
80
Figura 8. Modelo de Precipitacin generado para las cuencas del Chili, data
historica: aos 1970-2002, data sintetizada: 2003
60
40
0
10
12
VI.
Figura 5. Modelo de Evaporacin generado para las cuencas del Chili, data
historica: aos 1970-2002, data sintetizada: 2003
46
CSPC2013
Cuadro I
2003 - EL PAE
EVAPORACIN
400
escenarios
real
350
input
Xn-1
300
250
mse NN
0.1253
0.1236
0.1229
0.124
rmse
16.7403
16.2653
16.9558
15.0494
200
Cuadro II
2003 - EL PAE
150
PRECIPITACIN
100
input
Xn-1
50
0
0
10
12
Figura 9. Modelo de Precipitacin generado para las cuencas del Chili, data
historica: aos 1970-2002, data sintetizada: 2003
mse NN
0.1938
0.1949
0.193
0.1966
rmse
28.9166
30.2083
23.8425
25.8047
47
CAUDAL
input
Xn-1
mse NN
0.1607
0.1584
0.1649
0.1536
rmse
1.6634
2.0392
1.9423
2.0293
48
CSPC2013