Modelo GEVAZP¶

Descrição Geral¶

O modelo GEVAZP foi desenvolvido com o objetivo de gerar uma árvore de cenários e séries sintéticas de afluências às usinas hidrelétricas, de forma a representar da melhor forma a Motivação. Estes cenários são considerados nos problemas de otimização estocástica resolvidos pelos modelos empregados no planejamento da operação de médio e curto prazo (NEWAVE, SUISHI e DECOMP), respeitando as características dos métodos de solução utilizados de cada modelo. A partir de 2021, o modelo incorporou a geração de séries sintéticas mensais de ventos/produção eólica, de forma conjunta às afluências aos reservatórios das hidroelétricas.

Estes cenários são amplamente empregados em estudos energéticos, onde se faz necessária a avaliação de critérios probabilísticos, como por exemplo, critérios de suprimento que são baseados em índices de risco, estimados a partir da simulação da operação energética do sistema para diversos cenários (sequências) de afluências.

Os cenários hidrológicos utilizados nos modelos de planejamento da operação de médio e curto prazos (NEWAVE e DECOMP) são gerados pelos modelos estocásticos ajustados pelo GEVAZP, levando-se em consideração as correlações temporais e espaciais das vazões, regras operativas, registros de vazão incremental bem como informação macroclimática (ENSO).

Objetivo e Aplicações¶

O modelo GEVAZP possui dois objetivos principais:

gerar um árvore de cenários, com discretização mensal, para os modelos de planejamento hidrotermo-eólico de médio/longo prazos (Modelo NEWAVE) e o modelo de planejamento de curto prazo e despacho semanal/mensal (Modelo DECOMP). Estes cenários, que representam de forma conjunta a incerteza nas afluências às usinas hidrelétricas e nos regimes de ventos, procuram representar, da melhor forma possível, a distribuição contínua dessas variáveis aleatórias;
gerar séries sintéticas de afluências às usinas hidrelétricas e velocidades de ventos para os parques eólicas, que são utilizados pelo modelo NEWAVE, na Simulação da Política de Operação, e também pelo modelo SUISHI, no seu processo de simulação hidrotérmica.

Funcionalidades¶

O modelo possui diversas funcionalidades, incluindo-se:

modelo Par(p) 1, que é um modelo autorregressivo periódico, para considerar a dependência temporal das afluências naturais às usinas hidrelétricas;
modelo Par(p)-A 2, 3, que consiste na incorporação, no modelo Par(p), da correlação anual entre as afluências, de forma a mais bem representar secas de longa duração;
modelo MS-Par(p) 4, 5, que representa o fenômeno macroclimático ENSO (El Niño / La Niña) no processo de geração de cenários;
método de amostragem seletiva, 6, que é um processo de redução de cenários (clusterização) para gerar a árvore de cenários para os modelos NEWAVE e DECOMP

A incerteza é tratada de diferentes formas, dependendo da representação utilizada no modelo do sistema, e a representação dos possíveis cenários de vazões é diferenciada para cada uma das Etapas do Planejamento hidrotermo-eólico.

Geração de cenários para o NEWAVE¶

Geração de cenários para o DECOMP¶

Geração de cenários para o SUISHI¶

Documentação¶

A documentação do modelo GEVAZP consiste, além dessa documentação Web, dos seguintes documentos que constam da pasta “documentos” do pacote de instalação do modelo:

Manual de Metodologia do Modelo
Manual do Usuário do Modelo

Esta documentação está acessível pelo endereço: https://www.cepel.br/produtos/documentacao-tecnica/.

Para mais informações sobre o modelo DESSEM, estamos disponíveis pelo endereço gevazp@cepel.br.

Referências¶

1: M. E. Maceira and C. V. Bezerra. Stochastic streamflow model for hydroelectric systems. In 5th Int. Conf. on Probabilistic Methods Applied to Power Systems -PMAPS. 1997.
2: F. Treistman, M. E. P. Maceira, J. M. Damázio, and C. B. Cruz. Proposta metodológica para o aprimoramento da memória de modelos auto-regressivos periódicos. Relatório Técnico 1416/2020, CEPEL - Centro de Pesquisas de Energia Elétrica, Fev. 2020.
3: F. Treistman, M. E. P. Maceira, J. M. Damazio, and C. B. Cruz. Periodic time series model with annual component applied to operation planning of hydrothermal systems. In International Conference on Probabilistic Methods Applied to Power Systems (PMAPS). Liege, Belgium, 2020.
4: F. Treistman, M. E. P. Maceira, D. D. J. Penna, J. M. Damazio, and Rotunno Filho, O. C. Synthetic scenario generation of monthly streamflows conditioned to the el niño–southern oscillation: application to operation planning of hydrothermal systems. Stochastic Environmental Research and Risk Assessment, 34:331–353, 2020. doi:https://doi.org/10.1007/s00477-019-01763-2.
5: J. F. M. Pessanha, V. A. Almeida, and P. D. S. Chan. Ms-par(p): generation of synthetic flow scenarios using a markov-switching periodic auto-regressive model. Brazilian Journal of Water Resources, 28:e44, 2023. doi:https://doi.org/10.1016/j.epsr.2021.107722.
6: D. D. J. Penna, M. E. P. Maceira, and J. M. Damázio. Selective sampling applied to long-term hydrothermal generation planning. In 17th Power Systems Computaion Conference. 2011.