Upload
dangthu
View
221
Download
1
Embed Size (px)
Citation preview
P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
PREVISÃO DE VAZÕES DIÁRIAS AO RESERVATÓRIO DE TRÊS MARIAS USANDO A TÉCNICA DE REDES NEURAIS
Operador Nacional do Sistema Elétrico
Presidência
Rua da Quitanda 196/22º andar, Centro
© 2005/ONS
Todos os direitos reservados.
Qualquer alteração é proibida sem autorização.
ONS NT 051/09
PREVISAO DE VAZÕES DIÁRIAS AO RESERVATÓRIO DE TRÊS MARIAS USANDO A TÉCNICA DE REDES NEURAIS
Revisão 01
Dezembro de 2009
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
3 / 89
Sumário
1. Introdução 7
2. Proposta e Objetivo 10
3. Descrição da Área em Estudo 11
4. Processo de Previsão de Vazões 13
5. Introdução Teórica: Redes Neurais Artificiais 14
6. Descrição e Tratamento dos Dados 19 6.1 Informações pluviométricas 19
a) Rede de postos pluviométricos pesquisada 19
b) Preenchimento de falhas e análise de consistência das informações 23
c) Análise geoestatística 24
d) Precipitação prevista 27 6.2 Informações fluviométricas 34
a) Rede de postos fluviométricos pesquisada 34
b) Análise de correlação e preenchimento de falhas 35
6.3 Tratamento da vazão natural 37 6.4 Análise Estatística 37
7. Resultados 48 7.1 Calibração da Rede Neural 48 7.2 Testes para o PMO e suas revisões 51
8. Conclusões e Recomendações 64
9. Operacionalização do Modelo Neuro3M no ONS 65
10. Referências Bibliográficas 66
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
4 / 89
ANEXO I Resultados da comparação dos modelos – previsão de vazões para a primeira semana operativa 69
ANEXO II Chuva média da bacia para todos os meses do ano (em mm) 72
ANEXO III Análise de Consistência dos dados pluviométricos através do método do Vetor Regional 77
Lista de figuras e tabelas
Figura 01 – Localização da sub-bacia 40 no estado de Minas Gerias (CPRM,1996) 11
Figura 02 – Esquema representativo da composição da semana operativa nas revisões semanais 13
Figura 03 – Esquema de parada do treinamento no processo de validação cruzada 17
Figura 04 – Arquitetura combinatorial 18 Figura 05 - Distribuição espacial dos postos pluviométricos
na bacia do rio São Francisco (trecho à montante da UHE Três Marias) 23
Figura 06 – Variabilidade espacial da precipitação e erro associoado à interpolação – Mês de Janeiro 25
Figura 07 – Variabilidade espacial da precipitação e erro associoado à interpolação – Mês de Abril 25
Figura 08 – Variabilidade espacial da precipitação e erro associoado à interpolação – Mês de Agosto 26
Figura 09 – Variabilidade espacial da precipitação e erro associoado à interpolação – Mês de Dezembro 26
Figura 10 – Relação entre a chuva média observada e prevista para os anos de 1996 a 2007 28
Figura 11 – Relação entre a chuva média observada e prevista para as semanas operativas dos anos de 1998 a 2007 28
Figura 12 – Curva de permanência da chuva verificada e prevista a) agosto a novembro b)dezembro e janeiro 30
Figura 13 – Curva de permanência da chuva verificada e prevista a) fevereiro e março b) abril a julho 30
Figura 14 – Análise da existência de Viés – Período de Agosto a Novembro 31
Figura 15 – Análise da existência de Viés – Período de Dezembro e Janeiro 31
Figura 16 – Análise da existência de Viés – Período de Fevereiro e Março 32
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
5 / 89
Figura 17 – Análise da existência de Viés – Período de Abril a Julho 32
Figura 18 – Relação entre a chuva média observada e prevista para as semanas operativas dos anos de 1998 a 2007 – após remoção do viés 33
Figura 19 – Sub-bacias da área de drenagem de Três Marias com a localização dos postos fluviométricos selecionados 34
Figura 20 – Polígono de Thiessen dos postos pluviométricos selecionados 38
Figura 21 – FAC dos postos de Porto Indaiá e Porto Mesquita 39
Figura 22 – FAC dos postos de Ponte Nova do Paraopeba e Ponte dos Vilelas Jusante 39
Figura 23 – FAC da vazão natural de Três Marias e do posto de Porto das Andorinhas 40
Figura 24 – FAC dos postos de Porto Pará e Iguatama 40 Figura 25 - Variabilidade das séries 43 Figura 26 – Matriz de correlação 44 Figura 27 – Dendograma 45 Figura 28 – ACP – análise dos componentes 1, 2 e 3 47 Figura 29 – ACP – análise dos componentes 2 e 3 47 Figura 30 – Períodos usados na divisão dos dados em
treinamento, validação e teste 48 Figura 31 – Dados de entrada das Redes NSRBN
selecionadas 50 Figura 32 – Parâmetros e desvios obtidos na calibração da
rede neural 51 Figura 33 – Comparação dos resultados da previsão 12
dias à frente – período úmido 52 Figura 34 – Comparação dos resultados da previsão 12
dias à frente – período seco 52 Figura 35 – Comparação dos resultados obtidos da
previsão semanal 54 Figura 36 – Ganhos/Perdas na qualidade dos resultados da
previsão de vazões da próxima semana operativa com a adoção da metodologia proposta 55
Figura 37 – Comparação dos resultados da previsão semanal – frequencia acumulada de acertos 58
Figura 38 – Comparação dos resultados da previsão semanal – frequencia acumulada de acertos 60
Figura 39 – Comparação dos resultados da previsão semanal – Ano 2000 61
Figura 40 – Comparação dos resultados da previsão semanal – Ano 2001 61
Figura 41 – Comparação dos resultados da previsão semanal – Ano 2002 62
Figura 42 – Comparação dos resultados da previsão semanal – Ano 2003 62
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
6 / 89
Figura 43 – Comparação dos resultados da previsão semanal – Ano 2006 63
Figura 44 – Comparação dos resultados da previsão semanal – Ano 2007 63
Tabela 01 – Postos pluviométricos selecionados 21 Tabela 02 – Coeficiente de correlação entre os postos
pluviométricos selecionados na área a montante de Três Marias 22
Tabela 03–Constantes a e b das equações obtidas para remoção do viés da previsão de precipitação 33
Tabela 04 – Postos Fluviométricos da CEMIG em operação na área a montante do reservatório de Três Marias 36
Tabela 05 – Coeficiente de correlação entre os postos fluviométricos 36
Tabela 06 – Média e desvio padrão dos dados semanais usados 38
Tabela 07 – Lags obtidos para FAC máxima de 0,6 41 Tabela 08 – Lags obtidos para correlação cruzada máxima
de 0,6 entre a vazão natural de Três Marias e a variável indicada 42
Tabela 09 – Comparação dos resultados obtidos da previsão semanal 53
Tabela 10 – Comparação dos resultados da previsão semanal – período úmido e período seco 55
Tabela 11 – Comparação dos resultados da previsão semanal – frequencia acumulada de acertos – MAD 57
Tabela 12 – Comparação dos resultados da previsão semanal – frequencia acumulada de acertos – MAPE 59
Tabela 13 – Comparação dos resultados da previsão diária 64
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
7 / 89
1. Introdução
As previsões de vazões subsidiam a tomada de decisão do âmbito do Setor
Elétrico porque permitem a avaliação das condições operacionais das usinas hidrelétricas
e termelétricas, através da utilização dos diferentes modelos de otimização e simulação
energética, proporcionando ganhos sinérgicos na operação do Sistema Interligado
Nacional – SIN. Estas previsões, quando realizadas com relativa precisão e
antecedência, podem permitir uma tomada de decisão no sentido de minimizar os efeitos
de uma cheia excepcional ou de uma situação de escassez de recursos hídricos.
As previsões de vazões podem interferir nas atividades de outros usuários
da água, tais como: irrigação, pesca, turismo, lazer e navegação, uma vez que as
defluências dos principais reservatórios são definidas com base nestas previsões.
Conforme o uso que se faça das previsões de vazões, trabalha-se com
diferentes horizontes e intervalos de discretização. No setor elétrico, trabalha-se com
três horizontes de previsões de vazões, a saber: previsões de médio, curto e
curtíssimo prazo.
A geração de cenários para o planejamento de médio prazo abrange um
horizonte de até cinco anos à frente, e é feita a partir do histórico de Energias
Naturais Afluentes - ENAS dos subsistemas, utilizando o GEVAZP (CEPEL, 2001),
que é um modelo estocástico multivariado de geração de séries sintéticas de ENAs,
que se baseia em modelos estocásticos periódicos auto-regressivos e utiliza
informações de até 6 (seis) meses anteriores. Esse modelo gera cenários em paralelo
com a mesma probabilidade de ocorrência, incluindo, dessa forma, a incerteza dessas
energias.
Para algumas avaliações de médio prazo utiliza-se também o sistema
PREVIVAZM (MACEIRA et al, 2003), desenvolvido pelo Centro de Pesquisas de
Energia Elétrica – CEPEL. O PREVIVAZM é um sistema para previsão de vazões em
base mensal, para um horizonte de até 12 (doze) meses à frente, formado pela
combinação de uma gama extensa de modelagens estocásticas, métodos de
estimação de parâmetros e tipos de transformação.
A previsão de vazões de curto prazo abrange um horizonte de dois meses à
frente, sendo o primeiro mês determinístico e o segundo estocástico. Sendo assim, a
previsão para o segundo mês é feita a partir de um histórico de vazões naturais
médias mensais, utilizando o modelo GEVAZP (CEPEL, 2001), que é um modelo
estocástico multivariado de geração de séries sintéticas de vazões incrementais
naturais afluentes aos aproveitamentos hidroelétricos. Esse modelo se baseia em
modelos estocásticos periódicos auto-regressivos e utiliza informações de até 11
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
8 / 89
(onze) meses anteriores e gera cenários com a mesma probabilidade de ocorrência.
Os cenários são agregados, através de um processo de clusterização, incluindo,
dessa forma, a incerteza dessas vazões e tendo, como probabilidade de ocorrência, a
somatória das probabilidades dos cenários agregados. Esses resultados são
utilizados, por exemplo, para subsidiar as tomadas de decisão relativas ao
planejamento da operação para o horizonte anual, sinalizando o estado do
armazenamento dos reservatórios do SIN e o risco de déficit de energia para cada
subsistema.
Ainda no curto prazo, a previsão para o primeiro mês é discretizada
semanalmente, sendo obtida, em grande parte, pelo sistema estocástico univariado
PREVIVAZ (CEPEL 2004), a partir de um histórico de vazões naturais médias
semanais. Estas previsões têm por objetivo subsidiar o Programa Mensal de
Operação - PMO, realizado pelo Operador Nacional do Sistema Elétrico - ONS e suas
revisões semanais. O PREVIVAZ constitui-se num sistema de previsão de vazões em
base semanal, para um horizonte de até 6 (seis) semanas à frente, formado por 94
(noventa e quatro) modelos que combinam a estrutura de correlação, os tipos de
transformação e os métodos de estimação de parâmetros, utilizando informações de
até 4 (quatro) semanas anteriores.
Por último, quanto aos modelos de previsão de vazões para o curtíssimo
prazo, isto é, para até duas semanas à frente, em base diária, há no Brasil inúmeras
metodologias em uso. Algumas dessas metodologias já vêm sendo aplicadas pelas
empresas do setor elétrico e outras estão ainda em fase de teste para algumas bacias
hidrográficas.
Dentre as metodologias utilizadas atualmente no ONS, além das modelagens
estocásticas univariadas e multivariadas, pode-se citar alguns modelos de previsão de
vazões para a primeira semana operativa, a saber:
§ Modelo de previsão baseado na técnica de Data-Mining para a bacia do
rio Uruguai - MPCV;
§ Modelo baseado na inteligência artificial para a bacia do rio Iguaçu -
FUZZY Recorrente;
§ Combinação linear de modelagem física concentrada (SMAP) e de
modelagem estocástica linear (MEL) para o trecho da bacia do rio Paraná
entre as UHEs Rosana, Porto Primavera e Itaipu (SMAP-MEL); e
§ Modelo conceitual distribuído para a bacia do rio Paranaíba (MGB-IPH).
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
9 / 89
Esses modelos utilizam além do histórico de vazões passadas, informações de
postos fluviométricos e precipitação observada e prevista em suas modelagens.
No contexto da modelagem estocástica univariada, um dos modelos
utilizados pelo ONS é o PREVIVAZH (CARVALHO, 2001), que é um modelo de
previsão de vazões em base diária, para um horizonte de até 14 (quatorze) dias à
frente, baseado na desagregação de previsão semanal, a partir da tendência inferida
das últimas vazões passadas e de séries sintéticas diárias de vazões naturais de
forma ponderada. Este modelo não utiliza em sua formulação nenhuma informação de
precipitação observada nem prevista.
No setor elétrico são utilizadas as vazões naturais afluentes aos
reservatórios, que correspondem àquelas que ocorreriam em uma seção do rio, caso
não houvesse a operação de reservatórios a montante, nem a vazão evaporada pelos
lagos artificiais, nem mesmo retiradas de água consumidas com abastecimento e
irrigação a montante. Em síntese, a vazão provida pela própria natureza.
Em novembro de 2003, foi estabelecida a formação de um Grupo de
Trabalho, específico no âmbito do ONS, com o objetivo de analisar e propor
aperfeiçoamentos dos modelos computacionais implantados no planejamento e
programação da operação, bem como estabelecer metodologias complementares
para apoio à decisão operativa. Esse grupo de trabalho, denominado de GT2 “Grupo
de Trabalho para o Aperfeiçoamento dos Modelos de Planejamento da Operação”,
propiciou a criação de Forças de Trabalho para tratar de temas específicos
associados ao planejamento e programação da operação. Dentre estas, foi criada a
Força Tarefa de Hidrologia (FT-Hidrologia), hoje transformada no Subgrupo Hidrologia
SG-HID, que dentre os seus objetos de estudo, vem analisando metodologias para
melhorar a previsão de vazões para os aproveitamentos do SIN, com a incorporação
da precipitação observada e prevista. Os estudos e resultados obtidos para a análise
de um modelo que tem como base a técnica de redes neurais para o aproveitamento
de Três Marias, localizado no rio São Francisco, formam o escopo desta nota técnica.
A previsão de vazões afluentes e a operação do aproveitamento de Três
Marias são relevantes no processo de operação dos demais reservatórios da bacia do
rio São Francisco, localizados a jusante deste reservatório, uma vez que as afluências
naturais a este aproveitamento representam cerca de 26% das afluências desse
mesmo rio São Francisco e que, tais processos, interferem nas definições de
estratégias energéticas para o Subsistema Nordeste.
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
10 / 89
No capítulo 2 é apresentada a proposta e o objetivo deste trabalho. No capítulo
3 apresenta-se a descrição da área em estudo. No capítulo 4 apresenta-se o processo de
previsão de vazões no ONS e no capítulo 5 apresenta-se um resumo da técnica de redes
neurais utilizada no modelo Neuro3M.
No capítulo 6 apresenta-se uma descrição dos dados, das variáveis de entrada
e saída dos modelos utilizados. Os resultados obtidos em testes realizados são
apresentados no capítulo 7, seguidos das conclusões e recomendações e das
referências bibliográficas, apresentadas nos capítulos 8 e 9, respectivamente. Nos
anexos I e II são apresentados os resultados da comparação dos modelos de previsão e
a chuva média da bacia para todos os meses do ano.
2. Proposta e Objetivo
Esta nota técnica apresenta uma proposta metodológica, baseada na técnica
de redes neurais, para a previsão da vazão semanal, um passo à frente, ao
aproveitamento hidrelétrico de Três Marias, em substituição ao processo adotado
atualmente, bem como os resultados obtidos com esta utilização, e comparados com
aqueles obtidos com a metodologia atualmente utilizada pelo ONS.
O objetivo final deste trabalho é a implantação do modelo Neuro3M nos
processos de Programação Mensal da Operação - PMO e suas revisões, dando
sequência ao aperfeiçoamento no processo de previsão de vazões, a fim de proporcionar
melhores insumos para o PMO, e, consequentemente, para o despacho e operação das
usinas hidrelétricas e termelétricas do SIN, com reflexos na otimização e na segurança
do suprimento de energia elétrica.
Podem-se destacar os seguintes objetivos específicos:
§ Selecionar e analisar as informações dos postos hidrométricos
(fluviométricos e pluviométricos) da área a montante do reservatório de Três Marias;
§ Definir qual a melhor topologia de rede neural para a previsão de vazões
naturais afluentes ao reservatório de Três Marias.
§ Apresentar resultados da construção da rede neural e testes para
diferentes períodos do ano do reservatório de Três Marias;
§ Apresentá-la ao Subgrupo Hidrologia e, posteriormente, encaminhá-la à
ANEEL para solicitar autorização para uso no Programa Mensal da Operação e suas
revisões.
§
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
11 / 89
3. Descrição da Área em Estudo
O reservatório de Três Marias localiza-se na região do Alto São Francisco,
entre os paralelos 18º e 21º de latitude sul e os meridianos 43º30’ e 46º40’ oeste de
longitude no estado de Minas Gerais (Figura 01), em uma zona climática tropical. A área
estende-se desde as cabeceiras, na Serra da Canastra, município de São Roque de
Minas, até a cidade de Pirapora (MG), abrangendo as sub-bacias dos rios das Velhas,
Pará e Indaiá, além das sub-bacias dos rios Abaeté e Jequitaí.
A Agência Nacional de Energia Elétrica - ANEEL divide a bacia do rio São
Francisco em nove sub-bacias. A região estudada corresponde à sub-bacia 40. Esta
sub-bacia representa a área de drenagem do reservatório de Três Marias e parte da
área de drenagem do Alto São Francisco (sub-bacias 40 e 41). Segundo a ANA/SPR
, o Alto São Francisco possui 167 municípios, sendo 93% da área urbanizada, com
uma densidade demográfica de 62,9 hab/km2 e uma disponibilidade hídrica de 6.003
m3/hab/ano.
Figura 01 – Localização da sub-bacia 40 no estado de Minas Gerias (CPRM,1996)
51º
16º
23º
40º
Belo Horizonte
Três Marias
A usina hidrelétrica de Três Marias, de propriedade da Companhia Energética
de Minas Gerais - CEMIG, tem uma potência instalada de 396 MW, está localizada em -
180 12’ 50” e -450 15’ 30” e teve o início de suas obras em maio de 1957, sendo concluída
em janeiro de 1961. Sua construção teve como principais objetivos: regularização do
curso das águas do rio São Francisco nas cheias periódicas, melhoria da navegabilidade,
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
12 / 89
utilização do potencial hidrelétrico, e fomento da indústria e irrigação. O reservatório tem
uma área máxima de 1010 km2 e mínima de 316 km2, correspondendo a volumes de
19.528 e 4.250 hm3, respectivamente. O nível máximo operativo é 572,50 m, e o nível
mínimo operativo é 549,20 m. A área de drenagem é de 50.732 km2 e a vazão média de
longo termo (MLT) de 689 m3/s.
As unidades geomorfológicas existentes na bacia do Alto São Francisco são o
Planalto Dissecado do Centro-Sul e Leste de Minas, a Depressão São Franciscana, o
Planalto do São Francisco, o Quadrilátero Ferrífero e a Serra do Espinhaço.
O Alto São Francisco apresenta topografia ligeiramente acidentada, com serras
e terrenos ondulados e altitudes que variam de 1.600 a 600 m. O divisor leste é formado
pelas montanhas da Serra do Espinhaço, estreitas e alongadas na direção N-S, e com
altitudes de 1.300 a 1.000 m. Do lado oeste, destacam-se as Serras Gerais de Goiás,
cujas cotas oscilam entre 1.200 e 800 m.
O clima predominante na região é o Tropical Úmido e temperado de altitude
com insolação média anual de 2400 h e evaporação média anual de 1000 mm (ANA,
2004).
A característica climática mais importante na região em estudo é a existência
de duas estações bem marcadas: uma estação chuvosa, no verão, e outra seca, no
inverno.
Com relação à precipitação, os totais pluviométricos anuais variam, de forma
geral, entre 1700 mm nas cabeceiras da bacia a 1000 mm na confluência do rio São
Francisco com rio das Velhas (ANA, 2004). O trimestre mais chuvoso contribui com cerca
de 55 a 60% do total anual precipitado, correspondendo, para a quase totalidade da
bacia, aos meses de novembro, dezembro e janeiro. A exceção ocorre na extremidade
ocidental da bacia, onde os meses mais chuvosos são dezembro, janeiro e fevereiro. Já o
trimestre mais seco, correspondente aos meses de junho, julho e agosto, que contribui
com menos de 5% da precipitação anual.
Por se situar na região Sudeste, o Alto São Francisco é afetado pela
passagem de sistemas frontais, e a interação desses com a convecção tropical,
denominada de Zona de Convergência do Atlântico Sul - ZCAS. Um percentual
significativo da precipitação nesse trecho da bacia deve-se à atuação desses sistemas
(CLIMANÁLISE, 1986). Sistemas de escala subsinótica, tais como linhas de instabilidade,
também ocasionam precipitação. Estas são de curta duração, em oposição às
associadas às frentes e ZCAS, que duram alguns dias e abrangem áreas maiores.
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
13 / 89
4. Processo de Previsão de Vazões
As previsões de vazões naturais no ONS são elaboradas de forma direta para
os locais denominados como postos base, ou, de forma indireta, a partir de
regressões lineares obtidas a partir das previsões realizadas para um posto base
próximo. Os aproveitamentos que têm suas vazões previstas a partir de um modelo
são denominados postos base e aqueles cujas previsões são obtidas a partir de
equações de regressão linear são denominados postos não base.
Os postos base e as equações de regressão para o cálculo da vazão prevista
dos postos não base são definidos a partir do estudo da série histórica de vazões de
cada aproveitamento e das relações estatísticas entre postos de uma determinada bacia.
O processo de previsão de vazões naturais semanais no ONS para o
Programa Mensal da Operação – PMO é realizado em geral às terças-feiras, como
definido nos procedimentos de rede deste Operador (no caso das revisões semanais
este processo é, de modo geral, realizado nas quartas-feiras, e, em casos específicos
este processo pode ser realizado em outro dia da semana). Neste dia os agentes de
geração de aproveitamentos definidos como base enviam previsões de vazões
naturais diárias para terça-feira, quarta-feira, quinta-feira e sexta-feira da semana em
curso, possibilitando ao ONS obter, a partir destas vazões diárias previstas e das
vazões naturais verificadas de sábado, domingo e segunda-feira, a vazão semanal
estimada da semana em curso (Q). Em paralelo, o ONS executa o modelo PrevivazH,
cujas previsões poderão substituir as previsões dos Agentes de Geração em caso de
falta ou inconsistência das mesmas. Na Figura 02 é possível observar um esquema
com o processo de previsões de vazões efetuado pelo ONS nas revisões do PMO.
Figura 02 – Esquema representativo da composição da semana operativa nas revisões semanais
Para a UHE Três Marias, atualmente o ONS utiliza o sistema PREVIVAZ
desenvolvido pelo CEPEL, para obter previsões de vazões semanais para um horizonte
de até seis semanas à frente.
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
14 / 89
As metodologias estocásticas contidas neste sistema contemplam os modelos
autoregressivos e de médias móveis, com estrutura estacionária ou periódica, ou seja, os
modelos AR(p) e PAR(p), com “p” de até ordem 4, PARMA(p,1) e ARMA (p,1), com “p” de
até ordem 3. As transformações podem ser logarítmica, Box & Cox ou sem transformação
(GUILHON, 2003). Os métodos de estimação de parâmetros se baseiam no método da
máxima verossimilhança, quais sejam: método dos momentos, de regressão simples e de
regressão em relação à origem das previsões.
O PREVIVAZ divide o histórico em duas metades, estimando, para cada
semana, os parâmetros de todos os modelos para a primeira metade e verificando o erro
médio quadrático para a segunda metade, conforme a equação (1).
N
iobsX
N
i
iprevX 2)
1(å
=-
onde,
Xi prev – Vazão prevista no instante i.
Xi obs – Vazão observada no instante i.
N – número total de semanas da metade do histórico considerada.
Em seguida, o PREVIVAZ estima os parâmetros de todos os modelos para
cada semana da segunda metade de série e verifica o erro médio quadrático para a
primeira metade. Calcula-se então a média dos erros médios quadráticos das duas
metades para todos os modelos e ordena-se de modo a escolher, dentre as 94
combinações de modelagem, aquela que apresenta o menor valor médio de erro médio
quadrático.
Após a escolha do modelo, o PREVIVAZ estima novamente os parâmetros,
considerando todas as semanas do histórico completo e passa a utilizar os novos
parâmetros estimados para cada semana específica.
5. Introdução Teórica: Redes Neurais Artificiais
As redes neurais artificiais (RNAs) são uma técnica integrante dos Sistemas
Inteligentes, inspirados no comportamento humano ou da natureza. As RNAs vêm sendo
sugeridas para análise de séries temporais devido a sua capacidade de tratar com
relações de entrada-saída de dados não-lineares, destacando sua habilidade de
aprendizado e capacidade de generalização, associação e busca paralela. Estas
qualidades as tornam capazes de identificar e assimilar as características mais
(1)
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
15 / 89
marcantes das séries, tais como sazonalidade, periodicidade, tendência, entre outras,
muitas vezes camufladas por ruídos. O uso da técnica de redes neurais tem se
intensificado cada vez mais, uma vez que, modelos baseados nessa técnica são de fácil
aplicação e têm proporcionado resultados satisfatórios.
As variantes de uma rede neural são muitas, e, combinando-as, pode-se
mudar a arquitetura conforme a necessidade da aplicação. Basicamente, os itens que
compõem uma rede neural são os seguintes:
- Conexões entre camadas;
- Número de camadas intermediárias;
-Quantidade de neurônios;
- Função de transferência; e
- Algoritmo de aprendizado/treinamento.
As camadas escondidas situam-se entre a camada de entrada e a camada de
saída da rede neural. Na metodologia clássica de aplicação da técnica de Multi-Layer
Perceptron – MLP com algoritmo backpropagation (VALENÇA, 2005b), não existe uma
regra única que defina o número de camadas escondidas nem o número de neurônios da
camada escondida. Contudo, a utilização de um grande número de camadas escondidas
não é recomendada, porque cada vez que o erro médio durante o treinamento é utilizado
na atualização dos pesos das sinapses da camada imediatamente anterior, ele se torna
menos útil ou preciso. Testes empíricos com a rede neural MLP backpropagation não
demonstraram vantagem significante no uso de duas camadas escondidas ao invés de
uma. Por isso, para a grande maioria dos problemas utiliza-se apenas uma camada
escondida. Essa parcimônia muitas vezes auxilia na implementação dos modelos de
previsão de vazões que devem representar a complexidade da natureza da forma mais
simples possível, sem detrimento da qualidade dos resultados.
Com relação ao número de neurônios nas camadas escondidas, este é
geralmente definido empiricamente, os melhores resultados são obtidos através de
um processo de tentativa e erro.
A topologia define a maneira com que os vários neurônios constituintes de uma
rede neural são interconectados.
As sinapses representam barreiras que, de um certo modo, modulam os sinais
que passam através delas. Esta modulação representa a força da sinapse. Em um
neurônio artificial, a força da sinapse é chamada de peso w. Como os neurônios
possuem um grande número de dendritos, eles podem receber sinais de vários neurônios
simultaneamente.
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
16 / 89
A entrada líquida é dada pela equação 2.
å=
-=N
iiijj xwnet
1
f
Onde: wij é p peso;
xi é o valor da entrada;
F é o limiar.
Os neurônios de uma rede neural são geralmente dispostos em camadas
(layers), que recebem as mesmas denominações descritas para os tipos de neurônio:
§ Camada de Entrada: recebe os dados de entrada e não realiza nenhum
processamento sobre os dados, servindo apenas para distribuição dos
mesmos para os neurônios da camada subsequente;
§ Camadas Escondidas: suas entradas e saídas permanecem dentro do
sistema;
§ Camada de Saída: gera os dados de saída;
A Função de Ativação é a responsável pela não linearidade das redes neurais.
Existem diversas funções de ativação, entre elas:
Função Sigmóide (logística):
vev
-+=
1
1)(j
Função Tangente Sigmóide:
11
2)(
2-
+=
- vevj
Método da Validação Cruzada
A utilização de procedimentos de validação cruzada (VC) diminui os
problemas em relação ao super treinamento da rede, e, consequentemente,
amenizam os efeitos das redes super dimensionadas (CASTRO et al., 1999).
Para o método da validação cruzada devem-se dividir os dados em três
conjuntos:
– treinamento: usados para modificar os pesos;
– validação: usados para verificar o problema de super treinamento;
– teste: para testar o desempenho do modelo final.
(2)
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
17 / 89
O treinamento usando validação cruzada deve ser interrompido quando o erro
com os dados de validação começar a crescer de forma consistente, conforme
apresentado na Figura 03, ou seja, os pesos são ajustados função dos dados de
treinamento, ficando os dados de validação apenas para determinação do momento
da parada do treinamento, evitando que a rede neural super ajuste os pesos e não
seja capaz de proporcionar bons resultados quando lhe forem apresentados um novo
conjunto de dados.
Figura 03 – Esquema de parada do treinamento no processo de validação cruzada
Fonte: adaptado de PUC - RIO, 2005
Além disso, para que a rede neural realize um bom aprendizado são
necessários alguns procedimentos, tais como: a normalização e a seleção ou
combinação de variáveis. Estes procedimentos conseguem diminuir o tamanho da
rede, acelerar o aprendizado e melhorar a generalização da rede neural.
A normalização pode ser feita, por exemplo, através do escalonamento linear
para o caso de dados com comportamento linear e, para o caso de dados com
comportamento não linear, pode-se usar transformação logarítmica.
validação
validação
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
18 / 89
Redes NSRBN
A arquitetura de uma rede neural, de acordo com a possibilidade de mudanças
no seu tamanho durante o processo de treinamento, pode ser classificada em estática ou
dinâmica. Uma rede é dita de arquitetura estática quando o número de camadas e
unidades de processamento permanece constante desde a concepção da rede até a
finalização do seu treinamento. Por outro lado, uma rede de arquitetura dinâmica tem
como característica principal um processo de mudanças no tamanho durante o
treinamento. Um exemplo desse último tipo são as redes neurais compostas com blocos
de regressões sigmóides não-lineares (NSRBN – Non-linear Sigmoidal Regression
Blocks Networks), proposta por Valença (1999). Essas redes têm uma poderosa
capacidade de mapeamento no sentido de que qualquer função contínua definida em um
conjunto compacto em RN pode ser uniformemente aproximada (VALENÇA, 1999).
Dentre as características principais das Redes NSRBN, duas merecem
destaque: uma estrutura compacta, por possuir apenas uma camada escondida; e um
algoritmo construtivo, baseado em um método de aprendizado construtivo que é
responsável pela definição de sua complexidade ótima (VALENÇA, 2005b).
As redes NSRBN são redes com blocos de polinômios homogêneos, com
uma função de ativação na camada intermediária (por exemplo: tangente hiperbólica)
e, na camada de saída, uma ativação mais complexa, uma vez que realizam uma
regressão logística não linear. A Figura 04 mostra a arquitetura de uma rede NSRBN,
onde x1 a xN representam as variáveis de entrada da rede neural, f1(x) a fd(x)
representa a função de transferência das informações e f(x), a saída desejada.
Figura 04 – Arquitetura combinatorial
Polinômiode grau 1x1
x2
x3
xN
Polinômiode grau 2
Polinômiode grau p
Polinômiode grau d
.
.
.
.
..
f(x)
f1(x)
f2(x)
fp(x)
fd(x)
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
19 / 89
Nessa classe de redes, um algoritmo construtivo é utilizado para incrementar a
estrutura da rede, partindo-se de uma pequena estrutura, até que se atinja uma estrutura
de tamanho ótimo, segundo critérios estatísticos de seleção adequados.
Uma rede NSRBN é uma rede combinatorial composta pela soma de p blocos
(p=1,...,d) com estrutura similar a uma MLP (Multi Layer Perceptron), na qual as unidades
escondidas desses blocos realizam uma regressão sigmóide linear das entradas (tal qual
uma MLP), e as unidades de saída realizam uma regressão do tipo sigmóide não-linear
das unidades escondidas (tal qual uma regressão logística não-linear). Essa nova
estrutura formada é um aproximador universal com forte capacidade de mapeamento
não-linear.
Esse bloco é uma rede feedforward, ou seja, ela está completamente
conectada com uma única camada escondida.
6. Descrição e Tratamento dos Dados
Em todos os processos de modelagem, a familiaridade com os dados
disponíveis é de máxima importância. Os modelos de redes neurais não são exceção, e o
pré-processamento das informações pode ter um efeito significativo no desempenho do
mesmo. Assim, a seguir são mostrados os resultados do tratamento e análises dos
dados, que servirão de entrada para a rede neural.
Neste trabalho foram usadas informações de estações pluviométricas,
fluviométricas e de vazão natural do reservatório de Três Marias. Todos os dados
pluviométricos e fluviométricos utilizados foram obtidos junto à CEMIG e à ANA.
6.1 Informações pluviométricas
A seguir são mostrados os postos pluviométricos utilizados, histórico de dados
disponíveis e processos utilizados no preenchimento de falhas e na análise geoestatística
efetuada.
a) Rede de postos pluviométricos pesquisada
Realizou-se uma análise das informações pluviométricas, objetivando proceder a
seleção de postos confiáveis de modo que fosse possível a execução de estudos e a
operacionalização do modelo. Nessa análise, selecionaram-se os postos pluviométricos
da CEMIG que atualmente estão em operação. Após a seleção desses postos, analisou-
se o histórico disponível, muitas vezes usando as informações da ANA para
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
20 / 89
complementar as informações disponíveis na CEMIG. A Tabela 01 mostra a relação dos
postos selecionados, juntamente com o período do histórico disponível.
A Tabela 02 apresenta o coeficiente de correlação da precipitação diária dos
postos pluviométricos selecionados, destacando (em verde) os três postos mais bem
correlacionados com o posto em análise. Observa-se que todos os postos têm correlação
com os três postos mais bem correlacionados acima de 0,4, o que foi considerado
suficiente neste estudo.
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
21 / 89
Tabela 01 – Postos pluviométricos selecionados
0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 72045034 20°10' 45°43' Iguatama1945045 19°16' 45°18' Porto das Andorinhas1944078 19°57' 44°18' Ponte Nova do Paraopeba1944060 19°10' 44°41' Porto Mesquita2044056 20°24' 44°37' Ponte dos Vilelas1945017 19°17' 45°06' Porto Pará1845022 18°41' 45°35' Porto Indaiá2044063 20°38' 44°26' Fazenda Campo Grande2046015 20°20' 46°22' Vargem Bonita1945019 19°29' 45°36' Dores do Indaiá1944032 19°41' 44°53' SE Pitangui1845019 18°10' 45°18' UHE Três Marias2044059 20°14' 44°45' UHE Cajuru
Período de dados sem falha (dados da Cemig)Período de dados com falha (2 meses ou mais)Período de dados sem falha (dados da ANA)
Código PostoLatitude Longitude1970 1980 1990 2000
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
22 / 89
Tabela 02 – Coeficiente de correlação entre os postos pluviométricos selecionados na área a montante de Três Marias
PostosIguatama Porto das
AndorinhasPonte Nova do Paraopeba
Porto Mesquita
Ponte dos Vilelas
Porto Pará
Porto Indaiá
Fazenda Campo
Vargem Bonita
Dores do Indaiá
SE Pitangui
Três Marias
UHE Cajuru
Iguatama
1,00 0,39 0,44 0,28 0,36 0,29 0,28 0,50 0,52 0,49 0,44 0,26 0,22Porto das
Andorinhas 0,39 1,00 0,46 0,34 0,30 0,38 0,37 0,40 0,38 0,62 0,55 0,32 0,21Ponte Nova do
Paraopeba 0,44 0,46 1,00 0,37 0,36 0,32 0,30 0,54 0,40 0,47 0,61 0,28 0,21Porto Mesquita
0,27 0,30 0,33 1,00 0,42 0,49 0,43 0,33 0,29 0,35 0,30 0,41 0,25Ponte dos
Vilelas 0,32 0,26 0,31 0,42 1,00 0,43 0,32 0,44 0,34 0,30 0,32 0,31 0,44Porto Pará
0,29 0,32 0,30 0,48 0,44 1,00 0,47 0,32 0,29 0,36 0,34 0,40 0,28Porto Indaiá
0,28 0,32 0,27 0,44 0,32 0,48 1,00 0,27 0,28 0,33 0,32 0,50 0,23Fazenda Campo Grande
0,50 0,40 0,54 0,31 0,37 0,32 0,26 1,00 0,43 0,43 0,49 0,27 0,25Vargem Bonita
0,52 0,38 0,40 0,29 0,34 0,28 0,29 0,43 1,00 0,45 0,38 0,26 0,22Dores do
Indaiá 0,49 0,62 0,47 0,31 0,26 0,33 0,32 0,43 0,45 1,00 0,52 0,32 0,20SE Pitangui
0,44 0,55 0,61 0,29 0,27 0,31 0,29 0,49 0,38 0,52 1,00 0,28 0,28Três Marias
0,25 0,30 0,28 0,40 0,30 0,41 0,52 0,27 0,26 0,30 0,28 1,00 0,21UHE Cajuru
0,30 0,26 0,28 0,39 0,65 0,43 0,35 0,33 0,32 0,26 0,26 0,21 1,00
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
23 / 89
A seleção dos postos pluviométricos e análise das informações recebidas
focaram dois pontos: postos pluviométricos que estão atualmente em operação e com
histórico sem muitas falhas. De início foram selecionados 15 postos pluviométricos,
posteriormente, foram excluídos os postos Quartel Geral e São Roque de Minas por
apresentarem um histórico com curto período de observação e uma correlação muito
baixa com os demais postos da bacia, impossibilitando o preenchimento das falhas
nos dados observados. A Figura 05 apresenta a distribuição dos postos selecionados
na bacia hidrográfica de Três Marias.
Figura 05 - Distribuição espacial dos postos pluviométricos na bacia do rio São Francisco (trecho à
montante da UHE Três Marias)
b) Preenchimento de falhas e análise de consistência das informações
Devido à maior quantidade de informações pluviométricas disponíveis,
trabalhou-se com informações do período de janeiro/1987 a dezembro/2007, onde essas
séries foram submetidas a um preenchimento de falhas, quando necessário, e uma
análise de consistência.
200
300
400
500
600
700
800
900
1000
1100
1200
1300
1400
1500
1600
1700
-46.5 -46 -45.5 -45 -44.5 -44
-20.5
-20
-19.5
-19
-18.5
Iguatama
Porto das Andorinhas
Ponte Nova do Paraopeba
Porto Mesquita
Ponte dos Vilelas
Porto Pará
Porto Indaiá
Fazenda Campo Grande
Vargem Bonita
Dores do Indaiá
SE Pitangui
UHE Três Marias
UHE Cajuru
metros
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
24 / 89
O preenchimento de falhas foi feito para informações diárias e pelo método da
ponderação regional (Tucci, 1993), com os três postos de maior correlação. Vale salientar
que, em poucas ocasiões não foi possível usar estes três postos na ponderação regional
porque as falhas coincidiram. Nesses casos usaram-se os postos disponíveis para esse
preenchimento.
A análise de consistência foi feita a nível mensal, através do método do vetor
regional (Hiez e Rancan, 1983), o Anexo 03 apresenta esses resultados. Nessa análise
de consistência, observou-se uma boa consistência das informações, contudo, o posto de
Cajuru apresentou uma mudança de declividade, por causa não identificada até o
momento (a CEMIG também não tem registro do que pode ter acontecido com o posto).
c) Análise geoestatística
Algumas variáveis hidrológicas apresentam a propriedade de variar
espacialmente e com certa dependência de valores no mesmo espaço, conduzindo à
necessidade de um estudo geoestatístico. É justamente nos problemas em que a
estatística clássica tem limitações que a geoestatística tem suas maiores aplicações.
O modelo de variabilidade espacial foi desenvolvido por Krige (1951) a partir de
semi-variogramas definidos pela equação (3),
)]()([var2/1)( hxZxZh +-=g (3)
onde estão correlacionadas as diferenças dos valores observados Z(x) com a distância
de separação entre amostras h da variável regionalizada - VR.
Os semivariogramas expressam a dependência espacial entre as amostras.
Havendo dependência espacial, podem-se estimar valores da propriedade em estudo,
para os locais não amostrados dentro do campo, sem tendências e com variância
mínima, através da krigagem, seguindo a proposta de Krige (ALMEIDA et all, 2004).
Na krigagem o procedimento é semelhante ao de interpolação por média móvel
ponderada, exceto que aqui os pesos são determinados a partir de uma análise espacial,
baseada no semivariograma experimental.
Como a interpolação por krigagem está fortemente associada ao modelo de
semivariograma escolhido, a validação cruzada pode ser usada para a decisão do
modelo a ser ajustado. Determinado o modelo de melhor ajuste à amostra, a técnica de
interpolação kriging é utilizada para representar a variabilidade espacial.
Assim, objetivando verificar a variabilidade espacial da precipitação nos postos
selecionados, foi feita uma análise geoestatística. Essa análise contemplou informações
médias mensais, no período de 1987 a 2007. A base cartográfica utilizada foi resultado
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
25 / 89
do Projeto ONS/THEMAG (ONS, 2003).
Os parâmetros do variograma teórico foram ajustados a partir de um
variograma experimental, considerado neste estudo isotrópico, para os modelos Esférico,
Exponencial e Gaussiano, e na interpolação usou-se a Krigagem Ordinária. As Figuras 06
a 09 apresentam os resultados obtidos para os meses de janeiro, abril, agosto e
dezembro, respectivamente, bem como os desvios associados a essas interpolações. As
análises para os demais meses são apresentadas no Anexo 02.
Figura 06 – Variabilidade espacial da precipitação e erro associoado à interpolação – Mês de Janeiro
Figura 07 – Variabilidade espacial da precipitação e erro associoado à interpolação – Mês de Abril
(mm)
(mm)
(mm)
(mm)
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
26 / 89
Figura 08 – Variabilidade espacial da precipitação e erro associoado à interpolação – Mês de Agosto
Figura 09 – Variabilidade espacial da precipitação e erro associoado à interpolação – Mês de Dezembro
Analisando as Figuras 06 a 09 e comparando-as com a Figura 05, observa-se
que os desvios de interpolação são maiores nas áreas desprovidas de postos
pluviométricos. Também se observa a variabilidade espacial e temporal da distribuição da
precipitação na bacia hidrográfica do reservatório de Três Marias. Em relação à
variabilidade temporal, observa-se que a precipitação máxima varia de 343,8 mm em
janeiro, reduzindo para 70,8 mm em abril, reduzindo mais ainda para 16,8 mm em agosto
e voltando a subir para 310,7 mm, em Dezembro. Da mesma forma, o desvio máximo de
interpolação também varia no decorrer do ano, saindo de 46,1 mm em janeiro, reduzindo
(mm)
(mm) (mm)
(mm)
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
27 / 89
para 9,0 mm em abril, reduzindo mais ainda para 3,4 mm em agosto e voltando a subir
para 29,7 mm, em dezembro.
d) Precipitação prevista
A precipitação prevista utilizada neste estudo foi obtida a partir da rodada do
modelo numérico regional ETA (BLACK, 1994; CHOU et. all, 2000). Este modelo é
executado operacionalmente no Centro de Previsão do Tempo e Estudos Climáticos -
CPTEC, e possui resolução horizontal de 40 km x 40 km. Para a obtenção da chuva
média na bacia esses pontos de grade foram interpolados utilizando-se o método da
média aritmética.
A chuva prevista utilizada foi sempre de 10 dias à frente, para o período de
1996 a 2007, com previsões efetuadas sempre nas quartas-feiras (o primeiro valor
previsto corresponde à precipitação acumulada das nove horas da quarta-feira às
noves horas da quinta-feira), discretizadas diariamente. Vale salientar que o ONS não
dispõe dessas previsões nos anos de 2004 e 2005.
A Figura 10 mostra a relação entre a chuva observada e prevista, para todo
o período disponível, e a Figura 11 mostra a média da chuva média prevista e
observada das semanas operativas dos anos de 1998 a 2007, excluindo-se os anos
de 2004 e 2005, tendo em vista que o ONS não dispõe de previsão de precipitação
nesse período.
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
28 / 89
Figura 10 – Relação entre a chuva média observada e prevista para os anos de 1996 a 2007
0,0
50,0
100,0
150,0
200,0
250,0
300,0
0,0 50,0 100,0 150,0 200,0 250,0 300,0
Precipitação Observada 10 dias (mm)
Pre
cip
itaç
ão P
revi
sta
10 d
ias
(mm
)
Figura 11 – Relação entre a chuva média observada e prevista para as semanas operativas dos anos de
1998 a 2007
0
20
40
60
80
100
120
140
4/8
11/8
18/8
25/8 1/9
8/9
15/9
22/9
29/9
6/10
13/1
020
/10
27/1
03/
1110
/11
17/1
124
/11
1/12
8/12
15/1
222
/12
29/1
25/
112
/119
/126
/1 2/2
9/2
16/2
23/2 2/3
9/3
16/3
23/3
30/3 6/4
13/4
20/4
27/4 4/5
11/5
18/5
25/5 1/6
8/6
15/6
22/6
29/6 6/7
13/7
20/7
27/7
Pre
cip
itaç
ão A
cum
ula
da
10 d
ias
(mm
)
Observadas
Média Móvel 5
Previstas
Média Móvel 5
Agosto a Novembro Dezembro e Janeiro Fevereiro e Março
Abril a Julho
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
29 / 89
Analisando as Figuras 10 e 11 observa-se que o modelo ETA tem uma
tendência de superestimar a chuva prevista para a área de drenagem do reservatório
de Três Marias. Na Figura 11 observa-se também que a chuva prevista pelo modelo
ETA tem um comportamento semelhante à observada, alterando apenas a magnitude,
o que indica que, de uma maneira geral, a previsão foi capaz de simular os
fenômenos meteorológicos que ocorrem na bacia.
Assim, efetuou-se um estudo, visando analisar a existência da tendência de
superestimar a chuva prevista, que poderia ser suavizada. Tal estudo foi chamado de
“remoção do viés”. Neste estudo, os meses com características hidrometeorológicas
semelhantes foram agrupados, a saber: agosto a novembro, dezembro e janeiro,
fevereiro e março, abril a julho.
A metodologia utilizada para a identificação e remoção do viés das previsões
de precipitação, para cada um dos quatro períodos, foi a seguinte:
- Obtenção dos totais de precipitação observada e prevista nos primeiros dez
dias de cada previsão realizada no período 1996/2003.
- Elaboração de curvas de permanência de precipitação observada e de
precipitação prevista, como os exemplos das Figuras 12 e 13.
- Elaboração de gráficos de precipitação prevista versus precipitação
observada, plotando-se pontos de mesma frequência da curva de permanência.
- Ajuste de uma equação do segundo grau aos pontos do gráfico precipitação
prevista VS precipitação observada, passando pela origem e limitado aos valores de
precipitação prevista maiores do que a precipitação observada. Nestes estudos, optou-se
pelo não cruzamento da reta de 45º, ou seja, evita-se que o valor considerado como
previsto seja maior do que o valor previsto fornecido diretamente pelo modelo.
- Cálculo da precipitação diária prevista com remoção de viés para os dez dias
de previsão, por meio da seguinte expressão:
10dias ETA
10dias(t)ETA(t) Ptot
PtotpreP Ppre ´=
onde:
( ) ( )10dias10dias
10dias ETA
2
ETAPtotbPtot a Ptotpre ´+´=
Ppre (t) : precipitação diária prevista com remoção de viés, para cada um dos dez dias
de previsão (mm).
PETA (t) : precipitação diária prevista pelo modelo ETA, para cada um dos dez dias
de previsão (mm).
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
30 / 89
Ptotpre 10dias : precipitação total prevista com remoção de viés, acumulada para os dez
primeiros dias de previsão (mm).
Ptot ETA 10dias: precipitação total prevista pelo modelo ETA, acumulada para os dez
primeiros dias de previsão (mm).
a e b : constantes da equação do segundo grau obtida para remoção de
viés, em cada sub-bacia e em cada período considerado.
As Figuras de 12 e 13 mostram a curva de permanência das diferenças
entre a chuva prevista e verificada.
Figura 12 – Curva de permanência da chuva verificada e prevista a) agosto a novembro b)dezembro e
janeiro
Figura 13 – Curva de permanência da chuva verificada e prevista a) fevereiro e março b) abril a julho
As Figuras de 14 a 17 mostram as curvas da relação entre a chuva prevista
e a verificada, bem como uma curva indicando como deverá ser a remoção do viés.
TRÊS MARIAS - Período Agosto/Novembro
0
20
40
60
80
100
120
140
160
180
1% 7% 13% 18% 24% 30% 36% 42% 48% 54% 60% 65% 71% 77% 83% 89% 95%
Pre
cip
itaç
ão T
ota
l 9
dia
s (m
m)
Prevista
Observada
TRÊS MARIAS - Período Dezembro/Janeiro
0
50
100
150
200
250
1% 13% 24% 35% 46% 57% 68% 79% 90%
Pre
cip
itaç
ão T
ota
l 9 d
ias
(mm
)
Prevista
Observada
TRÊS MARIAS - Período Fevereiro/Março
0
50
100
150
200
250
1% 13% 24% 35% 46% 57% 68% 79% 90%
Pre
cip
itaç
ão T
ota
l 9
dia
s (m
m)
Prevista
Observada
TRÊS MARIAS - Período Abril/Julho
0
10
20
30
40
50
60
70
1% 7% 13% 18% 24% 30% 36% 42% 48% 54% 60% 65% 71% 77% 83% 89% 95%
Pre
cip
itaç
ão T
ota
l 9
dia
s (m
m)
Prevista
Observada
(a) (b)
(a) (b)
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
31 / 89
Figura 14 – Análise da existência de Viés – Período de Agosto a Novembro
Figura 15 – Análise da existência de Viés – Período de Dezembro e Janeiro
TRÊS MARIAS - Período Dezembro/Janeiro
y = 0,00008x2 + 0,76973xR2 = 0,98316
0
50
100
150
200
250
300
0 50 100 150 200 250 300
Precipitação total Prevista 10 dias - x - (mm)
Pre
cip
itaç
ão t
ota
l Ob
serv
ada
10 d
ias
- y
- (m
m)
y = x
TRÊS MARIAS - Período Agosto/Novembro
y = 0,00060x2 + 0,65847x
R2 = 0,98447
0
50
100
150
200
250
300
0 50 100 150 200 250 300
Precipitação total Prevista 10 dias - x - (mm)
Pre
cip
itaç
ão t
ota
l Ob
serv
ada
10 d
ias
- y
- (m
m)
y = x
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
32 / 89
Figura 16 – Análise da existência de Viés – Período de Fevereiro e Março
TRÊS MARIAS - Período Fevereiro/Março
y = 0,00144x2 + 0,49365x
R2 = 0,95564
0
50
100
150
200
250
300
0 50 100 150 200 250 300
Precipitação total Prevista 10 dias - x - (mm)
Pre
cip
itaç
ão t
ota
l Ob
serv
ada
10 d
ias
- y
- (m
m)
y = x
Figura 17 – Análise da existência de Viés – Período de Abril a Julho
TRÊS MARIAS - Período Abril/Julho
y = 0,01119x2 + 0,27552xR2 = 0,96995
0
20
40
60
80
100
0 10 20 30 40 50 60 70 80 90 100
Precipitação total Prevista 10 dias - x - (mm)
Pre
cip
itaç
ão t
ota
l Ob
serv
ada
10 d
ias
- y
- (m
m)
y = x
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
33 / 89
Após definidas as equações de remoção do viés, é efetuada a correção da
precipitação total prevista dos 10 dias, distribuindo-a proporcionalmente para a
precipitação diária.
A Figura 18 mostra o comportamento da chuva verificada e prevista, após a
remoção do viés, para o período de 1998 a 2007 (excluindo-se os anos de 2004 e 2005).
Observa-se que as curvas correspondentes à chuva prevista e verificada ficaram bem
mais aderentes. No capítulo 7, referente aos resultados, são apresentados exemplos de
previsão de vazões efetuadas com a previsão de chuva sem e com a remoção do viés.
Figura 18 – Relação entre a chuva média observada e prevista para as semanas operativas dos anos de
1998 a 2007 – após remoção do viés
A Tabela 03 apresenta as constantes a e b da aplicação das equações de
segundo grau obtidas para a remoção do viés da previsão de precipitação, para a sub-
bacia e período analisado.
Tabela 03–Constantes a e b das equações obtidas para remoção do viés da previsão de precipitação
Período Agosto/Novembro Dezembro/Janeiro Fevereiro/Março Abril/Julho sub-bacia
a b a b a b a b Três Marias 0,0006 0,65847 0,00008 0,76973 0,00144 0,49365 0,01119 0,2752
0
20
40
60
80
100
120
4/8
11/8
18/8
25/8 1/9
8/9
15/9
22/9
29/9
6/10
13/1
020
/10
27/1
03/
1110
/11
17/1
124
/11
1/12
8/12
15/1
222
/12
29/1
25/
112
/119
/126
/1 2/2
9/2
16/2
23/2 2/3
9/3
16/3
23/3
30/3 6/4
13/4
20/4
27/4 4/5
11/5
18/5
25/5 1/6
8/6
15/6
22/6
29/6 6/7
13/7
20/7
27/7
Pre
cip
itaç
ão A
cum
ula
da
10 d
ias
(mm
)
Observadas
Média Móvel 5
Previstas
Média Móvel 5
Agosto a Novembro Dezembro e Janeiro Fevereiro e Março
Abril a Julho
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
34 / 89
6.2 Informações fluviométricas
A seguir são apresentados os postos fluviométricos utilizados neste estudo,
bem como o período disponível dos seus históricos e metodologia usada no
preenchimento de falhas.
a) Rede de postos fluviométricos pesquisada
Assim como a rede de postos pluviométricos, primeiramente foram usados os
postos fluviométricos da CEMIG, que estão atualmente em operação na área de
drenagem do reservatório de Três Marias. A Figura 19 ilustra a distribuição espacial
desses postos juntamente com as áreas de drenagem existentes a montante do
reservatório de Três Marias. A Tabela 04 apresenta o período do histórico disponível
para cada posto.
Figura 19 – Sub-bacias da área de drenagem de Três Marias com a localização dos postos
fluviométricos selecionados
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
35 / 89
b) Análise de correlação e preenchimento de falhas
Na sequência, foi realizada uma análise do coeficiente de correlação dos
postos fluviométricos selecionados, mostrados na Tabela 05.
O preenchimento de falhas dessas séries foi feito a partir de uma correlação
múltipla. Vale salientar que, para o preenchimento de falhas dos postos de Porto Pará,
Porto Mesquita, Porto Indaiá, Porto das Andorinhas, Ponte Nova do Paraopeba e
Iguatama não foram consideradas as informações Ponte dos Vilelas Jusante, devido à
quantidade de falhas desse posto (já que nesta análise o dia em que há falhas em
qualquer dos postos é desconsiderado) que poderia prejudicar este procedimento.
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
36 / 89
Tabela 04 – Postos Fluviométricos da CEMIG em operação na área a montante do reservatório de Três Marias
1970 1980 1990 2000 Código Latitude Longitude Posto
0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 40050004 20°10' 45°43' Iguatama 40100001 19°16' 45°18' Porto das Andorinhas
40800001 19°57' 44°18' Ponte Nova do Paraopeba
40865001 19°10' 44°41' Porto Mesquita 40130002 20°24' 44°37' Ponte dos Vilelas 40450001 19°17' 45°06' Porto Pará 40963000 18°41' 45°35' Porto Indaiá Período de dados sem falha (dados da Cemig) Período de dados com falha (2 meses ou mais) Período de dados sem falha (dados da ANA)
Tabela 05 – Coeficiente de correlação entre os postos fluviométricos
Postos Porto das Andorinhas
Porto Indaiá
Porto Mesquita
Porto Pará Ponte Nova do Paraopeba
Ponte dos Vilelas Jusante
Iguatama
Porto dasAndorinhas 1,00 0,67 0,75 0,82 0,67 0,62 0,89Porto Indaiá 0,67 1,00 0,65 0,70 0,65 0,59 0,71Porto Mesquita 0,75 0,65 1,00 0,91 0,85 0,69 0,78Porto Pará 0,82 0,70 0,91 1,00 0,83 0,72 0,86Ponte Nova doParaopeba 0,67 0,65 0,85 0,83 1,00 0,83 0,76Ponte dos VilelasJusante 0,62 0,59 0,69 0,72 0,83 1,00 0,71Iguatama 0,89 0,71 0,78 0,86 0,76 0,71 1,00
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
37 / 89
6.3 Tratamento da vazão natural
No período de 01/janeiro/1987 a 31/dezembro/2001 foi utilizada a série de
vazões naturais ao reservatório de Três Marias, definida no projeto de revisão das séries de
vazões da bacia do rio São Francisco, desenvolvido pelo ONS (ONS, 2003). Essa série foi
determinada através do cálculo do balanço hídrico do reservatório e as vazões diárias
afluentes foram calculadas pela desagregação do volume mensal, orientada pela soma das
vazões diárias de postos de montante (Porto Pará, Porto Mesquita, Porto das Andorinhas e
Porto Indaiá).
Para o período posterior, de 01/janeiro/2002 a 31/dezembro/2007, a afluência foi
determinada pelo balanço hídrico do reservatório de Três Marias, e a vazão natural obtida pelo
processo de modulação, a partir dos postos fluviométricos, com uma média móvel centrada de
5 dias até o limite de 1300 m3/s, limites estes definidos em ONS (2005) e utilizados no
processo de consistência das vazões diárias do período de 2002 a 2007. A modulação foi feita
seguindo a metodologia usada no projeto de revisão das séries de vazões naturais da bacia do
rio São Francisco: o somatório das vazões dos postos fluviométricos bases para a composição
da vazão afluente ao reservatório de Três Marias, que corresponde aos postos de Porto Pará,
Porto Mesquita, Porto das Andorinhas e Porto Indaiá, são usados como sinal para
determinação da vazão incremental não controlada do trecho compreendido entre esses
postos fluviométricos e o reservatório. Vale salientar que, esse controle é feito alterando os
níveis do reservatório causando, consequentemente, um deslocamento do volume, não sendo
alterado o volume total de água do sistema.
6.4 Análise Estatística
Na análise estatística trabalhou-se com vazão média diária e precipitação total
diária. A determinação da matriz de correlação, do dendograma (agrupamento) e da
análise de componentes principais (ACP) foi efetuada através do software Sirius,
desenvolvido pela empresa Pattern Recognition Systems (PRS).
A precipitação média da área foi calculada através da metodologia do polígono de
Thiessen (Figura 20) e pelo método da média aritmética. Para os postos pluviométricos
utilizados neste trabalho, observou-se que as duas metodologias de cálculo levaram a valores
muito próximos. Por isso, a partir desse ponto, pelas facilidades operacionais, trabalhar-se-á
com a chuva média calculada pela média aritmética.
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
38 / 89
Figura 20 – Polígono de Thiessen dos postos pluviométricos selecionados
A Tabela 06 apresenta a média e o desvio padrão dos dados utilizados.
Tabela 06 – Média e desvio padrão dos dados semanais usados
Variável Média Desvio Padrão
Vazão em Porto Indaiá 34 m3/s 51 m3/s
Vazão em Porto Pará 129 m3/s 115 m3/s
Vazão em Porto Mesquita 121 m3/s 123 m3/s
Vazão em Porto das Andorinhas 215 m3/s 218 m3/s
Vazão em Ponte dos Vilelas Jusante 25 m3/s 27 m3/s
Vazão em Iguatama 145 m3/s 144 m3/s
Vazão em Ponte Nova do Paraopeba 77 m3/s 74 m3/s
Vazão natural de Três Marias 608 m3/s 610 m3/s
Chuva média da bacia 22 mm 30 mm
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
39 / 89
Função de auto-correlação e correlação cruzada
As informações da vazão natural de Três Marias e dos postos fluviométricos da área
foram usadas na determinação da auto-correlação e da correlação cruzada, onde a auto-
correlação expressa a dependência entre a variável analisada com ela mesma e a correlação
cruzada expressa a dependência entre a variável analisada com uma outra variável.
A função de auto-correlacão (FAC) e a correlação cruzada são úteis em algumas
situações, porque fornecem uma visão de como a dependência da série cai com o ‘lag’ ou
separação k entre pontos da série. As Figuras de 21 a 24 mostram os resultados da FAC para
as informações da área, onde o lag representa a defasagem temporal da variável, em dias.
Figura 21 – FAC dos postos de Porto Indaiá e Porto Mesquita
Figura 22 – FAC dos postos de Ponte Nova do Paraopeba e Ponte dos Vilelas Jusante
Porto Indaiá
0,00
0,20
0,40
0,60
0,80
1,00
1,20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Lag
FA
C
Porto Mesquita
0,00
0,20
0,40
0,60
0,80
1,00
1,20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Lag
FA
C
Ponte Nova do Paraopeba
0,00
0,20
0,40
0,60
0,80
1,00
1,20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Lag
FA
C
Ponte dos Vilelas Jusante
0,00
0,20
0,40
0,60
0,80
1,00
1,20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Lag
FA
C
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
40 / 89
Figura 23 – FAC da vazão natural de Três Marias e do posto de Porto das Andorinhas
Figura 24 – FAC dos postos de Porto Pará e Iguatama
Nas figuras de 21 a 24 observa-se que a partir de 0,6 a FAC começa a ficar
constante com a variação do lag. Assim, considerando esse valor de 0,6 como limite da FAC,
a Tabela 07 mostra os lags obtidos.
Três Marias
0,00
0,20
0,40
0,60
0,80
1,00
1,20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Lag
FA
C
Porto das Andorinhas
0,00
0,20
0,40
0,60
0,80
1,00
1,20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Lag
FA
C
Porto Pará
0,00
0,20
0,40
0,60
0,80
1,00
1,20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Lag
FA
C
Iguatama
0,00
0,20
0,40
0,60
0,80
1,00
1,20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Lag
FA
C
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
41 / 89
Tabela 07 – Lags obtidos para FAC máxima de 0,6
Variável Lag
Vazão Natural Três Marias 15
Porto das Andorinhas 17
Porto Indaiá 3
Porto Mesquita 8
Porto Pará 9
Iguatama 20
Ponte Nova do Paraopeba 5
Postos Fluviométricos
Ponte dos Vilelas 4
As Figuras de 21 a 24 mostram que as séries de vazões naturais apresentam altos
valores de correlação para defasagens temporais de até 17 dias, o que mostra que a série não
pode ser considerada como uma sequência aleatória. Os gráficos de auto-correlação servem
também para verificar a existência de sazonalidade na série. Neste caso, o gráfico de auto-
correlação aparece na forma de uma senóide (entre um lag e outro a FAC varia muito). Nessas
figuras também se observa que não há sazonalidade marcante, para os lags analisados.
Os gráficos de auto-correlação podem ser analisados para verificar se a série pode
ser adequadamente modelada por um modelo auto-regressivo linear. Ou seja, se a previsão
de um registro pode ser realizada como uma combinação linear dos registros anteriores, o
gráfico de auto-correlação aparece como uma reta. Este não é o caso para as séries de vazão,
indicando que a modelagem adequada para essas séries pode ser não linear e ainda deve,
certamente, contar com informações adicionais que, no caso, deverão vir das informações de
precipitação observada e prevista na bacia.
Também considerando um limite da correlação cruzada máxima de 0,6, a Tabela 08
mostra os Lags obtidos para a correlação cruzada da vazão natural de Três Marias com os
postos fluviométricos.
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
42 / 89
Tabela 08 – Lags obtidos para correlação cruzada máxima de 0,6 entre a vazão natural de Três Marias e a
variável indicada
Variável Lag (dias)
Porto das Andorinhas 27
Porto Indaiá 8
Porto Mesquita 10
Porto Pará 11
Iguatama 26
Ponte Nova do Paraopeba 10
Postos Fluviométricos
Ponte dos Vilelas 11
A plotagem da correlação cruzada de duas variáveis com o lag apresenta a variação
da correlação entre duas séries de acordo com a defasagem de uma delas. O lag está
relacionado com a representatividade e a área de drenagem do posto fluviométrico. Assim,
analisando a Tabela 8, observa-se que o posto de Porto Indaiá, que é o posto fluviométrico
mais próximo do reservatório, tem a menor área de drenagem, quando comparada com os
demais postos fluviométricos, e teve o menor lag com a vazão natural de Três Marias, ou seja,
depende de sua vazão com uma defasagem de até 8 dias.
Os postos de Porto Pará e Ponte dos Vilelas Jusante, Porto Mesquita e Ponte Nova
do Paraopeba, estão, aos pares, na mesma sub-bacia (Figura 19) e tiveram o mesmo lag, ou
seja, mesmo estando mais próximos ao reservatório os postos de Porto Pará e Porto Mesquita
não proporcionaram uma maior defasagem com a vazão natural que o posto de Ponte dos
Vilelas Jusante e Ponte Nova do Paraopeba.
Observa-se que os lags obtidos para os postos de Porto das Andorinhas e de
Iguatama, localizados na mesma sub-bacia, são bem próximos. Esses postos estão no curso
principal do rio São Francisco e são os que têm maior representatividade e defasagem
temporal com a vazão natural de Três Marias.
Variabilidade
A Figura 25 mostra uma análise da variabilidade das séries de vazão e chuva.
Nela pode-se observar que a vazão natural de Três Marias tem uma variabilidade muito
maior do que a dos postos fluviométricos, o que explica a dificuldade de se fazer previsão
de vazões para a mesma. Essa variabilidade é causada pela existência do reservatório de
Três Marias, e que, mesmo com a aplicação de diversas metodologias para a suavização
da vazão natural desse reservatório, ainda permanece parte desta variabilidade, como
pode ser observado na Figura 25.
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
43 / 89
Figura 25 - Variabilidade das séries
Matriz de correlação
A Figura 26 mostra a matriz de correlação dos dados de chuva média e vazão
da bacia. Nela pode-se observar que a vazão natural de Três Marias tem uma boa
correlação com os postos fluviométricos da bacia, mas não tem uma correlação com a
chuva média da bacia.
Dentre os postos fluviométricos, Porto Indaiá e Ponte Nova do Paraopeba são
os menos correlacionados com os outros postos fluviométricos da bacia.
Selecte d Objects
20/3
/200
2
29/3
/200
2
7/4/
2002
16/4
/200
2
25/4
/200
2
4/5/
2002
13/5
/200
2
22/5
/200
2
31/5
/200
2
9/6/
2002
18/6
/200
2
27/6
/200
2
6/7/
2002
15/7
/200
2
24/7
/200
2
2/8/
2002
11/8
/200
2
20/8
/200
2
29/8
/200
2
7/9/
2002
16/9
/200
2
-1.4
1.4
4.2
7.1
9.9*102
Porto das Andorinhas Porto Indaiá Porto Mesquita Porto Pará Ponte Nova do Paraopeba Ponte dos Vilelas Iguatama Vazão Natural a Três Marias Chuva Média
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
44 / 89
Figura 26 – Matriz de correlação
Dendograma
Na análise de agrupamentos (cluster analysis) a similaridade entre duas amostras
pode ser expressa como uma função da distância entre os dois pontos representativos destas
amostras no espaço n-dimensional.
Existem muitas maneiras de procurar agrupamentos no espaço n-dimensional. A
maneira matematicamente mais simples consiste em agrupar os pares de pontos que estão
mais próximos, usando a distância euclidiana (equação 4), e substituí-los por um novo ponto
localizado na metade da distância entre eles.
Este procedimento, quando repetido até que todos os pontos sejam agrupados, leva
à construção do dendrograma; onde, no eixo horizontal, são colocadas as amostras e, no eixo
vertical, o índice de similaridade (sij) entre os pontos i e j, calculado segundo a seguinte
expressão:
onde: dij é a distância entre os pontos i e j e dmáx é a distância máxima entre
qualquer par de pontos.
å=
-=n
jbjajab ddX
1
22 )(
(5)
(4)
máx
ijij d
ds -= 1
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
45 / 89
Os dendrogramas, portanto, consistem em diagramas que representam a
similaridade entre pares de amostras (ou grupos de amostras) numa escala que vai de um
(identidade) a zero (nenhuma similaridade). A suposição básica de interpretação um
dendrograma é: quanto menor a distância entre os pontos, maior a semelhança entre as
amostras. Os dendrogramas são especialmente úteis na visualização de semelhanças entre
amostras ou objetos representados por pontos em espaço com dimensão maior do que três,
onde a representação de gráficos convencionais não é possível (Neto, 1998).
Assim, a Figura 27 mostra o dendograma com os dados de chuva média e vazão.
Observa-se que as informações dos postos de Porto Pará e Porto Mesquita estão bem
agrupadas, e o agrupamento dessas duas variáveis se adere ao agrupamento de Ponte Nova
do Paraopeba, e assim por diante. Observa-se que as informações de Porto das Andorinhas
se agrupa apenas com o agrupamento de todas as informações dos demais postos de vazão e
de precipitação média, e que a vazão natural a Três Marias se agrupa com o agrupamento de
todas as demais informações de precipitação e vazão.
Figura 27 – Dendograma
Scores Euclidian Dendrogram
Created: 06/26/08 10:23:27Object
Dis
sim
ilari
ty
Na
tura
l a T
rês
Mar
ias
Po
rto
das
An
do
rin
ha
s
Po
rto
Ind
aiá
Po
nte
do
s V
ilela
s
Ch
uva
Méd
ia
Po
rto
Mes
qu
ita
Po
rto
Pa
rá
Po
nte
No
va d
o P
pb
a
Igu
atam
a
0.0
2.0
4.0
6.0
8.0*104
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
46 / 89
Análise de Componentes Principais – ACP
A Análise de Componentes Principais (ACP) tem o objetivo de simplificar a estrutura
de um conjunto de variáveis e explicar o máximo possível a variância total destas, através da
determinação de valores calculados como combinações lineares das variáveis originais. Os
Componentes Principais (CP’s) devem ser usados para reduzir a dimensionalidade dos dados
e são formados pela transformação de um conjunto de “p” variáveis, em um conjunto de
variáveis descorrelatadas. Estas novas variáveis são combinações lineares das variáveis
originais e são obtidas em ordem decrescente de importância de tal forma que, por exemplo, o
primeiro componente principal é responsável pelo máximo possível da variabilidade total nos
dados originais (Cruz e Regazzi, 1997).
Os componentes são extraídos na ordem do mais explicativo para o menos
explicativo, ou seja, são obtidos em ordem decrescente de máxima variância. Teoricamente o
número de componentes é sempre igual ao número de variáveis. Entretanto, alguns poucos
componentes são responsáveis por grande parte da explicação total da variância da série.
Assim, a Figura 28 mostra a ACP dos dados de chuva média e de vazão da bacia.
Foram necessários três componentes para explicar 99,30% da variabilidade de série: a
primeira componente explicou 97,1%, a segunda, 1,59% e a terceira, 0,60%. Como na análise
do dendograma, observa-se que as informações do posto fluviométrico de Porto das
Andorinhas tem um comportamento diferente dos demais da bacia, necessitando de uma parte
de uma 2ª componente para explicar a variabilidade de sua série.
A Figura 29 mostra um “zoom” da Figura 28, mostrando mais detalhadamente a
discretização das componentes 2 e 3. Nela, observa-se que o posto fluviométrico de Porto das
Andorinhas é responsável por grande parte da explicação da componente 2, assim como o
Posto de Porto Indaiá é responsável por grande parte da explicação da componente 1. Os
resíduos são compostos pela variabilidade que as componentes 1, 2 e 3 não foram capaz de
explicar e podem ser observados principalmente nos postos de Porto Mesquita, Ponte Nova do
Paraopeba, Porto Pará e Iguatama.
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
47 / 89
Figura 28 – ACP – análise dos componentes 1, 2 e 3
Figura 29 – ACP – análise dos componentes 2 e 3
CP1 = 97,10%
CP2 = 1,59%
CP3 = 0,60%
Total= 99,30%
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
48 / 89
7. Resultados
7.1 Calibração da Rede Neural
A previsão de vazões médias diárias ao reservatório de Três Marias, 12 dias à
frente, utilizando uma rede NSRBN, foi feita em uma versão modificada do software
NeuroHidro, disponível em Valença (2005).
Como dados de entrada para as redes neurais, foram consideradas as informações
dos postos pluviométricos, fluviométricos e a vazão natural ocorrida do reservatório de Três
Marias, com diversas defasagens.
No processo de treinamento foi usado o método da Validação Cruzada, onde os
dados foram divididos em três grupos: 1. treinamento: período de 1987 a 1997; 2.
validação: 1998 a 2002; 3. teste: 2003 a 2007, conforme Figura 30. Salienta-se que,
conforme mostrado no item 5, no processo de validação cruzada os pesos são ajustados
função dos dados de treinamento, ficando os dados de validação apenas para
determinação do momento da parada do treinamento, evitando que a rede neural super
ajuste os pesos e não seja capaz de proporcionar bons resultados quando lhe forem
apresentados um novo conjunto de dados.
Figura 30 – Períodos usados na divisão dos dados em treinamento, validação e teste
Como métrica de avaliação dos erros para estabelecer o critério de seleção da
configuração da rede neural calibrada foram usados o EP, MAPE, MAD, NASH e NASHLOG,
conforme formulação abaixo. .
1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007
11 anos 5 anos 5 anosTesteTreinamento Validação
])([N1
EP1
2å=
-=N
pOP ZZ å
=
-=
N
p O
Op
Z
ZZ
1
100*][N1
MAPE
][N1
MAD1å=
-=N
pOp ZZ
å
å
=
-=
-
--=
NiOO
NiOP
ZZ
ZZ
...1
2
...1
2
)(
)(1NASH
å
å
=
-
=
-
--=
NiOO
NiOP
ZZ
ZZ
...1
2
...1
2
)log(log
)log(log1NASHLOG
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
49 / 89
Onde: Zp representa a variável prevista, Zo a variável observada e N o número
total da amostra.
Para reduzir a amplitude dos dados de vazão e precipitação e dar a mesma
importância aos mesmos, os dados de entrada da vazão natural foram normalizados
através da aplicação de logaritmos.
Foram estudados diversos casos alterando as variáveis de entrada, os
parâmetros do algoritmo (taxa de aprendizagem, semente para geração e momentum) e os
critérios de parada (época mínima e época máxima). Nas variáveis de entrada foram
testadas diversas configurações de redes neurais, alterando: defasagem das informações
de precipitação, da vazão dos postos fluviométricos e da vazão natural ao aproveitamento
(1 a 5 dias); inserção e exclusão de postos fluviométricos; agrupamento da previsão de
precipitação; agrupamento da previsão por período do ano ou considerando uma unida
rede neural para a previsão em todos os meses do ano; entre outras.
Conforme citado anteriormente, em todo o processo da validação cruzada
(treinamento, validação e teste) foram usados os dados de chuva verificada, considerando que
não foi identificado um erro sistemático na chuva prevista e que se fosse utilizada essa
informação na calibração do modelo ter-se-ia uma redução na qualidade da previsão de
vazões do mesmo.
Dentre todos os testes efetuados com as diversas configurações de redes neurais, a
que proporcionou melhores resultados foi a calibração de três redes neurais: uma para o
período de dezembro a abril, uma para o período de maio a setembro e uma para o mês de
outubro. As variáveis de entrada dessas redes estão apresentadas na Figura 31.
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
50 / 89
Figura 31 – Dados de entrada das Redes NSRBN selecionadas
Onde: t corresponde à variável no dia da previsão, t-1 com um dia de defasagem, t-2 com dois dias
de defasagem, assim por diante.
Os Postos fluviométricos são: Porto das Andorinhas (And), Porto Indaiá (Ind), Porto Mesquita
(Mqt), Porto Pará (Par), Iguatama (Igu), Ponte Nova do Paraopeba (Ppb), Ponte dos Vilelas
Jusante (Vil);
Pmd representa a chuva média na bacia e Ptm representa a chuva no posto Três Marias (no
reservatório);
Nat representa a vazão natural verificada no reservatório de Três Marias.
A Figura 32 mostra exemplos de saída do processo de calibração da rede neural,
tomando como base as redes calibradas para o período de novembro a abril, maio a setembro
e para o mês de outubro, conforme detalhado anteriormente na Figura 31. Salienta-se que
esses erros obtidos para, por exemplo, os dados de teste equivalem a um erro médio de todo
o período (2003 a 2007).
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
51 / 89
Figura 32 – Parâmetros e desvios obtidos na calibração da rede neural
7.2 Testes para o PMO e suas revisões
Após serem definidos os pesos/parâmetros da rede neural, conforme apresentado
no item 7.1, partiu-se para avaliar essa calibração, tomando como referência o processo do
PMO e suas revisões. Ressalta-se que os parâmetros calibrados não foram alterados nessa
etapa do processo.
Inicialmente foram avaliados os desvios da previsão de vazões considerando a
previsão de chuva de três situações distintas:
- Utilizando diretamente a chuva prevista pelo modelo ETA;
- Utilizando a chuva prevista pelo modelo ETA com remoção do viés (conforme
apresentado no item 6.1.d);
- Utilizando a precipitação média observada nos postos pluviométricos da bacia.
Esta última situação é conhecida como "previsão perfeita" e avalia, de certa forma,
as imperfeições da modelagem, que incluem:
- Imperfeições na concepção do processo utilizado pelo modelo na transformação
de chuva em vazão;
- Imperfeições nos valores obtidos para os parâmetros do modelo; e
- Imperfeições nos dados básicos de entrada do modelo (precipitação média
observada, vazão observada e evapotranspiração potencial estimada).
Os resultados obtidos foram avaliados através do MAPE, MAD, NASH ou
NASHLOG, conforme formulação mostrada anteriormente.
Ressalta-se que os resultados serão apresentados separadamente para o período
úmido da área em estudo (novembro a abril) e para o período seco (maio a outubro).
A Figura 33 mostra um comparativo dos resultados da previsão 12 dias à frente,
para o período úmido, e Figura 34, para o período seco, onde se observa que a remoção do
viés da chuva prevista proporciona uma melhora substancial na vazão prevista, tanto nos
resultados do período úmido, quanto nos do período seco. Com isso, a partir desse ponto
trabalhar-se-á com a chuva prevista sempre com remoção do viés.
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
52 / 89
Figura 33 – Comparação dos resultados da previsão 12 dias à frente – período úmido
Figura 34 – Comparação dos resultados da previsão 12 dias à frente – período seco
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
53 / 89
As Tabelas de 09 a 12 e as Figuras de 35 a 37 apresentam uma comparação dos
resultados obtidos com o modelo estocástico Previvaz (metodologia atual), e com a
metodologia de redes neurais NSRBN, considerando a chuva verificada (Neuro3M perfeita) e a
chuva prevista com a remoção do viés (Neuro3M P_Prev). Buscando fazer uma comparação
entre os modelos com a mesma base de dados, foram reprocessados os modelos PrevivazH,
para a previsão de vazões diárias dos três primeiros dias (necessários para fechar a semana
operativa) e Previvaz, para a previsão de vazões da primeira semana operativa.
A Tabela 09 e a Figura 35 mostram o MAD (em m3/s) e MAPE (em %) para todo o
ano, ou seja, considerando o período úmido e o seco, onde se observa que os desvios da
previsão obtida com a chuva perfeita são sempre inferiores às obtidas com a chuva prevista
(ganho de 4%), que por sua vez são sempre inferiores às elaboradas com a metodologia atual
(ganho de 7%).
Tabela 09 – Comparação dos resultados obtidos da previsão semanal
Metodologia Atual Neuro3M perfeita Neuro3M P_Prev Ano m3/s % m3/s % m3/s %
2000 194 27% 95 15% 132 17%
2001 122 33% 71 20% 94 25%
2002 192 40% 86 22% 132 25%
2003 151 26% 68 15% 102 22%
2006 180 21% 121 15% 148 19%
2007 140 20% 121 16% 105 18%
Média 163 28% 94 17% 119 21%
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
54 / 89
Figura 35 – Comparação dos resultados obtidos da previsão semanal
Assim, com o uso da metodologia proposta neste trabalho, considerando o
período de 2000, 2001, 2002, 2003, 2006 e 2007, o MAPE da previsão de vazão foi reduzido
de 28% para 17%, e o MAD de 163 m³/s para 94 m³/s, utilizando-se a previsão perfeita de
precipitação. Considerando-se a previsão de precipitação, o MAPE caiu para 21% e o MAD
para 119 m³/s.
A Figura 36 mostra os ganhos/perdas com a adoção da nova metodologia
(Neuro3M, com remoção do viés), em comparação com a metodologia atualmente em uso.
Desvios de Previsão Médio Anual
0
50
100
150
200
250
2000 2001 2002 2003 2006 2007 M édia
0%
5%
10%
15%
20%
25%
30%
35%
40%
45%
M etodologia atual m3/s Neuro3M perfeita m3/sNeuro3M P_Prev m3/s M etodologia atual %
Neuro3M perfeita % Neuro3M P_Prev %
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
55 / 89
Figura 36 – Ganhos/Perdas na qualidade dos resultados da previsão de vazões da próxima semana operativa com a adoção da metodologia proposta
A Tabela 10 mostra o MAD (em m3/s) e MAPE (em %) separadamente para o
período úmido e para o seco, onde também se observa que, mesmo considerando a chuva
prevista, os desvios de previsão são bem inferiores, principalmente no período úmido, aos da
metodologia atual.
Tabela 10 – Comparação dos resultados da previsão semanal – período úmido e período seco
Metodologia atual Neuro3M perfeita Neuro3M P_Prev Ano m3/s % m3/s % m3/s %
Per. úmido 308 39% 166 21% 216 27%
Per. seco 27 18% 24 13% 28 16%
As Tabelas 11 e 12 mostram a distribuição do MAD (em m3/s) e MAPE (em %),
respectivamente. As Figuras 37 e 38 mostram um histograma da distribuição desses erros
Análise das perdas/ganhos da metodologia proposta X metodologia atual
-150%
-100%
-50%
0%
50%
100%
150%
200%
250%
300%
350%
1 11 21 31 41 51 61 71 81 91 101 111 121 131 141 151 161 171 181 191 201 211 221 231 241 251 261 271 281 291 301
Dife
renç
a en
tre
o er
ro d
a m
etod
olog
ia a
tual
e d
o N
euro
3M
(%
) perda - Metodologia atual melhor que Neuro3M
ganho - Neuro3M melhor que metodologia atual
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
56 / 89
acumulados.
Na Tabela 11 e na Figura 37 observa-se que o modelo Neuro3M, com a previsão de
chuva perfeita, apresenta melhoras no desempenho, quando comparados com a Metodologia
atual, para erros de previsão acima 30 m3/s, e de 90 m3/s. Quando considerada a chuva
prevista, ou seja, quando se utiliza a previsão de chuva, o modelo Neuro3M consegue reduzir
os grandes erros da previsão da vazão.
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
57 / 89
Tabela 11 – Comparação dos resultados da previsão semanal – frequencia acumulada de acertos – MAD
Metodologia atual Neuro3M Prev Perf Neuro3M P_Prev Bloco
Frequência %
cumulativo Freqüência %
cumulativo Frequência %
cumulativo
0 0 0% 0 0% 0 0% 10 61 20% 68 23% 64 21% 20 45 35% 33 33% 33 32% 30 18 41% 40 47% 32 43% 40 10 44% 18 53% 17 48% 50 17 50% 17 58% 8 51% 60 12 54% 8 61% 12 55% 70 11 58% 14 66% 12 59% 80 4 59% 7 68% 10 62% 90 9 62% 4 69% 5 64%
100 9 65% 7 72% 11 68% 150 18 71% 26 80% 23 75% 200 7 73% 12 84% 16 80% 250 15 78% 16 89% 14 85% 300 10 81% 12 93% 13 89% 350 7 84% 6 95% 9 92% 400 6 86% 4 97% 4 94% 450 6 88% 0 97% 2 94% 500 8 90% 3 98% 3 95% 550 6 92% 1 98% 3 96% 600 4 94% 1 98% 4 98% 650 4 95% 1 99% 2 98% 700 1 95% 0 99% 1 99% 750 2 96% 1 99% 0 99% 800 2 97% 1 99% 1 99% 850 1 97% 0 99% 0 99% 900 0 97% 1 100% 1 99% 950 1 97% 0 100% 0 99%
1000 1 98% 0 100% 0 99% 1050 2 98% 0 100% 0 99% 1100 2 99% 0 100% 0 99% 1150 0 99% 0 100% 0 99% 1200 0 99% 1 100% 0 99% 1250 1 99% 0 100% 0 99% 1300 0 99% 0 100% 0 99% 1350 0 99% 0 100% 0 99% 1400 0 99% 0 100% 0 99% 1450 0 99% 0 100% 0 99% 1500 0 99% 0 100% 1 100% 1550 1 100% 0 100% 0 100% 1600 0 100% 0 100% 0 100% 1650 1 100% 0 100% 0 100% 1700 0 100% 0 100% 0 100%
Mais 0 100% 0 100% 1 100%
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
58 / 89
Figura 37 – Comparação dos resultados da previsão semanal – frequencia acumulada de acertos
Na Tabela 12 e na Figura 38 observa-se que o modelo Neuro3M com a previsão de
chuva perfeita apresenta melhoras no desempenho, quando comparados com a Metodologia
atual, para erros de previsão acima de 4%, e de 15%, quando considerada a chuva prevista,
ou seja, quando se utiliza a previsão de chuva, o Neuro3M é superior à metodologia atual
quando da ocorrência de grandes erros.
ERRO ABSOLUTOHistograma - % cumulativo
0%
20%
40%
60%
80%
100%
120%
0 20 40 60 80 100
200
300
400
500
600
700
800
900
1000
1100
1200
1300
1400
1500
1600
1700
Bloco - vazão (m3/s)
Fre
qü
ênci
a
Metodologia atual
Neuro3M Prev Perf
Neuro3M P_Prev
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
59 / 89
Tabela 12 – Comparação dos resultados da previsão semanal – frequencia acumulada de acertos – MAPE
Metodologia atual Neuro3M Prev Perf Neuro3M P_Prev Bloco Frequência % cumulativo Frequência % cumulativo Frequência % cumulativo
0,00 0 0% 0 0% 0 0% 0,02 36 12% 33 11% 28 9% 0,04 25 20% 33 22% 35 21% 0,06 24 28% 28 31% 21 28% 0,08 17 34% 29 41% 25 36% 0,10 21 41% 28 50% 26 45% 0,15 27 50% 37 62% 32 55% 0,20 23 57% 31 73% 27 64% 0,25 15 62% 16 78% 15 69% 0,30 19 69% 21 85% 19 75% 0,35 15 74% 8 87% 17 81% 0,40 14 78% 10 91% 10 84% 0,45 10 81% 9 94% 16 90% 0,50 6 83% 6 96% 4 91% 0,60 15 88% 1 96% 8 94% 0,70 12 92% 2 97% 4 95% 0,80 5 94% 1 97% 5 97% 0,90 3 95% 4 98% 5 98% 1,00 1 95% 1 99% 1 99% 1,10 4 97% 1 99% 0 99% 1,20 2 97% 0 99% 0 99% 1,30 1 98% 2 100% 1 99% 1,40 1 98% 0 100% 0 99% 1,50 0 98% 0 100% 1 99% 1,60 2 99% 0 100% 0 99% 1,70 0 99% 0 100% 0 99% 1,80 1 99% 0 100% 0 99% 1,90 0 99% 0 100% 0 99% 2,00 0 99% 0 100% 1 100% 2,10 1 99% 1 100% 1 100% 2,20 1 100% 0 100% 0 100% 5,30 1 100% 0 100% 0 100%
Mais 0 100% 0 100% 0 100%
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
60 / 89
Figura 38 – Comparação dos resultados da previsão semanal – frequencia acumulada de acertos
ERRO PERCENTUALHistograma - % cumulativo
0%
20%
40%
60%
80%
100%
120%
0,00
0,04
0,08
0,15
0,25
0,35
0,45
0,60
0,80
1,00
1,20
1,40
1,60
1,80
2,00
2,20
Mai
sBloco - erro %
Fre
qü
ênci
a
Metodologia atual
Neuro3M Prev Perf
Neuro3M P_Prev
As Figuras de 39 a 44 mostram os resultados obtidos com o modelo Neuro3M,
consideração a previsão de precipitação do ETA com a remoção do viés (metodologia
proposta), comparados com o verificado e com as previsões calculadas com a metodologia
atual, para os anos 2000, 2001, 2002, 2003, 2006 e 2007. Nessas figuras também são
apresentadas a previsão de precipitação e a precipitação verificada, ambas acumuladas de 10
dias.
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
61 / 89
Figura 39 – Comparação dos resultados da previsão semanal – Ano 2000
Ano 2000
0
500
1000
1500
2000
2500
3000
3500
4000
4500
07/0
1/20
00
28/0
1/20
00
18/0
2/20
00
10/0
3/20
00
31/0
3/20
00
21/0
4/20
00
12/0
5/20
00
02/0
6/20
00
23/0
6/20
00
14/0
7/20
00
04/0
8/20
00
25/0
8/20
00
15/0
9/20
00
06/1
0/20
00
27/1
0/20
00
17/1
1/20
00
08/1
2/20
00
29/1
2/20
00
Va
zão
(m
3 /s)
0,0
50,0
100,0
150,0
200,0
250,0
300,0
350,0
400,0
Pre
cip
itaç
ão
(mm
)
Metodologia Atual
Metodologia Proposta
Verificado
Figura 40 – Comparação dos resultados da previsão semanal – Ano 2001
Ano 2001
0
500
1000
1500
2000
2500
05/0
1/20
01
26/0
1/20
01
16/0
2/20
01
09/0
3/20
01
30/0
3/20
01
20/0
4/20
01
11/0
5/20
01
01/0
6/20
01
22/0
6/20
01
13/0
7/20
01
03/0
8/20
01
24/0
8/20
01
14/0
9/20
01
05/1
0/20
01
26/1
0/20
01
16/1
1/20
01
07/1
2/20
01
28/1
2/20
01
Va
zão
(m3 /s
)
0,0
50,0
100,0
150,0
200,0
250,0
300,0
350,0
400,0
Pre
cip
itaç
ão (m
m)
Metodologia Atual
Metodologia Proposta
Verificado
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
62 / 89
Figura 41 – Comparação dos resultados da previsão semanal – Ano 2002
Figura 42 – Comparação dos resultados da previsão semanal – Ano 2003
Ano 2002
0
500
1000
1500
2000
2500
3000
3500
4000
4500
04/0
1/20
02
25/0
1/20
02
15/0
2/20
02
08/0
3/20
02
29/0
3/20
02
19/0
4/20
02
10/0
5/20
02
31/0
5/20
02
21/0
6/20
02
12/0
7/20
02
02/0
8/20
02
23/0
8/20
02
13/0
9/20
02
04/1
0/20
02
25/1
0/20
02
15/1
1/20
02
06/1
2/20
02
27/1
2/20
02
Vaz
ão
(m3 /s
)
0,0
50,0
100,0
150,0
200,0
250,0
300,0
350,0
400,0
Pre
cip
ita
ção
(mm
)
Metodologia Atual
Metodologia Proposta
Verificado
Ano 2003
0
500
1000
1500
2000
2500
3000
3500
4000
4500
03/0
1/20
03
24/0
1/20
03
14/0
2/20
03
07/0
3/20
03
28/0
3/20
03
18/0
4/20
03
09/0
5/20
03
30/0
5/20
03
20/0
6/20
03
11/0
7/20
03
01/0
8/20
03
22/0
8/20
03
12/0
9/20
03
03/1
0/20
03
24/1
0/20
03
14/1
1/20
03
05/1
2/20
03
26/1
2/20
03
Vaz
ão (m
3 /s)
0,0
50,0
100,0
150,0
200,0
250,0
300,0
350,0
400,0
Pre
cip
itaç
ão (m
m)
Metodologia Atual
Metodologia Proposta
Verificado
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
63 / 89
Figura 43 – Comparação dos resultados da previsão semanal – Ano 2006
Figura 44 – Comparação dos resultados da previsão semanal – Ano 2007
Ano 2006
0
1000
2000
3000
4000
5000
6000
17/0
3/20
06
07/0
4/20
06
28/0
4/20
06
19/0
5/20
06
09/0
6/20
06
30/0
6/20
06
21/0
7/20
06
11/0
8/20
06
01/0
9/20
06
22/0
9/20
06
13/1
0/20
06
03/1
1/20
06
24/1
1/20
06
15/1
2/20
06
Va
zão
(m
3 /s)
0,0
50,0
100,0
150,0
200,0
250,0
300,0
350,0
400,0
Pre
cip
ita
çã
o (
mm
)
Metodologia Atual
Metodologia Proposta
Verificado
Ano 2007
0
1000
2000
3000
4000
5000
6000
05/0
1/20
07
26/0
1/20
07
16/0
2/20
07
09/0
3/20
07
30/0
3/20
07
20/0
4/20
07
11/0
5/20
07
01/0
6/20
07
22/0
6/20
07
13/0
7/20
07
03/0
8/20
07
24/0
8/20
07
14/0
9/20
07
05/1
0/20
07
26/1
0/20
07
16/1
1/20
07
07/1
2/20
07
28/1
2/20
07
Va
zão
(m
3 /s)
0,0
50,0
100,0
150,0
200,0
250,0
300,0
350,0
400,0
Pre
cip
ita
çã
o (
mm
)
Metodologia Atual
Metodologia Proposta
Verificado
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
64 / 89
A Tabela 13 mostra os resultados obtidos com o modelo Neuro3M, consideração a
previsão de precipitação perfeita e considerando a previsão de precipitação do ETA com a
remoção do viés (metodologia proposta), para o 1°, 2° e 3° dias de previsão, para a média de
todos os anos analisados, para o período úmido e para o período seco. Observa-se que os
desvios de previsão efetuados com a precipitação verificada são bem próximos dos desvios da
previsão efetuada com a previsão de precipitação, o que mostra que a previsão de
precipitação para os primeiros dias têm uma qualidade tal que não interfere na previsão de
vazões.
Tabela 13 – Comparação dos resultados da previsão diária
Neuro3M P_Perfeita Neuro3M P_Prev Antecedência previsão
Período Ano % Abs (m3/s) % Abs (m3/s)
Médio 13% 59 13% 60 Úmido 12% 102 12% 103 dia 1
Seco 14% 20 14% 21 Médio 14% 78 15% 83 Úmido 15% 138 16% 148 dia 2
Seco 13% 23 13% 23 Médio 16% 89 16% 97 Úmido 18% 162 20% 178 dia 3
Seco 14% 23 13% 22
8. Conclusões e Recomendações
O processo atual utilizado para obtenção da previsão de vazões da primeira semana
operativa, na bacia do alto São Francisco, é realizado a partir do uso do modelo estocástico
univariado Previvaz, que não considera informações de previsão de precipitação e
informações de chuva e vazões observadas em estações existentes na bacia.
O processo proposto para a previsão de vazões da primeira semana operativa
envolve: a utilização do modelo Neuro3M, baseado na técnica de redes neurais, com uso de
observações de estações fluviométricas e pluviométricas existentes na bacia; o uso de
informações de previsão de precipitação para um horizonte de 10 dias oriundas do modelo
numérico de precipitação ETA; e a utilização de séries de vazões naturais ao aproveitamento
de Três Marias.
O uso de previsões de precipitação traz ganho significativo na qualidade das
previsões de vazões. Contudo, foi verificado um viés positivo nas previsões fornecidas pelo
modelo ETA (tendência de superestimar os valores da precipitação prevista), sendo
desenvolvida, nestes estudos, uma metodologia para identificação e remoção deste viés, que
poderá ser avaliada a utilização em qualquer bacia do SIN.
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
65 / 89
A comparação entre os desempenhos do processo proposto e do processo atual foi
realizada com base em simulações semanais. A partir desta comparação, conclui-se que a
aplicação da técnica de redes neurais para a previsão de vazões ao reservatório de Três
Marias proporcionou uma diminuição significativa nos desvios de previsão de vazão natural
semanal, a saber:
- Redução significativa dos erros médios da previsão de vazões e em todos os períodos do
ano; e
- Redução significativa da ocorrência de grandes erros da previsão, geralmente associadas a
não inclusão da variável precipitação em sua modelagem;
- Devido à utilização de previsão de precipitação como dado de entrada, não é verificado o
“efeito sombra”, ou seja, não é observada defasagem temporal da previsão de vazões.
Além disso, a necessidade do uso de observações de estações fluviométricas e
pluviométricas na bacia, com a implantação do processo proposto, proporcionará um ganho na
qualidade do acompanhamento das condições operativas dos aproveitamentos e das
condições hidrológicas da bacia.
Desta forma, recomenda-se a utilização do processo proposto nesta nota técnica
para a previsão de vazões naturais afluentes ao aproveitamento de Três Marias (1ª semana
operativa), que serão utilizadas nos processos do Programa Mensal da Operação (PMO) e
suas revisões.
Recomenda-se ainda a realização de estudos que contemplem a aplicação da
metodologia proposta em outras bacias/aproveitamentos do SIN.
9. Operacionalização do Modelo Neuro3M no ONS
Para a operacionalização do modelo Neuro3M são necessárias as seguintes
ações:
ü Obtenção das informações de precipitação verificada dos postos selecionados
(disponibilizado pela CEMIG em área de FTP e em formato definido pelo ONS). Caso
algum posto apresente falha, a chuva média da bacia deverá ser calculada
desconsiderando o mesmo.
ü Obtenção das informações de precipitação prevista, cálculo da precipitação média
prevista da bacia (a informação base é obtida no CPTEC) e remoção do viés (item
6.1d);
ü Obtenção das informações de vazão dos postos selecionados (disponibilizado pela
CEMIG em área de FTP e em formato definido pelo ONS). Caso a informação de
algum posto esteja com falha, a mesma deverá ser preenchida com a utilização dos
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
66 / 89
coeficientes de proporcionalidade determinados na análise de regressão múltipla,
conforme mostrado no item 6.2b;
ü Tratamento da vazão natural de Três Marias, utilizando os postos fluviométricos (item
6.3);
ü Execução do modelo Neuro3M (através da interface);
ü Configuração e gravação do arquivo contendo a previsão de vazões diárias (para
fechamento da semana operativa) e semanal para a próxima semana operativa (média
da previsão de vazões diárias);
ü Gravação da previsão na Base de Dados Técnica do ONS – BDT.
10. Referências Bibliográficas
ALMEIDA, T. A. de; MONTENEGRO, S. M. G. L.; MONTENEGRO, A. A. de A.; OLIVEIRA, O.
F. de. 2004. Análise da variabilidade espacial da precipitação da bacia do rio Ipanema,
Pernambuco, Brasil. In: Anais do VII Simpósio de Recursos Hídricos do Nordeste, São Luís –
MA.
ANA, 2004. Plano de Recursos Hídricos da Bacia do São Francisco. Resumo Executivo.
BLACK T.L., 1994 “NMC Notes: The New NMC mesoscale Eta model: Description and forecast
examples. Weather and Forecasting”.256-278.
CARVALHO, A. R. L. de. 2001. Previsão de Afluências Diárias para Horizontes de 1 a 7 dias
Através de uma Abordagem Estocástica – Modelo PREVIVAZH. Universidade Federal do Rio
de Janeiro – UFRJ, Departamento de Engenharia Civil. Dissertação de Mestrado.
CASTRO, L.N., IYODA, E.M., PINHEIRO, E., VON ZUBEN F. 1999. Redes Neurais
Construtivas: Uma Abordagem Comparativa. In: Anais do Proceedings of the IV Brazilian
Conference on Neural Networks – IV Congresso Brasileiro de Redes Neurais pp. 102-107,
São José dos Campos - SP – Brazil.
CEPEL, 2001. Modelo GEVAZP - Manual de Referência, 24 páginas.
CEPEL, 2004. “Modelo de Previsão de Vazões Semanais Aplicado ao Sistema Hidroelétrico
Brasileiro – Modelo Previvaz”, Manual de Referência.
CHOU, S. C.; NUNES, A. M. B.; CAVALCANTI, I, F. A. 2000. Extended range forecasts over
South America using the regional ETA model, Journal of Geophysical Research, Volume 105,
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
67 / 89
Issue D8, p. 10147-10160.
CLIMANÁLISE (Boletim de Monitoramento e Análise Climática), 1986. São José dos Campos,
SP. Número especial, INPE/CPTEC.
CPRM. 1996. Programa de Avaliação de Recursos Hídricos. Rede Hidrometeorológica e
Caracterização Física da Bacia do Alto São Francisco - Sub-Bacia 40 Fase 1. Belo Horizonte.
CRUZ, C.D.; Regazzi, A.J., 1997. Modelos biométricos aplicados ao melhoramento genético.
2. ed. Revisada. Viçosa: Editora UFV, 390p.
GOMES, L. F. C, 2006. Previsão de Vazões Naturais Diárias ao Reservatório de Três Marias
usando a técnica de Redes Neurais. Dissertação de Mestrado. Departamento de Engenharia
Civil – UFPE.
GUILHON, L.G.F. 2003. Modelo Heurístico de Previsão de Vazões Naturais Médias Semanais
Aplicado à Usina de Foz do Areia, Tese de Mestrado, UFRJ.
HIEZ, G.; RANCAN, L. 1983. Aplicação do método do vetor regional no Brasil. In: Anais do V
Simpósio Brasileiro de Hidrologia e Recursos Hídricos, Blumenau - SC.
KRIGE, D.G. 1951. A Statistical approach to some basic mine evaluation problems on the
witwatersrand. J. Chem. Mettall. Min. Soc. S. Afri., Johanesburg, v. 52, p 151-163.
MACEIRA, M. E. P.; COSTA, F. S.; DAMÁZIO, J. M.; DENÍCIO, M.; GUILHON, L. G. 2003.
Modelo Estocástico de Previsão de Vazões Mensais - PREVIVAZM. In: Anais do XV
Simpósio Brasileiro de Recursos Hídricos, Curitiba - PR.
Neto, J. M. M.; Moita, G. C., 1998.Uma Introdução à Análise Exploratória de Dados
Multivariados, Química Nova, volume 24, p. 467 a 469.
ONS, 2003. Revisão das séries de vazões naturais nas principais bacias do Sistema
Interligado Nacional – SIN.
ONS, 2005. NT-076/2005. Processos de consistência e de consolidação de dados
hidráulicos, hidrológicos e hidroenergéticos.
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
68 / 89
PUC – RIO, 2005. Relatório Final de Metodologia do Projeto PreVIP: Modelo de Previsão
de Vazões com Incorporação de Informações de Precipitação. Contrato ONS com
consórcio PUC – RIO (2004).
TUCCI, C.E. 1993. Livro: Hidrologia: Ciência e Aplicação.
VALENÇA, M. J. S. 1999. Análise e projeto de redes neurais com abordagem construtiva
para modelagem de sistemas complexos. Tese de Doutorado em ciência da computação.
Departamento de Informática – UFPE.
VALENÇA, M.; VALENÇA, A. 2005. Modelagem do processo chuva x vazão e vazão x
vazão utilizando redes neurais. In: Anais do XVI Simpósio Brasileiro de Recursos Hídricos,
João Pessoa – PB.
VALENÇA, M. J. S. 2005b. Aplicando redes neurais: um guia completo. Editora Livro
rápido. Olinda, PE: Ed. Do Autor, 284p.
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
69 / 89
ANEXO I Resultados da comparação dos modelos –
previsão de vazões para a primeira semana operativa
Ano 2001
0
200
400
600
800
1000
1200
1400
1600
1800
05/0
1/2
001
19/0
1/2
001
02/0
2/2
001
16/0
2/2
001
02/0
3/2
001
16/0
3/2
001
30/0
3/2
001
13/0
4/2
001
27/0
4/2
001
11/0
5/2
001
25/0
5/2
001
08/0
6/2
001
22/0
6/2
001
06/0
7/2
001
20/0
7/2
001
03/0
8/2
001
17/0
8/2
001
31/0
8/2
001
14/0
9/2
001
28/0
9/2
001
12/1
0/2
001
26/1
0/2
001
09/1
1/2
001
23/1
1/2
001
07/1
2/2
001
21/1
2/2
001
m3/s
Previvaz Neuro3M Perfeita
Neuro3M P_Prev Verif icado
Ano 2000
0
500
1000
1500
2000
2500
3000
07
/01
/20
00
21
/01
/20
00
04
/02
/20
00
18
/02
/20
00
03
/03
/20
00
17
/03
/20
00
31
/03
/20
00
14
/04
/20
00
28
/04
/20
00
12
/05
/20
00
26
/05
/20
00
09
/06
/20
00
23
/06
/20
00
07
/07
/20
00
21
/07
/20
00
04
/08
/20
00
18
/08
/20
00
01
/09
/20
00
15
/09
/20
00
29
/09
/20
00
13
/10
/20
00
27
/10
/20
00
10
/11
/20
00
24
/11
/20
00
08
/12
/20
00
22
/12
/20
00
m3
/s
Previvaz Neuro3M Perfeita
Neuro3M P_Prev Verificado
Metodologia atual
Metodologia atual
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
70 / 89
Ano 2002
0
500
1000
1500
2000
25000
4/0
1/2
002
18/
01/
200
2
01/
02/
200
2
15/
02/
200
2
01/
03/
200
2
15/
03/
200
2
29/
03/
200
2
12/
04/
200
2
26/
04/
200
2
10/
05/
200
2
24/
05/
200
2
07/
06/
200
2
21/
06/
200
2
05/
07/
200
2
19/
07/
200
2
02/
08/
200
2
16/
08/
200
2
30/
08/
200
2
13/
09/
200
2
27/
09/
200
2
11/
10/
200
2
25/
10/
200
2
08/
11/
200
2
22/
11/
200
2
06/
12/
200
2
20/
12/
200
2
m3
/s
Previvaz Neuro3M Perfeita
Neuro3M P_Prev Verif icado
Ano 2003
0
500
1000
1500
2000
2500
03/0
1/2
003
17/0
1/2
003
31/0
1/2
003
14/0
2/2
003
28/0
2/2
003
14/0
3/2
003
28/0
3/2
003
11/0
4/2
003
25/0
4/2
003
09/0
5/2
003
23/0
5/2
003
06/0
6/2
003
20/0
6/2
003
04/0
7/2
003
18/0
7/2
003
01/0
8/2
003
15/0
8/2
003
29/0
8/2
003
12/0
9/2
003
26/0
9/2
003
10/1
0/2
003
24/1
0/2
003
07/1
1/2
003
21/1
1/2
003
05/1
2/2
003
19/1
2/2
003
m3/s
Previvaz Neuro3M Perfeita
Neuro3M P_Prev Verif icado
Metodologia atual
Metodologia atual
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
71 / 89
Ano 2007
0
500
1000
1500
2000
2500
3000
3500
4000
05/0
1/2
007
19/0
1/2
007
02/0
2/2
007
16/0
2/2
007
02/0
3/2
007
16/0
3/2
007
30/0
3/2
007
13/0
4/2
007
27/0
4/2
007
11/0
5/2
007
25/0
5/2
007
08/0
6/2
007
22/0
6/2
007
06/0
7/2
007
20/0
7/2
007
03/0
8/2
007
17/0
8/2
007
31/0
8/2
007
14/0
9/2
007
28/0
9/2
007
12/1
0/2
007
26/1
0/2
007
09/1
1/2
007
23/1
1/2
007
07/1
2/2
007
21/1
2/2
007
m3/s
Previvaz Neuro3M Perfeita
Neuro3M P_Prev Verif icado
Ano 2006
0
500
1000
1500
2000
2500
3000
3500
400006
/01
/20
06
20/0
1/2
00
6
03/0
2/2
00
6
17/0
2/2
00
6
03/0
3/2
00
6
17/0
3/2
00
6
31/0
3/2
00
6
14/0
4/2
00
6
28/0
4/2
00
6
12/0
5/2
00
6
26/0
5/2
00
6
09/0
6/2
00
6
23/0
6/2
00
6
07/0
7/2
00
6
21/0
7/2
00
6
04/0
8/2
00
6
18/0
8/2
00
6
01/0
9/2
00
6
15/0
9/2
00
6
29/0
9/2
00
6
13/1
0/2
00
6
27/1
0/2
00
6
10/1
1/2
00
6
24/1
1/2
00
6
08/1
2/2
00
6
22/1
2/2
00
6
m3
/s
Previvaz Neuro3M Perfeita
Neuro3M P_Prev Verificado
Metodologia atual
Metodologia atual
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
72 / 89
ANEXO II Chuva média da bacia para todos os meses do ano (em mm)
(período de 1987-2007) – gráfico à esquerda – e erro médio da interpolação (em
mm) – gráfico à direita.
Janeiro
Fevereiro
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
73 / 89
Março
Abril
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
74 / 89
Maio
Junho
Julho
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
75 / 89
Agosto
Setembro
Outubro
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
76 / 89
Novembro
Dezembro
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
77 / 89
ANEXO III Análise de Consistência dos dados pluviométricos através
do método do Vetor Regional
DUPLO ACUMULADA COM O VETOR REGIONAL
0
5000
10000
15000
20000
25000
30000
0 5000 10000 15000 20000 25000 30000
Chuva Acumulada no Vetor
Ch
uva
Acu
mu
lad
a n
a S
érie
Dados POSTO: Iguatama
TROCAR POSTO
CORRELAÇÃO COM O VETOR REGIONAL
y = 0,9983x
R2 = 0,8597
0
100
200
300
400
500
600
0,0 100,0 200,0 300,0 400,0 500,0 600,0
Chuva Mensal no Vetor
Ch
uva
Men
sal n
o P
ost
o
POSTO: IguatamaTROCAR POSTO
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
78 / 89
DUPLO ACUMULADA COM O VETOR REGIONAL
0
5000
10000
15000
20000
25000
30000
0 5000 10000 15000 20000 25000 30000
Chuva Acumulada no Vetor
Ch
uva
Acu
mu
lad
a n
a S
érie
Dados POSTO: Porto das Andorinhas
TROCAR POSTO
CORRELAÇÃO COM O VETOR REGIONAL
y = 0,9866x
R2 = 0,8958
0
100
200
300
400
500
600
0,0 100,0 200,0 300,0 400,0 500,0 600,0
Chuva Mensal no Vetor
Ch
uva
Men
sal n
o P
ost
o
POSTO: Porto das AndorinhasTROCAR POSTO
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
79 / 89
CORRELAÇÃO COM O VETOR REGIONAL
y = 1,0603x
R2 = 0,8683
0
100
200
300
400
500
600
700
0,0 100,0 200,0 300,0 400,0 500,0 600,0
Chuva Mensal no Vetor
Ch
uva
Men
sal n
o P
ost
o
POSTO: Ponte Nova do ParaopebaTROCAR POSTO
DUPLO ACUMULADA COM O VETOR REGIONAL
0
5000
10000
15000
20000
25000
30000
35000
0 5000 10000 15000 20000 25000 30000
Chuva Acumulada no Vetor
Ch
uva
Acu
mu
lad
a n
a S
érie
Dados POSTO: Ponte Nova do Paraopeba
TROCAR POSTO
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
80 / 89
CORRELAÇÃO COM O VETOR REGIONAL
y = 0,916x
R2 = 0,8458
0
50
100
150
200
250
300
350
400
450
500
0,0 100,0 200,0 300,0 400,0 500,0 600,0
Chuva Mensal no Vetor
Ch
uva
Men
sal n
o P
ost
oPOSTO: Porto MesquitaTROCAR POSTO
DUPLO ACUMULADA COM O VETOR REGIONAL
0
5000
10000
15000
20000
25000
30000
0 5000 10000 15000 20000 25000 30000
Chuva Acumulada no Vetor
Ch
uva
Acu
mu
lad
a n
a S
érie
Dados POSTO: Porto Mesquita
TROCAR POSTO
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
81 / 89
CORRELAÇÃO COM O VETOR REGIONAL
y = 0,9556x
R2 = 0,8408
0
100
200
300
400
500
600
700
0,0 100,0 200,0 300,0 400,0 500,0 600,0
Chuva Mensal no Vetor
Ch
uva
Men
sal n
o P
ost
o
POSTO: Ponte dos VilelasTROCAR POSTO
DUPLO ACUMULADA COM O VETOR REGIONAL
0
5000
10000
15000
20000
25000
30000
0 5000 10000 15000 20000 25000 30000
Chuva Acumulada no Vetor
Ch
uva
Acu
mu
lad
a n
a S
érie
Dados POSTO: Ponte dos Vilelas
TROCAR POSTO
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
82 / 89
CORRELAÇÃO COM O VETOR REGIONAL
y = 0,9378x
R2 = 0,8412
0
100
200
300
400
500
600
0,0 100,0 200,0 300,0 400,0 500,0 600,0
Chuva Mensal no Vetor
Ch
uva
Men
sal n
o P
ost
o
POSTO: Porto ParáTROCAR POSTO
DUPLO ACUMULADA COM O VETOR REGIONAL
0
5000
10000
15000
20000
25000
30000
0 5000 10000 15000 20000 25000 30000
Chuva Acumulada no Vetor
Ch
uva
Acu
mu
lad
a n
a S
érie
Dados POSTO: Porto Pará
TROCAR POSTO
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
83 / 89
CORRELAÇÃO COM O VETOR REGIONAL
y = 0,9406x
R2 = 0,8183
0
100
200
300
400
500
600
700
0,0 100,0 200,0 300,0 400,0 500,0 600,0
Chuva Mensal no Vetor
Ch
uva
Men
sal n
o P
ost
oPOSTO: Porto IndaiáTROCAR POSTO
DUPLO ACUMULADA COM O VETOR REGIONAL
0
5000
10000
15000
20000
25000
30000
0 5000 10000 15000 20000 25000 30000
Chuva Acumulada no Vetor
Ch
uva
Acu
mu
lad
a n
a S
érie
Dados POSTO: Porto Indaiá
TROCAR POSTO
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
84 / 89
CORRELAÇÃO COM O VETOR REGIONAL
y = 1,098x
R2 = 0,8772
0
100
200
300
400
500
600
700
800
0,0 100,0 200,0 300,0 400,0 500,0 600,0
Chuva Mensal no Vetor
Ch
uva
Men
sal n
o P
ost
o
POSTO: Fazenda Campo GrandeTROCAR POSTO
DUPLO ACUMULADA COM O VETOR REGIONAL
0
5000
10000
15000
20000
25000
30000
35000
0 5000 10000 15000 20000 25000 30000
Chuva Acumulada no Vetor
Ch
uva
Acu
mu
lad
a n
a S
érie
Dados POSTO: Fazenda Campo Grande
TROCAR POSTO
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
85 / 89
CORRELAÇÃO COM O VETOR REGIONAL
y = 1,204x
R2 = 0,8537
0
100
200
300
400
500
600
700
800
0,0 100,0 200,0 300,0 400,0 500,0 600,0
Chuva Mensal no Vetor
Ch
uva
Men
sal n
o P
ost
o
POSTO: Vargem BonitaTROCAR POSTO
DUPLO ACUMULADA COM O VETOR REGIONAL
0
5000
10000
15000
20000
25000
30000
35000
40000
0 5000 10000 15000 20000 25000 30000
Chuva Acumulada no Vetor
Ch
uva
Acu
mu
lad
a n
a S
érie
Dados POSTO: Vargem Bonita
TROCAR POSTO
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
86 / 89
CORRELAÇÃO COM O VETOR REGIONAL
y = 1,0398x
R2 = 0,8939
0
100
200
300
400
500
600
0,0 100,0 200,0 300,0 400,0 500,0 600,0
Chuva Mensal no Vetor
Ch
uva
Men
sal n
o P
ost
o
POSTO: Dores do IndaiáTROCAR POSTO
DUPLO ACUMULADA COM O VETOR REGIONAL
0
5000
10000
15000
20000
25000
30000
35000
0 5000 10000 15000 20000 25000 30000
Chuva Acumulada no Vetor
Ch
uva
Acu
mu
lad
a n
a S
érie
Dados POSTO: Dores do Indaiá
TROCAR POSTO
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
87 / 89
CORRELAÇÃO COM O VETOR REGIONAL
y = 1,041x
R2 = 0,8998
0
100
200
300
400
500
600
0,0 100,0 200,0 300,0 400,0 500,0 600,0
Chuva Mensal no Vetor
Ch
uva
Men
sal n
o P
ost
oPOSTO: SE PitanguiTROCAR POSTO
DUPLO ACUMULADA COM O VETOR REGIONAL
0
5000
10000
15000
20000
25000
30000
0 5000 10000 15000 20000 25000 30000
Chuva Acumulada no Vetor
Ch
uva
Acu
mu
lad
a n
a S
érie
Dados POSTO: SE Pitangui
TROCAR POSTO
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
88 / 89
CORRELAÇÃO COM O VETOR REGIONAL
y = 0,9004x
R2 = 0,7953
0
100
200
300
400
500
600
0,0 100,0 200,0 300,0 400,0 500,0 600,0
Chuva Mensal no Vetor
Ch
uva
Men
sal n
o P
ost
oPOSTO: UHE Três MariasTROCAR POSTO
DUPLO ACUMULADA COM O VETOR REGIONAL
0
5000
10000
15000
20000
25000
30000
0 5000 10000 15000 20000 25000 30000
Chuva Acumulada no Vetor
Ch
uva
Acu
mu
lad
a n
a S
érie
Dados POSTO: UHE Três Marias
TROCAR POSTO
ONS P:\_DPP\HIDROLOGIA\GPD3\PROJETO UTM\Relatório\NT_051-09_Neuro3M - revisão 1.doc
89 / 89
CORRELAÇÃO COM O VETOR REGIONAL
y = 0,9205x
R2 = 0,8024
0
100
200
300
400
500
600
700
0,0 100,0 200,0 300,0 400,0 500,0 600,0
Chuva Mensal no Vetor
Ch
uva
Men
sal n
o P
ost
oPOSTO: UHE CajuruTROCAR POSTO
DUPLO ACUMULADA COM O VETOR REGIONAL
0
5000
10000
15000
20000
25000
30000
0 5000 10000 15000 20000 25000 30000
Chuva Acumulada no Vetor
Ch
uva
Acu
mu
lad
a n
a S
érie
Dados POSTO: UHE Cajuru
TROCAR POSTO