Académique Documents
Professionnel Documents
Culture Documents
PROFESOR GUA
SR. RODRIGO PALMA B. : ............ ............................... ..................
PROFESOR CO-GUA
SR. LUIS VARGAS D. : ............ ............................... ..................
PROFESOR INTEGRANTE
SR. ALEJANDRO JOFR C. : ............ ............................... ..................
SANTIAGO DE CHILE
OCTUBRE 2004
RESUMEN DE LA MEMORIA
PARA OPTAR AL TTULO DE
INGENIERO CIVIL ELECTRICISTA
POR: EUGENIO PALACIOS G.
PROF. GUA: Sr. RODRIGO PALMA B
En este trabajo se propone una metodologa que permite construir, en el contexto de una
optimizacin mediante programacin dinmica dual estocstica, un tratamiento para la hidrologa
que resulta ms cercano al fenmeno geofsico estudiado.
El modelo propuesto permite asignar, a partir de la informacin de caudales en los meses previos
al que se inicia la planificacin de la operacin, probabilidades de ocurrencia a los escenarios de
caudales contenidos en el registro histrico, definiendo adicionalmente, criterios para la
construccin de un rbol de escenarios para la hidrologa futura. Estadsticamente, el modelo se
sustenta en la teora de modelos peridicos autoregresivos del tipo PARMA, cuyo desarrollo
matemtico se presenta en detalle. El modelo es implementado computacionalmente y validado
numricamente a travs de un estudio de casos, haciendo uso de la herramienta PLP.
Los resultados muestran que la metodologa propuesta entrega seales adecuadas al modelo de
planificacin de la operacin frente a un escenario de sequa severa. Consecuentemente, las
seales de precio resultantes y utilizadas en modelos de operacin de corto plazo son mejoradas.
Finalmente, se proponen un conjunto de mejoras y estudios adicionales necesarios para
incorporar de manera sistemtica este tipo de tratamiento hidrolgico en los modelos existentes.
...A Dios, a mi familia,
mi polola y mis amigos
4
Agradecimientos
No puedo no expresar mi gratitud a la facultad, por la formacin que me entreg durante mis
aos de estudio, convirtindome en el profesional que soy hoy.
Quiero agradecer de corazn a mi polola Mara Jos por su cario y apoyo incondicional, en
especial durante una etapa muy difcil de mi vida. A mi familia en especial a mi pap, por el
esfuerzo que hizo durante su vida para que yo me convirtiera en un hombre de bien, y a mi
mam, por su cario y dedicacin no slo conmigo sino tambin con mis hermanos.
A mis amigos de la Parroquia Santa Rita por su compaa y cario durante los momentos difciles
de mi vida, que me apoyaron para que siguiera adelante en el desarrollo de mis estudios.
A Dios, porque sin duda, sin l nada de esto hubiese sido posible.
5
CONTENIDOS
1. INTRODUCCIN ..................................................................................................................... 8
1.2 MOTIVACIN .......................................................................................................................... 8
1.2 OBJETIVOS .............................................................................................................................. 9
1.2.1 Objetivo General ............................................................................................................ 9
1.2.3 Objetivos especficos ..................................................................................................... 9
1.3 ESTRUCTURA DEL TRABAJO ................................................................................................. 10
2. PROPIEDADES DE LA HIDROLOGA ............................................................................. 11
2.1 EL CICLO HIDROLGICO ....................................................................................................... 11
2.2 MODELAMIENTO DE LA INCERTIDUMBRE HIDROLGICA....................................................... 12
2.2.1 Historia......................................................................................................................... 12
2.2.2 Propiedades de las series hidrolgicas ........................................................................ 13
2.2.3 Caractersticas de las estadsticas disponibles ............................................................ 15
3. MODELOS DE PLANIFICACIN USADOS EN CHILE................................................ 17
3.1 INTRODUCCIN ..................................................................................................................... 17
3.2 MODELO GOL Y EL PARADIGMA DE LA PDE........................................................................ 18
3.3 MODELO OMSIC ................................................................................................................. 20
3.4 CAMBIO DE PARADIGMA: DE LA PDE A LA PDDE ............................................................... 21
3.5 MDELO SDDP ...................................................................................................................... 24
3.6 MODELO PLP ....................................................................................................................... 26
3.7 LIMITACIONES DE LOS MODELOS .......................................................................................... 29
3.8 GENERACIN DE ESCENARIOS PARA LA HIDROLOGA FUTURA .............................................. 31
4. MODELAMIENTO DE SERIES DE TIEMPO HIDROLGICAS.................................. 33
4.1 INTRODUCCIN ..................................................................................................................... 33
4.2 MODELOS AUTOREGRESIVOS................................................................................................ 34
4.3 MODELOS AUTOREGRESIVOS DE MEDIAS MVILES ............................................................. 35
4.3.1 Propiedades de los procesos ARMA(p,q)..................................................................... 35
4.4 MODELO PARA SERIES DE TIEMPO PERIDICAS: EL MODELO PARMA.................................. 37
4.4.1 Propiedades de los Procesos PARMA.......................................................................... 39
5. MODELAMIENTO DE LA DEPENDENCIA ESPACIAL............................................... 41
6. METODOLOGA DE AJUSTE DE UN MODELO PARMA ............................................ 46
6.1 CONSTRUCCIN DE MODELO PARMA ................................................................................. 46
6.2 IDENTIFICACIN ................................................................................................................... 47
6.2.1 Funcin de Autocorrelacin Simple (FACS)................................................................ 47
6.2.2 Funcin de Autocorrelacin Parcial (FACP) .............................................................. 48
6.2.3 Procedimiento de Identificacin................................................................................... 49
6.3 ESTIMACIN DE PARMETROS.............................................................................................. 51
6.4 TEST DE DIAGNSTICO ......................................................................................................... 52
6.5 TRANSFORMACIN DE LOS DATOS. ....................................................................................... 52
7. MODELO CPARMA PARA SERIES DE CAUDALES DEL SIC .................................... 54
7.1 SELECCIN DE LA DURACIN DE LA ETAPA A USAR EN EL MODELO ...................................... 54
6
7.2 PASOS PREVIOS AL AJUSTE DEL MODELO ............................................................................. 56
7.4 IDENTIFICACIN, ESTIMACIN Y DIAGNSTICO PARA LAS SERIES DE CAUDALES DEL SIC... 58
7.5 ANLISIS DE RESULTADOS .................................................................................................... 63
7.6 HERRAMIENTAS COMPUTACIONALES ................................................................................... 72
8. MODELO PARA SELECCIN DE CAUDALES HISTRICOS .................................... 73
8.1 INTRODUCCIN ..................................................................................................................... 73
8.2 MODELO DE SELECCIN, BASADO EN MODELO PARMA .................................................... 74
8.3 RBOL DE ESCENARIOS ......................................................................................................... 79
8.4 APLICACIN DEL MODELO.................................................................................................... 80
8.5 VALIDEZ Y LIMITACIONES DEL MODELO ............................................................................. 86
9. PERSPECTIVAS..................................................................................................................... 88
9.1 INTRODUCCIN ..................................................................................................................... 88
9.2 ESPACIO VECTORIAL DE LAS VARIABLES ALEATORIAS NORMALES ..................................... 89
9.3 NMERO DE APERTURAS EN CADA ETAPA ............................................................................. 92
9.3.1 Introduccin ................................................................................................................. 92
9.3.2 Modelo de sensibilidad de la FCF ............................................................................... 92
10. DISCUSIONES Y CONCLUSIONES ................................................................................. 97
10.1 DISCUSIONES ...................................................................................................................... 97
10.2 CONCLUSIONES GENERALES ............................................................................................. 100
10.3 CONCLUSIONES ESPECFICAS ............................................................................................ 100
REFERENCIAS ........................................................................................................................ 102
ANEXO A: USO DEL PAPEL DE PROBABILIDAD NORMAL........................................105
ANEXO B: SIMULACIONES MODELO PARMA .............................................................. 107
ANEXO C................................................................................................................................... 116
7
1. Introduccin
1.2 Motivacin
Este trabajo busca abordar la problemtica impuesta por la componente de incertidumbre, que se
origina por la aleatoriedad de los caudales afluentes a los embalses del sistema, dada la falta de
respuestas categricas en la actualidad respecto de cul es el tratamiento ms adecuado para esta
componente de incertidumbre.
En la actualidad existen en el mbito nacional varios modelos que sirven como herramientas de
apoyo a la toma de decisiones en el sector, entre los que se destacan el OMSIC (Operacin
Mensual del SIC), PLP (Programacin de Largo Plazo), el SDDP (Stocastic Dual Dynamic
Programing) implementado con menor xito, y el OSE2000 impulsado actualmente por la CNE.
Este trabajo busca contribuir a la mejora de los modelos de coordinacin hidrotrmica, los cuales
son fundamentales para la operacin de corto plazo, estimacin de precios y evaluacin de
proyectos de inversiones en el sector elctrico.
El pronstico de series de caudales es un tema que aade una complejidad adicional al problema
de coordinacin de la operacin, debido a que el fenmeno fsico que origina la serie resulta
8
complejo de modelar, resultando impensable la solucin del problema mediante un modelo
fenomenolgico de caudales. Por esta razn los modelos estadsticos de series de tiempo han sido
ampliamente usados para el pronstico de series hidrolgicas. Con este espritu, el presente
trabajo persigue plantear un modelo, el que basado en un esquema peridico autoregresivo,
defina un criterio claro para la seleccin de series de caudales iniciales para la simulacin
hidrolgica en los modelos de planificacin. Adicionalmente se busca proponer un modelo que
estructure una regla eficiente para el sorteo de aperturas en cada etapa, permitiendo generar un
rbol de escenarios futuros posibles para la variable hidrolgica, el que con el menor nmero
posible de aperturas, pueda reproducir tanto la tendencia estadstica del fenmeno como la
correlacin espacial de los datos, entregando resultados satisfactorios en el clculo de costos
futuros esperados va programacin dinmica dual estocstica.
1.2 Objetivos
Establecer el estado del arte respecto de los diversos modelos aplicados en el sector, para
manejo de hidrologas.
Estudiar la validez del modelo CPARMA como una alternativa confiable para la
modelacin de las series hidrolgicas del SIC.
9
1.3 Estructura del Trabajo
En el captulo 3 se expone el estado del arte respecto del tratamiento hidrolgico realizado por los
modelos utilizados tradicionalmente en el sector elctrico chileno.
En los captulos 4,5,6,7 se estudia la aplicacin de modelos de series de tiempo, a las series de
caudales del SIC.
10
2. Propiedades de la Hidrologa
Cada una de las etapas del ciclo hidrolgico tiene implcita una fuerte componente estocstica.
As, por ejemplo, las infiltraciones dependen de la porosidad del suelo, la que a su vez depende,
en un rango amplio de valores, de la temperatura del suelo. A su vez la evaporacin y los
deshielos dependen directamente de la temperatura ambiente, la que puede ser modelada como
11
un proceso estocstico. Por otro lado, las precipitaciones estn vinculadas a complejos procesos
atmosfricos que poseen una fuerte componente estocstica. Luego, un modelo fenomenolgico
es difcil de implementar en la actualidad, debido a la gran cantidad de procesos aleatorios que
estn involucrados en el ciclo hidrolgico, y a lo complejo de las interacciones que regulan el
ciclo. Esto motiva a buscar mtodos estadsticos para inferir el comportamiento futuro del
fenmeno hidrolgico, sin la necesidad de modelar el proceso fsico.
2.2.1 Historia
Los registros sintticos de afluentes empezaron a ser usados con el comienzo del siglo 20 por
Hazen (1914) en estudios de confiabilidad en sistemas de abastecimiento de agua, pero su
construccin no estaba basada en la teora de procesos estocsticos. Las primeras aplicaciones
relacionadas con la hidrolgica estocstica fueron alrededor del ao 1940 en medio de la
revolucin de la fsica y las matemticas [6] . Entre otros avances, se establece el mtodo de
montecarlo, en manos de Stanislaw Ulam en 1946, el que concibe esta metodologa mientras
jugaba solitario durante la convalecencia de una enfermedad, cuando intentaba estimar la
probabilidad de tener xito en dicho juego.
En el campo de los recursos hdricos, los aportes ms importantes fueron los trabajos
desarrollados por Barnes (1954) sobre la generacin de flujos anuales no correlacionados
asumiendo una distribucin normal, y los trabajos de Tomas y Fiering para la generacin de
flujos temporalmente correlacionados [6].
Alrededor del ao 1970, el libro sobre series de tiempo escrito por Box y Jenkins se convirti en
uno de los principales aportes en la materia. Este libro, pese a ser escrito para aplicaciones en
una amplia variedad de campos de la ciencia, adquiri gran popularidad para aplicaciones en
hidrologa estocstica.
Box y Jenkins desarrollaron un esquema de clasificacin para una gran familia de modelos de
series de tiempo. En esta clasificacin se distinguen los modelos autoregresivos de orden p
12
(AR(p)), los modelos de media mvil de orden q (MA(q)), combinaciones de los dos, llamados
modelos autoregresivos de media mvil (ARMA(p,q)), y otras variantes como los modelos
integrados [7]. Sin embargo, la gran familia de modelos propuesta por Box y Jenkins, no cubre
totalmente las necesidades impuestas por las series de tiempo hidrolgicas, las cuales poseen
algunas peculiaridades propias de los procesos geofsicos. Esto ha dado origen a una lnea de
investigacin que ha resultado en un gran nmero de herramientas apropiadas para la aplicacin
en recursos hdricos[6].
Por otro lado, las primeras observaciones modernas de precipitaciones en el siglo 18 llevaron a
los investigadores a concluir que el proceso hidrolgico muestra una fuerte aleatoriedad, como
tambin una marcada ciclicidad dentro del ao. Esta evidencia de estocasticidad y periodicidad
dio origen a dos lneas de investigacin que se mantienen en la actualidad [29]:
13
Las series hidrolgicas poseen la caracterstica fundamental de que, para un intervalo de tiempo
de una duracin correspondiente a una fraccin del ao, el valor medio y la desviacin estndar
de las series de caudales, son siempre peridicos. Esta periodicidad se fundamenta en el ciclo
hidrolgico, el cual est principalmente determinado por la cantidad de energa solar recibida por
la tierra, la que es esencialmente aleatoria, y que posee un ciclo anual relacionado con el
movimiento de la tierra en torno al sol. Adicionalmente, como es lgico, la serie slo puede
tomar valores positivos o nulos, lo que la convierte en una serie no negativa. Las caractersticas
ms distintivas de las series hidrolgicas, que son relevantes para el desarrollo del presente
trabajo1, se resumen a continuacin:
2. Estacionalidad: como se vio, cuando la escala de tiempo usada en la serie es una fraccin
del ao, el proceso hidrolgico deja de comportarse como estacionario debido a que las
propiedades estadsticas de la serie tienen un comportamiento aproximadamente
peridico. Este fenmeno se conoce como estacionalidad y se manifiesta en un
comportamiento cclico de la serie, en que los afluentes durante los meses calurosos
(deshielos) estn fuertemente ligados a las precipitaciones ocurridas en la cordillera
durante las estaciones fras. Esto se manifiesta estadsticamente en una fuerte correlacin
de los afluentes dentro del ao.
14
que el caudal medido puede alternar entre dos estados, un estado seco (caudal nulo) y uno
hmedo (presencia de lluvias). Este aspecto, que adquiere gran relevancia en los afluentes
de rgimen pluvial, convierte a la incertidumbre hidrolgica en una variable binaria que
puede alternar entre dos estados posibles. En general, para etapas de duracin superior a
un mes, la intermitencia del fenmeno es en promedio despreciable.
En general, los afluentes asociados a las centrales de pasada, son estimados a partir de la
estadstica de generacin de stas, utilizando la funcin de rendimiento de la central. Los datos
obtenidos con esta metodologa tienen dos serios inconvenientes. El primero, es que en la
mayora de los casos, las estadsticas de caudales son obtenidas asumiendo una funcin de
rendimiento lineal para la central, lo que en general no se cumple. El otro inconveniente es que
cuando las centrales operan a potencia mxima, un metro cbico adicional de agua no se refleja
en una potencia adicional generada, luego los caudales estimados se saturan en las puntas, y no
reproducen adecuadamente la estadstica real. Un ejemplo de esto se observa en la figura 2.2.
15
Es importante sealar, que las estadsticas de caudales obtenidas de la forma descrita en el
prrafo anterior, pueden ser tiles para representar escenarios de caudales cuando se simula la
operacin del sistema, pero resultan inadecuados si lo que se desea es ajustar un modelo
estadstico a los datos.
Por otro lado, como se seala en [4], muchas series han sido rellenadas para disponer de un
perodo de anlisis comn, desconocindose los procedimientos empleados para ello. En general
se dispone de unas pocas series largas, de ms de 40 aos, y el resto, sobre todo en los primeros
aos, se ha completado por algn procedimiento tpico disponible en la literatura tcnica habitual
en hidrologa. Entre los ms comunes est el considerar la proporcionalidad entre las reas de las
cuencas respectivas, o utilizar regresin lineal o mltiple entre caudales mensuales de cuencas
vecinas. En estos casos, se debe ser cuidadoso con el empleo de estas series, ya que estos
mtodos de relleno reproducen adecuadamente los valores esperados, pero distorsionan las
varianzas y covarianzas, de manera que aparecen dependencias espaciales ms altas que las
naturales. Al utilizar estos valores en la construccin de un modelo, ste heredar el mismo error.
16
3. Modelos de planificacin usados en Chile
3.1 Introduccin
En Chile, se han implementado varios modelos en las ltimas dcadas. Estos han servido de
apoyo tanto en las funciones reguladoras como en las competitivas, permitiendo hacer
estimaciones para el valor esperado del costo marginal de energa, valores del agua y estimacin
de costos marginales en el sector elctrico, entre otros [23].
Las seales econmicas entregadas por estos modelos corresponden a valores esperados de las
variables de inters. Suponiendo conocida la demanda en el horizonte de planificacin, stos
corresponden a valores esperados sobre la hidrologa. Si modelamos a la hidrologa como una
variable aleatoria, podemos mirar al modelo de planificacin como una funcin implcita de la
variable aleatoria hidrolgica, donde dado un escenario de caudales fijo, podemos calcular la
poltica de operacin ptima para ese escenario.
17
En este captulo se muestran los distintos modelos de planificacin usados en Chile, desde la
perspectiva del tratamiento que estos hacen de la incertidumbre hidrolgica.
El modelo GOL (Gestin Optima del Laja, 1974) se desarroll como una aplicacin
computacional para estimar la demanda de carbn del sector elctrico [23]. En una primera etapa
fue utilizado por Endesa para la planificacin de la operacin de sus centrales en la cuenca del
Laja, para un horizonte de anlisis de hasta 15 aos con etapas trimestrales.
Este modelo considera la existencia de un nico embalse (el lago Laja), considerando en forma
independiente para la modelacin a las centrales de la misma cuenca (El Toro, Antuco, Abanico y
Rucue), y el resto de las centrales hidroelctricas existentes en el sistema se agrupan en una sola
central de pasada[21]. El GOL permite minimizar los costos trmicos de generacin realizando
una colocacin ptima de los recursos hdricos del Laja a lo largo del horizonte de planificacin,
realizando un despacho uninodal, considerando la demanda como determinstica.
El modelo utiliza programacin dinmica estocstica (PDE) para la resolucin, donde para cada
etapa del horizonte de tiempo y para cada escenario hidrolgico, se determina la secuencia de
decisiones ptimas de operacin para cada estado posible del embalse. Estos estados
corresponden a una discretizacin del rango continuo de estados admisibles.
18
En el GOL, la aleatoriedad hidrolgica es tratada de la siguiente forma:
1. Se asume que existe independencia estadstica entre los caudales afluentes de cada ao, es
decir, la ocurrencia de una hidrologa durante un ao no determina ni condiciona la
hidrologa del ao siguiente. Al no ser posible prever lo que ocurrir en los aos
siguientes, el valor estratgico asociado a una cota a fines de cada ao hidrolgico (Abril
a Marzo) corresponde al valor esperado respecto a las hidrologas futuras posibles.
2. Se asume que para cada ao del horizonte de planificacin, la variable hidrolgica toma
un valor extrado directamente del registro estadstico de 40 aos. Es decir, para un ao
determinado, la hidrologa puede ser cualquiera de los 40 valores, los cuales se consideran
equiprobables.
3. Para un ao, la decisin de extraccin del embalse supone conocida la hidrologa del ao
en un esquema azar-decisin1, donde para cada hidrologa anual posible, supuesta
conocida, se calcula la decisin ptima. El valor estratgico a comienzos del ao para
cada cota, es calculado promediando los valores estratgicos obtenidos para todas las
hidrologas posibles.
hidrologas {H } h n
t h =1 , donde n corresponde al nmero total de valores admisibles para la
hidrologa en el ao t. Si asumimos que sta puede tomar cualquier valor del registro histrico,
1
El esquema inverso llamado decisin-azar asume conocida de antemano una secuencia de decisiones y calcula
luego los costos futuros para cada hidrologa posible.
19
tendramos n=40. Para cada escenario H th , se obtiene la decisin ptima de extraccin para cada
estado discreto St del embalse al comienzo del perodo t, resolviendo un problema determinstico
dentro del ao. Con esto, dada una hidrologa, se calcula el valor estratgico del agua Vt de la
etapa t, para cada estado discreto inicial St , es decir, se calcula Vt = Vt ( St / H th ) . Luego se calcula
40
Vt = P ( H th ) Vt ( St / H th ) (3.1)
h =1
El modelo OMSIC (Operacin Mensual del SIC), se sustenta en las mismas bases conceptuales
que el modelo GOL, basado en programacin dinmica. Este modelo difiere del GOL
bsicamente en la definicin de la etapa elemental (operando sobre etapas mensuales), en la
extensin del horizonte de planificacin (usualmente es de uno o dos aos) y en el tratamiento
que se le da a la incertidumbre hidrolgica dentro del ao. Durante los meses de invierno (Abril-
1
En este contexto, un escenario corresponde a una trayectoria completa de la variable hidrolgica a lo largo del
horizonte de tiempo.
20
Septiembre), al ser originadas fundamentalmente por lluvias, las hidrologas se consideran
estadsticamente independientes entre meses, pudiendo presentarse de manera equiprobable, en
un determinado mes, cualquiera de los escenarios observados histricamente para dicho mes en
los 40 aos del registro histrico. Por otro lado, para los meses de deshielo (Octubre-Marzo), se
asume completa dependencia estadstica entre etapas, resolviendo una optimizacin
determinstica para cada serie.
El algoritmo opera de la misma forma que en el GOL, con una fase de optimizacin en la que se
determinan las matrices de decisiones ptimas, y una fase de simulacin, en la que se realiza una
simulacin de montecarlo utilizando 1000 escenarios, los cuales son sorteados respetando los
supuestos sobre la hidrologa planteados en el prrafo anterior.
El esquema PDE, utilizado por GOL y OMSIC, ha sido utilizado por muchos aos en la mayora
de los pases con predominancia de generacin hidrulica. Sin embargo, ste tiene una limitacin
severa, que se debe a la necesidad de enumerar todas las combinaciones posibles de las variables
de estado (almacenamiento en los embalses y caudales en las etapas anteriores). Con esto, el
esfuerzo computacional crece exponencialmente a medida que la discretizacin de los estados se
hace ms fina, y a medida que el nmero de embalses aumenta. Esta es la llamada Maldicin de
la Dimensionalidad. Suponga, por ejemplo, que los niveles de cada embalse y de cada caudal
anterior han sido discretizados en 20 valores. El nmero de puntos a evaluar en el espacio de
estados es por lo tanto (20 20) I , donde I es el nmero de embalses. Se tiene entonces:
21
El esquema de la PDDE (Programacin Dinmica Dual Estocstica) se basa en la observacin de
que la FCF 1se puede representar como una funcin lineal por partes, es decir, para obtener la
FCF completa, no es necesario interpolar los valores de la FCF obtenidos para un conjunto de
estados discretos de los embalses, como ocurre con la PDE. Para entender el cambio de filosofa
en la resolucin, consideremos el problema bloque-etapa, el que en un esquema lineal
simplificado puede escribirse como[20,24]:
1
FCF: Funcin de Costos Futuros.
22
Como se mencion antes, la PDDE utiliza una filosofa distinta para la resolucin, aproximando
la FCF como una funcin lineal por partes. Para ilustrarlo, imaginemos que la funcin i ( xi ) ,
para el caso xi R (caso 1 embalse), tiene la forma mostrada en la figura 3.3.
23
Si esto se realiza para N puntos, obtendremos una aproximacin lineal por partes para la FCF (ver
figura 3.5). El algoritmo mediante el cual se obtienen las aproximaciones tangentes se denomina
Descomposicin de Benders y las rectas reciben el nombre de planos minorantes o cortes de
Benders. En el algoritmo de Benders los cortes se agregan de a uno por iteracin, escogiendo
*
convenientemente los xi hasta alcanzar la convergencia [24]. Este enfoque tiene la clara
ventaja sobre la PDE clsica, de ofrecer en cada iteracin una aproximacin continua de la FCF
(lneas rojas en la figura). Para un mayor detalle de la PDDE se recomiendan las referencias
[18,20,24].
El modelo SDDP (Stocahstic Dual Dynamic Programing) desarrollado por PSRI, est basado en
programacin dinmica dual estocstica, con bsqueda del ptimo mediante programacin lineal.
Este modelo entrega una representacin continua de la FCF en cada etapa, para el problema
multinodal y multiembalse, haciendo una representacin lineal de las prdidas en el sistema de
transmisin [20]. Su horizonte de planificacin es variable y suele ser de 10 aos, ms dos aos
de relleno. Las etapas de optimizacin pueden ser semanales, mensuales o trimestrales en todo el
horizonte, no acepta combinaciones de ellas.
24
Para el tratamiento de la hidrologa, el SDDP utiliza un modelo CPAR1 (Contemporneous
Periodic Auto Regressive), el que internaliza tanto la correlacin temporal como espacial de los
datos2. Para el caso de la variable aleatoria hidrolgica un CPAR(p) (CPAR de orden p)
representa el valor futuro de la hidrologa como una combinacin lineal de los p valores pasados
de la serie y de los valores presentes (contemporneos) de la serie ocurridos en otros lugares
geogrficos (correlacin espacial). Al modelo, se le suma una variable aleatoria de distribucin
El modelo CPAR(p) se clasifica dentro de los modelos de series de tiempo y posee la ventaja de
capturar la tendencia estadstica local de los datos. Este se ajusta mediante mtodos estadsticos, a
partir de un registro histrico de valores medidos para cada uno de los afluentes del sistema
durante un perodo determinado de aos.
estudio), { H tl } , l =1...L, que normalmente son 40, y que sern usadas en la recursin bacward
T
t =1
del SDDP. Una secuencia inicial de caudales debe entenderse como una trayectoria completa de
la variable hidrolgica a lo largo de todo el horizonte de planificacin de largo T. Estos L
1
Estos modelos sern analizados con profundidad en los prximos captulos. Para el interesado, se recomienda la
referencia [20].
2
La correlacin espacial de los datos se entiende como la dependencia estadstica entre afluentes de distinta
ubicacin geogrfica.
3
Una serie sinttica corresponde a una secuencia de caudales ficticios, simulados por el modelo, para todo el
horizonte de planificacin.
25
Figura 3.6: rbol de escenarios para la variable hidrolgica.
1
Como aperturas condicionadas entendemos a un conjunto de valores futuros alternativos posibles, dado el pasado
histrico de la serie.
26
Una limitacin de PLP en este aspecto es que tanto las simulaciones como las aperturas deben ser
extradas del registro estadstico histrico, con lo que no es tan directa la aplicacin de modelos
de series de tiempo para las series de caudales en el modelo PLP.
27
Las M aperturas para cada etapa durante el periodo de invierno, son sorteadas directamente
desde el histrico, asumiendo a todos los escenarios como equiprobables. Por ejemplo, en el
contexto de una planificacin mensual, para determinar las aperturas del mes de julio, se sortean
M=15 escenarios directamente de entre los afluentes observados para el mes de julio durante los
40 aos del registro histrico, donde a cada escenario se le asocia la misma probabilidad de 1/40.
Actualmente, las interfases que construyen los archivos de caudales de entrada a PLP, son
modificados para tener un tratamiento distinto de la hidrologa en las primeras semanas de la
planificacin de la operacin. Este tratamiento, que se detalla en el manual de procedimiento
elaborado por el CDEC [38], y que se conoce como incertidumbre reducida, define una
hidrologa fija para la primera semana del horizonte de planificacin. Esta hidrologa
determinstica se calcula a partir de los caudales afluentes de los 7 ltimos das como:
Q1a etapa = [ A Q1 + (1 A) Q27 ]
donde:
Q1 : Para centrales de embalse, corresponde al caudal afluente del da anterior a la fecha en que
se inicia el calculo de la programacin semanal.
Para centrales de pasada, corresponde al caudal afluente utilizable del da anterior a la fecha
en que se inicia el calculo de la programacin semanal
Q2-7: Caudal afluente utilizable promedio de los dias 2 al 7, tomados en sentido inverso al
cronolgico, considerando como dia 1 al anterior al que se inicia el calculo de la
programacin semanal.
A: Factor de ponderacin igual a 0.5.
Para determinar los caudales de las semanas dos a cuatro, se calculan las correlaciones y las
distribuciones de frecuencia, entre la primera etapa y cada una de las tres restantes, a partir de la
estadstica semanal de caudales histricos. Con esta informacin, y a partir del caudal Q1a etapa
28
3.7 Limitaciones de los modelos
En un tratamiento tipo GOL, se sortean caudales anuales directamente desde el registro histrico,
asumiendo independencia estadstica entre aos, pero completa dependencia dentro del ao. Un
tratamiento de este tipo asume implcitamente que, si en los primeros meses del ao se presenta
un determinado escenario hidrolgico, entonces el ao mantendr la tendencia de esa serie en
forma determinstica.
Como contraparte, el modelo PLP sortea series iniciales, define aperturas en los meses de
invierno y resuelve un problema determnistico, para cada serie, en el perodo de deshielo. Este
tratamiento es muy similar al hecho por OMSIC.
En el invierno, las aperturas en PLP se sortean asumiendo completa independencia entre meses.
Por otro lado, la eleccin de una optimizacin uni-hidrolgica durante el verano se basa en el
comportamiento esencialmente determinstico que muestran los afluentes, que provienen
bsicamente de los deshielos.
En la figura 3.8 se muestran los correlogramas (autocorrelaciones) para los 6 primeros meses del
ao hidrolgico, para el afluente de lago Laja (afluente central El Toro). Estos grficos muestran
el grado de correlacin que presentan los afluentes en cada mes, con respecto a los caudales de
los 12 meses previos.. As, el primer grfico muestra la correlacin entre los afluentes observados
en Abril (mes 1) con los ltimos 12 meses del ao hidrolgico anterior. El correlograma para el
29
mes 3, muestra la correlacin que presenta el mes tres, con los meses 2 y 1 del mismo ao, y los
10 ltimos meses del ao anterior. El resto de los grficos se interpretan de la misma forma.
En la figura 3.9 se presentan los mismos grficos pero para el afluente Capullo. Notemos que
hay diferencias importantes en la informacin mostrada en ambos grficos, mientras el afluente
Laja muestra en casi todos los meses de invierno una fuerte correlacin con los meses pasados,
el afluente Capullo muestra, para el mismo perodo, una correlacin ms dbil, observndose una
correlacin ms marcada slo en algunos meses. Estas diferencias podran deberse a que los
regmenes de las centrales son completamente distintos. Mientras Capullo es bsicamente pluvial,
Laja es de rgimen nivo-pluvial, lo que implica que los efectos de los caudales se propagan a los
meses posteriores, mostrando incluso una correlacin importante al comienzo del ao (mes 1)
con los ltimos meses del ao hidrolgico anterior. Con esto, en el contexto de una modelacin
mensual de los caudales, el suponer algn grado de dependencia entre aos para los afluentes
nivo-pluviales, no es completamente descartable en principio.
mes1 mes2
1 1
0.5 0.5
0 0
-0.5 -0.5
0 5 mes3 10 15 0 5 mes4 10 15
1 2
1
0
0
-1 -1
0 5 mes5 10 15 0 5 mes6 10 15
1 1
0.5 0.5
0 0
-0.5 -0.5
0 5 10 15 0 5 10 15
30
mes1 mes2
1 1
0 0
-1 -1
0 5 mes3 10 15 0 5 mes4 10 15
2 1
1 0.5
0 0
-1 -0.5
0 5 mes5 10 15 0 5 mes6 10 15
1 1
0.5
0
0
-1 -0.5
0 5 10 15 0 5 10 15
Adicionalmente es necesario sealar, que existe poca consecuencia en la forma en la que PLP
modela la hidrologa en invierno y en verano. En el invierno sortea aperturas desde el histrico,
en forma equiprobable. El sorteo de una apertura hmeda en el invierno, lleva implcito una
almacenamiento mayor de nieve en la cordillera, lo que deberia verse reflejado en un aumento
de los caudales en la temporada de deshielos. Lo opuesto ocurre para una apertura seca. Dicho de
otro modo, la forma en la que se definen las aperturas en el invierno, es determinante en el valor
esperado de los caudales durante el deshielo. El tratamiento uni-hidrolgico, realizado por PLP
en el perodo de deshielo, claramente no considera este efecto.
Como se ha sealado, el objetivo central de este trabajo es desarrollar una metodologa, para
representar adecuadamente el comportamiento futuro de la hidrologa, en el contexto del
problema de planificacin de la operacin de sistemas hidrotrmicos. En este trabajo se adoptar
una estructura de representacin para la hidrologa similar a la hecha por SDDP. Una
representacin de este tipo posee dos componentes:
31
1. Un conjunto de simulaciones iniciales, las que corresponden a una trayectoria
completa de la variable hidrolgica a lo largo de todo el horizonte de planificacin
(lneas azules en la figura 3.7).
2. Aperturas en cada etapa (tanto en el invierno como en el deshielo), las que representan
un conjunto de realizaciones alternativas posibles de la hidrologa en cada etapa
(lneas rojas en figura 3.7).
Ajuste de
Modelo PARMA
Generacin de Simulaciones y
Aperturas
32
4. Modelamiento de Series de Tiempo Hidrolgicas
4.1 Introduccin
En las series de datos provenientes de procesos geofsicos, se establecen, en general, dos tipos de
dependencia estadstica, una dependencia temporal, que dice relacin con la dependencia
estadstica que muestran los valores que toma la serie en dos instantes de tiempo distintos, y la
dependencia espacial, que guarda relacin con la correlacin que muestran las series de datos
obtenidas en distintos lugares geogrficos. En este capitulo se aborda la problemtica de la
dependencia temporal, mediante modelos de series de tiempo.
Los modelos de series de tiempo han cobrado fuerza en las ltimas dcadas en aplicaciones de
series hidrolgicas. La filosofa de estos modelos estadsticos se basa en el hecho de que la gran
mayora de las series temporales, que derivan de procesos del mbito de la fsica y la economa,
muestran una fuerte correlacin con sus valores en instantes pasados. La metodologa propuesta
por Box y Jenkins[7] en el eplogo de la dcada del setenta, para el anlisis y modelacin de
series de tiempo, se convirti en una de las herramientas ms difundidas para el anlisis de series
cronolgicas, cuando se cuenta con un nmero grande de muestras[27]. Bsicamente, estos
modelos permiten hacer estimaciones de la serie, expresando el valor futuro como una
combinacin lineal de los valores que tom la serie en instantes precedentes.
El auge de estos modelos se ha traducido en un gran nmero de trabajos que utilizan esta
estructura de modelacin en el pronstico de series hidrolgicas. Se han desarrollado con xito
diversas aplicaciones para pronstico de crecidas en ros[3,16], y en el pronstico de lluvias
[6,10]. Sin embargo, su aplicacin para series hidrolgicas en la planificacin de sistemas
hidrotrmicos no ha sido difundida en forma masiva, logrando ser implementada en algunos
casos con relativo xito [20]. En vista de lo anterior, es importante clarificar tanto las fortalezas
como las debilidades de estos modelos, y se debe tener en mente que si bien se pueden ajustar
dichos modelos a datos hidrolgicos, estos modelos tienen falencias y en algunos casos crticos
debemos conformarnos con estimar exclusivamente rdenes de magnitud [13].
33
Los principales problemas de estos modelos derivan del hecho de que los registros estadsticos de
caudales afluentes suelen ser de mala calidad debido a la existencia de perodos de relleno2, los
que slo reproducen correctamente las estadsticas de primer orden de la serie original [4]. Otro
aspecto a considerar es que estos modelos, al ser modelos estadsticos, sern tanto mejores
mientras ms grande sea el registro estadstico disponible para ajustar sus parmetros.
El presente captulo muestra una presentacin general de la familia de modelos que deriva de la
metodologa propuesta por Box y Jenkins, conocidos como modelos autoregresivos, evaluando
las caractersticas de cada uno con el objeto de decidir cul de todos ellos es el ms apto para su
aplicacin a series hidrolgicas de caudales.
Sean tambin X t , X t 1 , X t 2 ,..., X t p las desviaciones de dichos valores con respecto a la media
X t = 1 X t 1 + 2 X t 2 + ... + p X t p + t (4.1)
Si una serie temporal sigue una relacin como 4.1, se dice que es un proceso Autoregresivo de
orden p (AR(p)). El factor t es el ruido o innovacin, y el modelo se construye de manera que
sea un ruido blanco, es decir, se impone que sea no correlacionado en el tiempo y que se
2
Perodos que se utilizan para interpolar los datos faltantes en los registros estadsticos.
34
distribuya en forma normal N (0, 2 ) , en cada instante. Es importante recalcar que el modelo se
ajusta de manera que estas condiciones sobre la innovacin se satisfagan.
Otro aspecto importante, es que los modelos de series de tiempo se ajustan en general a series con
valor esperado nulo. Si la serie a modelar no posee esta caracterstica, existen dos caminos, el
primero es agregar una constante aditiva a la ecuacin 4.1, la que debe ser estimada junto con los
otros parmetros del modelo, y el segundo es ajustar el modelo a la serie de datos centrados
(restando el valor esperado). Como en general no se dispone a priori del valor esperado de la
serie, este se puede estimar simplemente como el promedio histrico de sta.
Recordemos que una de las principales caractersticas de las series de tiempo hidrolgicas es que
son no estacionarias y muestran periodicidad de sus estadsticas dentro del ao. Esta
caracterstica invalida a los modelos ARMA para ser aplicados a series de caudales, debido a su
estructura esttica en el tiempo. En efecto, los parmetros del modelo tienen un valor fijo
invariante en el tiempo, lo que se traduce en que sus propiedades estadsticas sean las mismas en
todo instante. Debido a esto, una serie que sigue una relacin como 4.2 es estacionaria.
Por otro lado, resulta claro que para las series hidrolgicas, el tipo de dependencia estadstica
que presentan los caudales con respecto a sus valores en los meses previos, depender
35
fuertemente de la poca del ao en la que dicho mes se encuentre. As por ejemplo, en el perodo
de invierno los afluentes son principalmente pluviales, con una baja correlacin entre meses, en
cambio, en el verano, los afluentes corresponden principalmente a los deshielos en la alta
cordillera, los que muestran una fuerte correlacin entre meses y con respecto a las lluvias
invernales. Esta dinmica invalida a los modelos ARMA para su aplicacin en series hidrolgicas
debido a que establece una estructura de dependencia que no cambia a lo largo del ao.
Existe un gran nmero de modelos dentro de la familia de los propuestos por Box y Jenkins que
intentan superar las limitaciones de los modelos ARMA. Se distinguen los modelos ARIMA
(Autoregressive Integrated Moving Average) diseados para la modelacin de series no
estacionarias, los SARMA (Stational ARMA) para la aplicacin en series que poseen una
componente estacional, y los modelos mixtos SARIMA.
estacional se incluye escribiendo el valor X t no slo como una combinacin lineal de lo ocurrido
en las etapas previas, si no que adems, se agrega una combinacin lineal de los valores que tom
la serie en igual etapa del ao anterior. De esta manera, un modelo SARMA tiene la siguiente
forma funcional:
p q
X t = i X t i + t i t i + i X t iT (4.3)
i =1 i =1 i =1
donde T corresponde al perodo de la serie (T=12 para etapas mensuales, T=48 en etapas
semanales) y corresponde al nmero de aos en el pasado con el cual la serie sta
correlacionada. Por ejemplo, mediante una expresin como 4.3 se puede pronosticar el caudal en
el mes de Julio, como una combinacin lineal de lo que ocurri en los meses previos (junio ,
mayo, abril, etc.), ms una combinacin lineal de los valores observados en la serie en el mes de
julio en aos anteriores.
1
Si esta serie no resulta estacionaria debe realizarse una segunda diferenciacin y as sucesivamente.
36
Los modelos SARIMA se sustentan en la filosofa de que el patrn de estacionalidad de la serie
radica en una correlacin entre los valores que la serie toma ao tras ao en cada perodo (mes,
semana) del ao.
Los modelos SARMA presentan bsicamente las mismas limitaciones de los modelos ARMA
clsicos, adems de otros inconvenientes, para ser aplicados en series hidrolgicas. Como se
menciona en [30], estos modelos, si bien permiten modelar estacionalidad, siguen estando
limitados por su estructura esttica en el tiempo y por lo tanto son incapaces de modelar la
caracterstica ms distintiva de las series hidrolgicas, a saber, la periodicidad de sus funciones
estadsticas. Por otro lado, si se asume como hiptesis que para la serie existe completa
independencia entre aos, entonces los SARMA pierden toda valides en la modelacin de series
hidrolgicas.
Para un anlisis ms profundo de los modelos ARMA se recomiendan las referencias [7,8,9] y
para los SARMA se recomiendan [8,12,30].
Como se ha sealado en las secciones precedentes, la caracterstica mas distintiva de las series
hidrolgicas, y en general de los procesos geofsicos, es que sus estadsticas tienen una
periodicidad anual. Los procesos con estas caractersticas son conocidos como cicloestacionarios.
Existe un tipo adicional de modelos de series de tiempo que permite abordar series de tiempo con
dichas caractersticas, evitando las dificultades propias de los SARIMA. Estos modelos,
denominados PARMA (Periodic ARMA) se basan en la idea de que las caractersticas peridicas
de las series cicloestacionarias, pueden ser modeladas permitiendo que los coeficientes del
modelo ARMA presentado en la ecuacin 4.2 cambien tambin en forma peridica.
En un modelo ARMA clsico como el presentado en la ec. 4.2 los coeficientes i , i permanecen
fijos en el tiempo. En un modelo PARMA, se relaja esta condicin permitiendo que estos valores
varen en el tiempo en forma peridica. Un modelo PARMA es bsicamente una extensin de los
modelos ARMA que permite a los parmetros depender de cada mes.
37
Sea { X t } una serie de tiempo cicloestacionaria que posee S estaciones1 por ao (en el contexto
de una modelacin mensual, S=12). Supongamos que la serie posee un valor esperado nulo en
todos los meses. Si esta condicin no se satisface, basta con restar a la serie original su valor
esperado en cada mes, obtenindose la serie centrada, la que por definicin posee media nula2.
Dicho de otro modo, se define:
donde es el valor esperado de la serie en la estacin (mes) . El valor esperado en cada mes
, puede ser estimado como el promedio de los valores observados en el mes durante los 40
aos hidrolgicos. La notacin peridica { X nS + } se refiere al valor que toma la serie { X t }
durante el -esimo mes del ao n . Se introduce esta notacin de la variable temporal , para dar
cuenta de la periodicidad anual de la serie.
Con esto, se dice que la serie de media nula, sigue un modelo PARMA, si para cada mes se puede
representar con la siguiente ecuacin de recurrencia:
p ( ) q ( )
X nS + = ( ) X
i =1
i nS + i i ( ) nS + i + nS +
i =1
= 1, 2,..., S (4.4)
1
Una estacin corresponde a la fraccin del ao considerada como etapa de duracin elemental. Por ejemplo un mes
o una semana.
2
Notar que la media de la serie varia en forma peridica, mes a mes, con un periodo de 12 meses
38
En un modelo PARMA, la innovacin aleatoria del modelo nS + tambin posee propiedades
la estacin .
Como se seal, los modelos del tipo PARMA son los ms adecuados para la modelacin de
procesos cicloestacionarios. Este tipo de modelos permite interpretar el comportamiento futuro de
una serie en funcin de su pasado reciente, con una estructura de dependencia que cambia en el
tiempo. En particular nos interesa conocer el valor esperado y la desviacin estndar de la
distribucin arrojada por el modelo, en cada instante de tiempo nS + , en funcin de los valores
que tomo la serie en los meses previos, es decir, queremos calcular los momentos de primer y
segundo orden condicionados:
nS + = E( X nS + X nS + 1 , X nS + 2 ,..., X nS + p ( ) , nS + 1 , nS + 2 ,..., nS + q ( ) )
Pero por construccin del modelo, la innovacin tiene valor esperado nulo a en cada instante,
luego
p ( ) q ( )
nS + = i ( ) X nS + i i ( ) nS + i (4.5)
i =1 i =1
Notemos que los trminos de (4.5) son valores medidos en instantes anteriores, tanto de la serie
como de la innovacin, es decir, son componentes determinsticas del modelo.
39
nS + = E (( X nS + nS + )2 X nS + 1 , X nS + 2 ,..., X nS + p ( ) , nS + 1 , nS + 2 ,..., nS + q ( ) )
X nS + nS + = nS + nS + = E ( nS2 + ) = 2 ( )
Se ve entonces que si la serie sigue un modelo PARMA, entonces se distribuye como una normal
X nS + = nS + + nS + (4.6)
que corresponde a la suma de un valor medio que depende del pasado, ms una innovacin
aleatoria.
Una vez ajustado un modelo como 4.4 a la serie de datos, es necesario obtener la serie de tiempo
asociada a la innovacin. Esta serie es, entre otras cosas, de gran utilidad para chequear las
bondades del modelo ajustado. Esta serie se construye despejando la innovacin de 4.4:
p ( ) q ( )
nS + = X nS + i ( ) X nS + i i ( ) nS + i (4.7)
i =1 i =1
es decir, una muestra para la innovacin en el instante nS + , se obtiene restando el valor real
medido X nS + con la estimacin hecha por el modelo. Luego, se puede obtener la serie de tiempo
de las innovaciones, aplicando esta expresin a la serie de datos contenida en el histrico. Un
ejemplo de esto se muestra en el captulo siguiente
40
En los captulos 6 y 7 se muestra la metodologa general para el ajuste de un modelo PARMA. El
lector interesado, puede consultar las referencias [15,31,37] para un anlisis ms formal de stos
modelos.
En los modelos multivariados se consideran bsicamente tres tipos de dependencia entre las
distintas series:
41
Existen dos claras desventajas para el uso de el modelo multivariado general, en su aplicacin
para la modelacin de la dependencia espacial de las series hidrolgicas: (1) en la practica resulta
complicado de implementar debido a que el numero de parmetros involucrados crece
exponencialmente con la dimensionalidad del modelo, y (2) omite una importante caracterstica
de las series hidrolgicas, y es que las propiedades fsicas del sistema imponen restricciones en la
estructura del modelo las que no son consideradas en la construccin del modelo multivariado.
Considere por ejemplo el caso Chileno, en las cuencas no existe una dependencia retroalimentada
de los caudales, debido a que los afluentes aguas abajo no generan efectos causales sobre los
afluentes aguas arriba. Tampoco es clara la existencia de una dependencia unidireccional. En
efecto, debido al tipo de escorrenta presente en la cordillera chilena, la que es esencialmente
superficial y de una gran pendiente, efectos de cambios en los afluentes aguas arriba se propagan
rpidamente aguas abajo, de manera que en el contexto de una modelacin semanal, la
propagacin de este efecto se puede considerar como instantnea.
Lo anterior permite argumentar que un modelo del tipo contemporneo es suficiente para la
modelacin de la dependencia espacial en el contexto del presente trabajo, en el que se propone la
implementacin de un modelo CPARMA (Contemporaneous PARMA). En un modelo
CPARMA se modelan las series temporales de cada afluente en forma separada, ajustando en
cada caso un modelo PARMA como el descrito en la seccin precedente. Luego de esto, se ajusta
un modelo de dependencia contempornea para la serie de innovaciones. La metodologa para
implementar un modelo contemporneo indica que primero se debe ajustar un modelo PARMA
univariado para cada uno de los afluentes a incluir en la modelacin. Una vez que se tiene un
modelo PARMA para cada afluente se debe generar la serie de tiempo de innovaciones en cada
etapa, esto se realiza despejando t de 4.4:
p ( ) q ( )
nS + = X nS + i ( ) X nS + i i ( ) nS + i
i =1 i =1
La serie de ruidos se construye, para cada afluente, a partir del modelo PARMA ajustado y a
partir de los valores reales de la serie X nS + contenidos en el registro estadstico. La innovacin
42
tienen una periodicidad anual, con cuatro estaciones dentro del ao (con lo que el periodo de la
serie equivaldra a cuatro trimestres). La tabla 5.2 muestra los parmetros de un modelo
PARMA(1,0) ajustado a los datos.
t X
1 0,7
2 0,25
3 0,14
4 0,15
5 0,5
Tabla 4.1
estacin phi
1 1.96
2 0,45
3 0,5
4 0,98
Tabla 5.2
E ( nS
i
+ nS + )
j
DijnS + = ij =
i j
mes . Recordar que por construccin del modelo PARMA, las innovaciones tienen media nula.
La matriz D es una matriz de KxK, cuyos elementos corresponden a las correlaciones cruzadas en
el instante t de los K afluentes. Los elementos de D pueden aproximarse por sus valores
muestrales:
1 N
nSi + nSj +
DijnS + rijnS + =
N
n =1 % %
i
j
con:
N
1
( )
2
% =
i
i
nS +
N n =1
El modelo de dependencia espacial se construye imponiendo que las innovaciones para cada uno
de los K afluentes no sean independientes entre ellas si no que internalicen de algn modo la
informacin contenida en la matriz D. Esto se hace definiendo un nuevo vector auxiliar de K
44
r
innovaciones wt R K , las cuales son no correlacionadas espacialmente. Las componentes del
r
vector wt son independientes entre si y se distribuyen segn una normal estndar N(0,1).
Por simplicidad, definamos el vector de ruidos reducidos como el vector en que cada componente
se define por:
nSi +
ei
nS + = i = 1,..., K
i
r r r r r r
E (enS + enS + T ) = E (( M wnS + ) ( M wnS + )T ) = E (( M wnS + ) ( wnS + T M T ))
r r
= M E ( wnS + T wnS + ) M T
r r r
Notemos que por definicin E (enS + enS + T ) = D nS + . Adems tenemos que como los wt son
r r
independientes y normales estndar se cumple que E ( wnS + wnS + T ) = I , donde I es la matriz
identidad. Con lo anterior se obtiene la relacin:
D nS + = M M T (5.1)
D nS + = RT R = M M T M = RT (5.2)
45
Notemos ahora, que dado que las propiedades estadsticas del vector de ruidos son peridicas
(periodo igual a un ao para la serie mensual), la matriz D nS + tambin ser peridica. Con esto,
podemos escribir D nS + = D . Del mismo modo, tendremos una matriz M para cada mes, con lo
que en estricto rigor debemos escribir M = M , la que se obtiene con la ecuacin 5.2.
En el anlisis de series de tiempo, se desea ajustar el modelo estocstico mas apropiado para
representar un conjunto dado de datos. Sin importar cual sea el tipo de modelo que se desee
ajustar, es recomendable seguir la metodologa propuesta por Box y Jenkins, que comprende las
etapas de identificacin, estimacin y diagnostico. La metodologa general para la construccin
de un modelo del tipo PARMA se resume en la figura 6.1.
Identificacin del
Modelo
Estimacin de
parmetros
S
Aplicacin
46
Dado un tipo de modelo dentro de una familia de modelos, se identifica el orden de ste.
Determinado el orden del modelo se procede a la estimacin de parmetros, si el ajuste del
modelo es satisfactorio el modelo es usado para la aplicacin, en caso contrario se debe volver
nuevamente a la etapa de identificacin, establecindose un proceso iterativo hasta que un
modelo satisfactorio es obtenido. Las distintas etapas se explican a continuacin.
6.2 Identificacin
Una vez seleccionado el modelo PARMA como el ms adecuado para nuestra aplicacin, en la
etapa de identificacin se debe determinar el orden del modelo, es decir los valores de
p ( ), q ( ) = 1,..., S . Esto se realiza mediante la inspeccin visual de algunos tipos de
grficos, especficamente la funcin de autocorrelacion simple (FACS) y la funcin de
autocorrelacin parcial (FACP).
47
En la prctica se obtiene una estimacin de la FACS mediante su valor muestral:
1 N 1 X iS + % X % k
r (k ) =
N 1 i =1
(
%
) ( iS + k
% k
) (6.2)
donde % , % son las aproximaciones muestrales de la media y la varianza para el mes , cuyas
expresiones son:
1 N 1
% = X k S +
N k =0
N
1
% =
N
(X
k =1
kS + % ) 2
Para entender como se construye esta funcin, supongamos que se quiere ajustar un modelo
peridico autoregresivo puro (PAR(p) PARMA(p,0)) a la serie centrada y ajustada por su
desviacin estndar, es decir, se desea obtener un modelo de la forma:
X nS + p ( ) X nS + i i
= i ( ) + nS + (6.3)
i =1 i
Observemos que al ser un modelo PAR puro, se omite la componente de medias mviles en la
ecuacin. Lo que se desea es encontrar una estimacin preliminar de los coeficientes i ( ) . Para
esto, multiplicamos ambos lados de 6.3 por:
X k
Z nS + k = nS + k
y luego tomando valor esperado obtenemos:
.
X X p() X X X
E nS + nS +k k = i () E nS+i i nS+k k + E nS + nS+k k
i=1 i
48
Notemos que el ltimo trmino es nulo, debido a al independencia estadstica de la innovacin
con lo observado en otros instantes. Identificando trminos y sustituyendo en esta ecuacin la
expresin 6.1, obtenemos:
p( )
(k) = i () i (k i) (6.4)
i=1
Si escribimos la ecuacin 6.4 para todos los valores de k entre 0 y p( ) , obtenemos un sistema
de ecuaciones, el que escrito matricialmente tiene la forma:
Este conjunto de ecuaciones son conocidas como ecuaciones de Yule-Walker. Estas ecuaciones
entregan una estimacin preliminar de los parmetros autoregresivos cuando se ajusta un modelo
PAR de orden p( ) . Notemos que existe un set de ecuaciones como 6.5 para cada mes.
Denotemos ahora kj al j-esimo coeficiente (j-esima componente del vector
entrega el valor del k-esimo (ultimo) coeficiente autoregresivo cuando se ajusta a la serie un
modelo de orden k.
Es importante notar que existe una FACS y una FACP para cada mes del ao, para cada afluente.
Las funciones FACS y FACP entregan informacin til para poder identificar el orden del
modelo a ajustar. Recordemos que tanto el orden del modelo, es decir, el numero de periodos
pasados que entregan informacin til para la representacin de la serie, como los coeficientes
mismos depende de cada mes. Con esto, se debe identificar el orden del modelo para cada mes
49
del ao, lo que significa analizar un total doce funciones de autocorrelacin y doce funciones de
autocorrelacion parcial.
Como se explica en [35] y se demuestra en [8,9], las funciones FACS y FACP poseen un
comportamiento tpico para modelos autoregresivos. Todo el anlisis se basa en las dos
observaciones siguientes [35]:
En base a esto podemos intuir que, si en el mes , una serie sigue un modelo PARMA(p,q),
entonces sus funciones FACS y FACP tendrn un comportamiento representado por una
combinacin de lo planteados en los puntos 1 y 2. En efecto, si la serie sigue un proceso
PARMA(p,q) su FACS mostrar un valor significativamente no nulo para los q primeros retardos
y luego mostrar un decaimiento exponencial o de sinusoide amortiguada.
Por otro lado su FACP mostrara un valor significativamente distinto de cero para los p primeros
valores, mostrando luego un decaimiento exponencial o una sinusoide amortiguada.
Utilizando esta informacin, se puede determinar el orden del modelo para cada mes, mediante
una inspeccin visual de las funciones FAC y FACP respectivas.
Veamos por ejemplo las funciones FACS y FACP para el logaritmo de la serie correspondiente al
afluente Affl_SAUSAL (figura 6.2), para el noveno mes del ao hidrolgico. En el grfico
superior se muestra la FACS y en el inferior la FACP. La FACS muestra un decaimiento
exponencial a partir de k=0, adems la FACP muestra un coeficiente significativamente no nulo
50
para k=1, el resto de los coeficientes pueden ser estadsticamente interpretados como nulos. Con
esto , un modelo tentativo para este afluente en el mes 9 podra ser un PAR(1) (PARMA(1,0)).
FAC y FACP para la estacion 9
1.5
0.5
-0.5
0 2 4 6 8 10 12
lag
1
0.5
-0.5
1 2 3 4 5 6 7 8 9 10 11
lag
donde los residuos, son obtenidos a partir de la ecuacin 5.7, con la metodologa mostrada en el
capitulo 6.
Una vez que son obtenidos los parmetros del modelo, la varianza de la innovacin puede ser
estimada como:
N
1
2 ( ) =
N
n =1
2
nS +
51
6.4 Test de Diagnstico
correlacin casi nula para valores del retardo k 1 . En trminos estadsticos, si las innovaciones
son independientes y aproximadamente normales, para retardos altos, la autocorrelacin sigue
una distribucin N (0,1/ N ) . Esto quiere decir que si algn residuo cae fuera de la banda del
intervalo de confianza de 95% 1.96 1.96 ,
, la hiptesis estadstica de que dicho residuo es nulo
N N
es rechazada con una probabilidad del 95%. La inspeccin visual de la FACS de las
innovaciones, apoyada por el test de Porte Manteau [7], son las herramientas utilizadas en el
presente trabajo para el anlisis de la independencia de los ruidos.
En el esquema de modelacin propuesto por Box y Jenkins, los residuos o innovaciones son
asumidos independientes a lo largo del tiempo y normalmente distribuidos. La suposicin de
independencia es la ms importante de ellas, y su violacin puede acarrear drsticas
consecuencias [32]. Sin embargo, si la hiptesis de normalidad no es satisfecha, esto puede
corregirse mediante una transformacin de los datos, conocida como transformacin de Box-Cox.
52
En general, la hiptesis de normalidad de los residuos usualmente no es crtica para la obtencin
de una buena estimacin de los parmetros del modelo. Como se seala en [32], si las
innovaciones son independientes y poseen varianza finita, entonces se puede obtener una
estimacin razonable de los parmetros del modelo. Esto se demostr experimentalmente en [32],
mediante simulaciones de Montecarlo a partir de un modelo de parmetros conocidos. Se
generaron sorteos de la innovacin del modelo, suponiendo que estos se distribuan en forma
normal, en forma uniforme, y como una normal contaminada, asumiendo el mismo valor de la
varianza para los tres casos. Se ajusto un modelo a las series sintticas generadas en los tres
casos, obtenindose que en todos ellos que los parmetros estimados tenan un valor muy cercano
a los del modelo original.
la serie xt se escribe:
1 [( xt + C ) 1] 0
xt = (6.7)
ln( xt + C ) =0
Una vez transformados los datos se ajusta un modelo a la serie de datos transformados en lugar
de la serie original. En la transformacin, C es una constante seleccionada de manera que
xt + C sea una cantidad estrictamente positiva para todo instante del tiempo.
Varias aproximaciones estn disponibles para seleccionar adecuadamente los parmetros de una
transformacin de Box-Cox. A veces, es sabido de antemano que la serie en observacin requiere
cierto tipo de transformacin. Por ejemplo, muchos autores han encontrado que en la prctica es a
veces necesario aplicar logaritmo a los datos de las series hidrolgicas, esto se traduce en hacer
= 0 , y a C se le asigna un valor pequeo, de manera que no hayan valores nulos en la serie. En
otros casos, los parmetros ,C no son conocidos de antemano y deben ser estimados junto con
los otros parmetros del modelo.
53
Para las series hidrolgicas, en general basta con aplicar logaritmo natural, escogiendo C de
manera que no hayan observaciones nulas (para poder aplicar logaritmo). Existe adems otra
razn ms de fondo que explica la necesidad de aplicar una transformacin de este tipo a los
datos de caudales, antes de ajustar un modelo del tipo PARMA, y es que si se ajusta directamente
un PARMA a los datos sin transformar, las innovaciones, al distribuirse en forma normal, pueden
hacer que el modelo arroje valores negativos para la serie hidrolgica durante la simulacin, lo
que no tiene sentido fsico. Ajustar un modelo PARMA al logaritmo de los datos permite evitar
esta dificultad.
La duracin de la etapa elemental seleccionada para la modelacin de las series de caudales del
SIC es de un mes. El utilizar una etapa mensual para la modelacin, en lugar de semanal, se
fundamenta principalmente en dos razones. Primero, existen en general pocas series con
informacin semanal de calidad. En algunos casos, slo se dispone de informacin mensual y se
rellena la serie semanal a partir de estos valores. La otra razn, se fundamenta en la fuerte
intermitencia mostrada por los caudales en la serie semanal, principalmente durante el invierno.
As, por ejemplo, es frecuente observar meses muy hmedos en los que gran parte de la
precipitaciones se concentraron en una o dos semanas dentro del mes, observndose
precipitaciones nulas en el resto de las semanas. Por otro lado, las semanas dentro del mes en las
cuales se concentra el grueso de las precipitaciones son completamente aleatorias. Este efecto, es
filtrado casi completamente al modelar los caudales promedio mensuales, los que muestran una
componente de intermitencia en promedio despreciable.
En la figura 7.1 se muestran las series de caudales semanales y mensuales (promedio) para los
aos 1974 y 1999. Se observa que la serie semanal muestra desplazamientos de las puntas de
entre una y dos semanas, de una serie respecto de la otra. Este efecto es filtrado en un porcentaje
importante al tomar la serie promedio mensual. En la figura 7.2 se repite este ejercicio pero
para todas las hidrologas presentadas entre 1959 y 1969.
54
Serie Semanal Afluente LAJA 1959-1969 Serie Mensual Afluente LAJA 1959-1969
400 200
180
350
160
300
140
250
120
m3/ m3/
seg seg
200 100
80
150
60
100
40
50
20
0 0
0 5 10 15 20 25 30 35 40 45 50 0 2 4 6 8 10 12
Semanas Meses
Figura 7.1: Series de caudales promedio semanales y mensuales para afluente LAJA.
Serie Semanal Afluente LAJA 1959-1969 Serie Mensual Afluente LAJA 1959-1969
250 180
160
200
140
120
150
m3/seg m3/seg 100
80
100
60
40
50
20
0 0
0 5 10 15 20 25 30 35 40 45 50 0 2 4 6 8 10 12
Semanas Meses
Figura 7.2: Series de caudales promedio semanales y mensuales para afluente LAJA (1959-1999).
En la figura 7.2 cada color representa un ao. Se aprecia en la serie semanal que las puntas se
distribuyen en forma muy aleatoria. Esto no ocurre en la serie mensual, donde se observan slo
dos puntas marcadas dentro del ao, una en el primer semestre, en torno al mes tres, y una en el
segundo, en torno al mes seis.
Un tratamiento formal del fenmeno de intermitencia supone que los caudales se comportan
como una variable binaria, con lo que un modelo del tipo PARMA, como el presentado en las
secciones previas, no sera el ms adecuado. Dado que en la serie promedio mensual la
intermitencia es casi despreciable, esta serie parece tener caractersticas ms apropiadas para el
ajuste de un modelo PARMA.
55
7.2 Pasos Previos al Ajuste del Modelo
Siguiendo el mtodo presentado en el captulo 6, en esta seccin se muestra la metodologa para
ajusta un modelo PARMA a los afluentes mensuales del SIC comprendidos en la cuenca del Laja
y Maule. Se seleccionaron estos afluentes para el anlisis, debido a la importancia que tienen las
centrales de estas cuencas para el SIC, concentrando la cuarta parte de la potencia instalada del
sistema.
En la figura 7.3 se muestra la serie para el afluente Laja, entre los aos 1985 y 1995. En la figura
7.4 se muestra la serie mensual para los aos 1987 y 1988. Se ve que la serie muestra dos puntas
marcadas dentro del ao, una aproximadamente en el mes de julio (mes 4) del ao hidrolgico
(lluvias), y otra alrededor de octubre (mes 7, comienzo de los deshielos). En la figura 7.5 se
muestra la evolucin dentro del ao de la media y la desviacin estndar, estimada a partir de la
muestra histrica.
180
160
140
120
m3/seg
100
80
60
40
20
0
0 20 40 60 80 100 120 140
meses
Figura 7.3: Serie del afluente al embalse del Laja entre los aos 1985 y 1995.
56
Serie Historica entre los aos 1988 y 1989 Affl LAJA
150
100
m3/seg
50
0
0 5 10 15 20 25
meses
Figura 7.4: Serie del afluente al embalse del Laja para los
aos 1987 y 1988.
100
80
60
40
20
0
0 2 4 6 8 10 12
Estacion
Como se seal en la seccin 4.4, por sus caractersticas constructivas, el modelo PARMA se
aplica preferentemente a series con valor esperado nulo, con el objeto de disminuir el nmero de
parmetros a estimar. Adicionalmente, por las razones analizadas en 6.5, es necesario
transformar los datos. En vista de esto, previo al ajuste del modelo, los datos son tratados segn
la siguiente secuencia:
57
Como consecuencia tenemos que se ajustara un modelo PARMA a la serie logartmica centrada,
para los caudales mensuales promedio1. En la figura 7.6 se muestra el logaritmo natural se la
serie original, y en 7.7 se muestra la media y la desviacin estndar para esta serie. Notar que la
dispersin de los datos disminuye notablemente con una transformacin de este tipo, respecto de
la serie sin transformar.
Serie Historica entre los aos 1985 y 1995 Affl LAJA
5.5
4.5
m3/seg
3.5
2.5
0 20 40 60 80 100 120 140
meses
4.5
3.5
2.5
1.5
0.5
0
0 2 4 6 8 10 12
Estacion
58
entonces, es identificar el orden del modelo para cada mes. En la figura 7.8 se muestran la FACS
y FACP para los meses 6 y 11 del ao hidrolgico, para la serie de datos transformados1 del
afluente Aff_LAJA.
Figura 7.8: FACS y FACP para la serie Aff_Laja en los meses 6 y 11 del ao hidrolgico
Se observa, que para el sexto mes del ao hidrolgico (septiembre) la FACS muestra un
decaimiento del tipo sinusoide amortiguada, mientras que en la FACP, los dos primeros
coeficientes son distintos de cero y el resto pueden, en una primera instancia, considerarse
estadsticamente nulos.
1
Para todas las series en estudio, la serie transformada corresponde al logaritmo de los datos.
59
Si bien en el sptimo coeficiente de la FACP toma un valor apreciablemente no nulo, como
primera aproximacin supondremos que esto se debe a problemas de aproximacin numrica y
que su valor real puede considerarse estadsticamente nulo. Con esto, al tener la FACP slo sus
dos primeros valores no nulos, y dado que la FACS muestra un decaimiento exponencial, un
modelo tentativo para el mes 6 tendra valores p=2 y q=0.
Haciendo el mismo anlisis para el mes 11, se ve que la FACS muestra un decaimiento
aproximadamente exponencial, mientras que la FACP posee slo sus dos primeros coeficientes
estadsticamente no nulos. Con esto, para el mes 11, p=2 y q=0.
Como un ejemplo adicional, observemos la FACS y FACP para el mes 10 (figura 7.9), en el que
la FACS muestra un decaimiento aproximadamente exponencial y la FACS slo tiene el primer
coeficiente significativamente distinto de cero, y el resto de los coeficientes pueden considerarse
estadsticamente nulos. Con esto p=1, q=0 parecen ser los ordenes adecuados para el modelo en
el mes 10.
FAC y FACP para la estacion 10 Affl LAJA
1.5
0.5
-0.5
0 2 4 6 8 10 12
lag
1
0.5
-0.5
1 2 3 4 5 6 7 8 9 10 11
lag
Este anlisis debe ser realizado para cada mes del ao hidrolgico, con lo que se obtiene el orden
del modelo para cada mes. Es importante sealar que en algunos meses, la informacin entregada
por las FAC y FACP es poco clara para deducir el orden del modelo. Por otro lado, el software
SAMS, usado en la estimacin de parmetros1, no permite ajustar un modelo de distinto orden
para cada mes. Para resolver esto se utiliz el siguiente procedimiento: con la metodologa antes
1
Ver seccin 8.6
60
sealada, se determina el orden del modelo para cada mes, se identifica luego el mes de orden
mayor, y luego se ajusta un modelo de ese orden para todos los meses. Este procedimiento
recomendado en [15], se basa en el hecho de que el ajustar un modelo de orden superior en un
mes determinado, no debera aportar mucha informacin adicional al modelo, y los coeficientes
adicionales deberan tener un valor cercano a cero.
Como se mencion antes, en algunos meses la FACS y FACP entregan informacin poco clara.
Un ejemplo de esto se muestra en la figura 7.10, donde la FACP muestra un coeficiente
significativamente no nulo para el lag 5. Debido a inconvenientes de este tipo, no es posible
determinar con certeza el orden del modelo para todos los meses. Para sortear este inconveniente,
el procedimiento seguido en el presente trabajo para determinar el orden del modelo es el
siguiente:
1. Con la metodologa general propuesta, se determina el orden del modelo para la mayor
cantidad de meses que sea posible.
2. Se selecciona el mes que presenta el orden ms alto.
3. Se ajusta un modelo de dicho orden para todos los meses.
4. Se evala si dicho modelo pasa los test de diagnstico. De ser as se utiliza el modelo, de
lo contrario se intenta con un modelo de orden superior.
61
Con sta metodologa, se ajust un PARMA(2,0) (p=2 y q=0 para todos los meses) a la serie
transformada del Laja. Los valores de los parmetros y la varianza de las innovaciones, obtenidos
para cada mes, se muestran en la tabla 7.1:
62
Figura 7.11 : a) Grfico en papel de probabilidad normal de la funcin de distribucin acumulada de los
ruidos para el mes 3. b) Correlograma de los ruidos para el mes 3.
63
2. Como se seal en 3.2.2, en general la estadstica disponible es de calidad limitada. Se
dispone de algunas series largas y el resto de las series fueron rellenadas, no existiendo
informacin disponible de cmo se hizo. Esto es particularmente importante en la cuenca
del Maule, cuya topologa (y por lo tanto la forma en que se estiman los afluentes en
diferentes puntos de la cuenca) ha tenido continuos cambios en los ltimos aos, debido a
la incorporacin de nuevas centrales en la cuenca.
En la tabla 7.2 se muestra un resumen de las caractersticas y calidad de los ajustes obtenidos. En
esta tabla se muestra, para cada afluente en estudio, el orden (p,q) del modelo ajustado, los meses
donde fueron rechazadas las hiptesis de normalidad e independencia de los ruidos, y la cuenca a
la que pertenece el afluente.
Esta tabla resume las caractersticas del mejor ajuste que fue posible obtener para cada afluente,
segn la metodologa presentada en las secciones previas.
Se aprecia que en ningn caso fue posible obtener un modelo donde fueran aceptadas las
hiptesis de normalidad e independencia en todos los meses. Como se seal en el captulo 6, el
no satisfacer la hiptesis de normalidad en todos los meses no es crtico. Esto permitira decir que
los ajustes obtenidos para los afluentes Affl_MAULE, Affl_RIOCLARO, Affl_LAJA,
Affl_ABANICO, Affl_ANTUCO y Affl_RUCUE , son de buena calidad y constituyen una
herramienta valida para el pronstico de caudales.
En las figura 7.12 a) b) c) y d) se muestran series simuladas para el caudal afluente al lago Laja
(afluente central El Toro) para el ao hidrolgico 1975-1976, el que puede ser considerado como
un ao normal en trminos hidrolgicos. Se presentan cuatro grficos. En cada grfico, la serie
azul representa la serie histrica del ao 1975-1976. Las series coloreadas en rojo corresponden a
200 series sorteadas a partir de la distribucin normal entregada por el modelo PARMA, y la
curva en verde es el valor esperado del caudal futuro arrojado por el modelo, el que se calcula
como el promedio simple de las 200 simulaciones.
Adicionalmente se incluye la media historica, en color negro, calculada como el promedio de los
caudales mensuales observados los cuarenta aos hidrolgicos.
Notar que, para los meses de invierno, el promedio histrico corresponde al valor esperado del
caudal, segn un tratamiento hidrolgico como el hecho por PLP. En efecto, PLP sortea en cada
65
mes aperturas a partir del registro histrico, asumiendo que todos los escenarios histricamente
observados para un mes particular son equiprobables. Bajo esta representacin de la hidrologa, el
valor esperado del caudal en cada mes, se calcula como el promedio simple de los escenarios
observados para dicho mes a lo largo de la historia.
En las figuras 7.12 b) c) y d) se repite el mismo ejercicio del prrafo anterior, pero suponiendo
conocida la informacin de caudales hasta los meses 5, 7 y 9, respectivamente. En cada caso se
sortearon 200 escenarios hasta el final del ao hidrolgico.
Series para afluente LAJA para el ao 1976
160
Serie Historica
Promedio Historico
140
Valor Esperado
Sorteos Modelo
120
100
m3/
seg 80
a) 60
40
20
0
0 2 4 6 8 10 12
Mes Hidrolgico
100
m3/
b)
seg 80
60
40
20
0
0 2 4 6 8 10 12
Mes Hidrolgico
66
Series para afluente LAJA para el ao 1976
160
Serie Historica
Promedio Historico
140 Valor Esperado
Sorteos Modelo
120
100
m3/
seg
c) 80
60
40
20
0 2 4 6 8 10 12
Mes Hidrolgico
120
m3/ 100
seg
d) 80
60
40
20
0 2 4 6 8 10 12
Mes Hidrolgico
Figura 7.12: Series simuladas mediante sorteos de modelo PARMA (en rojo), asumiendo conocida la
informacin hasta el mes 3 (a) 5 (b), 7 (c) y 9 (d). Se agrega la serie histrica (azul) y
el promedio histrico (negro)
1. A medida que nos internamos en el ao, es decir a medida que aumenta la informacin
pasada disponible de la serie, el modelo reconoce con mayor precisin la tendencia de la
serie anual , disminuyendo la varianza de la estimacin y realizando, por lo tanto, un
mejor pronstico.
67
2. En general el modelo se comporta como un buen estimador cuando se realiza un
pronstico de corto plazo (uno o dos meses hacia adelante). El error de estimacin
aumenta considerablemente cuando se desea inferir el comportamiento de la serie varios
meses hacia adelante.
Se debe notar que si se conoce la informacin de caudales hasta el mes j, el modelo entrega en
general una buena estimacin del comportamiento de los caudales para el mes j+1, pero una
mala estimacin para los meses posteriores. Sin embargo, se debe recordar que este modelo ser
utilizado para generar una representacin de la hidrologa futura, segn la estructura presentada
en el captulo 3 y que se muestra grficamente en la figura 3.6. En ese contexto, el modelo
PARMA adquiere relevancia cuando es usado para determinar las aperturas del rbol de
escenarios, con lo que una buena estimacin del comportamiento de los caudales un mes hacia
adelante es suficiente.
80
m3/
seg
a) 60
40
20
0
0 2 4 6 8 10 12
Mes Hidrolgico
68
Series para afluente LAJA para el ao 1999
120
Serie Historica
Promedio Historico
100 Valor Esperado
Sorteos Modelo
80
m3/s
eg 60
b) 40
20
0
0 2 4 6 8 10 12
Mes Hidrolgico
80
m3/seg
60
c) 40
20
0
0 2 4 6 8 10 12
Mes Hidrolgico
80
m3/seg
60
d) 40
20
0
0 2 4 6 8 10 12
Mes Hidrolgico
Si bien en los primeros meses del ao, en particular en el caso del mes tres, el modelo tiende a
sobre valorar los caudales para el mes cuatro, este de todos modos entrega un pronstico
69
significativamente ms certero que el ofrecido por un tratamiento hidrolgico tipo PLP, en el que
el valor esperado esta dado bsicamente por la media histrica. Adicionalmente, en el captulo 8
se muestra que la incertidumbre reducida (ver seccin 3.6), introducida por PLP en las primeras
semanas, resulta insuficiente para reconocer un ao seco. Es claro que si en el ao 98-99 se
hubiese utilizado un modelo de este tipo para representar la hidrologa, los modelos de
planificacin habran entregado las seales de precios adecuadas a partir del mes tres del ao
hidrolgico, y habra evitado tener que esperar hasta bien avanzado el ao para reconocer el
dficit y decretar la escasez.
En el Anexo B se muestran grficas similares a las analizadas en este captulo, para otros
afluentes del sistema, tanto de la cuenca del Laja como la del Maule, y para distintos escenarios
hidrolgicos.
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 2 4 6 8 10 12
Mes Hidrolgico
Figura 7.14 a: Correlacin espacial de los ruidos, para cada mes, estimada
para pares de afluentes de la cuenca del Laja.
70
Correlacion Cruzada en cada mes, para la serie de Ruidos
1
0.8
0.6
HIISLA-PEHUENCHE
0.4 LMAULE-INVERNADA
HIISLA-LMAULE
INVERNADA-PEHUENCHE
0.2
-0.2
-0.4
0 2 4 6 8 10 12
Mes Hidrolgico
Figura 7.14 b: Correlacin espacial de los ruidos, para cada mes, estimada
para pares de afluentes de la cuenca del Maule
Como se analiz al comienzo de esta seccin, si bien se puede obtener un modelo PARMA para
una buena parte de los afluentes del SIC, no es posible obtenerlo para todos, con lo que un
modelo CPARMA que incluya a todos los afluentes del sistema, no constituye una herramienta
confiable para la representacin estadstica de la hidrologa.
Una alternativa para resolver el problema anterior es ajustar un modelo CPARMA slo para los
afluentes para los cuales es posible obtener un modelo PARMA satisfactorio. Con los caudales
obtenidos con esta herramienta de pronstico se pueden estimar a los caudales para los afluentes
no considerados, mediante mtodos estadsticos de interpolacin espacial.
Otra alternativa es inspeccionar un modelo mixto que utilice un modelo CPARMA para algunos
afluentes, y una seleccin de las series histricas para aquellos afluentes para los cuales no es
posible obtener un modelo PARMA.
Como se analizar en el prximo captulo, existen otras limitaciones para implementar un modelo
CPARMA en los modelos de planificacin utilizados en la actualidad en el SIC. La principal
razn radica en que dichos modelos solo aceptan caudales histricos para la simulacin, y no
series simuladas, como las obtenidas con el modelo PARMA. Esto, junto a las limitaciones
71
planteadas en ste capitulo, motivan a la bsqueda de caminos para incluir modelos de este tipo
en la planificacin de la operacin del SIC. En los captulos 9 y 10 se plantean metodologas
para resolver esta cuestin.
Matlab y SAMS son las herramientas utilizadas para el desarrollo computacional del presente
trabajo. Matab es un lenguaje de programacin, de propsito general, que ofrece una plataforma
verstil para el trabajo con matrices y el manejo de expresiones matemticas complejas,
ofreciendo adems la posibilidad de crear interfaces grficas para la interaccin con el usuario.
Usando la plataforma de programacin ofrecida por Matlab se desarrolla una aplicacin que
permite visualizar las series de caudales del SIC, las FACS y FACP para la identificacin, ajustar
modelos de correlacin 7.15).
SAMS, por su parte, es una aplicacin computacional construida en Fortran, desarrollada por la
Universidad de Colorado que permite, entre otras cosas, ajustar los parmetros de un modelo
PARMA a series de caudales (figura 7.16).
72
Figura 7.16: Software SAMS
Para implementar la interfase con el modelo PLP, se desarrolla una macros para Excel. Esta
macros utiliza la informacin del modelo PARMA y los caudales histricos, para generar el
rbol de escenarios y almacenar esta informacin en archivos de texto con formato entendible
por PLP.
8.1 Introduccin
Los modelos de planificacin usados en Chile son incompatibles, en una primera aproximacin,
con una modelacin en series de tiempo para la hidrologa. Esto se debe a que los modelos
usados en la planificacin estn obligados por decreto, a extraer los escenarios de caudales
directamente del registro estadstico. Debido a esto, las interfases definidas para stos modelos
slo aceptan caudales recogidos del histrico. Como ejemplo, en el modelo PLP las simulaciones
y aperturas son definidas previamente en archivos de texto, que guardan la informacin de los
ndices de los aos hidrolgicos que sern usados para la simulacin.
73
escenarios histricos, conociendo la informacin de la serie de caudales hasta el instante en que
se inicia la planificacin de la operacin.
El modelo trabaja comparando la evolucin pasada de la serie que se desea modelar, con la
tendencia que mostraron los 40 aos histricos en el mismo perodo de tiempo. Por ejemplo, si
para el ao en curso se desea implementar un modelo de pronstico para los caudales de los
meses de agosto en adelante, conociendo la informacin de caudales hasta el mes de julio,
podemos inferir el comportamiento futuro sta de la serie, comparndola con la evolucin que
mostraron cada uno de los 40 aos hidrolgicos en el perodo de marzo a julio. Con esta
informacin, podemos asignar una mayor probabilidad de ocurrencia a aquellos escenarios
histricos que mostraron una tendencia estadstica similar a la serie actual.
Este modelo se construye sobre la hiptesis (segn lo define expresamente el DS 327) de que los
40 aos estadsticos del registro histrico constituyen una muestra representativa del fenmeno
hidrolgico. Al extraer los escenarios de caudales directamente de la estadstica, estamos
asumiendo explcitamente que sta contiene todas las realizaciones posibles del fenmeno.
La metodologa propuesta en esta seccin se sustenta en la idea de que si dos series presentan
una tendencia pasada similar, entonces sus caudales futuros se distribuirn tambin de manera
parecida. La caracterstica distintiva del modelo propuesto, es que el modelo PARMA entrega la
ptica para comparar estadsticamente las series de datos.
Adems, existe otra limitante que impide implementar en los modelos de planificacin un modelo
del tipo CPARMA de manera satisfactoria, y es que no es posible obtener modelos PARMA de
calidad suficiente para todos los afluentes del sistema, por las razones que se han discutido
ampliamente en este trabajo. El modelo que se propone en las secciones siguientes permite
superar en parte esta limitacin.
74
Supongamos que para esto, se dispone de toda la informacin de afluentes hasta el mes de julio.
Con esta informacin se puede construir una distribucin normal para los caudales mensuales
futuros con ayuda del modelo PARMA.
Como se vio, las series sintticas de caudales obtenidas mediante sorteos de sta distribucin
normal no pueden ser aplicadas en el modelo de planificacin, debido a limitaciones
constructivas. En lugar de simular caudales mediante sorteos de la distribucin normal asociada,
se ocupar la distribucin que nos entrega el modelo PARMA, para asignar probabilidades de
ocurrencia a los caudales observados histricamente para el mes de agosto.
N(,)
Esto se realiza estimando para cada uno de los 40 escenarios histricamente observados para el
mes de agosto, la distribucin normal para los caudales transformados1, obtenida a partir del
modelo PARMA (figura 8.1). Para esto se utiliza la informacin de caudales hasta el mes de
julio.
Denominemos como S a la distribucin normal obtenida segn el modelo PARMA, para los
caudales de agosto de la serie que se quiere modelar (ao actual). Sean adems Si i = 1...40 las
distribuciones asociadas, para el mismo mes, a cada uno de los 40 aos histricos. Al comparar
S con la distribucin del i-esimo ao S k , resulta intuitivo que si ambas distribuciones son
75
Para cuantificar esta nocin definamos para cada i:140 los factores o pesos fi segn la
expresin:
1
fi = (8.1)
E ( S ) E ( Si ) + K
define, para el mes i, una nocin de distancia o norma entre las variables aleatorias de
distribucin normal que fueron obtenidas a partir de un modelo PARMA. En la seccin 10.2 se
demuestra formalmente que esta expresin constituye efectivamente una norma.
Con esto, a cada escenario histrico se le asigna un peso que depende directamente de la
distancia que tiene dicho ao con respecto a la serie que queremos representar. De esta forma,
se le asigna un peso mayor, a aquellos escenarios estadsticamente ms cercanos, y un peso
menor a los ms alejados.
Se asigna luego, una nocin de probabilidad a cada escenario histrico, a partir de los pesos fi .
Una forma de hacerlo1 es asignando como probabilidad el peso normalizado:
fi
pi = 40 (8.2)
i =1
fi
Esta metodologa nos entrega una forma de asignar probabilidades de ocurrencia a los caudales
observados histricamente, en funcin de la tendencia local pasada que muestra la serie de datos
que queremos modelar. Es decir, dada una serie de datos, es posible asignar para el mes j:1,...,12,
una probabilidad a cada uno de los escenarios observados histricamente en el mes j.
En la figura 8.2 se muestran las probabilidades de ocurrencia para cada escenario histrico del
mes de julio, para la serie del afluente Laja. El caso que se modela, corresponde a la hidrologa
observada en el ao 98-99, reconocida como la ms seca de los ltimos cien aos. La estadstica
1
Sin perjuicio de que pueda ser definida de otra forma
76
histrica utilizada en este caso corresponde a la ventana de tiempo comprendida entre los aos
hidrolgicos 58-59 y 97-98. En el eje Y se encuentran las probabilidades calculadas, y en el
eje X los aos hidrolgicos ordenados segn hidrologa creciente (de ms seco a ms hmedo,
segn los caudales observados para julio), se utilizo un valor para la constante K (ecuacin 8.1)
de 0.03.
0.4
Probabilidad
0.3
0.2
0.1
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40
Hidrologa (Creciente)
Notar que se le asigna una probabilidad de ocurrencia alta al escenario estadstico ms seco, que
previo a la sequa del 98-99 corresponda al ao 68-69. Se asume implcitamente un cierto grado
de variabilidad en la hidrologa futura, al asignar una probabilidad distinta de cero al resto de los
escenarios histricos.
En la figura 8.4 se muestra la distribucin de probabilidades para mes de julio del ao hidrolgico
59-60. Este ao puede ser considerado en trminos hidrolgicos como un ao medio.
77
0.14
0.12
Probabilidad
0.1
0.08
0.06
0.04
0.02
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40
Hidrologa(Creciente)
0.16
0.14
0.12
Probabilidad
0.1
0.08
0.06
0.04
0.02
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40
Hidrologa (Creciente)
Un aspecto importante de resaltar es que en las figuras 8.2, 8.3 y 8.4, en el eje x se ordenan en
forma creciente las hidrologas observadas para el mes de julio. Es decir, el criterio para definir
este orden es segn el caudal promedio observado en julio, para los cuarenta aos del registro.
Cuando decimos, a partir de la figura 8.2, que se le asigna una probabilidad alta al escenario
ms seco, nos referimos al caudal mas seco observado estadsticamente en julio, y no al ao mas
seco.
En las secciones siguientes, se plantea una metodologa para generar un rbol de escenarios para
la hidrologa futura, y los resultados de la aplicacin de esta representacin en el modelo PLP.
78
8.3 rbol de escenarios
Para generar un rbol de escenarios con la estructura planteada en la seccin 4.5, en base a la
metodologa propuesta en este captulo, el procedimiento utilizado es siguiente:
1
Considerando ao hidrolgico de Abril a Marzo.
79
8.4 Aplicacin del Modelo
En las secciones previas se propone una metodologa para asignar probabilidades de ocurrencia a
los escenarios histricos, a partir de la informacin de caudales para los meses previos al que se
inicia la planificacin de la operacin. Esta modelacin permite definir simulaciones iniciales y
aperturas en cada etapa, entregando en cada sorteo, una mayor probabilidad de ocurrencia a
aquellos escenarios cuya distribucin futura de caudales son ms cercanas2 a la de la serie cuyo
comportamiento queremos representar.
Para la validacin de esta metodologa, se utiliz el modelo PLP. Para lo cual modificaron las
interfases que generan los archivos de entrada al modelo, con el objeto de poder utilizar la
metodologa planteada.
El caso a simular corresponde a la planificacin de la operacin del SIC, con fecha de inicio del
1 de julio de 2004, pero con el estado inicial del sistema correspondiente al 1 de julio del ao
1998, reconocido como el ms seco de la estadstica. Es decir, se simul la operacin ptima del
sistema, con la topologa, centrales, planes de obras y mantenciones proyectadas, para
comienzos de julio de 2004, pero con las cotas iniciales para los embalses, observadas a
comienzos de julio de 1998.
El horizonte de estudio es de dos aos, con un tratamiento semanal para el primer mes, y mensual
para el resto del horizonte, con un slo bloque de demanda por etapa.
Para este sistema, se simularon dos condiciones hidrolgicas, la del ao 98-99 y la del ao 00-01,
cuyas distribuciones de probabilidad para el mes de julio son las mostradas en las figuras 8.2 y
8.3, de la seccin anterior, las que son calculadas tomando como referencia las serie de caudales
del Laja.
Para cada una de estas dos condiciones hidrolgicas, se realizaron tres simulaciones:
2
En trminos de la nocin de distancia que se define en la seccin 10.2
80
distribucin de probabilidad para los caudales en julio. El registro histrico utilizado,
corresponde a la ventana de tiempo comprendida entre los aos 58-59 y 97-98, y el
afluente de referencia para calcular las probabilidades corresponde a la serie del Laja. Las
distribuciones de probabilidad son calculadas segn lo propuesto en la seccin 8.2, a
partir del modelo PARMA ajustados a los datos de caudales del afluente al lago Laja.
3. Una simulacin determinstica para el primer ao, la que asume conocida la hidrologa
entre julio y marzo del primer ao bajo estudio. Luego asume independencia estadstica y
equiprobabilidad de los escenarios, para el segundo ao de la planificacin.
En la figura 8.5 se muestran los costos marginales obtenidos en cada etapa para los tres casos,
bajo las condiciones hidrolgicas del ao 98-99, para la barra AJahuel220. Recordar que las
primeras cuatro etapas son de duracin semanal, y el resto del horizonte est discretizado en
etapas mensuales.
81
Cmg-Hidrologa Seca
100.0
80.0
Cmg[mills/Kwh]
60.0 Simul. Deterministica
Modelo Propuesto
40.0 Actual PLP
20.0
0.0
1 4 7 10 13 16 19 22
Etapas
Figura 8.5 : Costos marginales Ajahuel220 para los tres tratamientos hidrolgicos.
En la figura 8.5 puede apreciarse que si la hidrologa se conoce de antemano, el modelo PLP
proyecta un costo marginal por sobre los 70 mills/Kwh para el primer ao de operacin del
sistema. Recordar que se est modelando el sistema al 1 de julio de 2004, pero con el estado
inicial de los embalse observado a igual fecha del ao 1998 y con los afluentes reales
observados ese ao.
1
Recordar que las primeras cuatro etapas son de duracin semanal.
82
Modelo Propuesto
10% 0%
11% Termicas
Embales
51% Pasada
Serie Hidraulica
28% Falla
Hidrologa Determinstica
8%
0%
10%
Termicas
Embales
Pasada
18% Serie Hidraulica
64% Falla
Actual PLP
12% 0%
Termicas
13% 38% Embales
Pasada
Serie Hidraulica
Falla
37%
Figura 8.6 : Aporte energtico por tipo de central para los tres casos.
Lo anterior se puede ver con mayor claridad, si se observan los aportes energticos por tipo de
central, para el primer ao del horizonte de planificacin (figuras 8.6). El tratamiento actual de
PLP, proyecta un 38% de generacin trmica contra un 62% de generacin hidrulica. Por su
parte la simulacin determinstica (que muestra los valores que se habran obtenido de conocerse
de antemano la hidrologa) proyecta un 64% de generacin trmica, frente a un 36% de
83
asignacin hidrulica, colocando un 26% de generacin trmica adicional, la que corresponde a
centrales trmicas ms caras, elevando los costos marginales.
En la figura 8.7, se muestran los costos marginales calculados para la barra Ajahuel220,
obtenidos para los tres tratamientos hidrolgicos, bajo las condiciones hidrolgicas del ao 00-
01.
En la figura 8.8, se muestran los aportes energticos segn tipo de central para este caso, para el
primer ao del horizonte de estudio, para cada tratamiento de la hidrologa.
Cmg-Hidrologa Media-Humeda
50.0
40.0
Cmg [mills/Kwh]
Actual PLP
10.0
0.0
1 4 7 10 13 16 19 22
Etapas
84
Modelo Propuesto
13% 0%
Termicas
35%
13% Embales
Pasada
Serie Hidraulica
Falla
39%
Actual PLP
12% 0%
Termicas
38%
Hidrologa Determinstica
14% 0%
Termicas
31%
Embales
14%
Pasada
Serie Hidraulica
Falla
41%
Figura 8.8 : Aporte energtico por tipo de central para los tres casos
Se observa que para el caso de una hidrologa media-hmeda, los tres tratamientos entregan
resultados similares, tanto en la proyeccin de precios como en la distribucin de los aportes
85
energticos por tipo de central. En este caso, el modelo propuesto muestra resultados que difieren
muy poco respecto de los valores que se obtienen al representar la hidrologa con la metodologa
actualmente implementada en PLP.
Se podra anticipar entonces, que para el caso de hidrologas medias, el modelo propuesto
entrega resultados similares a los que se obtienen con la modelacin hidrolgica actual de PLP,
pero es capaz de anticiparse a un escenario de sequa extrema, entregando las seales econmicas
adecuadas, caracterstica que no posee el tratamiento actual de PLP.
En este trabajo se propone un mtodo para asignar probabilidades a los escenarios histricos, en
funcin de la tendencia que muestran los datos en los meses previos al que se inicia la
planificacin de la operacin. Los resultados obtenidos en las simulaciones indican que el mtodo
propuesto entrega las seales adecuadas, obtenindose valores esperados de las variables de
inters (en este caso de los costos marginales) que son consecuentes con la tendencia de la serie
hidrolgica que se esta modelando.
El modelo, asigna una mayor probabilidad a aquellas series histricas que muestran una
tendencia futura similar a la de la serie hidrolgica a modelar. Por tendencia futura similar, se
entiende como aqullas series histricas que minimizan la distancia entre las variables aleatorias
asociadas (a partir del modelo PARMA). Esta nocin de distancia surge de la definicin de
norma que se propone en la seccin 9.2.
1
Se recomienda visitar sitio web: http://www.engr.colostate.edu/Sams-CSU-USBR/SAMS_Webpage-
1/Homepage/SAMS_Webpage-1_MainWindow.htm
86
nuestra aplicacin, estas distribuciones describen el comportamiento de los caudales para
el primer mes en el que se inicia la planificacin de la operacin.
2. Se puede definir una nocin de distancia (norma) en el espacio de las variables aleatorias
normales. En trminos de esta nocin de distancia, dos series de caudales son cercanas, si
sus caudales futuros se distribuyen de manera similar.
Para la simulacin del escenario hidrolgico 98-99, parte de la informacin del estado inicial del
sistema fue recuperada de los archivos de salida del modelo OMSIC, que era el modelo utilizado
en ese entonces, y de la red interna del CDEC. Sin embargo no fue posible reconstruir fielmente
el caso completo de ese ao, debido principalmente a que la informacin disponible en las
planillas OMSIC (que es un modelo uninodal y de un nico embalse) no es directamente
traducible a PLP (que es multinodal y multiembalse). Por esta razn, se opt por simular un
escenario que consideraba la topologa del sistema al primero de julio de 2004, pero con el estado
inicial del sistema al primero de julio de 1998. Para esto fue necesario hacer algunas
aproximaciones, relacionadas con el estado inicial de las centrales hidrulicas que no existan en
esa fecha, como es el caso de la central Ralco, para la que se asumi una situacin media, tanto
para el estado inicial del embalse como para los afluentes iniciales.
El factor de tiempo no es menor, una simulacin en PLP puede demorar varias horas
dependiendo del numero de bloques por etapa en los que se modela la curva de duracin de la
demanda, de la duracin del horizonte de estudios y del nmero de etapas en que ste se
discretiza. Por esta razn, las simulaciones se realizaron para un horizonte de estudio de slo dos
aos, con las cuatro primeras etapas semanales y el resto mensual. La demanda se model con un
solo bloque por etapa. Con estas simplificaciones, una simulacin en PLP tarda aproximadamente
una hora.
87
Debido a las simplificaciones introducidas en las simulaciones, los valores de costos marginales
obtenidos en la seccin anterior, no representan valores reales y slo deben ser considerados
como referenciales.
9. Perspectivas
9.1 Introduccin
El modelo propuesto, posee algunas limitaciones que podran incidir directamente en la calidad
de los resultados. Estas son:
Lo anterior motiva la bsqueda de criterios de seleccin, que incluyan a otros caudales afluentes
del sistema, para los cuales tambin se dispone de un modelo PARMA de calidad satisfactoria.
Adems, resultara interesante inspeccionar otros mtodos para definir las probabilidades o pesos.
En la seccin 9.2 se definen los aspectos conceptuales bsicos que permitiran generalizar las
ideas presentadas en la seccin precedente, evitando los problemas ya planteados.
88
que se est usando un modelo PARMA para la representacin de la hidrologa. Esta es una
cuestin que no ha sido abordada formalmente , pero que sin embargo merece la pena ser
investigada, por el ahorro en los tiempos de calculo que eventualmente podra ofrecer.
Supongamos que se ha ajustado un modelo PARMA a las series de caudales de m afluentes del
SIC. Estos modelos nos permitirn disponer de una distribucin normal para los caudales de cada
mes, y para cada afluente, en funcin de los datos de entrada al modelo (valores pasados de la
serie que se desea modelar).
El tratamiento planteado en esta seccin se basa en el hecho de que el conjunto de las variables
aleatorias que se distribuyen normalmente definen un espacio vectorial. Sea dicho espacio.
En el podemos definir un producto interno:
< , >:
x, y E ( x y )
Para probar que esta aplicacin efectivamente es un producto interno en , hay que verificar lo
siguiente:
1. < x, y >=< y , x >
2. < x + y, z >= < x, z > + < y, z > , , z
Para probar 3 basta recordar que toda variable aleatoria normal x N ( , 2 ) , se puede
escribir de la forma:
x = e +
con e N (0,1) .
Luego, podemos escribir:
89
< x, x >= E ( e + ) 2
= 2 E ( e 2 ) + 2 E ( e) + 2
x
= < x, x > (9.1)
Se incluye el subndice en la norma, para denotar explcitamente que sta es una norma en .
Con esta nocin de distancia en , podemos encontrar criterios para comparar la serie que
queremos modelar, con aquellas contenidas en el histrico. Esto lo hacemos analizando distancia
entre las distribuciones normales asociadas. Notemos que este criterio nos permite comparar la
similitud del comportamiento futuro de dos series, en funcin de su comportamiento pasado. En
efecto, siguiendo con el ejemplo de la seccin previa, sea S la distribucin de los caudales1 de
agosto, asociada a la serie cuyo comportamiento futuro queremos modelar, en funcin de los
caudales en meses previos. Sea Sk la distribucin normal para los caudales de agosto asociada a
la k-esima serie histrica. Sean ahora x y xk , variables aleatorias que tal que x S y xk Sk .
Se sigue que:
x xk
= ( x xk ) 2 + ( x xk ) 2
Recordemos que por construccin del modelo PARMA (ver capitulo 5.4) x =x
k
, con lo que
obtenemos:
x xk
= x xk
1
En rigor, de los caudales transformados
90
es decir, el mdulo de la diferencia de las medias entregadas por el modelo PARMA, es una
nocin de distancia para comparar la tendencia estadstica de las distintas series histricas.
Para el desarrollo anterior se ha analizado el caso de un slo afluente. En el caso general, los
caudales definen una variable aleatoria vectorial, en que cada componente corresponde a un
afluente del sistema. Con sto, cada componente del vector aleatorio sigue una tendencia, la que
puede ser modelada mediante un PARMA.
Supongamos que se tiene un modelo PARMA ajustado a m afluentes del sistema, con lo que
tenemos que el vector aleatorio de afluentes V m
. Supongamos adems que se desea modelar
el comportamiento del vector de caudales para el j-esimo mes del ao hidrolgico, para el ao en
curso. Suponga que para esto disponemos de toda la informacin de caudales hasta el mes j-1,
para los m afluentes considerados. Con esta informacin, usando el modelo PARMA, podemos
r r
construir el vector X j m con X j = ( x1j ,..., xmj )T , que distribuye al vector de caudales en el mes
j, a partir de la informacin pasada de los m afluentes.
2
Xj m
= xkj (9.2)
k =1
es una norma en m .
Por construccin del modelo PARMA, para cada afluente, slo la media es funcin de los valores
pasados de la serie. La varianza, por su parte, no es funcin del pasado si no que es un valor
predeterminado que cambia cada mes. Con esto, si se comparan en el mes j las variable aleatorias
91
r r
asociadas dos series vectoriales de caudales X e Y de aos hidrolgicos distintos, podemos
escribir:
r r m
X j Y j
m
= ( x k
j
ykj ) 2
k =1
(9.3)
donde xkj y ykj corresponden a la media (valor esperado) para el k-esimo afluente (k-esima
r r
componente del vector de afluentes) en el j-esimo mes, para X e Y respectivamente.
Con 9.3 tenemos una nocin de distancia que permite comparar estadsticamente dos series de
afluentes ocurridas en aos hidrolgicos distintos, incluyendo para la modelacin, la informacin
de todos los afluentes de inters. Una expresin de este tipo podra permitir, por ejemplo, definir
una nocin de probabilidad en funcin de la distancia entre la serie del ao que se quiere
modelar, y cada uno de los aos histricos. Un tratamiento alternativo sera definir un mtodo de
clusters para clasificar mes a mes a los caudales histricos, en funcin de la tendencia del ao
presente para los distintos afluentes del sistema.
A la luz del modelo PARMA, que asigna distribuciones normales a los caudales trasformados, es
razonable preguntar acerca del nmero de aperturas del que es necesario disponer en cada etapa,
para obtener una representacin adecuada de los valores esperados de las variables de inters. En
esta seccin se propone un modelo de sensibilidad de la funcin de costos futuros, respecto del
vector de ruidos del modelo PARMA, para una futura validacin e implementacin. El desarrollo
propuesto trabaja sobre un slo afluente. El caso para un vector aleatorio de afluentes es una
extensin simple del modelo propuesto en esta seccin.
92
lineal de los eventos observados en instantes precedentes, los que son determinsticos1. La
componente estocstica del modelo est estrictamente contenida en t . Con esto podemos
escribir la funcin de costos futuros en cada etapa, explcitamente como una funcin de t :
t = t ( t ) t
donde t corresponde a los costos futuros de operacin observados desde el comienzo de la
t tomar un valor cercano a cero con una probabilidad muy alta2. Con esto , podemos hacer
una aproximacin de primer orden de la FCF , con lo que se obtiene:
t
t = t (0) + t + o( t2 ) t (9.4)
t t =0
Por construccin del modelo PARMA, sabemos que el ruido se distribuye como una N (0, t ) ,
t = x t
donde x es una variable aleatoria que sigue una distribucin normal estndar. Usando esto en la
expresin (9.4):
t
t t (0) + ( t ) x t
t t =0
Luego, en primera aproximacin, si la varianza del ruido es pequea, la funcin de costos futuros
se distribuye:
t
t N ( t (0), t ) t
t t =0
Notemos que sta expresin nos entrega una aproximacin de primer orden de la varianza de la
funcin de costos futuros en la etapa t:
1
Debido a que son valores observados en el pasado y son por lo tanto un dato en el instante presente.
2
Recordar que por hiptesis de construccin del modelo autoregresivo E ( t ) = 0 .
93
t
= t t
t
t t =0
t t H t
= t (9.5)
t H t t
donde H t es el volumen de agua total entregado por el caudal afluente en la etapa t. Notar que el
volumen afluente total captado en la etapa t, puede ser obtenido a partir del modelo PARMA.
Recordemos que el modelo PARMA es ajustado a la serie de datos transformados
logaritmicamente, luego, para obtener datos de caudales a partir de la informacin entregada por
el modelo es necesario aplicar la transformacin exponencial inversa. Con esto, el volumen total
de agua recibida desde el afluente H t , durante la etapa de duracin t , se determina con la
expresin:
H t = t exp( t + t ) (9.6)
Donde
p ( ) q ( )
= i ( ) X nS + i i ( ) nS + i
i =1 i =1
corresponde a la media dada por la tendencia estadstica de los datos, definida por el modelo
94
Con las ecuaciones (9.5), (9.6) y (9.7) podemos escribir:
t
= (v) t exp( t ) t (9.8)
t t =0
= (v) t exp( t ) t
Vemos que la varianza (y por lo tanto la sensibilidad) de la FCF en cada etapa depende de la
duracin de la etapa t , del valor esperado del caudal en la etapa exp( t ) , de la sensibilidad
local del modelo de optimizacin (que depende del estado del embalse) (v ) , y de la varianza
del modelo de caudales.
La ecuacin (9.4) permite escribir la FCF como una funcin explcita del ruido en cada etapa. Si
tomamos valor esperado a la expresin (1), obtenemos:
t
E ( t ) = E ( t (0) + o( t2 )) + E ( t ) t
t t =0
Si se evala esta expresin con una simulacin de Montecarlo mediante sorteos del ruido t se
tiene:
1 N
1 N
E ( t ) t (0) +
N
k =1
o( ) + t
2
tk
t
N
k =1
tk t
=0
t
donde tk corresponde a la k-esima muestra o sorteo del ruido, en el instante t. Notemos que
para valores de t pequeos, el trmino ms importante en orden de magnitud es el trmino de
primer orden en t . Por otro lado, por hiptesis del modelo autoregresivo, E ( t ) = 0 . Con
esto, es intuitivo que se habr alcanzado una precisin aceptable en la estimacin de la FCF
cuando se cumpla:
95
N
1
N
k =1
tk 0
t
t = t
t t =0
Sabemos, por lo desarrollado en este captulo, que t se distribuye con una normal de media nula
y desviacin estndar dada por (9.8). Con esto, la teora estadstica demuestra que la variable
aleatoria definida por:
N
Z=
N
1
con =
N
, se distribuye como una normal estndar.
i =i
i
que:
N
P( Z / 2 Z Z / 2 ) = P(1.96 1,96)
1.96 1.96
= P( ) = 0,95
N N
Esta expresin indica para cada valor de N, un intervalo que contendr a con una probabilidad
del 95%. Si se quiere un nivel de precisin , entonces basta imponer:
1.96
=
N
Con lo que el nmero de muestras asociado ser:
96
2
1.96
N = (9.9)
Esta expresin entrega el nmero mnimo de muestras de la hidrologa que se deben generar en la
etapa t, en funcin de la varianza de la FCF en la etapa t, que deben ser generadas para alcanzar
una precisin en el calculo de la FCF en la etapa.
Notar que el nmero de aperturas determinado por la expresin 9.9 es vlido slo cuando la
hidrologa es representada mediante un modelo PARMA, y por lo tanto no es aplicable a la
metodologa propuesta en este trabajo. Esto se debe a que los caudales son sorteados desde el
registro histrico, asignando probabilidades de ocurrencia a cada escenario con la ayuda de un
modelo PARMA, luego los caudales no corresponden a series sintticas sorteadas directamente a
sorteos del modelo PARMA, si no que a series histricas.
Las expresiones deducidas en esta seccin quedan propuestas para una futura validacin e
implementacin.
10.1 Discusiones
En este trabajo se inspeccionaron las propiedades de las series de caudales del SIC, para la
implementacin de un modelo de series de tiempo a los datos hidrolgicos. La periodicidad que
muestran dentro del ao las propiedades estadsticas de las series de caudales, motiva la
implementacin de un modelo CPARMA para su representacin. Existen algunas limitaciones
para ajustar un modelo de este tipo a los datos hidrolgicos del SIC, la principal de ellas es que la
estadstica disponible es en general de calidad limitada. Se dispone de pocas series largas
provenientes de mediciones directas, el resto de las series fueron obtenidas mediante adicin y
sustraccin de otros afluentes, o por mtodos de interpolacin. Algunas series de caudales
asociadas a centrales de pasada, son obtenidas a partir de la estadstica de generacin de la
central, usando la funcin de rendimiento (figura 2.2). Las estadsticas de caudales obtenidas por
97
este mtodo tienen el inconveniente de saturarse en las puntas cuando la central opera a potencia
mxima. Debido a lo anterior, y segn lo descrito en la seccin 2.2.3 y analizado en la seccin
7.5, el registro estadstico de caudales utilizado resulta adecuado para representar escenarios de
caudales en la operacin de sistema, pero es en muchos casos inadecuado para la construccin de
modelos estadsticos.
En la seccin 7.5 se estudi el ajuste de un modelo CPARMA a las series de caudales mensuales
del SIC, en particular para los afluentes comprendidos en las cuencas del Laja y Maule. Debido a
los problemas en el registro estadstico analizados en el prrafo anterior, y debido a que el
modelo PARMA no reproduce momentos de orden mayor que dos, se concluy que no es
posible ajustar un modelo de este tipo para todos los afluentes bajo estudio. Tan slo en algunos
casos particulares (ver Tabla 7.2) fue posible obtener un modelo PARMA de calidad satisfactoria.
Los principales afluentes que son compatibles con una modelacin de este tipo son el afluente al
lago Laja, el afluente a la laguna del Maule, y el de las centrales Abanico y Antuco. Para el resto
de los afluentes el modelo no pasa satisfactoriamente los test estadsticos (secciones 7.4 y 7.5).
Respecto de la metodologa que utilizan, para representar la hidrologa, los modelos utilizados en
la actualidad para la planificacin de la operacin del SIC, se concluye que estos modelos
realizan una representacin esquemtica adecuada de la evolucin futura de la variable
hidrolgica, que consiste en la seleccin de un conjunto de simulaciones iniciales y aperturas,
estableciendo un rbol de escenarios para los caudales futuros. Esta estructura de representacin
no slo ha sido validada en los modelos [20, 33] si no que es la ms adecuada en el contexto de la
resolucin del problema de planificacin, mediante programacin dinmica dual estocstica. Sin
embargo, todos los modelos usados en la actualidad muestran limitaciones significativas en los
criterios usados para seleccionar tanto las simulaciones como las aperturas en el rbol. stas
derivan esencialmente de que, en estos modelos, la seleccin de escenarios de caudales se
sustentan en algunas hiptesis que no han sido estudiadas en profundidad. Ese es el caso de la
hiptesis de independencia estadstica entre los caudales afluentes en los meses de invierno. Un
anlisis sencillo de las autocorrelaciones de las series, como el presentado en la seccin 3.7
(figura 3.8), basta para restar validez a esta suposicin.
El SDDP por su parte, construye un modelo CPAR para los datos hidrolgicos. Un modelo de
este tipo permite internalizar la correlacin temporal de los datos, detectando la tendencia local
de stos. Sin embargo, este modelo de caudales posee fuertes limitaciones estadsticas, las que
derivan de la forma en que el modelo es construido, debido a que hace una estimacin de
parmetros a partir de la resolucin de un sistema de ecuaciones lineales (ecuaciones 6.5), no
haciendo uso de mtodos estadsticos rigurosos. Adems, un modelo de este tipo sigue heredando
el problema presentado al comienzo de esta seccin, y es que las series de caudales del SIC no
poseen, en general, las propiedades adecuadas para ajustar modelos estadsticos satisfactorios.
Sin embargo, para la planificacin de la operacin del SIC, es necesario contar con un modelo
que represente adecuadamente a todos los afluentes de inters. En este trabajo se proponen
algunas alternativas para resolver este inconveniente. La ms simple, indica que se puede ajustar
un modelo CPARMA que considere slo algunos afluentes del sistema (aquellos con mejores
propiedades estadsticas), luego se puede utilizar este modelo para generar series sintticas de
caudales para dichos afluentes. A partir de estas series, se pueden obtener caudales simulados
para los afluentes no considerados en la modelacin, mediante algn mtodo de correlacin
espacial. Esta alternativa no fue inspeccionada formalmente en este trabajo, quedando abierta
como una posible lnea de investigacin futura.
Se prob este modelo en PLP. Se corrieron dos casos que representan dos condiciones
hidrolgicas: las hidrologa del ao 98-99 y la del ao 00-01. El modelo propuesto entrega los
mismos resultados que el tratamiento actual de PLP cuando se simula una hidrologa media,
como la del ao 00-01 (figuras 8.7 y 8.8). Sin embargo, el modelo propuesto ofrece una mejora
significativa cuando se simula un escenario de sequa severa, como la del ao 98-99. Segn se
muestra en la figura 8.5, ste entrega una proyeccin de precios ms ajustada a la situacin que se
habra alcanzado si se hubiese conocido de antemano la hidrologa para el resto del ao, respecto
de los niveles de precios alcanzados con el tratamiento actual de PLP.
Se estableci el estado del arte respecto del tratamiento hidrolgico implementado en los
modelos de planificacin utilizados tradicionalmente en el SIC. Estos modelos ofrecen una
representacin adecuada en trminos de su estructura, definiendo simulaciones y aperturas, pero
muestran limitaciones en la forma en que son seleccionados los escenarios de caudales. El
modelo PLP asume independencia hidrolgica entre meses de invierno, lo que no es en general
vlido como se explica en la seccin 3.7. Por su parte, el modelo SDDP construye un modelo
100
estadstico de los afluentes (modelo CPAR) que posee limitaciones constructivas, y que resulta
inadecuado para la mayora de las series de caudales del SIC, debido a la mala calidad del
registro estadstico.
Se estudi la aplicacin del modelo de series temporales CPARMA a las series de caudales del
SIC. La conclusin general es que este tipo de modelo slo es aplicable a unos pocos afluentes de
las cuencas del Laja y Maule, y que corresponden a aquellas series de caudales de las que se
dispone de una estadstica de buena calidad.
Para las simulaciones se utilizo PLP. En este modelo no es posible utilizar una representacin en
series temporales para la hidrologa, debido a que slo recibe caudales recogidos del registro
histrico para la simulacin. En este trabajo se propone un modelo que hace uso del ajuste
PARMA para asignar probabilidades a los escenarios histricos, entregando mejoras
significativas respecto de los tratamientos actuales.
101
Referencias
102
[15] Lund R., I. V Basawa, Recursive Prediction and Likelyhood Evaluation for Periodic
ARMA Models, Unversity of Georgia, 1998.
[16] Ooms M., Franses P., A Seasonal Periodic Long Memory Model for Monthly River
Flows, Econometric Institute Report, Econometric Institute, Erasmus University Rtterdam,
1998.
[17] Reale M., Wilson G., Identification of a Vector AR Model UIT Recursive Structural Errors
Using Conditional Independence Graphs, Departament of Mathematics and Statistics, University
of Canterbury, 2001.
[18] Torres R., Modelo de Coordinacin Hidrotermica, Multinodal y Multiembalse para
Sistemas Elctricos Longitudinales en el Mediano Plazo, Tesis para optar al grado de Magster
en Ciencias de la Ingeniera, Universidad de Chile, 2003.
[19] El Algoritmo de la Programacin a Mediano y Corto Plazo, Dpto. de Estudios de la
Operacin, Colbn S.A., 1997.
[20] Modelo SDDP, Manual de Metodologa, PSRI, 1999.
[21] Olmedo J., Modelo GOL, 2001.
[22] Agusto A., Mtodo de Clusters para la Prediccin Hidrolgica en los Problemas de
Planificacin en el Sistema Interconectado Central, Memoria para optar al ttulo de Ingeniero
Civil Electricista, Universidad de Chile, 2001.
[23] Rudnick H., Moitre D., Programacin Optima en Mercados de Energa Elctrica
Competitivos al Por Mayor, Paper preliminar.
[24] Birge J., Louveaux F., Introduction to Stochastic Programming, Springer series in
Operation Research, New York, 1997.
[25] Papoulis A., Probability, Random Variables, and Stochastic Processes, McGraw-Hill,
2001.
[26] Cruz, P., Modelo Mensual para el Calculo del Costo Marginal de la Energa en el Sistema
Interconectado Central, Memoria para optar al ttulo de Ingeniero Civil Electricista, Universidad
de Chile, 1989.
[27] Yafee R., McGee M., Introduction to time series analysis and forecasting: with
applications of SAS and SPSS, Academic Press, 2nd Edition, 2000.
[28] Nemhauser G., Introduction to Dynamic Programming, John Wiley, 2nd edition, 1966.
[29] Yevjevich V, Bayraktar H, Past and Future of Anlisis of Water Resourses Time Series,
Water Resourses Bulletin, Vol. 21 N 4, 1985.
103
[30] Keith W, Hipel, Time Series Anlisis in Perspective, Water Resourses Bulletin, Vol. 21
N 4, 1985.
[31] Vecchia A. V., Periodic Autoregresive-Moving Average (PARMA) Modeling with
Applications to Water Resourses, Water Resourses Bulletin, Vol. 21 N 5, 1985.
[32] Salas J, Tabios G, Bartolini P, Aproaches to Multivariate Modeling of Water Resourses
Time Series, Water Resourses Bulletin, Vol 21 N4, 1985.
[33] Direccion de Operacion CDEC-SIC, Informe de Puesta en Marcha del Modelo PLP.
[34] Camacho F, McLeold I, Hipel K, Contemporaneous Autoregressive-Moving Average
(CARMA) Modeling in Water Resourses, Water Resourses Bulletin, Vol 21 N4, 1985.
[35] Hipel K, McLeold A, Lennox W, Advances in Box-Jenkins Modeling 1: Model
Construction, Water Resourses Research, Vol 13 Vol 13 N3, Junio 1977.
[36] Hipel K, McLeold A, Lennox W, Advances in Box-Jenkins Modeling 2: Model
Construction, Water Resourses Research, Vol 13 Vol 13 N3, Junio 1977.
[37] Shao Q, Lund R, Computation and Characterization of Autocorrelations an Partial
Autocorrelations in Periodic ARMA Models, Journal of Time Series Analysis, Vol 25 N3,
2004.
[38] CDEC SIC, Manual de Procedimiento: Definicion de los Caudales a Utilizar para Planificar
la Operacion. Versin 18 Abril de 2000.
104
Anexo A: Uso del papel de probabilidad normal
El papel ofrece una forma rpida y fcil para inspeccionar en forma visual si una variable
aleatoria se distribuye en forma normal. Cuando los puntos de una muestra poblacional de una
variable aleatoria normal, son dibujados de manera conveniente sobre este papel, stos se
distribuyen a lo largo de una lnea recta, cuya pendiente esta relacionada con la media y
desviacin estndar de la distribucin. En este apartado explicaremos cmo se construye esta til
herramienta grfica.
Cuando una variable aleatoria se distribuye en forma normal, podemos definir su funcin de
distribucin acumulada como:
x (u ) 2
1
F ( x) = P [ x x ] = e 2 2
du (A.1)
2
Claramente esta es una funcin estrictamente creciente. Grficamente esta funcin se muestra en
la figura A.1.
Si en el grfico de la figura A.1, transformamos adecuadamente la escala vertical, sta lnea curva
tendr, para todo valor de y , el aspecto de una lnea recta. Esta transformacin consiste en
escalar el eje y con la transformacin y= ( y ) , donde:
105
y u 2
1
( y) =
2
e
2
du (A.2)
x1 x2 x3 ...xn 1 xn
i
F ( x) (A.3)
n
Donde i representa el nmero de valores muestrales que son menores que x, y n es el numero
total de muestras. Existen diversas formas de aproximar la funcin F(x), todas con sus ventajas y
desventajas. La aproximacin mostrada en la ecuacin A.3 es solo un ejemplo que no invalida
otra opcin.
Existe una variada gama de software comerciales que permiten implementar este tipo de grficos
sin la necesidad de recurrir al papel. En general los software de matemticas como MATLAB o
MAPLE cuentan con esta herramienta.
106
Anexo B: Simulaciones Modelo PARMA
En este apartado se presentan simulaciones del modelo PARMA, para distintas series de caudales
de las cuencas del Laja y Maule. Se presentan graficas para distintas condiciones hidrolgicas, y
a partir de la informacin de caudales en distintos meses del ao hidrolgico. Para comprender
como estn construidos estos grficos, se recomienda revisar la seccin 7.5.
160
140
120
m3/
seg 100
80
Serie Historica
60 Promedio Historico
Valor Esperado
Sorteos Modelo
40
20
0 2 4 6 8 10 12
Mes Hidrolgico
160
140
120
m3
/se 100
g
80
60
Serie Historica
Promedio Historico
40 Valor Esperado
Sorteos Modelo
20
0 2 4 6 8 10 12
Mes Hidrolgico
107
Series para afluente TUCAPEL para el ao 1960
180
160
140
120
m3/
seg
100
80
60 Serie Historica
Promedio Historico
Valor Esperado
40
Sorteos Modelo
20
0 2 4 6 8 10 12
Mes Hidrolgico
200
m3/
seg
150
100
50
0
0 2 4 6 8 10 12
Mes Hidrolgico
140
m3/ 120
seg
100
80
60
40
20
0 2 4 6 8 10 12
Mes Hidrolgico
108
Series para afluente TUCAPEL para el ao 1999
180
Serie Historica
Promedio Historico
160
Valor Esperado
Sorteos Modelo
140
120
m3/
seg
100
80
60
40
20
0 2 4 6 8 10 12
Mes Hidrolgico
120
m3/ 100
seg
80
60
40
20
0
0 2 4 6 8 10 12
Mes Hidrolgico
120
m3/
seg
100
80
60
40
20
0 2 4 6 8 10 12
Mes Hidrolgico
109
Afluente: HIISLA, Cuenca del Maule
Ao Hidrolgico: 1958-1959
Tipo de Hidrologa: Normal
100
m3/ 80
seg
60
40
20
0
0 2 4 6 8 10 12
Mes Hidrolgico
100
80
m3/
seg
60
40
20
0
0 2 4 6 8 10 12
Mes Hidrolgico
100
m3/
seg
50
0
0 2 4 6 8 10 12
Mes Hidrolgico
110
Series para afluente HIISLA para el ao 1959
110
Serie Historica
100 Promedio Historico
Valor Esperado
90 Sorteos Modelo
80
70
m3/
seg 60
50
40
30
20
10
0 2 4 6 8 10 12
Mes Hidrolgico
Serie Historica
Promedio Historico
100 Valor Esperado
Sorteos Modelo
80
m3/
seg
60
40
20
0
0 2 4 6 8 10 12
Mes Hidrolgico
111
Series para afluente HIISLA para el ao 1999
90
Serie Historica
80 Promedio Historico
Valor Esperado
Sorteos Modelo
70
60
m3/ 50
seg
40
30
20
10
0
0 2 4 6 8 10 12
Mes Hidrolgico
60
m3/s 50
eg
40
30
20
10
0
0 2 4 6 8 10 12
Mes Hidrolgico
60
m3/ 50
seg
40
30
20
10
0
0 2 4 6 8 10 12
Mes Hidrolgico
112
Afluente: LMAULE, Cuenca del Maule
Ao Hidrolgico: 1986-1987
Tipo de Hidrologa: Normal
16
m3/seg
14
12
10
8
0 2 4 6 8 10 12
Mes Hidrolgico
16
m3/
seg
14
12
10
8
0 2 4 6 8 10 12
Mes Hidrolgico
15
m3/seg 14
13
12
11
10
9
0 2 4 6 8 10 12
Mes Hidrolgico
113
Series para afluente LMAULE para el ao 1987
17
Serie Historica
Promedio Historico
16
Valor Esperado
Sorteos Modelo
15
14
m3/
seg
13
12
11
10
9
0 2 4 6 8 10 12
Mes Hidrolgico
14
13
m3/seg
12
11
10
7
0 2 4 6 8 10 12
Mes Hidrolgico
18
m3/seg 16
14
12
10
8
0 2 4 6 8 10 12
Mes Hidrolgico
114
Series para afluente LMAULE para el ao 1969
17
Serie Historica
Promedio Historico
16 Valor Esperado
Sorteos Modelo
15
14
m3/
seg
13
12
11
10
9
0 2 4 6 8 10 12
Mes Hidrolgico
14
m3/seg
13
12
11
10
9
0 2 4 6 8 10 12
Mes Hidrolgico
115
Anexo C
116