UNIVERSIDAD DE CHILE

FACULTAD DE CIENCIAS FSICAS Y MATEMTICAS

DEPARTAMENTO DE INGENIERA ELCTRICA

Modelo para manejo de la incertidumbre

hidrolgica en la planificacin de la operacin
del SIC

Eugenio Sebastin Palacios Galindo

 UNIVERSIDAD DE CHILE
FACULTAD DE CIENCIAS FSICAS Y MATEMTICAS
DEPARTAMENTO DE INGENIERA ELCTRICA

MODELO PARA MANEJO DE LA INCERTIDUMBRE HIDROLGICA EN LA

PLANIFICACIN DE LA OPERACIN DEL SIC

EUGENIO SEBASTIN PALACIOS GALINDO

COMISIN EXAMINADORA CALIFICACIONES

NOTA(n) (Letras) FIRMA

PROFESOR GUA
SR. RODRIGO PALMA B. : ............ ............................... ..................

PROFESOR CO-GUA
SR. LUIS VARGAS D. : ............ ............................... ..................

PROFESOR INTEGRANTE
SR. ALEJANDRO JOFR C. : ............ ............................... ..................

NOTA FINAL EXAMEN DE TTULO : ............ ............................... ...................

MEMORIA PARA OPTAR AL TTULO DE

INGENIERO CIVIL ELECTRICISTA

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

MODELO PARA MANEJO DE LA INCERTIDUMBRE HIDROLGICA EN LA

PLANIFICACIN DE LA OPERACIN DEL SIC"

En el contexto del problema de la planificacin de la operacin de sistemas elctricos

hidrotrmicos, tanto la demanda del sistema como la incertidumbre hidrolgica, configuran al
problema de despacho como un problema esencialmente estocstico.

Este trabajo busca contribuir a la mejora de los modelos de planificacin de la operacin de

mediano y largo plazo, abordando la modelacin de la componente de incertidumbre introducida
por la aleatoriedad de los caudales afluentes a los embalses. Una modelacin adecuada de esta
incertidumbre puede entregar, por ejemplo, seales apropiadas frente a escenarios de sequa
extrema, decisiones de expansin, iniciativas legales.

El problema de la aleatoriedad hidrolgica no ha sido tratado con rigurosidad en los modelos

tradicionalmente usados en el sector elctrico chileno, entre los que se destacan el modelo GOL,
el OMSIC, PLP y el OSE2000, actualmente impulsado por la CNE. Estos modelos construyen un
tratamiento para la hidrologa que se sustenta en algunas hiptesis bsicas, como son la
independencia estadstica de los caudales entre aos hidrolgicos y entre los meses de invierno,
sin indagar ms a fondo en las propiedades estadsticas de las series de tiempo hidrolgicas.

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

Quiero expresar en primer lugar mis ms sinceros agradecimientos al Centro de Modelamiento

Matemtico (CMM) de la Universidad de Chile y a AES Gener por el apoyo en la elaboracin
de este trabajo, y por el financiamiento entregado para el desarrollo del mismo.

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 a los profesores del Departamento de Ingeniera Elctrica, en especial a

Rodrigo Palma y Luis Vargas, por transmitirme su experiencia y por entregarme su apoyo
durante el desarrollo de mis estudios.

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

El problema de la planificacin de la operacin para sistemas Hidrotrmicos consiste en definir,

en cada etapa de un horizonte de planificacin, los niveles de produccin para cada unidad
generadora, que minimicen los costos de operacin y falla presentes y futuros, satisfaciendo a
cada instante la demanda de potencia con niveles aceptables de seguridad y confiabilidad.

La existencia de embalses que poseen capacidad de regulacin, transforma al despacho en un

problema acoplado en el tiempo, en el que las decisiones operativas sobre esos embalses en un
determinado perodo de tiempo, influyen en las decisiones operativas futuras.

En el contexto de la resolucin del problema de despacho hidrotrmico de mediano y largo plazo,

tanto la incertidumbre hidrolgica como la demanda de potencia en el sistema, convierten a la
planificacin de la operacin en un problema esencialmente estocstico.

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

1.2.1 Objetivo General

Contribuir a la mejora de los modelos de planificacin utilizados en la actualidad en el sector

elctrico chileno, mostrando un anlisis estadstico de las series hidrolgicas del SIC, y
ofreciendo una metodologa que permita representar de una manera mas adecuada la tendencia
estadstica de los caudales al interior del ao.

1.2.3 Objetivos especficos

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.

Proponer un modelo para asignar probabilidades a los escenarios hidrolgicos histricos,

y que permita generar un rbol de escenarios, que sea capaz de capturar la tendencia de
los datos y la correlacin espacial de estos.

9
1.3 Estructura del Trabajo

Los tpicos tratados en este trabajo, se distribuyen de la siguiente forma:

En el captulo 2 se expone una introduccin a las propiedades estadsticas de las series

hidrolgicas que son de inters para el desarrollo del presente 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.

En el captulo 8, se propone un modelo que permite asignar probabilidades de ocurrencia a los

escenarios histricos, haciendo uso de la informacin de un modelo PARMA ajustado a las series
de caudales. Se exponen adems los principales resultados obtenidos.

10
2. Propiedades de la Hidrologa

2.1 El Ciclo Hidrolgico

El fenmeno hidrolgico tiene un comportamiento que responde a un complejo conjunto de

interacciones entre diversos procesos fsicos que dan origen a lo que se conoce como ciclo
hidrolgico. El ciclo hidrolgico es un trmino descriptivo aplicable a la circulacin general del
agua en la tierra. Con mayor precisin se puede decir que es una sucesin de etapas que atraviesa
el agua al pasar de la atmsfera a la tierra y volver a la atmsfera: evaporacin desde el suelo,
mar o aguas continentales, condensacin de nubes, precipitacin, acumulacin en el suelo,
deshielos, escurrimiento y nuevamente evaporacin. Un esquema resumido de las distintas etapas
y su interaccin se muestra en la figura 2.1.

Figura 2. 1: Esquema simplificado del ciclo hidrolgico.

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 Modelamiento de la incertidumbre Hidrolgica

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]:

1. El estudio de fluctuaciones aleatorias de los valores anuales de afluentes por mtodos

estadsticos, con el objetivo de encontrar una eventual periodicidad en la serie anual.
Importantes esfuerzos se han invertido en el ltimo siglo para dilucidar esta cuestin,
encontrndose que el fenmeno hidrolgico muestra la presencia de una periodicidad de
largo plazo. Existen bsicamente dos componentes de periodicidad de largo plazo; por un
lado estudios hidrometereolgicos han estudiado la presencia de un ciclo de
aproximadamente 11 aos debido a la variacin aproximadamente cclica de la actividad
solar. Por otro lado, se observa una componente casi peridica debida a cambios
peridicos de la excentricidad de la rbita terrestre, con un perodo de aproximadamente
50.000 aos.

2. Estudio de la estacionalidad (periodicidad) de la serie intra anual, que es el objeto de

estudio del presente trabajo.

2.2.2 Propiedades de las series hidrolgicas

Para la modelacin de series de tiempo se deben tener en consideracin las caractersticas

propias de la serie que se est modelando, para poder tomar una decisin lo ms informada
posible respecto de cul es el modelo ms apto para ser aplicado.

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:

1. No Estacionaridad: el proceso estocstico que da origen a la serie hidrolgica es no

estacionario, es decir, su media varianza y autocovarianza varan con respecto al tiempo,
mostrando periodicidad cuando se discretiza en intervalos de tiempo de duracin inferior
a un ao. Para intervalos mayores que un ao la serie de afluentes promedios tiene
caractersticas estacionarias [13].

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.

3. Dependencia Espacial: las series hidrolgicas muestran una componente de correlacin

espacial. Esto quiere decir que existe dependencia estadstica entre el valor que toma un
afluente en un lugar determinado, y el valor del afluente en otra ubicacin geogrfica.

4. Intermitencia: a escalas de tiempo pequeas, algunas componentes de los caudales

afluentes, como es el caso de las lluvias, pueden presentar intermitencia. Esto significa
1
Nos referimos a fenmenos que son relevantes a las escalas de tiempo usadas en la modelacin, que son mayores a
una semana.

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.

2.2.3 Caractersticas de las estadsticas disponibles

En Chile, tradicionalmente los modelos para la incertidumbre hidrolgica usados en el sector

elctrico, utilizan para su construccin la informacin contenida en una base de datos que
almacena el registro histrico de los caudales afluentes semanales promedio, para cada uno de
los aprovechamientos del SIC, durante un perodo de 40 aos. Actualmente la estadstica
utilizada en el SIC contiene la informacin de caudales entre los aos 1961 y 2001, por
indicacin del Artculo 190 del D.S N 327/1997: ...la estadstica para los gastos afluentes en
centrales hidroelctricas deber ser representativa de las respectivas centrales y considerar,
como mnimo, una muestra de 40 aos hidrolgicos. Esta estadstica deber ser actualizada
peridicamente, de modo que siempre incluya los datos correspondientes al ao hidrolgico
anterior al que precede a aquel en que se est efectuando la programacin de la operacin. Se
ha adoptado que los 40 escenarios hidrolgicos histricos constituyen una estadstica
representativa del fenmeno real.

Las series de caudales contenidas en la estadstica utilizada, se han obtenido principalmente de

mediciones realizadas en las distintas cuencas del pas. Sin embargo, para algunos afluentes no se
cuenta con mediciones directas de los caudales, habiendo sido obtenidos por mtodos indirectos,
a partir de adicin y substraccin de otros afluentes de la misma cuenca[4].

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.

Figura 2. 2: Afluente Quilo, obtenido a partir de matrices de energa generada Muestra

recortes en las puntas en los perodos que la central opera a potencia mxima.

16
3. Modelos de planificacin usados en Chile

3.1 Introduccin

Los modelos de apoyo para la planificacin de la operacin de corto plazo en sistemas

hidrotrmicos buscan definir una secuencia ptima de decisiones que minimice el valor esperado
de los costos futuros actualizados de operacin y falla del sistema.

La complejidad matemtica y computacional de estos modelos aumenta exponencialmente a

medida que se intenta ser ms riguroso en la representacin matemtica del sistema. Por esto, el
notable desarrollo que han alcanzado los computadores en los ltimos aos ha permitido avanzar
hacia modelos ms precisos y fieles a la realidad.

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.

De lo anterior se desprende que la forma en la que se modela la incertidumbre hidrolgica, es

determinante en la bondad de los resultados. Sin embargo, la eleccin de un determinado modelo
para la hidrologa depender tambin de cmo el modelo de planificacin est calculando los
valores esperados de las variables de inters. Dicho de otro modo, la bondad de los resultados
obtenidos no depender exclusivamente de las caractersticas del modelo para los caudales, si no
que tambin depender de lo que se desea calcular y de cmo esto se est haciendo.

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.

3.2 Modelo GOL y el Paradigma de la PDE

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.

El algoritmo comprende una fase de optimizacin y una de simulacin. En la fase de

optimizacin se procede en una recursin bakward, partiendo desde la ltima etapa y avanzando
en sentido inverso hacia la primera, donde el estado del embalse es conocido. Con esto se
obtienen las funciones de costos futuros para los estados discretos en cada etapa asociados a cada
escenario hidrolgico posible. En la fase de simulacin se establece una iteracin forward en la
que se obtienen las cotas ptimas del embalse para cada etapa, partiendo desde la etapa inicial
con estado conocido, avanzando hacia la ltima. Para un mayor detalle en la formulacin
matemtica de la programacin dinmica clsica se recomienda la referencia [21], y para una
revisin detallada de la aplicacin de la programacin dinmica al problema de planificacin, se
recomienda la referencia [23].

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.

4. El ao se ha dividido en subetapas trimestrales con el fin de presentar la estacionalidad de

la demanda, los aportes hidrolgicos y la disponibilidad de las centrales que varan a lo
largo del ao. Los aportes en cada trimestre se suponen perfectamente dependientes entre
s, es decir, la operacin ptima a travs de los cuatro trimestres se realiza como una
programacin dinmica determinstica para cada hidrologa.

En la fase de optimizacin, el modelo opera definiendo para cada ao t un conjunto de n

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

el valor estratgico esperado para cada estado inicial St como:

40
Vt = P ( H th ) Vt ( St / H th ) (3.1)
h =1

donde P( H th ) es la probabilidad de ocurrencia del escenario H th . Si se suponen escenarios

equiprobables, extrados directamente del histrico, se tiene que P( H th ) = 1 . Toda la informacin

40
respecto de la decisin ptima en cada etapa, para cada estado, y para cada hidrologa es
almacenada matricialmente para ser usada en la etapa de simulacin.

La etapa de simulacin est basada en el Mtodo de Montecarlo realizando sorteo de escenarios

hidrolgicos1 para todo el horizonte de planificacin, suponiendo completa independencia
estadstica entre aos. El nmero de escenarios sorteados suele ser del orden de 1000, el que es
comparativamente muy bajo en relacin con los 40n escenarios posibles para un horizonte de n
etapas. Luego, basndose en la informacin contenida en las matrices de decisin obtenidas en la
fase de optimizacin, se determina la secuencia de decisiones ptima.

3.3 Modelo OMSIC

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.

3.4 Cambio de Paradigma: De la PDE a la PDDE

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:

Figura 3. 1: Combinaciones a evaluar en un problema multiembalse.

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]:

i ( xi ) = Min {Ci ( xi +1 ) + i+1 ( xi+1 )}

s.a
A xi +1 hi E xi
xi +1 0 (3.2)

En la ecuacin 3.2, i ( xi ) corresponde a la funcin de costos trmicos y de falla futuros, en

funcin del estado de los embalses xi al inicio de la etapa i. El trmino i +1 ( xi +1 ) es la FCF
vista desde la etapa i+1 (final de la etapa i) en adelante, en funcin del estado de los embalses en

dicha etapa, y el trmino Ci ( xi +1 ) corresponde a los costos trmicos de la etapa.

Mediante un esquema de PDE clsica, el problema representado en la ecuacin 3.2 se resuelve

discretizando la variable de estado xi en N valores. Con esto, se resuelven N problemas de

minimizacin para obtener el valor de la FCF en los N puntos. Para obtener la FCF en otros
puntos que no pertenecen a la discretizacin se utiliza interpolacin [20]. Esquemticamente esto
se muestra en la siguiente figura:

Figura 3. 2: Calculo de la FCF en la etapa T

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.

Figura 3. 3: Funcin de costos futuros en la etapa i.

Esta funcin es decreciente en xi [20,18] , en efecto, al aumentar el volumen xi de agua

almacenado en el embalse al comienzo de la etapa i, los costos totales de generacin y falla vistos
desde el inicio de la etapa i en adelante, disminuirn debido a una mayor disponibilidad de
recursos hdricos para generacin [20]. La PDDE se basa en la observacin de que la pendiente
i
de la recta tangente en cada punto xi , ( xi ) corresponde al multiplicador de Lagrange
xi
asociado a la restriccin de balance hidrulico de la ecuacin 3.2 [20,18]. En efecto, la derivada
en un punto de la curva est asociada a la sensibilidad de los costos futuros respecto de cambios

infinitesimales en el estado xi . Este concepto de sensibilidad es precisamente el significado

*
que tienen los multiplicadores de Lagrange. Luego, si resolvemos la ecuacin 3.2 para un xi

fijo, obtendremos i ( xi* ) y i * . Con esta informacin podemos escribir una

= ( xi )
xi
*
aproximacin lineal de i ( xi ) en torno a xi (figura 3.4).

Figura 3.4: Aproximacin de primer orden de la FCF

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].

Figura 3.5: Aproximacin de la FCF como funcin lineal por partes.

3.5 Modelo SDDP

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

LogNormal t que internaliza la componente estocstica del modelo.

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.

Debido a su estructura, el modelo CPAR(p) requiere conocer el valor de la serie en p instantes

pasados para comenzar la generacin de series sintticas de caudales3. Dados estos valores, el
SDDP sortea un conjunto de L secuencias de caudales iniciales de duracin T (horizonte de

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

escenarios se obtienen mediante sorteo de la componente estocstica t del modelo CPAR, en

cada etapa. Esquemticamente esto se aprecia en la figura 3.6, donde las lneas azules
corresponden a los L escenarios iniciales. Alternativamente, el SDDP permite obtener los
escenarios iniciales directamente como sorteos del registro histrico, asumiendo independencia
estadstica entre aos.

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.

Una vez sorteados los L escenarios, basado en el mtodo de Montecarlo, se determinan N

aperturas condicionadas para cada nodo1 (figura 3.6), mediante sorteos de la componente
estocstica del modelo CPAR. Para calcular la funcin de costos futuros en cada etapa y para
cada escenario hidrolgico, el SDDP resuelve el problema de optimizacin dado por la ecuacin
3.2 para cada apertura [20]. El valor esperado para la FCF en cada etapa, es calculado para cada
serie inicial como un promedio de las funciones (en estricto rigor, de los multiplicadores de
Lagrange que definen los cortes de Benders) de costo futuro entregadas por cada apertura. Mas
adelante se presentaran los modelos de series de tiempo, en un contexto mas general.

3.6 Modelo PLP

Al igual que el SDDP, el modelo PLP utiliza programacin dinmica dual estocstica en la
resolucin. En relacin a la modelacin de la incertidumbre hidrolgica, ste ofrece gran
flexibilidad para que la forma en la cual se definen las simulaciones de escenarios hidrolgicos
pueda ser manejada completamente por el usuario. Las simulaciones hidrolgicas son entregadas
al modelo PLP por medio de los archivos PLPIDSIM.DAT, PLPIDAP2.DAT y
PLPIDAPE.DAT los que deben tener una estructura definida. Es importante notar que el modelo
PLP no posee un modelo propio para manejo de hidrologas, por medio de estos archivos se le
entrega al modelo toda la informacin relacionada con los escenarios hidrolgicos y la
generacin de aperturas. Estos archivos son generados externamente y son un imput para el
modelo PLP.

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.

La forma en que PLP representa la incertidumbre hidrolgica futura, es estructuralmente la

misma que posee el modelo SDDP. Este define un conjunto de simulaciones iniciales (lneas
azules en la figura 3.7) y aperturas en cada etapa (lneas rojas). PLP difiere de SDDP en la forma
como son seleccionadas las simulaciones y las aperturas. Mientras SDDP se basa en un modelo
de series de tiempo (CPAR) para determinar los escenarios, PLP sortea tanto las simulaciones
como las aperturas, directamente del registro histrico, asumiendo equiprobabilidad. Primero se
sortean un conjunto de N (por defecto N=40) simulaciones iniciales (lneas azules) , donde cada
simulacin representa una trayectoria completa de la variable hidrolgica a lo largo de todo el
horizonte de planificacin.

Luego, el ao hidrolgico es dividido en dos perodos, un periodo de invierno, caracterizado por

caudales que provienen principalmente de precipitaciones, y un perodo de deshielos, donde los
afluentes provienen principalmente de dos derretimientos cordilleranos. Durante el perodo de
invierno, se sortean para cada etapa y para cada serie inicial, un conjunto de M (por defecto
M=15) aperturas (lneas rojas). Durante el perodo deshielo, PLP realiza una optimizacin uni-
hidrolgica (no se definen aperturas) para cada simulacin inicial. Esto se basa en el hecho de
que, durante los deshielos, los afluentes poseen una baja componente estocstica, comportndose
en primera aproximacin como determinsticos.

Figura 3.7: Representacin de la hidrologa futura implementada por 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

calculado para la primera semana, se estiman las distribuciones condicionales de frecuencia

acumulada (lognormal bivariada) para cada etapa. Con esta distribucin se sortean n caudales
afluentes por central para cada semana entre la 2 y la 4. Se reemplaza luego la estadstica
histrica en las semanas 2 a 4 por estas n muestras, a partir de las cuales PLP define tanto las
simulaciones como las aperturas en dichas etapas.

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.

Se ve que, durante el invierno, ambos modelos realizan un tratamiento de la hidrologa

completamente contrapuesto, mientras el GOL asume correlacin completa entre meses, PLP
asume completa independencia (correlacin nula). Lo cierto, es que ni lo uno ni lo otro es del
todo correcto y va a depender, entre otras cosas, del rgimen de la central. De este modo, las
centrales de rgimen exclusivamente pluvial (por ej. Canutillar, Capullo, Pullinque [33] )
mostrarn ms independencia de sus afluentes, entre los meses de invierno, que aquellas de
rgimen nivo-pluvial, donde los efectos de la componente de deshielos presentan ms correlacin
entre meses. En vista de esto, es necesario inspeccionar ms a fondo el grado de validez de las
hiptesis hechas por los modelos, respecto del tratamiento de la hidrologa.

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

Figura 3.8: Correlogramas para los meses de invierno, Afluente LAJA

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

Figura 3.9: Correlogramas para los meses de invierno, Afluente Capullo

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.

3.8 Generacin de escenarios para la Hidrologa futura

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).

La diferencia fundamental entre el modelo propuesto en este trabajo, y el tratamiento realizado

por SDDP, es bsicamente la forma en que son seleccionadas tanto las simulaciones iniciales
como las aperturas. Definir un criterio para seleccionar las simulaciones iniciales y las aperturas
(tanto el criterio para seleccionarlas, como el nmero necesario de ellas) son el objetivo central
de este trabajo. Como se detalla en el captulo 8, tanto las simulaciones iniciales como las
aperturas, son sorteadas desde la estadstica histrica, pero de manera que sean consecuentes con
la tendencia local de la hidrologa en el instante en que se inicia la planificacin de la operacin.
Esto se realiza asignando probabilidades de ocurrencia a los escenarios histricos, analizando la
tendencia estadstica local de stos con la ayuda de un modelo PARMA. El esquema general de
la propuesta se muestra en la figura 3.10.

Transformacin de los datos

Ajuste de
Modelo PARMA

Calculo de Probabilidades para los

escenarios histricos

Generacin de Simulaciones y
Aperturas

Figura 3.10: Esquema general del modelo propuesto.

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.

4.2 Modelos Autoregresivos

En un modelo de series de tiempo autoregresivo de orden p , el valor real observado de una serie
X t en el instante t es expresado como una combinacin lineal de los p valores previos del
proceso, ms un ruido blanco, conocido como innovacion y que estructura al modelo como un
modelo estocstico. Dicho de otro modo, un modelo autoregresivo consta de dos componentes,
una determinstica, construida como una combinacin lineal de los valores pasados recientes de
la serie, y una estocstica, determinada por la innovacin. Denotemos a los valores que toma el
proceso, a intervalos de tiempo equiespaciado t , t 1, t 2,..., t p , por X t , X t 1 , X t 2 ,..., X t p .

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 = X t . Con esto escribimos:

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.

4.3 Modelos Autoregresivos de Medias Mviles

En un proceso Autoregresivo de Medias Mviles de orden (p,q), ARMA(p,q), el valor
observado de la serie X t (serie centrada) en el instante t, no solo se expresa como una
combinacin lineal de los p valores pasados de la serie, si no que adems de los q ruidos o
innovaciones pasados de sta, ms la innovacin t en el instante t. As, la formulacin
matemtica de este tipo de procesos es:
p q
X t = i X t i + t i t i (4.2)
i =1 i =1

El signo menos delante de la componente de medias mviles es slo cuestin de convencin,

pues los coeficientes i pueden tomar valores negativos.

4.3.1 Propiedades de los procesos ARMA(p,q)

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.

En los modelos SARIMA, la no estacionaridad de la serie es borrada, haciendo una

diferenciacin de la serie original, obtenindose la serie diferenciada Wt = X t = X t X t 1 1.
Luego, para la serie diferenciada, se ajusta un modelo SARMA. En los SARMA, la dependencia

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].

4.4 Modelo para series de tiempo peridicas: El modelo PARMA

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:

X nS' + = X nS + = 1...S , n = 1,...

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)

El modelo PARMA aqu presentado posee ventajas comparativas importantes para su

aplicacin en series de tiempo hidrolgicas. Notemos que su estructura no es esttica en el tiempo
como ocurre con los modelos ARMA clsicos. Primero, el nmero de perodos pasados que se
incluyen en la modelacin (lmite superior de las sumatorias de 4.4) depende de la estacin
(semana o mes) del ao, lo que se denota explcitamente escribiendo p ( ), q ( ) . Segundo, el

valor de los coeficientes de la combinacin lineal cambian con la estacin ( i ( ), i ( ) ). Dado

que la estructura del modelo cambia etapa a etapa en forma peridica (periodo de duracin igual
a un ao), los modelos PARMA son los ms adecuados dentro de los modelos de series de
tiempo, para reproducir las caractersticas peridicas de las series de tiempo hidrolgicas [31].

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

estadsticas que cambian con la estacin. En particular su varianza 2 ( ) es funcin explicita de

la estacin .

4.4.1 Propiedades de los Procesos PARMA

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 ( ) )

De la ecuacin 4.4 es directo que:

p ( ) q ( )
nS + = i ( ) X nS + i i ( ) nS + i + E ( nS + )
i =1 i =1

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.

Ahora, para la varianza condicional, podemos escribir:

39
 nS + = E (( X nS + nS + )2 X nS + 1 , X nS + 2 ,..., X nS + p ( ) , nS + 1 , nS + 2 ,..., nS + q ( ) )

De 4.4, podemos escribir:

p ( ) q ( )
nS + = X nS + i ( ) X nS + i i ( ) nS + i
i =1 i =1

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

de media nS + y una varianza igual a la de la innovacin. Para el anlisis, en ocasiones ser

conveniente escribir el modelo PARMA con la notacin simplificada:

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.

5. Modelamiento de la Dependencia Espacial

Las series hidrolgicas, como la mayora de las series extradas de procesos geofsicos, muestran
una fuerte dependencia espacial de los datos. Esto significa que el valor que adopta la serie en un
determinado lugar geogrfico esta correlacionado con el valor de la serie en otros sitios. Esta
dependencia espacial de los valores de una misma serie, motiva la implementacin de modelos
multivariados.

En los modelos multivariados se consideran bsicamente tres tipos de dependencia entre las
distintas series:

1. Contempornea: Dos o ms series se dice que estn contemporneamente

correlacionadas si solo sus valores presentes estn correlacionados unos con otros. Esto
implica en la modelacin que cualquier interaccin entre las variables es instantnea. Para
series hidrolgicas, la principal fuente de dependencia en este caso es la precipitacin
regional.
2. Unidireccional: Dos series presentan una dependencia causal unidireccional, si los
valores pasados y presente de una de ellas condiciona la otra. Por ejemplo, existe una
relacin unidireccional entre los afluentes medidos en dos puntos a lo largo de un ro, en
el cual las mediciones hechas en el lugar que se encuentra mas aguas arriba determina
causalmente las mediciones aguas abajo, pero no a la inversa.
3. Retroalimentada: Se dice que existe una relacin de dependencia espacial
retroalimentada si la causalidad definida en el punto anterior existe en ambas direcciones.
En el campo de los recursos hdricos, relaciones de este tipo se pueden encontrar en el
fenmeno de evapotranspiracion[32].
4. Mixta: Tres o ms series poseen relaciones de dependencia mixta si se presentan entre
pares ellas dos o ms de las relaciones de dependencia mostradas antes.

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

en el instante nS + se calcula como la diferencia entre el valor real observado de la serie X nS +

y el valor esperado que entrega el modelo PARMA. Para ilustrar esto, supongamos que se ajusto
un modelo PARMA a la serie de datos mostrados en la tabla 5.1 (Registro Histrico ), los que

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

Partiendo desde el instante t=2, la innovacin, para etapa se calcula como:

t = 2, 2 = 0.25 0.45 0.7 = 0.065
t = 3, 3 = 0.14 0.5 0.25 = 0.015
t = 4, 4 = 0.15 0.98 0.14 = 0.0128
t = 5, 5 = 0.5 1.96 0.15 = 0.4
que corresponde a la serie de ruidos o innovaciones.

Luego de esto, se quiere encontrar un modelo que represente adecuadamente la correlacin

espacial que presentan las series de innovaciones calculadas para cada afluente del sistema. La
intuicin indica que el grado de correlacin espacial que presentan las series de caudales,
depender de la poca del ao. En efecto, las precipitaciones durante los meses de invierno, se
distribuyen a nivel local (por ejemplo en una cuenca) de manera mas o menos uniforme. Por otro
lado, en los meses de deshielo, los afluentes dependen principalmente de la temperatura
ambiente, cuya distribucin a nivel geogrfico no es uniforme. Con lo anterior, se esperara
observar una correlacin espacial alta en el la primera mitad del ao y baja en la segunda. No
puede descartarse en primera instancia, que esta propiedad sea heredada por la serie de ruidos.
En [4] se propone un modelo contemporneo para las innovaciones, en el cual la variacin
dentro del ao del grado de correlacin a nivel geogrfico de la serie de innovaciones no se
considera, asumiendo que el tipo de dependencia espacial no cambia dentro del ao, modelo que
43
no es el adecuado para la representacin de la correlacin espacial. En la siguiente seccin se
propone un modelo que relaja esta condicin permitiendo que la dependencia espacial de los
residuos cambie dentro del ao.

Suponga que se desea modelar la dependencia espacial de las series de innovaciones en K

lugares geogrficos distintos. Para esto, es conveniente definir el vector de ruidos para el instante
nS + (mes del ao n), como el vector que contiene las innovaciones para dicho instante en
los K lugares:
r
nS + = nS
1
+ , nS + , nS + ,..., nS + ,
2 3 K

El comportamiento espacial de estos residuos se puede apreciar en la matriz de correlacin

espacial D, cuyos elementos son:

E ( nS
i
+ nS + )
j
DijnS + = ij =
i j

donde i corresponde a la varianza de la innovacin en la i-esima locacin geogrfica, en el

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

Y establezcamos el modelo espacial contemporneo para los ruidos como:

r r
enS + = M wnS +
dicho de otro modo, el vector de ruidos reducidos se escribe como el producto de un vector de
ruidos no correlacionados espacialmente, y una cierta matriz M (por encontrar) que de algn
modo guarda toda la informacin de la correlacin espacial. De esta forma, se internaliza en el
vector de ruidos reducidos, el hecho de que sus componentes estn correlacionadas
espacialmente. Para encontrar M escribamos:

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)

De la ecuacin 5.1 M puede ser obtenida mediante la descomposicin de Cholesky de la matriz

D nS + . sta descomposicin permite separar una matriz definida positiva como el producto
RT R donde R es una matriz triangular superior. Con esto, mediante descomposicin de
Cholesky podemos escribir:

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.

6. Metodologa de Ajuste de un Modelo PARMA

6.1 Construccin de Modelo PARMA

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.

Considere una clase de

modelo (en este caso
PARMA)

Identificacin del
Modelo

Estimacin de
parmetros

No El modelo pasa el test

de diagnstico?

S
Aplicacin

Figura 6.1: Metodologa para construccin de modelo de series de tiempo

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).

6.2.1 Funcin de Autocorrelacin Simple (FACS)

La funcin de autocorrelacin simple corresponde a una representacin grfica de las

autocorrelaciones para distintos valores del desplazamiento temporal. Esta funcin permite
cuantificar el grado de dependencia lineal que existe entre los valores que toma un proceso
estocstico en dos instantes de tiempo. Para procesos estacionarios, el valor de esta funcin slo
depende del intervalo de tiempo k y no del instante de tiempo en el que se est calculando. En un
proceso cicloestacionario, como son las series hidrolgicas, la funcin de autocorrelacin
depende del intervalo k y adems depende del mes del ao donde se calcula. As, se define la
autocorrelacin de intervalo k, en la estacin , para un proceso cicloestacionario, como:
X nS + X nS + k k
(k ) = E (( )( )) (6.1)
k

donde , corresponden a la media y varianza de la estacin (mes, semana) . Al hacer variar

k=0,1,2, obtenemos la FACS.
La FACS posee tres propiedades importantes:
1. m (0) = 1
2. 1 m ( k ) 1
3. m p (k p) = m k ( p k )

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

6.2.2 Funcin de Autocorrelacin Parcial (FACP)

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:

1 1 (1) .... 1 ( p ( ) 1) 1 ( ) (1)

(1)
1 1 .... 2 ( p( ) 2) 2 ( ) (2)
= (6.5)
.... .... .... .... ... ...

1 ( p ( ) 1) 2 ( p ( ) 2) 1 p ( ) ( ) ( p ( ))

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

[1 ( ), 2 ( ),..., p ( ) ( )]T , en 6.5) obtenido cuando se ajusta un modelo PAR de orden k

( p( ) = k ) en la estacin . A medida que vamos moviendo el ndice k, el valor que toma el

ltimo coeficiente kk como funcin de k corresponde a la FACP. Dicho de otro modo, la FACP

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.

6.2.3 Procedimiento de Identificacin

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]:

1. Si en el mes , una serie de tiempo sigue exactamente un proceso peridico

autoregresivo puro PAR(p) (o PARMA(p,0)), entonces los p primeros valores (retardo
k=1, 2,...,p) de la FACP son significativamente distintos de cero, y el resto son todos
nulos. Por otro lado, su FACS muestra un decaimiento exponencial o de una sinusoide
amortiguada.
2. Si en el mes , la serie de tiempo sigue exactamente un proceso de medias mviles puro
MA(q) (o PARMA(0,q)), entonces los q primeros valores (k=1,2,...,q) de su FACS poseen
valores significativamente distintos de cero, el resto (k>q) son todos nulos. Por otro lado,
su FACP mostrara un decaimiento exponencial o de una sinusoide amortiguada.

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

Figura 6.2: FACS y FACP para el afluente Affl_SAUZAL, para el mes 9.

6.3 Estimacin de Parmetros

Luego de la identificacin, se debe ajustar a la serie de tiempo el modelo de orden sealado. En

este trabajo, los parmetros sern ajustados por el mtodo de mnimos cuadrados (Least Mean
Square), el que consiste en minimizar la desviacin cuadrtica media del modelo respecto de la
serie de datos. Formalmente, los coeficientes i ( ), i ( ) son estimados minimizando la suma

de los cuadrados de los residuos:

N S
F = nS2 + (6.6)
n =1 =1

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

El objetivo de los test de diagnstico es verificar si el modelo ajustado es el adecuado. Esto se

realiza chequeando que las hiptesis asumidas en las etapas de identificacin y estimacin de
parmetros son satisfechas.

Para un modelo PARMA estas hiptesis corresponden a la normalidad e independencia temporal

de los residuos o innovaciones t , para cada mes del ao. Si las innovaciones son
independientes a lo largo del tiempo (no correlacionadas) , la funcin de autocorrelacin (FACS)
para la serie de innovaciones t , construida a partir de la ecuacin 5.7, debera mostrar una

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.

La hiptesis de normalidad de las innovaciones puede ser analizada dibujando la funcin de

distribucin acumulada de las innovaciones en un papel de distribucin normal (Apndice A). Si
los datos siguen una distribucin normal, entonces estos deberan ajustarse a una lnea recta en el
dibujo.

6.5 Transformacin de los datos.

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.

Sin embargo, en la prctica resulta ventajoso satisfacer razonablemente bien la condicin de

normalidad de los ruidos, entre otras cosas, por que si las innovaciones no se distribuyen
normalmente resulta imposible estimar intervalos de confianza que sean confiables. Como se
seal, se pueden transformar convenientemente los datos para satisfacer la normalidad, usando

una transformacin de Box-Cox. Sea xt , la serie a modelar. La transformacin de Box-Cox para

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.

7. Modelo CPARMA para Series de Caudales del SIC

7.1 Seleccin de la duracin de la etapa a usar en el modelo

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.

Para ilustrar la metodologa general, se presenta el anlisis realizado a la serie Aff_LAJA,

correspondiente a la serie de caudales afluentes al embalse del mismo nombre (afluente central El
Toro).

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.

Serie Historica entre los aos 1985 y 1995 Affl LAJA

200

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.

Media(azul) y Desv Estandar(rojo) Periodicas Affl LAJA

120

100

80

60

40

20

0
0 2 4 6 8 10 12
Estacion

Figura 7.5: Valor Medio y Desv. Estndar para cada mes

del ao, para la serie Aff_LAJA

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:

1. Transformacin de los datos de la serie original, aplicando logaritmo natural.

2. A la serie logartmica se le resta el valor medio, el que es calculado para cada mes, como
el promedio histrico de dicho mes.

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

Figura 7.6: Logaritmo del afluente del LAJA

Media(azul) y Desv Estandar(rojo) Periodicas Affl LAJA

5

4.5

3.5

2.5

1.5

0.5

0
0 2 4 6 8 10 12
Estacion

Figura 7.7: Valor Medio y Desv. estndar para la serie transformada

7.4 Identificacin, Estimacin y Diagnstico para las Series de

Caudales del SIC.
En esta seccin se ilustra el procedimiento general de ajuste para el caso de la serie Aff_LAJA.
En la etapa de identificacin se deben inspeccionar la FACP y FACS para cada mes del ao,
correspondientes al afluente bajo anlisis. Con la ayuda de Matlab, se construyeron dichas
funciones usando la informacin estadstica de los 40 aos hidrolgicos. El primer paso,

1 Caudal promedio entre las cuatro semanas del mes

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

Figura 7.9 : FACS y FACP para el mes 10

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.

Con lo anterior se establece un mtodo de prueba y error hasta encontrar el modelo ms

adecuado.

Figura 7.10: FAC y FACP, para el mes 2 (mayo), afluente LAJA.

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:

Mes Phi1 Phi2 Varianza

1 0,1841 0,2876 0,1383
2 1,0396 0,0276 0,3067
3 0,3904 0,4141 0,1627
4 0,5479 0,0629 0,1203
5 0,2711 0,2386 0,1053
6 0,3962 0,2496 0,0491
7 0,438 -0,0292 0,0569
8 1,3265 -0,1391 0,0370
9 1,4597 -0,4938 0,0446
10 0,8833 -0,204 0,0174
11 0,2881 0,2088 0,0483
12 0,261 0,2876 0,0343
Tabla 7.1: Parmetros y varianza del modelo PARMA(2,0) ajustado a los datos
transformados de la serie del Laja.

Se efectuaron test de diagnstico a este modelo. Las hiptesis de normalidad e independencia de

los ruidos fueron estadsticamente aceptadas en todos los meses, con excepcion del mes cuatro,
donde fue rechazada la hiptesis de normalidad. Veamos por ejemplo el correlograma (FACS)
para los ruidos y la funcin de distribucin acumulada de stos, graficada en papel de
probabilidad normal (ver Apndice A) para el mes 3 del ao hidrolgico (figura 7.11). En stos
se observa con claridad que la funcin de probabilidad acumulada se distribuye aproximadamente
sobre una lnea recta en el papel de probabilidad normal. Por otro lado, el correlograma de los
ruidos tiene todos sus valores para k 1 dentro de la banda de confianza del 95%, lo que
permite aceptar la hiptesis estadstica de que dichos coeficientes son nulos. Un correlograma
con estas caractersticas seala que, para el mes tres, los ruidos muestran una correlacin nula
(independencia) con los valores pasados.

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.

7.5 Anlisis de resultados

En esta seccin se presenta los resultado del estudio de ajuste de un modelo CPARMA a las
series de caudales del SIC comprendidos en las cuencas del Laja y Maule. El diagrama unilineal
del circuito hidrolgico de estas cuencas se muestra en el Apndice C, donde los fluentes se
encuentran coloreados en verde . Como conclusin general, se puede decir que son pocas las
series de caudales que son compatibles con un modelo de este tipo y como consecuencia, no fue
posible ajustar un modelo PARMA de calidad satisfactoria a todos los afluentes bajo estudio.
Esto se debe fundamentalmente a dos razones:

1. Presencia de asimetras (momentos de cuarto orden) importantes en las series. Recordar

que el modelo PARMA asume que los datos de caudales transformados se distribuyen de
manera aproximadamente normal, por lo que la presencia de momentos de orden mayor
impide ajustar en forma precisa un modelo PARMA.

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.

Afluente Orden modelo Normalidad Rechazada Independencia Rechazada Ubicacin

Affl_LMAULE (2,0) 2,5 ---- Cuenca Maule
Affl_INVERNADA (2,0) 2,3,5,6,8,11,12 ---- Cuenca Maule
Affl_HIISLA (1,0) 2,5,8,10,11 5 Cuenca Maule
Affl_PEHUENCHE (1,1) 1,2,5,6 5 Cuenca Maule
Affl_RIOCLARO (2,0) 2,8 5 Cuenca Maule
Affl_HIMA (2,0) 1,2,5,7,8,9,11 3 Cuenca Maule
Affl_LAJA (2,0) 4 ---- Cuenca Laja
Affl_ABANICO (0,1) 6 ---- Cuenca Laja
Affl_ANTUCO (0,1) 1 ---- Cuenca Laja
Affl_RUCUE (0,1) 1,10 ---- Cuenca Laja
Affl_TUCAPEL (1,0) 2,7,8,9,10,11,12 ---- Cuenca Laja
Tabla 7.2: Aspectos generales del ajuste de modelo PARMA
64
Para el caso de los afluentes Affl_INVERNADA, Affl_HIISLA, Affl_PEHUENCHE,
Affl_HIMA, Affl_TUCAPEL, el modelo obtenido es de calidad limitada para realizar pronstico
de caudales futuros y no constituye una herramienta confiable para la representacin estadstica
de los afluentes. De hecho, para algunos de estos afluentes fue rechazada la hiptesis de
independencia de los ruidos en algunos meses, lo que puede acarrear drsticas consecuencias en
la calidad del modelo ajustado.

Adicionalmente, es posible apreciar que la calidad del ajuste obtenido, es considerablemente

mejor para los afluentes comprendidos en la cuenca del Laja. Esto se debe a lo sealado antes:
La cuenca del Maule ha sido intervenida consecutivamente en las ltimas dcadas, debido a la
incorporacin de nuevas centrales. Esto ha cambiado la topologa del circuito hidrolgico de la
cuenca, lo que incide directamente en la forma en que son estimados los caudales afluentes de
inters, perdindose informacin estadstica relevante.

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.

En la figura a) se muestran simulaciones de caudales (series rojas) asumiendo conocida la la

informacin mensual de caudales del ao bajo anlisis hasta el mes 3 (junio). Con esto, se
obtiene una distribucin normal para los caudales del mes 4 (julio). Las simulaciones en rojo
corresponden a sorteos de dicha distribucin normal.

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

Series para afluente LAJA para el ao 1976

160
Serie Historica
140 Promedio Historico
Valor Esperado
Sorteos Modelo
120

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

Series para afluente LAJA para el ao 1976

160
Serie Historica
Promedio Historico
140 Valor Esperado
Sorteos Modelo

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)

De las figura 7.13 a-b-c-d, se pueden obtener algunas conclusiones:

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.

Frente a un escenario de sequa severa, el modelo PARMA es capaz de reconocer la tendencia de

los datos, entregando una distribucin ms realista de los caudales futuros, a partir del mes de
junio aproximadamente. En la figura 7.13 se repite el mismo ejercicio anterior para el ao
hidrolgico 1998-1999, reconocido como el ao ms seco de la estadstica.

Series para afluente LAJA para el ao 1999

140
Serie Historica
Promedio Historico
120
Valor Esperado
Sorteos Modelo
100

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

Series para afluente LAJA para el ao 1999

120
Serie Historica
Promedio Historico
100 Valor Esperado
Sorteos Modelo

80

m3/seg
60

c) 40

20

0
0 2 4 6 8 10 12
Mes Hidrolgico

Series para afluente LAJA para el ao 1999

120
Serie Historica
Promedio Historico
100 Valor Esperado
Sorteos Modelo

80

m3/seg
60

d) 40

20

0
0 2 4 6 8 10 12
Mes Hidrolgico

Figura 7.13: Series simuladas para el ao hidrolgico 1998-1999

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.

Respecto del modelo de correlacin espacial (Contemporneo), se verific la hiptesis de trabajo

presentada en el captulo 6, que plantea que la correlacin de las innovaciones del modelo
PARMA cambia a lo largo del ao. Esto se observa en la figura 7.14, donde se grafica la
correlacin para cada mes del ao, estimada entre pares de afluentes de las cuencas del Laja y
Maule. Se observa una correlacin de los ruidos ms alta durante el invierno que en el deshielo.

Correlacion Cruzada por mes, para los Ruidos

1
Laja-Abanico
0.9 Laja-Antuco
Laja-Tucapel
0.8

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.

En los captulos 9 y 10 se propone un mtodo alternativo, el que consiste en utilizar el modelo

PARMA como herramienta de seleccin de caudales histricos.

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.

7.6 Herramientas Computacionales

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).

Figura 7.15 : Aplicacin en Matlab para anlisis de series sintticas de caudales

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. Modelo para Seleccin de Caudales Histricos

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.

Lo anterior obliga a modificar los modelos de planificacin, implementando interfases que

permitan simular escenarios de caudales sintticos, que no estn estrictamente contenidos en el
registro histrico. Esto es una tarea de ms largo aliento, que impone barreras a la
implementacin inmediata del modelo CPARMA en los modelos de planificacin. Para salvar
esta cuestin, en este captulo se propone un modelo alternativo, el que hace uso del modelo
PARMA propuesto como un mecanismo para asignar probabilidades de ocurrencia a los

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.

8.2 Modelo de Seleccin, Basado en Modelo PARMA

Para fijar ideas, supongamos como ejemplo que se desea modelar la evolucin futura de los
caudales de la serie del Laja, a partir desde el mes de agosto, del ao en curso, en adelante.

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(,)

Figura 8.1: Distribucin normal para los caudales de

agosto en cada ao histrico.

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

similares, entonces un conjunto de realizaciones de la distribucin S k ser, en primera

aproximacin, una muestra representativa de la distribucin S .

1
Transformados segn lo descrito en la seccin 7.2.

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

Donde K es una constante positiva.

Para comprender el significado de los fi , se debe notar primero que la cantidad E ( S ) E ( Si )

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)

Figura 8.2: Probabilidades de caudales histricos, para mes de julio.

Hidrologa 98-99.

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.

Si se repite el ejercicio anterior para la hidrologa observada el ao 2000-2001, las probabilidades

obtenidas se muestran en la figura 8.3. La hidrologa del ao 00-01, puede ser considerada como
una hidrologa media-hmeda.

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)

Figura 8.3: Probabilidades calculadas para el mes de julio, ao 00-01.

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)

Figura 8.4 : Probabilidades calculadas para el mes de julio, ao 59-60.

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

Si se inicia la planificacin de la operacin a comienzos del mes j, se puede obtener una

distribucin de probabilidad para los escenarios hidrolgicos futuros, a partir del modelo
PARMA, usando la metodologa propuesta en la seccin anterior.

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. Con la informacin de caudales de los meses previos al que se inicia la planificacin de

la operacin, se asignan probabilidades de ocurrencia a cada escenario histrico para el
primer mes del horizonte de planificacin, usando la metodologa mostrada en la seccin
precedente.
2. Para seleccionar las simulaciones iniciales se utilizan estas probabilidades calculadas
(distribucin de probabilidad discreta), y se sortean a partir de ella N escenarios de
caudales histricos, para el primer mes de la planificacin. Para cada uno de estos
escenarios histricos sorteados, se toma la serie completa hasta el final del primer ao
del horizonte de planificacin1.
3. Para los aos posteriores al cual se inicia la planificacin de la operacin, se asume
completa independencia entre aos hidrolgicos y equiprobabilidad de los escenarios
histricos anuales. Con estas hiptesis, para cada una de las N series obtenidas en el
punto dos, se sortea una trayectoria completa para hidrologa, desde el segundo ao bajo
estudio, hasta el final del horizonte de planificacin. Con esto, se tienen N simulaciones
iniciales.
4. Para cada simulacin as definida, se generan M aperturas condicionadas en cada etapa
las que se sortean segn el mismo criterio, recorriendo cada simulacin inicial y
calculando las probabilidades en cada etapa, en funcin de los valores pasados
observados, los que cambian a medida que se recorre cada secuencia.

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:

1. Una simulacin considerando un tratamiento hidrolgico como el propuesto en las

secciones 8.2 y 8.3. Con la informacin de caudales hasta el mes de junio, se calcula la

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.

2. Una simulacin, usando el tratamiento hidrolgico actualmente implementado en PLP, el

que considera incertidumbre reducida para las primeras cuatro semanas, e independencia
hidrolgica entre meses (ver seccin 3.6). Para calcular la incertidumbre reducida de las
primeras cuatro semanas, es necesario conocer la informacin diaria de caudales de los
siete das previos al inicio de la planificacin de la operacin.

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.

De esta forma se podr comparar la metodologa propuesta, con el tratamiento realizado

actualmente por PLP, teniendo como referencia la situacin que se hubiera alcanzado si se
hubiese conocido de antemano la hidrologa por el resto del ao.

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.

Si se observa la trayectoria de los precios proyectada al usar la incertidumbre reducida e

independencia hidrolgica entre los meses de invierno (modelacin que hace PLP en la
actualidad), se ve que los costos marginales se sitan muy por debajo del valor real obtenido en
la modelacin determinstica, arrojando un precio que oscila en torno a los 30 mills/Kwh en las
primeras etapas. De aqu podemos concluir dos cosas, la incertidumbre reducida usada por PLP
en las primeras semanas no reconoce adecuadamente la tendencia hidrolgica del ao, debido a
que se construye slo con la ventana de tiempo de los 7 das previos al que se inicia la
planificacin. Por otro lado, la independencia estadstica entre meses asumida por PLP, hace que
la dbil seal de escasez entregada por la incertidumbre reducida, se diluya inmediatamente al
segundo mes del horizonte de estudio, haciendo que el precio caiga por debajo de los 20
mills/Kwh despus de la cuarta etapa1. De lo anterior se concluye, que el tratamiento hidrolgico
implementado actualmente en el modelo PLP, es incapaz de anticiparse a un escenario de sequa
severa.

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.

Cuando se utiliza la modelacin propuesta en este trabajo, el modelo identifica fuertemente

(asigna una probabilidad alta) el ao hidrolgico simulado, con el escenario ms seco contenido
en la estadstica, que en este caso corresponde al ao 68-69. Los precios oscilan en torno a los 50
mills/kWh para el primer ao, y los aportes hidrulicos son de un 49% frente a un 51% de
generacin trmica, mostrando un aumento de un 13% en la generacin trmica, respecto del
tratamiento actual de PLP. Con esto, se asigna un mayor valor al agua embalsada, ofreciendo las
seales adecuadas frente a una sequa extrema.

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]

30.0 Simul. Deterministica

20.0 Modelo Propuesto

Actual PLP
10.0
0.0
1 4 7 10 13 16 19 22
Etapas

Figura 8.7 : Costos marginales Ajahuel220 para los tres

tratamientos hidrolgicos. Hidrologa 00-01.

84
 Modelo Propuesto

13% 0%

Termicas
35%
13% Embales
Pasada
Serie Hidraulica
Falla

39%

Actual PLP

12% 0%
Termicas

13% 37% Embales

Pasada
Serie Hidraulica
Falla

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.

8.5 Validez y Limitaciones del Modelo

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.

Formalmente, la validez de la metodologa propuesta, se sustenta en dos aspectos:

1. Es posible asignar una distribucin de probabilidad normal, a las series de datos

transformados de la serie del Laja, haciendo uso de un modelo PARMA. En este trabajo,
el modelo PARMA fue ajustado utilizando el software SAMS, desarrollado por la
universidad de colorado y que ha sido utilizado con xito en diversas aplicaciones1. En

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.

No obstante lo anterior, los resultados obtenidos son exclusivamente de carcter preliminar, y no

deben ser tomados como concluyentes. Una validacin exhaustiva de este modelo requiere del
desarrollo de una gran cantidad de simulaciones, estudiando distintas situaciones de operacin del
sistema.

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:

1. La forma en la que se definen las probabilidades (pesos normalizados) para cada

escenario, es completamente arbitraria.

2. La seleccin, tanto de las simulaciones como de las aperturas , se define a partir de la

informacin entregada por el modelo PARMA ajustado para un slo afluente, el que en
este caso corresponde al afluente al lago Laja. Slo con esta informacin se definen
criterios para seleccionar los aos hidrolgicos a utilizar en las simulaciones y aperturas,
para todos los afluentes del sistema.

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.

No obstante lo anterior, lo valioso y rescatable del modelo propuesto es que utiliza la

informacin estadstica entregada por el modelo PARMA para modelar una serie de caudales, a
partir de un conjunto de realizaciones histricas, y no mediante sorteos de una distribucin.

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.

En la seccin 9.3 se plantea un modelo de sensibilidad para determinar el nmero de aperturas

que es necesario generar en cada etapa, con el objeto de obtener resultados satisfactorios, dado

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.

9.2 Espacio Vectorial de las Variables Aleatorias Normales

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

3. < x, x >> 0 < x, x >= 0 x = 0

Las proposiciones 1 y 2 son triviales a partir de la definicin y la linealidad del operador valor
esperado.

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

Pero e N (0,1) , luego E (e2 ) = 1 y E (e) = 0 , con lo que finalmente tenemos:

< x, x >= 2 + 2

Ahora, si < x, x >= 0 :

2 + 2 = 0 = 0, = 0
x0
Luego, x corresponde a la variable aleatoria idnticamente nula.

A partir de este producto interno podemos definir una norma en :

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.

Se demuestra que si 9.1 es una norma en , entonces :

r m

2
Xj m
= xkj (9.2)

k =1

es una norma en m .

A partir de 9.2 se demuestra directamente que:

r m
Xj
m
= (
k =1
k
j 2
) + ( kj ) 2

donde kj y kj corresponden a la varianza y la media de la distribucin asociada al k-esimo

afluente, en el j-esimo mes.

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.

9.3 Nmero de aperturas en cada etapa

9.3.1 Introduccin

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.

9.3.2 Modelo de sensibilidad de la FCF

Al ajustar un modelo PARMA a la serie de datos hidrolgicos, la dependencia estocstica del

problema de despacho queda limitada exclusivamente al vector de ruidos t . En efecto, el

modelo PARMA internaliza toda la dependencia temporal de la hidrologa en una combinacin

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

etapa t en adelante y t corresponde al ruido de la hidrologa presentada en la etapa t.

Observemos ahora que, si la varianza del ruido en la etapa t t

es pequea, entonces el ruido

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 ) ,

luego, podemos escribir:

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

Para poder evaluar esta expresion, observemos que:

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

PARMA.. Derivando H t c/r a t :

H t
= t exp( t + t )
t
Por otro lado, podemos escribir:
t
= (v ) (9.7)
H t
donde (v) es el multiplicador de Lagrange asociado a la restriccin de balance hidrulico, o la
pendiente del corte de Benders asociada al nivel de almacenamiento v al comienzo de la etapa
t+1 .

94
Con las ecuaciones (9.5), (9.6) y (9.7) podemos escribir:

t
= (v) t exp( t ) t (9.8)
t t =0

Y la varianza para la funcin de costos futuros en la etapa t ser:

= (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

En base a lo anterior, es posible definir el nmero N de muestras del proceso estocstico t ,

para que este promedio sea tan cercano a cero como precisos queramos ser en la estimacin del
valor esperado de la FCF. Para esto, primero definamos la variable aleatoria:

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

Con lo anterior, si queremos encontrar un intervalo de confianza para Z, podemos escribir:

P ( Z / 2 Z Z / 2 ) = 1
De las tablas, para un nivel de confianza del 95%, obtenemos Z / 2 = 1.96 . Con esto se obtiene

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. Discusiones y Conclusiones

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 modelo PLP asume equiprobabilidad de los escenarios histricos y completa independencia

entre meses, para el sorteo de los caudales futuros. Versiones actuales de las interfases del
98
modelo permiten realizar una representacin determinstica de los caudales en la primera semana
del horizonte de planificacin, y una representacin estadstica de los caudales en las semanas 2,
3 y 4, que internaliza la correlacin temporal de los datos en las primeras semanas, con los
caudales observados en los siete das previos al comienzo de la planificacin de la operacin.
Con esto, la correlacin temporal de la serie se pierde en el segundo mes de planificacin,
asumiendo completa independencia entre meses hidrolgicos. Por lo analizado en la seccin 8.4,
la incertidumbre reducida no es capaz de detectar adecuadamente la seal de escasez frente a
escenarios de sequa severa. Mas an, la hiptesis de independencia estadstica entre los meses
de invierno, hace que la dbil seal de escasez entregada por la incertidumbre reducida se pierda
rpidamente. Se concluye que el tratamiento hidrolgico actualmente implementado en el modelo
PLP es incapaz de entregar una seal anticipada frente a un ao seco.

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.

Un camino alternativo se presenta en los captulos 8 y 9, donde se propone al modelo PARMA

como una herramienta para seleccionar afluentes histricos, haciendo uso del modelo PARMA
99
ajustado a la serie de caudales del Laja exclusivamente. Este modelo se construye sobre la idea
de que es posible estimar una distribucin normal para los caudales, con la ayuda del modelo
PARMA, y sobre el hecho de que se puede asociar una nocin de norma o distancia entre las
variables aleatorias asociadas a distintas series de caudales.

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.

10.2 Conclusiones Generales

El modelo propuesto, contribuye a la mejora de los modelos de planificacin, entregando una

herramienta que permite detectar de manera anticipada un escenario de sequa extrema,
permitiendo una asignacin ms adecuada de los recursos hdricos del sistema. Esto se aprecia en
la figura 8.5, donde con el modelo propuesto se obtienen costos marginales ms cercanos a los
que se habran obtenido si se conociera la hidrologa en forma determinstica, respecto del
tratamiento actual implementado en PLP.

10.3 Conclusiones Especficas

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

[1] Harry L. H, A Brief Introduccin to Periodically Correlated (Cyclostationary) Random

Sequences, University of Western Notario, Canad, Noviembre 1997.
[2] A. I. McLeold, Parsimony, Model Adequacy and Periodic Correlation in Time Series
Forecating, The Internacional Statistical Review, Vol. 61, 1993.
[3] Pisarenko V.F, Lyubushin A, Canu S., Statistical Methods for River Runoff Forecast,
International Institute of Earthquake Prediction and Mathematical Geophisyc, Moscu, 1993.
[4] Minder E., Modelacin Hidrolgica en el Sistema Interconectado Central, Tesis para optar
al grado de Magster en Ciencias de la Ingeniera, Pontificia Universidad Catlica de Chile, 1997.
[5] Philip H., Forecasting with Periodic Autoregressive Time Series Models, Econometric
Institute, Erasmus University Rtterdam, 1999.
[6] Koutsoyiannis D., Stochastic Simulation of Hidrosystems, The Enciclopedia of Water,
Departament of Water Resourses, National Tecnical University, Atenas.
[7] Box G., Jenkins G., Time Series Anlisis, 3th Edition, Prentice Hall, 1994.
[8] Markidakis S, Wheelwrite S., Forecasting: Methods and Applications, 2nd Edition, John
Wiley & Sons.
[9] Pindyck R., Rubinfeld D., Econometria: Modelos y Pronosticos, cuarta edicin en espaol,
Mc Graw Hill, 1998.
[10] P. Claps, Conceptually-Based Multivariate Simulation of Monthly Runoff, Politcnico di
Torino, Italy, 1996.
[11] McLeold A., Diagnostic Cheking Periodic Autoregression Models UIT Applications, The
Journal of Time Series Anlisis, Vol. 15, pp-221-233, 1999.
[12] Del Barrio T., Osborn D., The Consecuences of Seasonal Adjustment for Periodic
Autoregressive Preocesses, paper preliminar, Comisin Interministerial de Ciencia y
Tecnologa, Barcelona, 2003.
[13] Brown, E., Vargas X., Salas J., Seleccin de Modelos Arima Para Series de Tiempo
Hidrolgicas, Centro de Recursos Hidrulicos, Universidad de Chile, 1983.
[14] Brown E., Torreti E., Experimentacin con el modelo de Markov de primer Orden en la
Generacin Estocastica de Caudales, Centro de Recursos Hidrulicos, Universidad de Chile,
1978.

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.

Figura A.1: Funcin de probabilidad acumulada, para una

distribucin normal

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)

que representa la funcin de probabilidad acumulada de una distribucin normal estndar.

Supongamos que disponemos de una muestra de tamao n de la variable aleatoria de la que

queremos verificar su normalidad. Se toma entonces un papel cuya escala vertical este graduada
segn la ecuacin A.2, lo que queremos es graficar en este papel la funcin definida en la
ecuacin A.1. Como no disponemos de una expresin analtica de esta funcin, podemos obtener
una aproximacin de ella a partir de las muestras. Ordenemos los valores de la muestra de menor
a mayor, obteniendo:

x1 x2 x3 ...xn 1 xn

Con esto, la funcin de probabilidad acumulada la podemos aproximar por:

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.

Afluente: Tucapel, Cuenca del Laja

Ao Hidrolgico: 1959-1960
Tipo de Hidrologa: Normal

Series para afluente TUCAPEL para el ao 1960

180

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

Series para afluente TUCAPEL para el ao 1960

180

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

Afluente: Tucapel, Cuenca del Laja

Ao Hidrolgico: 1998-1999
Tipo de Hidrologa: Seca

Series para afluente TUCAPEL para el ao 1960

300
Serie Historica
Promedio Historico
Valor Esperado
250
Sorteos Modelo

200

m3/
seg
150

100

50

0
0 2 4 6 8 10 12
Mes Hidrolgico

Series para afluente TUCAPEL para el ao 1999

200
Serie Historica
180 Promedio Historico
Valor Esperado
Sorteos Modelo
160

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

Series para afluente TUCAPEL para el ao 1999

180
Serie Historica
Promedio Historico
160
Valor Esperado
Sorteos Modelo
140

120

m3/ 100
seg
80

60

40

20

0
0 2 4 6 8 10 12
Mes Hidrolgico

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

109
Afluente: HIISLA, Cuenca del Maule
Ao Hidrolgico: 1958-1959
Tipo de Hidrologa: Normal

Series para afluente HIISLA para el ao 1959

140
Serie Historica
Promedio Historico
120 Valor Esperado
Sorteos Modelo

100

m3/ 80
seg

60

40

20

0
0 2 4 6 8 10 12
Mes Hidrolgico

Series para afluente HIISLA para el ao 1959

140
Serie Historica
Promedio Historico
120 Valor Esperado
Sorteos Modelo

100

80
m3/
seg

60

40

20

0
0 2 4 6 8 10 12
Mes Hidrolgico

Series para afluente HIISLA para el ao 1959

150
Serie Historica
Promedio Historico
Valor Esperado
Sorteos Modelo

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

Afluente: HIISLA, Cuenca del Maule

Ao Hidrolgico: 1998-1999
Tipo de Hidrologa: Seca

Series para afluente HIISLA para el ao 1999

120

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

Series para afluente HIISLA para el ao 1999

90
Serie Historica
80 Promedio Historico
Valor Esperado
Sorteos Modelo
70

60

m3/s 50
eg
40

30

20

10

0
0 2 4 6 8 10 12
Mes Hidrolgico

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

112
Afluente: LMAULE, Cuenca del Maule
Ao Hidrolgico: 1986-1987
Tipo de Hidrologa: Normal

Series para afluente LMAULE para el ao 1987

20
Serie Historica
Promedio Historico
Valor Esperado
18 Sorteos Modelo

16

m3/seg
14

12

10

8
0 2 4 6 8 10 12
Mes Hidrolgico

Series para afluente LMAULE para el ao 1987

20
Serie Historica
Promedio Historico
Valor Esperado
18
Sorteos Modelo

16

m3/
seg
14

12

10

8
0 2 4 6 8 10 12
Mes Hidrolgico

Series para afluente LMAULE para el ao 1987

18
Serie Historica
Promedio Historico
17 Valor Esperado
Sorteos Modelo
16

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

Afluente: LMAULE, Cuenca del Maule

Ao Hidrolgico: 1968-1969
Tipo de Hidrologa: Seca

Series para afluente LMAULE para el ao 1969

17
Serie Historica
16 Promedio Historico
Valor Esperado
15 Sorteos Modelo

14

13
m3/seg
12

11

10

7
0 2 4 6 8 10 12
Mes Hidrolgico

Series para afluente LMAULE para el ao 1969

22
Serie Historica
Promedio Historico
20 Valor Esperado
Sorteos Modelo

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

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

115
Anexo C

Figura C: a) Cuenca del Maule b) Cuenca del Laja

116