Identificación de reglas de operación óptimas de embalses para el control de inundaciones a partir de modelos de operación. caso de estudio: Cuenca del Río Yuna en República Dominicana

Abstract

This study addresses the use of computational tools in order to obtain optimal operating rules for the Hatillo reservoir (Dominican Republic), mainly considering the purpose of reducing flooding downstream of the dam without affecting its other uses (hydroelectric generation and irrigation for agriculture). Because it is a multipurpose reservoir, the problem is posed under a multiobjective approach, where the use of evolutionary algorithms (optimizers) is explored, together with approximation functions of Artificial Neural Networks, Radial Basis Networks and linear functions (Operational Models parametric) for the direct search of the operational rules. The proposed operational models were developed for the available information that includes a period of 10 years (2009-2019), on a daily level, the controlled discharges from the reservoir were defined from the approximation functions, which receive as inputs the system status variables (reservoir level, inflows, previous outflows), likewise, the system's own physical components are used to define the restrictions of controlled discharges, reservoir operation limits, and to define uncontrolled releases. On the operational models, the optimization algorithms were applied to obtain the optimal operational rules, the parameters of the approximation functions being the decision variables of each model. The optimization algorithms used were the Non-Dominated Sorting Genetic Algorithm II (NSGA-II) and Multiobjective Evolutionary Algorithm Based on Decomposition (MOEA / D), the previous process was carried out in JMETALPY, a multiobjective optimization environment developed in Python. The results obtained show that it is possible to reduce the peaks of the reservoir discharge hydrographs and therefore the magnitude of downstream floods by applying the operational rules obtained from the optimization of the operational models. For this particular case, it was found that the approximation functions of Neural Networks and Radial Basis Networks allow to adequately parameterize the reservoir's operating rules since they can generate patterns or complex shapes that normally cannot be built by other functions, such as, linear functions. The optimization results show that artificial Neural Networks are better adjusted than the other methods for this case study, being the NSGAII the optimization algorithm that has the best performance in terms of computational time and optimization results.

El presente estudio aborda el uso de herramientas computacionales con el fin de obtener reglas de operación óptimas para el embalse de Hatillo (República Dominicana), considerando principalmente el propósito de disminuir inundaciones aguas abajo de la presa sin afectar los demás usos del mismo (generación hidroeléctrica y el riego para la agricultura). Debido a que es un embalse multipropósito, el problema es planteado bajo un enfoque multiobjetivo, donde se explora el uso de algoritmos evolucionarios (optimizadores), junto con funciones de aproximación de Redes Neuronales Artificiales, Redes de Base Radial y Funciones lineales (Modelos de operación paramétricos) para la búsqueda directa de las reglas de operación obtenidas de los Frentes de Pareto generados. Los modelos de operación propuestos se desarrollaron para la información disponible que comprende un periodo de 10 años (2009-2019), a nivel diario, las descargas controladas del embalse fueron definidas a partir de las funciones de aproximación, las cuales reciben como entradas las variables de estado del sistema (nivel del embalse, caudales de entrada, descargas previas), así mismo, se utilizan componentes físicos propios del sistema para definir las restricciones de las descargas controladas, límites de operación del embalse, y para definir las descargas no controladas (rebose por el vertedero). Sobre los modelos de operación se aplicaron los algoritmos de optimización para la obtención de las reglas de operación óptimas, siendo los parámetros de las funciones de aproximación las variables de decisión de cada modelo. Los algoritmos de optimización utilizados fueron el Non-dominated Sorting Genetic Algorithm II (NSGA-II) y Multiobjective Evolutionary Algorithm Based on Decomposition (MOEA/D), el proceso anterior fue realizado en JMETALPY un entorno de optimización multiobjetivo desarrollado en Python. Los resultados obtenidos muestran que es posible reducir los picos de los hidrogramas de descarga del embalse y por ende la magnitud de las inundaciones aguas abajo aplicando las reglas de operación obtenidas de la optimización de los modelos de operación. Para este caso en particular se encontró que las funciones de aproximación de Redes Neuronales y Redes de Base Radial permiten parametrizar adecuadamente las reglas de operación del embalse ya que pueden generar patrones o formas complejas que normalmente no pueden ser construidas por otras funciones, como, por ejemplo, funciones lineales. Los resultados de la optimización demuestran que las Redes Neuronales artificiales se ajustan mejor respecto a los otros métodos para este caso de estudio, siendo el NSGAII el algoritmo de optimización que mejor desempeño tiene en términos de tiempo computacional y resultados de optimización.