Modelo predictivo machine learning aplicado a análisis de datos hidrometeorológicos para un SAT en represas

Abstract

El presente trabajo de investigación, se centra en los esfuerzos que se vienen realizando para la predicción del caudal efluente (descarga) en la Represa de Aguada Blanca, perteneciente a la Autoridad Autónoma de Majes (AUTODEMA), donde se introduce el uso de redes de memoria a corto y largo plazo (LSTM, por el inglés Long Short Term Memory). Esta predicción, constituye una etapa importante para el buen acuerdo y toma de decisiones del área competente del Sistema de Alerta Temprana (SAT). Por tal motivo, se propone el desarrollo de una metodología para la implementación de la red LSTM que permita evaluar el caudal efluente y sirva para la prevención y una buena toma de decisiones preventivas en los diferentes niveles de alertas tempranas. La red neuronal LSTM, esta entrenada con los diferentes registros de sensores, cuyas características son volumen de agua efluente (caudal de descarga), evaporación, temperatura mínima, temperatura máxima y precipitación. La métrica obtenida es 1.30 de Error Cuadrático Medio (RMSE) obtenida en el entrenamiento de la red neuronal, haciéndolo aceptable para la predicción del siguiente caudal de descarga.

The present research work focuses on the efforts being made to predict the effluent discharge (discharge) in the Aguada Blanca Dam, belonging to the Autonomous Authority of Majes (AUTODEMA), where the use of wastewater networks is introduced. short and long term memory (LSTM, by English Long Short Term Memory). This prediction constitutes an important stage for the good agreement and decision making of the competent area of the Early Warning System (SAT). For this reason, it is proposed to develop a methodology for the implementation of the LSTM network to evaluate the effluent flow and serve for prevention and good preventive decision making in the different levels of early warnings. The neural network LSTM, is trained with different sensor registers, whose characteristics are effluent water volume (discharge flow), evaporation, minimum temperature, maximum temperature and precipitation. The obtained metric is 1.30 Mean Quadratic Error (RMSE) obtained in the training of the neural network, making it acceptable for the prediction of the next discharge discharge.