Como prever a operação futura de uma barragem para consideração num sistema de previsão e alerta?

Tema: Gestão de Recursos Hídricos e Sistemas de Previsão e Alerta

Objetivo: Antecipar estratégias de operação de barragens para melhorar a resposta a eventos de cheia e otimizar o uso dos recursos.

Estratégias de Operação em Análise

São consideradas três abordagens distintas para a previsão da operação de barragens, com o objetivo de gerar previsões de caudais efluentes a integrar em sistemas de previsão e alerta:

Solução 1 - Regras Operativas Convencionais
Baseadas em tabelas e curvas predefinidas, estas regras refletem a experiência acumulada dos operadores. Apesar de simples e robustas, não se adaptam facilmente a situações imprevistas ou variáveis em tempo real.
Solução 2 - Controlo Preditivo por Modelo (MPC – Model Predictive Control)
Esta estratégia utiliza modelos matemáticos da albufeira e previsões de afluência para otimizar, em cada instante, a operação futura ao longo de um horizonte temporal. Permite equilibrar múltiplos objetivos (ex.: segurança, produção energética, reservas) de forma dinâmica e eficiente.
Solução 3 - Modelo de Inteligência Artificial (IA)
Explora algoritmos de machine learning treinados com dados históricos e simulações para prever e recomendar estratégias de operação. Oferece elevada capacidade de generalização e adaptação a padrões complexos, podendo complementar ou reforçar as abordagens baseadas em modelos físicos.

Estas três estratégias são comparadas quanto à sua eficácia na operação da barragem do Lindoso, tendo em conta critérios como segurança hidráulica, eficiência energética e resposta a cheias.

Solução 2: Controlo Preditivo (MPC)

Figura 1 - Estrutura básica de um sistema de Controlo Preditivo aplicado à gestão de barragens.

Metodologia

Considerar afluências previstas para a albufeira obtidas por modelos hidrológicos forçados com previsões de precipitação.
Otimizar ações de controlo (ex.: caudais turbinados, descargas) num horizonte de previsão (ex.: 24-48 horas).
Atualizar as decisões dinamicamente à medida que surgem novas previsões (horizonte deslizante).

Resultados

Exemplo MPC na Barragem do Alto Lindoso

Descrição do Problema

Neste exemplo ilustrativo procede-se à aplicação de um sistema de Controlo Preditivo (MPC) à operação da Barragem do Alto Lindoso. O objetivo principal é otimizar a produção de energia, mantendo o nível da albufeira próximo do setpoint (338 m) e gerindo adequadamente as descargas em eventos de cheia.

Parâmetros principais:

Volume máximo: 379.01 hm³
Limites de nível: 280 m a 339 m
Caudal máximo turbinado: 250 m³/s
Caudal máximo de descarga: 2500 m³/s
Eficiência da turbina: 90%
Cota de jusante: 42 m

Formulação Matemática do Problema

O controlo MPC é baseado na otimização da seguinte função objetivo:

\[ \min_{u} \quad J = w_{\text{energia}} \cdot (-E) + w_{\text{nível}} \cdot (h - h_{\text{ref}})^2 + w_{\text{descarga}} \cdot Q_d^2 \]

sujeito a:

\[ \begin{aligned} & h_{\min} \leq h(t) \leq h_{\max} \quad &\text{(restrição de nível)} \\ & 0 \leq Q_t(t) \leq Q_{t,\max} \quad &\text{(limite da turbina)} \\ & 0 \leq Q_d(t) \leq Q_{d,\max} \quad &\text{(limite do descarregador)} \\ & V(t+1) = V(t) + \Delta t \cdot (Q_{\text{in}}(t) - Q_t(t) - Q_d(t)) \quad &\text{(equação de balanço)} \end{aligned} \]

Onde:

E: Energia acumulada pelas turbinas
h: Nível da albufeira; h_ref: nível de referência (setpoint)
Q_t: Caudal turbinado
Q_d: Caudal descarregado
Q_in: Afluência ao reservatório
V(t): Volume armazenado no instante t
w_energia, w_nível, w_descarga: Pesos definidos a partir da análise de Pareto

Fronteira de Pareto - Estudo MPC Lindoso

A fronteira de Pareto do problema é obtida para a situação em que o peso das descargas foi considerando nulo. A partir deste resultado podem definir-se os pesos a considerar na função objetivo que permitem priveligiar a produção de energia ou a manutenção do nível da albufeira.

Fronteira de Pareto com regiões factível e infactível

Afluências em 5 cenários simplificados

Evolução das Variáveis nos 5 Cenários

Comparações entre Cenários

Volume Afluente, Turbinado e Descarregado

Em todos os cenários de afluências (simplificadas), o controlador demonstrou capacidade de manter o nível próximo do setpoint, turbinar de forma eficiente e descarregar apenas quando necessário. Pequenas falhas na convergência do algoritmo de otimização foram resolvidas automaticamente pelo mecanismo de fallback implementado.

Conclusão

O sistema MPC desenvolvido mostra um desempenho robusto, capaz de gerir diferentes regimes hidrológicos e maximizar a produção energética, ao mesmo tempo que garante a segurança da estrutura e o cumprimento dos limites operacionais. Revela-se, assim, uma solução adequada para estimar o controlo operativo da barragem para se estimarem os caudais fluviais a jusante quando implementado num sistema de previsão e alerta.

← Ver Solução 1: Regras Operativas Ver Solução 3: Machine Learning →

Quer saber mais?

Contacte-nos ou acompanhe a evolução nas redes sociais.

How can future dam operation be predicted for integration into forecasting and alert systems?

General Theme: Water Resources Management and Forecasting Systems

Objective: Anticipate dam operation strategies to improve response to flood events and optimize resource use.

Operation Strategies Under Analysis

Three distinct approaches are considered for forecasting dam operations, with the goal of generating downstream flow forecasts to be integrated into forecasting and alert systems:

Solution 1 – Conventional Operating Rules
Based on predefined tables and curves, these rules reflect the accumulated experience of operators. While simple and robust, they are not easily adaptable to unforeseen situations or real-time variables.
Solution 2 – Model Predictive Control (MPC)
This strategy uses mathematical models of the reservoir and inflow forecasts to optimize, at each step, the future operation over a time horizon. It allows balancing multiple objectives (e.g., safety, energy production, water storage) dynamically and efficiently.
Solution 3 – Artificial Intelligence (AI) Model
Explores machine learning algorithms trained on historical data and simulations to predict and recommend operating strategies. It offers high generalization capacity and adapts to complex patterns, complementing model-based approaches.

These strategies were compared regarding their effectiveness in operating the Lindoso dam, considering criteria such as hydraulic safety, energy efficiency, and flood response.

Solution 2: Model Predictive Control (MPC)

Figure 1 - Basic structure of a Model Predictive Control system applied to dam management.

Methodology

Consider inflow forecasts to the reservoir obtained from hydrological models driven by precipitation forecasts.
Optimize control actions (e.g., turbine flows, spillway releases) over a prediction horizon (e.g., 24–48 hours).
Update control decisions dynamically as new forecasts become available (rolling horizon).

Results

MPC Example at Alto Lindoso Dam

Problem Description

This illustrative example applies a Model Predictive Control (MPC) system to the operation of the Alto Lindoso Dam. The main objective is to optimize energy production while keeping the reservoir level close to the setpoint (338 m) and properly managing discharges during flood events.

Main parameters:

Maximum volume: 379.01 hm³
Level limits: 280 m to 339 m
Maximum turbine flow: 250 m³/s
Maximum spillway flow: 2500 m³/s
Turbine efficiency: 90%
Downstream elevation: 42 m

Mathematical Formulation

\[ \min_{u} \quad J = w_{\text{energy}} \cdot (-E) + w_{\text{level}} \cdot (h - h_{\text{ref}})^2 + w_{\text{spill}} \cdot Q_d^2 \]

Subject to:

\[ \begin{aligned} & h_{\min} \leq h(t) \leq h_{\max} \quad &\text{(level constraints)} \\ & 0 \leq Q_t(t) \leq Q_{t,\max} \quad &\text{(turbine limit)} \\ & 0 \leq Q_d(t) \leq Q_{d,\max} \quad &\text{(spillway limit)} \\ & V(t+1) = V(t) + \Delta t \cdot (Q_{\text{in}}(t) - Q_t(t) - Q_d(t)) \quad &\text{(mass balance)} \end{aligned} \]

Pareto Front – MPC Case Study

The Pareto front is obtained by assuming zero weight on spill flows. From this result, it is possible to define objective function weights that prioritize either energy production or reservoir level control.

Pareto front with feasible and infeasible regions

Inflows in 5 Simplified Scenarios

Variable Evolution Across Scenarios

Scenario Comparison

Total Inflow, Turbine Flow, and Spill Flow

In all simplified inflow scenarios, the controller maintained the reservoir level close to the setpoint, efficiently used turbine flows, and only activated spill flows when necessary. Optimization failures were handled automatically by the implemented fallback mechanism.

Conclusion

The developed MPC system shows robust performance, capable of managing different hydrological regimes and maximizing energy production while ensuring structural safety and complying with operational constraints. It proves to be a suitable solution for estimating downstream discharges when integrated into a forecasting and alert system.

← Solution 1: Operation Rules Solution 3: Machine Learning →

Laboratório de Hidroinformática