Modelos de Inteligencia Artificial para Predicción de Producción Hidroeléctrica

Abstract

La previsión precisa de la generación de energía hidroeléctrica es crucial para una planificación energética eficaz, la gestión de la red y la integración de las fuentes de energía renovables. Aunque la energía hidroeléctrica es una tecnología renovable consolidada, optimizar su producción mediante previsiones precisas sigue siendo un reto debido a factores complejos. Esta tesis investiga la aplicación de modelos tradicionales y de inteligencia artificial (IA), centrándose en técnicas de predicción de series temporales, para mejorar la estimación de la producción hidroeléctrica. Esta investigación lleva a cabo una revisión exhaustiva de las técnicas de previsión de series temporales aplicadas a los sistemas de generación hidroeléctrica (HGS), identificando los métodos prevalentes y las lagunas de investigación, incluida la exploración limitada de arquitecturas complejas de aprendizaje profundo y el aprendizaje mediante combinación de modelos. Asimismo, la tesis analiza modelos estadísticos tradicionales, como ARIMA y ARIMAX, a través de un estudio de caso de un sistema hidroeléctrico real, examinando sus capacidades para capturar dependencias temporales. Finalmente, la tesis examina patrones y tendencias en series temporales de producción hidroeléctrica utilizando diversas técnicas de IA, centrándose en su relevancia y aplicabilidad para mejorar la previsión de la producción y proponer estrategias de toma de decisiones para la gestión hidroeléctrica. Los resultados de esta investigación ponen de relieve el potencial de los enfoques tradicionales y basados en IA para mejorar la precisión y fiabilidad de las previsiones de producción hidroeléctrica. La revisión sistemática identifica áreas clave para la investigación y el desarrollo futuros, mientras que el estudio de casos proporciona una visión de la aplicación práctica de los modelos estadísticos y de inteligencia artificial. En conjunto, la tesis contribuye al área analizando y aplicando diversas técnicas existentes para una mejor predicción de la producción, sirviendo como base para el diseño de estrategias para optimizar las operaciones hidroeléctricas.

Accurate forecasting of hydropower generation is crucial for effective energy planning, grid management, and integration of renewable energy sources. Although hydropower is an established renewable technology, it remains challenging to optimize its production through accurate forecasting due to complex factors. This thesis investigates applying traditional and artificial intelligence (AI) models, focusing on time series forecasting techniques, to improve hydropower production estimation. This research reviews time series forecasting techniques applied to hydropower generation systems (HGS), identifying prevalent methods and research gaps, including limited exploration of complex deep learning architectures and learning by model combination. Also, the thesis analyzes traditional statistical models, such as ARIMA and ARIMAX, through a case study of a real hydropower system, examining their capabilities to capture temporal dependencies. Finally, the thesis uses various AI techniques to examine patterns and trends in hydropower production time series. It focuses on their relevance and applicability for improving production forecasting and proposing decision-making strategies for hydropower management. The results of this research highlight the potential of traditional and AI-based approaches to improve the accuracy and reliability of hydropower production forecasts. The systematic review identifies key areas for future research and development, while the case study provides insight into the practical application of statistical and AI models. Overall, the thesis contributes to the area by analyzing and applying various existing techniques for improved production forecasting, serving as a basis for designing strategies to optimize hydropower operations.