Modelo de predicción de la producción de energía de la Central Hidroeléctrica Coca Codo Sinclair, basado en técnicas de aprendizaje computacional

Abstract

El presente trabajo de investigación aborda el uso del aprendizaje computacional para la implementación de modelos de predicción. El caso específico abordado corresponde a la determinación de la cantidad de energía que puede producir la Central Hidroeléctrica Coca Codo Sinclair a través de la predicción del caudal del Río Coca que provee los recursos hídricos a la central. Para lograr este objetivo se utilizó los registros históricos del caudal promedio diario del Río Coca entre el año 1972 y 2020. Los datos históricos se estructuraron mediante una serie temporal y sirvieron como base para la generación y entrenamiento de los modelos construidos usando Redes Neuronales. Mediante un proceso automático se generaron 240 modelos; los cuales fueron evaluados con respecto al error generado entre las predicciones entregadas y los valores reales de caudal. Con la evaluación se identificó el Modelo cuya arquitectura y parámetros de ajuste presentó la mejor precisión en el cálculo de pronósticos del caudal. Las predicciones del Modelo Final fueron evaluadas con aquellas calculadas actualmente en la CHCCS con un Modelo Lineal (Arima), arrojando un RSME de 95,99 y MAPE de 25,70% para el Modelo Propuesto frente a un RSME DE 129,21 y un MAPE de 32,46 para el Modelo Lineal (ARIMA). Finalmente se concluye que la aplicación de un Modelo de Predicción, basado en técnicas de aprendizaje automático, puede mejorar la precisión de la programación de la energía a generar por la CHCCS.