Arquitetura híbrida para a previsão de afluências em reservatórios baseada no modelo SMAP e Deep Learning

Modelos hidrológicos são ferramentas essenciais para prever ou gerar cenários da disponibilidade de recursos hídricos, usados para planejar a operação de sistemas elétricos de curto a longo prazo. No entanto, há um empasse ao escolher um determinado modelo. Modelos complexos, como modelos distribuídos, podem fornecer bons resultados por procedimentos analíticos, otimizações robustas e dados sofisticados. Já modelos mais simples, como os concentrados, oferecem resultados razoáveis com abordagens de ajuste muito mais fáceis. Para melhorar a qualidade de modelos mais simples, este trabalho propõe o acoplamento do modelo hidrológico Soil Moisture Accounting Procedure (SMAP) com uma arquitetura Deep Learning baseada em camadas Conv3D-LSTM. Na metodologia proposta, o SMAP é primeiramente otimizado para obter parâmetros gerais da bacia hidrográfica. Este modelo recebe um ajuste local, baseado no algoritmo Twiddle, usado como entrada para a arquitetura Conv3D-LSTM. Este modelo de estimativa de caixa cinza pode gerar resultados rápidos e precisos. Estudos, visando prever a vazão natural com sete dias de antecedência, foram realizados em duas grandes hidrelétricas brasileiras para validar o método. Os resultados obtidos pela arquitetura híbrida são melhores que os obtidos com as técnicas desacopladas.