Aplicación de modelos de aprendizaje profundo para la predicción de caudales medios diarios en el embalse de Mazar

Abstract

Mediante la aplicación de la librería H20 del código R, se desarrolló un Modelo de Aprendizaje Profundo (DML por sus siglas en Inglés) que permite pronosticar los caudales de ingreso diario al embalse Mazar, basado en los niveles monitoreados en los tributarios del río Paute. Se consideraron registros desde el año 2014 al 2020, siendo el 80% de los registros para el entrenamiento y un 20% para la validación del modelo. La arquitectura de la red neuronal consta de 7 entradas que representan los niveles de agua monitoreados por 7 estaciones hidrológicas ubicadas en los diferentes tributarios del embalse Mazar, una capa oculta con 50 neuronas de aprendizaje, y una capa de salida con 1 neurona que representa el pronóstico correspondiente. El error porcentual medio de los caudales pronosticados en contraste con los observados fue menor al 10% de acuerdo a los parámetros seleccionados aleatoriamente dentro del aprendizaje de la red. Se destaca la importancia de contar con una herramienta para el pronóstico de caudales, para regular la generación hidroeléctrica en el complejo Paute Integral con una potencia instalada de 1757 MW, que representa alrededor del 30% de la energía que se genera en la república del Ecuador.