Hydrologic analysis using Artificial Neural Networks for time series forecasting streamflow

O estudo de inventário tem por objetivo estimar o potencial hidroelétrico de rios ou bacias, analisando várias alternativas propostas de partição de quedas, sendo que cada alternativa contém um conjunto de aproveitamentos hidroelétricos. Essas alternativas são então estudadas individualmente para definição da alternativa ótima, ou seja, a que tem melhor custo beneficio e ao mesmo tempo cause menos danos ambientais. Para essa análise necessitamos calcular a potência de cada aproveitamento específico, assim como a energia gerada, para isso então precisamos conhecer a vazão do rio em estudo, no local desses aproveitamentos. Como a vazão dos rios varia com o tempo, pois depende de variáveis como clima, geologia dos solos, desmatamento, entre outras, se recomenda usar nos cálculos séries longas de vazões médias com no mínimo 30 anos de dados, o problema é que em muitos casos não temos essas séries ou temos séries menores e incompletas, nesse caso então necessitamos estimar os valores ausentes e ruidosos utilizando os dados de estações fluviométricas próximas, para depois transportá-las para o aproveitamento em estudo, para isso utilizamos de técnicas estatísticas de correlação. A ideia nesse trabalho é de utilizarmos redes neurais artificiais ao invés das técnicas convencionais e comparar os resultados obtidos.The inventory study aims to estimate the hydropower potential of rivers or basins, analyzing several alternative proposals for partition of falls, each of which contains a set of alternative hydroelectric developments. These alternatives are then individually analyzed to define the optimal alternative, namely that which has the best cost benefit while causing less environmental damage. For this analysis we need to calculate the power of each specific use, as well as the energy generated for that then we need to know the flow of the river under study, the location of these usages. As the river flow varies with time because it depends on variables such as climate, geology, soils, deforestation, among others, we recommend using the long series of calculations mean flow at least 30 years of data, the problem is that in many cases we do not have these series or have smaller and incomplete series, in this case then we need to estimate the missing values and noisy data using next gauged stations, and then transport them to use in the study, for this we use statistical correlation techniques. The idea is that we use work instead of the conventional Artificial Neural Network techniques and compare the results