Resumen

El sistema brasileño de generación y transmisión de energía es bastante peculiar en su dimensión y características. Como tal, puede considerarse único en el mundo. Se trata de un sistema hidrotérmico de alta dimensión con enorme participación de centrales hidroeléctricas. Esta fuerte dependencia de los regímenes hidrológicos implica incertidumbres relacionadas con la planificación energética, requiriendo una adecuada modelización de las series temporales hidrológicas. Esto se lleva a cabo mediante simulaciones estocásticas de series mensuales de afluencia utilizando la familia de modelos Autorregresivos Periódicos, PAR(p), uno para cada periodo (mes) del año. En este trabajo se muestran los problemas de ajuste de estos modelos por el sistema actual, en particular la identificación del orden autorregresivo "p" y la estimación de los parámetros correspondientes. A continuación se propone un nuevo enfoque para ajustar tanto el orden del modelo como la estimación de los parámetros de los modelos PAR(p), utilizando una técnica computacional no paramétrica, conocida como Bootstrap. Esta técnica permite estimar intervalos de confianza fiables para los parámetros del modelo. Los resultados obtenidos utilizando el Método Parsimonioso Bootstrap de Momentos (PBMOM) produjeron no sólo órdenes de modelos más parsimoniosos, sino también escenarios estocásticos adherentes y, a largo plazo, conducen a un mejor uso de los recursos hídricos en la planificación de la operación energética.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Mathematical logic
• Palabras claves:generación brasileña de energía, método bootstrap parsimonioso, dependencia tan fuerte, escenarios estocásticos adherentes, planificación de operaciones energéticas, series temporales hidrológicas, series mensuales de afluencia, técnica computacional no paramétrica, órdenes de modelos parsimoniosos, intervalos de confianza fiables
• Keywords:brazilian energy generation, parsimonious bootstrap method, such strong dependency, adherent stochastic scenarios, energy operation planning, hydrological time series, monthly inflow series, nonparametric computational technique, parsimonious model orders, reliable confidence intervals