Influencia de la variabilidad climática en el Perú en la producción hidroeléctrica

Abstract

El Perú no es ajeno a los fenómenos climáticos que ocurren en el norte del país y que producen variaciones y anomalías en los caudales, siendo el caudal, variable principal para la producción de energía hidroeléctrica. Un estudio, que relacione la variabilidad climática y/o índices ENSO con la producción hidroeléctrica global y regional constituye una contribución a la agenda de desarrollo de agua y energía en nuestro país. Del total de la producción de energía eléctrica para el 2018 en el Perú, un 57.04% es generado por las centrales hidroeléctricas (COES, 2019). Por tanto, se requiere un conocimiento tradicional con base en el clima para el sector hidro energético con fines de establecer medidas de planificación y prevención ante impactos negativos de la variabilidad climática. La zona de estudio corresponde a la vertiente nor-Pacífico del Perú, desde la cuenca del río Pativilca hasta la cuenca del río Piura, con 19 estaciones de caudales mensuales (1965-2015) que son sometidos a tratamientos estadísticos para verificar la estacionariedad de las series: descomposición estacional y de tendencias Loess (Cleveland et al., 1990), prueba Dickey-Fuller aumentada (Fuller, 1996), procesos de correlación y clúster jerarquizado: método aglomerativo de Ward.D2 (Murtagh et al., 2014), hasta la aplicación del vector regional (Brunet-Morel, 1979) para definir regiones homogéneas o de comportamiento similar de caudales frente a índices climáticos. Los índices climáticos propuestos son el E, C, MEI, PDO, SOI, ONI e ICEN que son determinados en su mayoría por las anomalías de temperatura del mar en las regiones del Océano Pacífico del Niño 1+2 y Niño 3.4. Dichos índices son sometidos en su conjunto para obtener como resultados índices climáticos significativos para la variable caudal y producción de energía hidroeléctrica. Como resultado del análisis multivariante y vector regional sobre los caudales medios mensuales obtenemos un agrupamiento de 04 regiones homogéneas. El clúster_1 corresponde a la cuenca del río Piura, el clúster_4 abarca la margen derecha del río Santa (Cordillera Blanca), el clúster_2 lo conforma el sector desde la cuenca del río Virú hasta la parte alta de la cuenca del río La Leche, y el clúster_3 abarca la cuenca del río Pativilca, gran parte del río Santa y la parte alta de la cuenca del río Chancay-Lambayeque. Una vez obtenido las series de caudales mensuales trimensuales por cada clúster, se realizó el análisis del modelo predictivo mediante la regresión múltiple para intervalos de confianza en un 95% y pruebas de detección de autocorrelación entre variables como Durbin-Watson (DW). Los modelos predictivos consideran caudales precedentes e índices climáticos con sus respectivos retardos. Todos los modelos de predicción de caudales en base a los índices climáticos presentaron un R2 mayor a 0.83, con cálculos de Nash-Sutcliffe (NSE) por encima de 0.81 entre caudales observados y simulados, y valores de DW cercanos a 2. Para los modelos a partir del año 2000, los índices C y MEI con retardo 0 son significativos para el clúster_1 y clúster_2, al igual que el índice MEI con retardo 10 para el clúster_3 y el índice SOI con retardo 5 para el clúster_4. El modelo generado en la presente tesis nos refleja una conexión entre los caudales e índices ENSO. Un segundo proceso es el análisis de la serie de producción hidroeléctrica correspondiente a los registros de la C.H Gallito Ciego (2005-2019) con una producción de energía promedio de 12.85 Gw.h y un pico máximo de 27.87 Gw.h ocurrido en abril 2007. Durante el lapso 2005-2019 se presentaron 42 eventos de El Niño y 50 eventos de la Niña (según clasificación del índice ONI), no habiendo diferencia significativa en la producción hidroeléctrica entre ambas fases. Sin embargo, durante la fase El Niño se generó un acumulado de 602.98 Gw.h, en La Niña se generó un acumulado de 677.11 Gw.h y durante la fase neutral se generó 1032.33 Gw.h. Se observa una caída en la generación de energía hidroeléctrica en las fases del ENSO a comparación de la fase neutral. Entre las fases cálida/El Niño y fría/La Niña, los datos indican una mayor linealidad de los caudales del clúster_2 con producción de energía hidroeléctrica en la fase fría/La Niña con un coeficiente de correlación de 0.79. Con fines de obtener un modelo predictivo para la producción hidroeléctrica C.H. Gallito Ciego, se aplicaron inicialmente técnicas de punto de quiebre por la media (changepoint) y análisis de ondeletas (wavelets) para determinar señales y períodos dominantes. Los resultados muestran índices climáticos significativos para los modelos de predicción de producción de energía hidroeléctrica con el E (retardo 4), C (retardo 12) y MEI (retardo 11) para los períodos 2005-2007, 2008-2012 y 2013-2015. El modelo de regresión múltiple considera como parámetro de entrada al caudal del clúster_2 (para el retardo 0) e índices climáticos significativos, resultando valores de R2 mayor a 0.64, con Nash-Sutcliffe (NSE) por encima de 0.50, y valores de DW cercanos a 2. Un tercer proceso realizado en la presente investigación es la propuesta de proyectos de complementariedad energética para las fases El Niño/La Niña. De los resultados, se verifica la existencia de complementariedad respecto a los caudales para la generación de energía hidroeléctrica con velocidades de viento para la generación de energía eólica. Para Piura, se obtuvieron coeficiente de correlación de Pearson por encima de -0.78, aceptables por la relación inversa entre caudal y velocidad de viento. La técnica de índice adimensional dado por Beluco et al., 2008 también fue aplicada en la presente investigación. Nuestro principal aporte de la tesis es la metodología de la relación índices climáticos, caudales y luego la relación índice climáticos producción de energía hidroeléctrica con fines de ser representados por ecuaciones matemáticas lineales para la predicción. Los resultados son aceptables y la metodología aplicable para otras Centrales hidroeléctricas que pertenezca a una región homogénea (clúster) obtenido en la presente investigación.

Peru is not indifferent to climate phenomena that occur in the north of the country and produce variations and anomalies in flows, being the flow a main variable to the hydroelectric power production. A study that relates climate variability and/or ENSO indexes with the regional and global hydroelectric production makes up a contribution to the agenda of water and power development in our country. From the total of electric power production for 2018 in Peru, 57.04% is produced by hydroelectric power plants (COES, 2019). Therefore, a traditional knowledge is required based on the climate for the hydro power sector in order to set planning and prevention measures in the face of negative impacts of climate variability. The study area pertain to the Peruvian North Pacific slope, from the Pativilca River basin to the Piura River basin, with 19 seasons of monthly flows (1965-2015) that are subjected to statistical processing in order to verify the stationarity of series: seasonal-trend decomposition of Loess (Cleveland et al., 1990), Augmented Dickey-Fuller Test (Fuller, 1996), correlation process and hierarchical clustering: clustering method of Ward.D2 (Murtagh et al., 2014), up to the application of regional vector (Brunet-Morel, 1979) to define homogeneous regions or regions with similar flow behavior before climate indexes. The climate indexes proposed are E, C, MEI, PDO, SOI, ONI, and ICEN which are mostly determined by the anomalies of sea surface temperature in the regions of Pacific Ocean of El Niño 1+2 and El Niño 3.4. The aforesaid indexes are submitted as a whole to obtain as a result climate indexes, which are meaningful to the hydroelectric power production and flow variable. As a result of the regional vector and multivariate analysis with regard to mean monthly flows, a clustering of 04 homogeneous regions is obtained. Cluster_1 pertain to the Piura River basin, cluster_4 covers the right side of the Santa River (White Mountain Chain), cluster_2 is made up from the Virú River basin to the high area of La Leche River basin, and cluster_3 covers the Pativilca River basin, a great area of the Santa River and the high area of the Chancay-Lambayeque River basin. Once the quarterly-monthly flow series are obtained of each cluster, an analysis of the predictive model was carried out through the multivariate regression for confidence intervals in 95% and tests to detect autocorrelation between variables such as Durbin-Watson (DW). The predictive models consider former flows and climate indexes with their corresponding delays. All the flow predictive models based on climate indexes presented an R2 greater than 0.83, with Nash-Sutcliffe (NSE) calculations above 0.81 among the flows observed and simulated, and DW values near to 2. With regard to the models as of the year 2000, C and MEI indexes with delay 0 are meaningful to cluster_1 and cluster_2, the same as MEI index with delay 10 for cluster_3 and SOI index with delay 5 for cluster_4. The model presented in this dissertation shows a connection between ENSO indexes and flows. A second process is the analysis of hydroelectric production series corresponding to the records of Gallito Ciego Hydroelectric Power Plant (2005-2019) with an average power production of 12.85 Gw.h and a maximum peak of 27.87 Gw.H obtained in April 2007. During the period 2005-2019, 42-El Niño events and 50-La Niña events (according to ONI index classification) occurred, without any significant difference in hydroelectric production between both phases. Nevertheless, an accumulated production of 602.98 Gw.h was generated during El Niño phase, an accumulated production of 677.11 Gw.h was generated in La Niña phase, and an accumulated production of 1032.33 Gw.h. was generated during the neutral phase. A decrease in hydroelectric power generation in ENSO phases was observed in comparison to neutral phase. According to data, between the warm phase (El Niño) and the cool phase (La Niña) exist a greater flow linearity of cluster_2 with hydroelectric power production in the cool phase (La Niña) with a correlation coefficient of 0.79. In order to get a predictive model for the Hydroelectric Power Plant Gallito Ciego hydroelectric production, mean changepoint techniques and wavelets analysis were applied at the beginning in order to determine signs and dominant periods. The results show significant climate indexes for the predictive models of hydroelectric power production with E (delay 4), C (delay 12), and MEI (delay 11) for the periods 2005-2007, 2008-2012, and 2013-2015. The multivariate regression model considers as input parameter the flow of cluster_2 (for delay 0) and significant climate indexes, obtaining values of R2 greater than 0.64, with Nash-Sutcliffe (NSE) above 0.50, and values of DW near to 2. A third process carried out in this research is the proposal of energetic complementarity projects for El Niño and La Niña phases. From the results, complementarity existence is verified with regard to the flows for hydroelectric power generation with wind velocities for wind power generation. For Piura, a Pearson correlative coefficient above -0.78 was obtained, which is acceptable for the inverse relation between flow and wind velocity. The non-dimensional index technique by Beluco et al., 2008 was also applied in this research. Our main contribution to the dissertation is the methodology of relationship of climate indexes to flows, and then relationship of climate indexes to hydroelectric power production with the purpose of being represented by linear math equations for predictions. The results are acceptable and the methodology is applicable to other hydroelectric power plants that belong to a homogeneous region (cluster) obtained in this research.