Resumo:
Decisões relacionadas à operação de reservatórios são tomadas com base no conhecimento antecipado de condições
atmosféricas e hidrológicas em diferentes escalas de tempo e espaço. Assim, a utilização de informações obtidas através de
previsões climáticas, meteorológicas e hidrológicas subsidia o processo de tomada de decisão, podendo produzir benefícios pela
redução dos danos decorrentes de cheias, pelo aumento da segurança da barragem ou pela maior eficiência na geração de
energia. Redes neurais artificiais são utilizadas, neste trabalho, para estimar a vazão de afluência ao reservatório de Furnas
(Minas Gerais, Brasil) com base em previsões quantitativas de chuvas do modelo regional ETA. As previsões de vazão realizadas
possuem um horizonte de doze dias com intervalo diário. Uma metodologia de treinamento e validação da rede é apresentada
utilizando previsões perfeitas de chuva (considerando a chuva observada como previsão) e utilizando o maior número
de dados disponíveis, favorecendo a representatividade dos resultados obtidos. Os resultados obtidos com previsão perfeita
de chuva e considerando a chuva prevista pelo modelo ETA são similares até o quinto dia do horizonte de previsão. A partir
do sexto dia da previsão, porém, o desempenho da rede neural utilizando chuvas previstas pelo modelo ETA decai em comparação
à previsão de vazão baseada em previsão perfeita de chuva. Entretanto, os resultados do modelo desenvolvido, mesmo
quando utilizada a chuva prevista pelo modelo ETA, apresentam ainda melhores índices de desempenho que os obtidos com o
modelo matemático atualmente utilizado operacionalmente. Os resultados aqui obtidos mostram que a consideração de previsões
quantitativas de chuva pode aprimorar as previsões de curto prazo de vazão afluente ao reservatório de Furnas.