Pular para o conteúdo

Geração de cenários

Este capítulo define a metodologia de geração de cenários do Novo Modelo. Ele trata da geração reprodutível de ruídos, da geração de ruídos correlacionados, do conceito de árvore de aberturas, da abstração do esquema de amostragem que determina como os cenários são selecionados nas simulações forward e backward, da integração de cenários externos, dos cenários de carga e de fontes não despacháveis e das árvores de cenários enumeradas. Para a definição matemática do próprio modelo PAR(p), veja Modelo de afluências PAR(p).

Para a visão por entidade deste capítulo, veja Cenários e aberturas e Carga.

A geração de cenários amostra o modelo PAR(p) aplicado de Modelo de afluências PAR(p), que define o modelo e sua estimação, o fechamento da escala do ruído (inovação) e os invariantes de validação. A tendência hidrológica que inicia cada trajetória é o estado de defasagens x0x_0 da §4.5.

As usinas hidrelétricas de um mesmo grupo de correlação compartilham ruídos espacialmente correlacionados. Cada grupo tem sua própria matriz de correlação.

O processo de geração:

  1. Amostragem independente — Gera amostras independentes normais padrão zi∼N(0,1)z_i \sim N(0,1), uma por entidade do grupo de correlação
  2. Transformação espectral — Decompõe previamente a matriz de correlação por autodecomposição C=UΛU⊤C = U \Lambda U^\top durante o pré-processamento. O fator espectral C1/2=UΛ~1/2U⊤C^{1/2} = U \tilde{\Lambda}^{1/2} U^\top transforma o ruído independente no ruído (inovação) do PAR correlacionado: ε=C1/2z\varepsilon = C^{1/2} z. Os autovalores negativos são truncados em zero, o que fornece a matriz semidefinida positiva mais próxima na norma de Frobenius (Higham, 1988); sua diagonal pode exceder um (veja Modelo de afluências PAR(p)). A fatoração espectral é o único método implementado pelo Novo Modelo, e a mesma seção apresenta a justificativa.
  3. Atribuição às entidades — Cada entidade do grupo recebe seu próprio valor de ruído correlacionado εi\varepsilon_i a partir do vetor transformado.

Entidades de grupos de correlação diferentes são independentes entre si. Entidades não atribuídas a nenhum grupo recebem ruído N(0,1)N(0,1) independente.

Para a justificativa da fatoração espectral e a dedução completa da autodecomposição, veja Modelo de afluências PAR(p).

A geração de ruídos deve produzir resultados idênticos independentemente da distribuição entre processos MPI, do escalonamento de threads ou de reinícios. Isso é obtido por meio da derivação determinística de sementes:

  • Uma semente base é fixada para o estudo
  • Cada sorteio corresponde a uma semente derivada única, obtida por uma função hash determinística de uma tupla que o identifica. A tupla depende do método de amostragem e da simulação: por exemplo, (iteração, cenário, estágio) para a escolha de uma abertura na simulação forward dentro da amostra (in-sample) e (abertura, estágio) para um sorteio Monte Carlo da árvore de aberturas; Determinismo e rastreabilidade §3 lista a tupla de cada simulação
  • O estado do gerador de números aleatórios é inicializado a partir dessa semente derivada antes de gerar o vetor de ruídos dessa tupla

Esse projeto garante:

  • Reprodutibilidade entre processos — O mesmo cenário/estágio produz o mesmo ruído, independentemente de qual processo MPI o processa
  • Reprodutibilidade em reinícios — A retomada a partir de um checkpoint produz ruídos idênticos nas iterações seguintes
  • Independência de ordem — Os resultados são idênticos qualquer que seja a ordem em que os cenários ou estágios são processados

Cada semente é um hash de uma tupla de inteiros de largura fixa, codificada em little-endian para que o resultado seja idêntico em todas as plataformas. A aba Notas de implementação em Implementação no Novo Modelo apresenta os leiautes das tuplas.

A simulação backward da PDDE (SDDP) avalia um corte agregado em um nó resolvendo todas as aberturas desse nó — o conjunto de aberturas dentro do nó Ωn\Omega_n definido em Grafos da política, seção 2. Essas aberturas devem ser idênticas em todas as iterações — a simulação backward sempre “vê a mesma árvore” em cada nó. O Novo Modelo fixa o conjunto de aberturas de cada nó antes do treinamento (training) e percorre-o integralmente em toda simulação backward. Essa estrutura fixa, por nó, é a árvore de aberturas. Na cadeia de estágios implícita — um nó (sem nome) por estágio, o caso documentado no restante deste capítulo —, Ωn\Omega_n se reduz ao fator de ramificação por estágio NtN_t usado abaixo.

A árvore é gerada uma única vez antes do início do treinamento e permanece fixa durante todo ele. A geração produz ∣Ωn∣|\Omega_n| vetores de ruídos para cada nó — NtN_t por estágio na cadeia implícita; a simulação backward os percorre em toda iteração do algoritmo.

O número de aberturas ∣Ωn∣|\Omega_n| de cada nó é configurado por estudo — o fator de ramificação por estágio NtN_t na cadeia implícita. A ramificação uniforme (Nt=NN_t = N para todo tt) é o caso comum na PDDE padrão, mas números variáveis por nó são suportados. A simulação backward resolve um subproblema por abertura em cada nó que visita, de modo que seu custo cresce proporcionalmente a ∣Ωn∣|\Omega_n|; qualquer número de aberturas gera cortes válidos; assim, a escolha afeta o custo de uma iteração e a velocidade de convergência, e não a validade do limite inferior.

Geração da árvore:

  1. Antes da primeira iteração da PDDE, gera NtN_t vetores de ruídos por estágio tt, produzindo uma árvore de aberturas fixa com número total de elementos ∑tNt×dim\sum_t N_t \times \text{dim}

  2. Cada vetor de ruídos é gerado a partir da semente base por derivação determinística de sementes, por (abertura, estágio) na amostragem Monte Carlo e por estágio em um método em lote (hipercubo latino ou quase-Monte Carlo), que sorteia todas as aberturas de um estágio conjuntamente — garantindo a reprodutibilidade em reinícios e em diferentes configurações MPI (veja a seção 2.2)

  3. A correlação é aplicada conforme o perfil ativo de cada estágio (veja a seção 2.4)

  4. Opcionalmente, o ruído de afluência de cada estágio passa por correspondência de momentos (moment matching) sobre as aberturas do estágio. Para a usina hidrelétrica ii, sejam εˉi\bar{\varepsilon}_i e sis_i a média e o desvio-padrão, com divisor NtN_t, de seus valores de ruído correlacionado εi,1,…,εi,Nt\varepsilon_{i,1}, \ldots, \varepsilon_{i,N_t} no estágio. Cada valor é substituído por

    εi,j′=(εi,j−εˉi)σisi,σi2=(UΛ~U⊤)ii\varepsilon'_{i,j} = \left(\varepsilon_{i,j} - \bar{\varepsilon}_i\right) \frac{\sigma_i}{s_i}, \qquad \sigma_i^2 = \bigl(U \tilde{\Lambda} U^\top\bigr)_{ii}

    de modo que as aberturas do estágio tenham, para cada usina, média zero e a variância σi2\sigma_i^2 que a transformação espectral da seção 2.1 atribui ao seu ruído: um, ou mais onde um autovalor negativo foi truncado, e um para uma usina fora de qualquer grupo de correlação. O passo é afim nos valores de cada usina, de modo que mantém inalterada a correlação amostral entre as usinas. Ele mantém como sorteados um estágio com uma única abertura e uma usina cujos valores no estágio são todos iguais, e não se aplica aos estágios de resíduos históricos da seção 2.5 nem aos ruídos de carga e de fontes não controláveis.

  5. Na árvore de aberturas, estágios consecutivos que compartilham um grupo de ruído — identificado por período sazonal e ano, como quando vários estágios semanais caem dentro de um período sazonal mensal — recebem um único sorteio de ruído compartilhado por abertura: o primeiro estágio do grupo sorteia seu ruído como nos passos 2 a 4 e cada estágio posterior do grupo copia o ruído desse estágio. Um estágio posterior não pode ter mais aberturas que o primeiro estágio do grupo; um com menos copia as primeiras NtN_t delas sem alteração, de modo que suas aberturas não passam, como conjunto, pelo casamento de momentos. Um estágio sem período sazonal forma seu próprio grupo; em um estudo mensal uniforme, todos os grupos são únicos e cada estágio sorteia de forma independente. Veja Estudos com múltiplas resoluções para o papel desse mecanismo em horizontes com resoluções mistas.

O conjunto de aberturas Ωn\Omega_n de cada nó é extraído da árvore gerada para seu estágio — na cadeia implícita, é o conjunto inteiro de NtN_t vetores do estágio tt produzido acima.

Uso na simulação backward: Em cada nó nn, a simulação backward percorre todo o conjunto Ωn\Omega_n — NtN_t vetores de ruídos no estágio tt na cadeia implícita —, resolvendo um subproblema por abertura, e então agrega os cortes resultantes, compostos entre os nós sucessores conforme os pesos das arestas entre nós (veja Grafos da política, seção 2). Como a árvore é fixa, cada iteração produz cortes que refinam o mesmo conjunto de cenários de custo futuro.

Uso na simulação forward (apenas InSample): Quando o esquema de amostragem InSample está ativo (veja a seção 3.2), a simulação forward sorteia uma abertura aleatória ω∈Ωn\omega \in \Omega_n em cada nó que visita — um índice aleatório j∈{1,…,Nt}j \in \{1, \ldots, N_t\} na cadeia implícita — e usa o vetor de ruídos correspondente εt,j\varepsilon_{t,j} da árvore de aberturas. Os demais esquemas de amostragem não acessam a árvore de aberturas: OutOfSample sorteia ruídos novos com o método de amostragem de cada estágio, Monte Carlo simples nos estágios seletivos e de resíduos históricos (seções 2.3a e 3.2), e External e Historical usam fontes de dados totalmente separadas; o caminho dos ruídos na simulação forward é determinado pela abstração do esquema de amostragem (seção 3).

A árvore de aberturas usa ordenação com o estágio como índice principal, de modo que todos os vetores de ruídos de um estágio — o conjunto do qual seu(s) nó(s) extrai(em) Ωn\Omega_n — fiquem contíguos na memória, permitindo acesso linear durante a simulação backward. O vetor de ruídos de um dado par (estágio, abertura) é lido diretamente, sem percorrer a estrutura da árvore.

A mesma árvore é gerada de forma idêntica, bit a bit, em todos os processos MPI, porque a derivação de sementes do passo 2 e a atribuição aos grupos de ruído são funções puras de entradas conhecidas globalmente — a semente base e o calendário de estágios do sistema difundido — e a correspondência de momentos do passo 4 soma sobre as aberturas em uma ordem fixa. Para as garantias de determinismo que decorrem dessa propriedade, veja Determinismo e rastreabilidade.

2.3a Método de amostragem e geração da árvore de aberturas

Seção intitulada “2.3a Método de amostragem e geração da árvore de aberturas”

Cada estágio seleciona o método de amostragem que gera suas aberturas — o conjunto do qual o(s) nó(s) de cada estágio extrai(em) seu Ωn\Omega_n. O método é ortogonal ao esquema de amostragem forward da seção 3: o método determina como a árvore de aberturas é preenchida com vetores de ruídos; o esquema determina qual fonte de ruídos a simulação forward usa. Os métodos são:

  • Monte Carlo simples — o padrão. O vetor de ruídos de cada abertura tem componentes normais padrão independentes, as aberturas são equiprováveis, p(ω)=1/Ntp(\omega) = 1/N_t, e o fator de correlação da seção 2.1 então transforma cada abertura em seu vetor de ruídos correlacionado ε\varepsilon.
  • Hipercubo latino — Para cada coordenada, o intervalo unitário é dividido em NtN_t estratos iguais e um ponto uniforme é sorteado em cada estrato; uma permutação aleatória independente por coordenada atribui os estratos às aberturas, e Φ−1\Phi^{-1} leva cada ponto a um valor normal padrão.
  • Sobol embaralhado — As aberturas são NtN_t pontos de uma sequência de Sobol de baixa discrepância com embaralhamento linear aleatório de cada coordenada, transformados por Φ−1\Phi^{-1}. A sequência tem dimensão limitada: um estágio cujo vetor de ruídos tenha mais coordenadas do que a sequência suporta é rejeitado.
  • Halton embaralhado — As aberturas são NtN_t pontos de uma sequência de Halton, cada coordenada em sua própria base prima, com embaralhamento aleatório de dígitos, transformados por Φ−1\Phi^{-1}.
  • Seletivo — As aberturas são fornecidas como uma árvore pré-construída, que fornece as aberturas de todos os estágios, qualquer que seja o método selecionado pelo estágio. O Novo Modelo não gera nenhuma, e um estágio que seleciona este método sem uma árvore fornecida é rejeitado.
  • Resíduos históricos — Cada abertura contém o ruído padronizado de afluência de uma janela da série histórica, que já incorpora a correlação entre usinas hidrelétricas da série; por isso, nenhum fator de correlação é aplicado (veja a §2.5).

Nos quatro primeiros métodos, o fator de correlação da seção 2.1 é aplicado após os sorteios, de modo que a estratificação e as propriedades de baixa discrepância valem para os sorteios não correlacionados; Φ−1\Phi^{-1} denota a inversa da função de distribuição normal padrão. Em todos os métodos, as aberturas de um estágio são equiprováveis; quando a seção 2.5 ou 4.2 limita o número de aberturas de um estágio abaixo de NtN_t, o número limitado substitui NtN_t em p(ω)p(\omega) e no número de estratos.

Variação por estágio. O método pode variar por estágio, permitindo estratégias mistas em uma única execução.

A estrutura de correlação pode variar entre estágios por meio do padrão perfil + cronograma: os perfis de correlação e seu cronograma por estágio.

  • Perfis — Configurações de correlação nomeadas (por exemplo, um perfil padrão e perfis para os períodos sazonais úmido e seco), cada uma definindo grupos e matrizes de correlação
  • Cronograma — Uma atribuição opcional de estágios a nomes de perfis. Um estágio que o cronograma não lista usa o perfil padrão.

Durante o pré-processamento, a decomposição espectral é calculada uma vez por perfil (e não por estágio). Em tempo de execução, o gerador de cenários consulta o perfil ativo do estágio corrente por meio do cronograma e usa seu fator espectral pré-calculado.

Sob qualquer esquema forward, uma árvore de aberturas gerada preenche um estágio que usa o método de resíduos históricos a partir do conjunto de janelas e do modelo PAR aplicado de conjunto de janelas históricas, com a mesma semente derivada como raiz da cadeia de defasagens de cada janela. O conjunto é o construído a partir dos anos candidatos do treinamento e substitui a geração de ruídos da seção 2.1 nesse estágio. Uma árvore fornecida contém as aberturas de todos os estágios; por isso, esta seção não se aplica a ela (seção 2.3a).

Número de aberturas. O fator de ramificação é limitado pelo tamanho do conjunto de janelas e, quando uma classe é externa no treinamento, pelo número de cenários externos do estágio (§4.2). Sem classe externa, o número de aberturas é

Nteff=min⁡(Nt,∣W∣)N^{\rm eff}_t = \min(N_t, \lvert W\rvert)

e, com uma classe externa, NteffN^{\rm eff}_t é o menor entre esse mínimo e o número de cenários externos do estágio. O estudo recebe um aviso quando o conjunto de janelas é menor que NtN_t.

Sorteio. A abertura jj no estágio tt lê a janela H(tree seed,j,t) mod ∣W∣H(\text{tree seed}, j, t) \bmod \lvert W\rvert, em que H(tree seed,j,t)H(\text{tree seed}, j, t) é a derivação de sementes da árvore de aberturas da seção 2.2 a partir da semente base, do índice da abertura e do estágio. O sorteio é independente por estágio e com reposição: a abertura jj pode ler janelas diferentes em estágios diferentes, e duas aberturas de um mesmo estágio podem ler a mesma janela. Na árvore de aberturas, um estágio posterior de um grupo de ruído copia o primeiro estágio do seu grupo em vez de sortear (seção 2.3). Cada abertura tem probabilidade 1/Nteff1/N^{\rm eff}_t, qualquer que seja a janela sorteada.

Conteúdo. A abertura que lê a janela yy contém o ruído padronizado de afluência εh,t(y)\varepsilon_{h,t}(y) dessa janela para cada usina hidrelétrica hh. Os resíduos de todas as usinas vêm da mesma janela e, portanto, já contêm a correlação entre usinas da série histórica, de modo que nenhum fator espectral é aplicado. As partes de carga e de fontes não despacháveis (NCS) da abertura são nulas; assim, nesses estágios, a carga e as NCS assumem suas realizações com ruído zero: a média, truncada em zero para a carga e limitada a [0,1][0, 1] para as NCS, como nas seções 5.1 e 5.4.

Aplicação. Uma abertura é um resíduo, e não uma afluência. A simulação backward a aplica por meio do PL do estágio no estado de defasagens do estado visitado, como qualquer outra abertura (seção 2.3): o resíduo entra na equação do PAR com as defasagens do estado visitado, e não com as da própria janela. A §4.5 indica quando as duas resultam na mesma afluência.

O algoritmo da PDDE tem três aspectos que determinam como os cenários são tratados durante o treinamento. O Novo Modelo os formaliza como abstrações distintas, seguindo o projeto estabelecido pelo SDDP.jl (Dowson & Kapelevich, 2021):

AspectoAbstraçãoO que controlaPadrão
Qual ruído é selecionado em cada estágio da simulação forwardEsquema de AmostragemSeleção de cenários na simulação forwardInSample
Qual modelo de PL é resolvido na simulação forwardModelo da Simulação ForwardPL do treinamento vs. modelo alternativoDefault
Quais termos de ruído são avaliados na simulação backwardAmostragem na Simulação BackwardCompletude da ramificaçãoComplete

Esses três aspectos são ortogonais: a escolha de um não restringe a escolha de outro. Dois deles são fixos — o modelo da simulação forward é Default e a amostragem na simulação backward é Complete —; assim, o esquema de amostragem é o único que um estudo escolhe.

A separação entre as fontes de ruído das simulações forward e backward é uma consequência natural desse projeto: o esquema de amostragem controla a fonte de ruídos da simulação forward, enquanto a amostragem na simulação backward sempre extrai da árvore de aberturas fixa (seção 2.3). Essas duas fontes podem diferir — por exemplo, a simulação forward pode amostrar cenários externos enquanto a simulação backward avalia todas as aberturas por meio do modelo PAR aplicado (§4.2).

Nos esquemas External e Historical, as trajetórias forward seguem a lei externa ou histórica, enquanto os cortes e o limite inferior são construídos sobre a árvore de aberturas, cujas aberturas o PL do estágio transforma em realizações com o modelo aplicado (§4.2). A estimativa do custo forward é então o custo esperado da política sob a lei forward, e o limite inferior limita inferiormente o valor do problema da árvore; assim, o gap de Critérios de parada compara dois problemas e não precisa se fechar nem permanecer não negativo.

O esquema de amostragem determina como a simulação forward seleciona uma realização de cenário em cada estágio. O Novo Modelo suporta quatro esquemas de amostragem, escolhidos de forma independente para cada classe estocástica (afluência, carga, NCS); o esquema Historical aplica-se apenas à classe de afluência:

Em cada estágio tt, sorteia um índice aleatório j∈{1,…,Nopenings}j \in \{1, \ldots, N_{\text{openings}}\} e usa o vetor de ruídos correspondente εt,j\varepsilon_{t,j} da árvore de aberturas fixa (seção 2.3). A equação da dinâmica do modelo PAR está embutida no PL como restrição; o solver avalia a realização de afluência implicitamente ao resolver o PL com o ruído fixado.

  • Fonte de ruídos: árvore de aberturas (a mesma da simulação backward)
  • Caso de uso: treinamento PDDE padrão — as simulações forward e backward veem a mesma distribuição de ruídos

Este é o InSampleMonteCarlo do SDDP.jl: a simulação forward amostra dos mesmos termos de ruído definidos no modelo.

A simulação forward sorteia ruídos Monte Carlo gerados de forma independente, distintos dos ruídos da árvore de aberturas. Cada iteração e trajetória sorteia ruídos novos do modelo estocástico aplicado de cada classe que seleciona fora da amostra (out-of-sample), a partir de uma semente independente da semente da árvore de aberturas. Os sorteios usam o método de amostragem do seu estágio (seção 2.3a), distribuído entre as trajetórias da iteração: os estratos do hipercubo latino e os pontos das sequências embaralhadas são repartidos entre as trajetórias da mesma forma que a árvore os reparte entre as aberturas. Nos estágios seletivos e de resíduos históricos, os sorteios são Monte Carlo simples. O fator de correlação da seção 2.1 é então aplicado a todos os sorteios. A simulação backward usa a mesma árvore de aberturas fixa do InSample.

  • Fonte de ruídos: ruídos Monte Carlo gerados de forma independente (não provenientes da árvore de aberturas)
  • Interação com a simulação backward: a simulação backward usa a árvore de aberturas fixa, cujas aberturas o PL do estágio transforma em realizações com o mesmo modelo aplicado
  • Caso de uso: avaliação forward fora da amostra, para reduzir o viés dentro da amostra (in-sample)

Corresponde ao OutOfSampleMonteCarlo do SDDP.jl.

A simulação forward extrai de dados de cenários fornecidos pelo usuário, por classe (por exemplo, um conjunto de cenários externos de afluência). Cada trajetória forward reproduz um cenário externo em todos os seus estágios, escolhido com reposição por um hash dos índices da iteração de treinamento e da trajetória, a partir de uma base própria fixa. Um nó do grafo da política cujas aberturas apontam para a coluna de realizações externas do seu estágio usa essa coluna (veja Grafos da política).

  • Fonte de ruídos: valores dos cenários externos (não a árvore de aberturas)
  • Cálculo da realização: os valores externos devem sempre ser invertidos para termos de ruído (épsilon) antes de serem usados no PL (veja a seção 4.3).
  • Interação com a simulação backward: a simulação backward continua usando a árvore de aberturas fixa, cujas aberturas o PL do estágio transforma em realizações com o modelo aplicado: o modelo PAR para a afluência e uma média e um desvio-padrão por entidade para a carga e as NCS. No esquema External, esse modelo assume os momentos das amostras externas para as entidades da §4.2.
  • Caso de uso: treinamento com cenários Monte Carlo importados ou cenários de teste de estresse

Cada trajetória forward reproduz uma janela do conjunto de janelas históricas em todos os seus estágios. A janela de uma trajetória é H(iteration,trajectory) mod ∣W∣H(\text{iteration}, \text{trajectory}) \bmod \lvert W\rvert, um hash dos índices da iteração de treinamento e da trajetória a partir de uma base fixa; assim, as janelas são sorteadas com reposição e podem se repetir dentro de uma iteração e entre iterações.

  • Fonte de ruídos: o ruído padronizado do conjunto de janelas, uma janela por trajetória
  • Cálculo da realização: os valores históricos devem ser invertidos para termos de ruído (épsilon) antes de serem usados no PL. Aplica-se o mesmo procedimento de inversão de ruídos (veja a seção 4.3). A cadeia de defasagens que inicializa a inversão tem como raiz a tendência hidrológica derivada, o estado de defasagens de x0x_0, e avança pelas transições de cada estágio, e não pelas defasagens históricas brutas do ano anterior. O motivo e as consequências estão detalhados na §4.5.
  • Interação com a simulação backward: a simulação backward usa a árvore de aberturas fixa, cujas aberturas o PL do estágio transforma em afluências com o modelo PAR do estudo tal como suas entradas o definem; o esquema Historical não substitui nada.
  • Caso de uso: validação da política frente a condições observadas, análise de reprodução histórica

Corresponde à semântica do esquema de amostragem Historical do SDDP.jl.

O esquema Historical extrai as sequências reproduzidas de um conjunto de janelas da série histórica. Uma janela é um ano yy, o ano da ocorrência do período sazonal do estágio 1 (para um ciclo semanal, seu ano de numeração de semanas ISO). Para o estágio tt, a janela yy lê a ocorrência do período sazonal m(t)m(t) no ano y+δty + \delta_t, sendo δt\delta_t o deslocamento do ano de ocorrência do período sazonal do estágio tt em relação ao do estágio 1; assim, δ1=0\delta_1 = 0.

Conjunto de janelas. Um ano é admissível quando a série contém uma observação de cada usina hidrelétrica para cada ocorrência abrangida pela janela:

W={ y:ahobs(y+δt, m(t)) exists for every h,t }W = \bigl\{\, y : a^{\text{obs}}_h(y + \delta_t,\, m(t)) \text{ exists for every } h, t \,\bigr\}

sendo ahobs(y′,m)a^{\text{obs}}_h(y', m) a observação da série para a usina hh na ocorrência do período sazonal mm no ano y′y'. Os anos candidatos são os anos da série, ou uma lista de anos fornecida pelo estudo; um candidato fora de WW é descartado, e um WW vazio faz o estudo ser recusado (a §4.3 lista as recusas). A cadeia de defasagens da reprodução parte da tendência hidrológica derivada, o estado de defasagens de x0x_0 (veja a §4.5).

Inversão. O ruído da janela yy no estágio tt inverte o modelo PAR sobre sua observação:

εh,t(y)=ahobs(y+δt, m(t))−bh,m(t)−∑ℓ=1Phψm(t),ℓ ah,t−ℓ(y)σm(t)\varepsilon_{h,t}(y) = \frac{a^{\text{obs}}_h(y + \delta_t,\, m(t)) - b_{h,m(t)} - \sum_{\ell=1}^{P_h} \psi_{m(t),\ell}\, a^{(y)}_{h,t-\ell}}{\sigma_{m(t)}}

em que ah,t−ℓ(y)a^{(y)}_{h,t-\ell} é a cadeia de defasagens da janela yy: a semente derivada antes do estágio 1 e, em seguida, as próprias observações da janela yy (§4.3). Quando σm(t)=0\sigma_{m(t)} = 0, o ruído é 00 se a observação for igual ao valor determinístico bh,m(t)+∑ℓ=1Phψm(t),ℓ ah,t−ℓ(y)b_{h,m(t)} + \sum_{\ell=1}^{P_h} \psi_{m(t),\ell}\, a^{(y)}_{h,t-\ell} dentro de uma tolerância numérica; caso contrário, a inversão não tem valor finito e o estudo é recusado.

Estágios do estudo · reproduzidosestágio 1m(1) em yestágio tm(t) em y + δₜestágio Tm(T) ……

Para cada usina hidrelétrica, cada janela deve abranger a ocorrência do período sazonal de todos os estágios do estudo.

O modelo da simulação forward determina qual PL é resolvido em cada estágio durante a simulação forward. O Novo Modelo implementa um modelo:

  • Default — Resolve o PL do treinamento (o PL convexo usado na geração de cortes) com a realização do cenário fornecida pelo esquema de amostragem. Esta é a simulação forward padrão da PDDE.

O esquema de amostragem da simulação backward determina quais termos de ruído são avaliados em cada estágio durante a simulação backward. O Novo Modelo implementa um esquema:

  • Complete — Avalia todos os NopeningsN_{\text{openings}} vetores de ruídos da árvore de aberturas fixa. Esta é a simulação backward padrão da PDDE, que garante a geração adequada de cortes ao considerar todas as ramificações.

Toda simulação backward avalia o conjunto completo de aberturas; uma variante Monte Carlo da amostragem backward sortearia, em vez disso, nsamplen_{\text{sample}} aberturas com reposição.

O Novo Modelo suporta cenários externos — realizações pré-geradas indexadas por cenário, das quais cada trajetória forward reproduz uma (§3.2) — como fonte alternativa de ruídos para a simulação forward. Os cenários externos podem conduzir a simulação forward tanto no treinamento quanto na simulação final. Para cada classe que é externa no treinamento, a média e o desvio-padrão das próprias amostras externas substituem as estatísticas armazenadas das entidades dessa classe: todo barramento de carga com estatísticas de carga ou valores externos para a classe de carga, toda fonte NCS com estatísticas de disponibilidade ou valores externos para a classe NCS e, para a classe de afluência, toda usina hidrelétrica cujo modelo de afluências tenha ordem AR 0 e nenhuma componente anual. Isso inclui o caso determinístico degenerado, uma coluna constante com desvio-padrão zero (veja a §4.4). Uma usina hidrelétrica com ordem AR acima de 0 ou com componente anual mantém a média, o desvio-padrão e os coeficientes do modelo PAR do estudo.

Caso de UsoDescrição
Reprodução históricaUso das afluências históricas reais
Importação Monte CarloCenários pré-gerados por ferramenta externa
Teste de estresseCenários específicos de seca/cheia

4.2 Simulação backward com cenários forward externos

Seção intitulada “4.2 Simulação backward com cenários forward externos”

Quando o esquema de amostragem External ou Historical está ativo durante o treinamento, as simulações forward e backward usam fontes de ruídos diferentes. A simulação backward continua precisando de ramificações probabilísticas adequadas para gerar cortes válidos; por isso, avalia a árvore de aberturas fixa (seção 2.3) por meio do modelo aplicado.

O ciclo de vida é:

  1. Substituição dos momentos — Para cada classe sob o esquema External, a média e o desvio-padrão populacional dos valores externos dessa classe, por entidade e estágio, substituem as estatísticas armazenadas das entidades da classe: todo barramento de carga com estatísticas de carga ou valores externos para a classe de carga, toda fonte NCS com estatísticas de disponibilidade ou valores externos para a classe NCS e, para a classe de afluência, toda usina hidrelétrica cujo modelo de afluências tenha ordem AR 0 e nenhuma componente anual; o divisor é o número de cenários externos do estágio. Nada é ajustado aos valores externos: uma usina hidrelétrica com ordem AR acima de 0 ou com componente anual mantém inalterado o modelo PAR do estudo, inclusive a estrutura AR. A padronização da simulação forward usa os mesmos momentos, de modo que as duas nunca divergem quanto a uma série ser determinística. O esquema Historical não substitui nada.
  2. Geração da árvore de aberturas — Gera a árvore de aberturas fixa (seção 2.3). Suas aberturas são ruídos padronizados, que o PL do estágio transforma em realizações com o modelo aplicado — o modelo do estudo após o passo 1 —, de modo que as ramificações backward carregam os momentos das amostras externas para as entidades do passo 1.
  3. Treinamento — A simulação forward amostra dos dados externos; a simulação backward avalia todas as aberturas por meio do modelo aplicado.

Quando uma classe é externa, o número de aberturas geradas de um estágio é no máximo o número de cenários externos desse estágio; em um estágio de resíduos históricos, o limite do conjunto de janelas da §2.5 também se aplica, e o número de aberturas é o menor entre NtN_t, ∣W∣\lvert W\rvert e o número de cenários externos do estágio.

Justificativa: A simulação backward precisa de ramificações probabilísticas adequadas para obter cortes válidos; por isso, amostra o modelo aplicado por meio da árvore de aberturas, e não os próprios cenários externos; para as entidades do passo 1, os momentos substituídos levam a média e a dispersão das amostras externas para essas ramificações.

4.3 Inversão de ruídos para cenários externos e históricos

Seção intitulada “4.3 Inversão de ruídos para cenários externos e históricos”

Ao usar cenários externos ou históricos, o Novo Modelo precisa calcular os valores de ruído implícitos que teriam gerado essas afluências sob o modelo PAR. Isso é necessário porque a simulação backward precisa de valores de ruído para construir as perturbações adequadas do lado direito (RHS) na geração de cortes, e os limites inferior e superior devem ser avaliados no mesmo x0x_0 para que o gap tenha significado.

Dada a afluência alvo attargeta_t^{\text{target}} no estágio tt para a usina hh com período sazonal mm:

εt=attarget−bh,m−∑ℓ=1Phψm,ℓ⋅at−ℓσm\varepsilon_t = \frac{a_t^{\text{target}} - b_{h,m} - \sum_{\ell=1}^{P_h} \psi_{m,\ell} \cdot a_{t-\ell}}{\sigma_m}

em que bh,m=μm−∑ℓ=1Phψm,ℓ⋅μm−ℓb_{h,m} = \mu_m - \sum_{\ell=1}^{P_h} \psi_{m,\ell} \cdot \mu_{m-\ell} é o valor base pré-calculado.

Todas as grandezas (μm\mu_m, ψm,ℓ\psi_{m,\ell}, σm\sigma_m) estão em suas respectivas unidades, conforme descrito em Modelo de afluências PAR(p). Os coeficientes AR estão nas unidades originais; σm\sigma_m é o desvio-padrão residual derivado. No PAR(p)-A, o índice superior PhP_h da soma das defasagens é igual à largura total da soma das defasagens da afluência realizada (doze defasagens, ou a ordem clássica, se maior, quando alguma usina hidrelétrica tem a componente anual), e não à ordem AR clássica — o coeficiente anual é distribuído pelas posições finais de defasagem e deve entrar na componente determinística da inversão para manter o ruído implícito consistente com a afluência realizada que o PL do estágio lê.

A inversão procede sequencialmente ao longo dos estágios (cada estágio atualiza o buffer de defasagens para o seguinte):

  1. Inicializa o buffer de defasagens a partir da tendência hidrológica derivada — as afluências observadas antes do início do estudo, obtidas a partir do histórico de vazões em janelas e sobrepostas, dia a dia, pelas observações recentes das condições iniciais onde as duas se sobrepõem (veja a §4.5 para o motivo de esta ser a única semente admissível).
  2. Para cada estágio tt: calcula a componente determinística do PAR, resolve para εt\varepsilon_t e atualiza o buffer de defasagens com attargeta_t^{\text{target}}.
  3. Valida o ruído invertido:
    • Quando σm=0\sigma_m = 0, o ruído invertido é 00 se attargeta_t^{\text{target}} for igual à componente determinística dentro de uma tolerância numérica e, caso contrário, não tem valor finito, o que faz o estudo ser recusado (o modelo PAR diz que a série é determinística, mas o cenário discorda).
    • A construção do conjunto de janelas invertidas, que serve tanto à reprodução histórica quanto às aberturas por resíduos históricos (§2.5), recusa o estudo quando um estágio do estudo não tem período sazonal, quando um valor de ruído invertido é a incompatibilidade com σm=0\sigma_m = 0 descrita acima ou não é um número, ou quando o conjunto de janelas está vazio. Códigos de erro lista as mensagens e os códigos de saída.

A coluna externa de uma classe pode ser constante — todas as realizações idênticas, desvio-padrão zero. Como as estatísticas da classe são derivadas das próprias amostras (§4.1), o Novo Modelo interpreta isso como uma série genuinamente determinística, e não malformada, e a aceita para a carga, para fontes não despacháveis e para uma afluência com modelo de ordem 0 (sem defasagem autorregressiva e sem componente anual): a base determinística é exatamente esse valor constante.

Uma coluna constante é rejeitada apenas para uma afluência cujo modelo tenha uma defasagem autorregressiva ou uma componente anual. Um único valor determinístico não pode substituir tal modelo: ele teria de ser igual à própria saída determinística do PAR, estágio a estágio, do modelo — que depende da evolução do estado de defasagens e não é reconstruída a partir de uma coluna constante —; assim, a carga falha, indicando a classe, o estágio e a entidade. Isso é distinto da verificação de ancoragem da inversão da §4.3: trata-se de uma regra de admissibilidade da coluna aplicada na carga, e não de um teste do resíduo por estágio. (A mensagem concreta de rejeição é uma questão da camada de software — veja Códigos de erro.)

4.5 Consistência de x₀ na reprodução histórica

Seção intitulada “4.5 Consistência de x₀ na reprodução histórica”

Os esquemas histórico e externo compartilham a mesma simulação forward da PDDE: o amostrador retorna um resíduo de ruído padronizado εt\varepsilon_t e o PL reconstrói a afluência realizada a partir de εt\varepsilon_t, juntamente com o estado de defasagens contido no vetor de estado. O estado de defasagens no estágio 0 é tomado uniformemente da tendência hidrológica derivada para todos os cenários, de modo que todas as reproduções forward compartilham uma única tendência hidrológica de partida.

Para que o εt\varepsilon_t implícito em uma janela histórica reconstrua exatamente a observação histórica bruta quando o PL parte do mesmo x0x_0, a cadeia de defasagens da inversão também deve ter como raiz essa mesma semente derivada — e não as afluências históricas brutas do ano anterior da janela que está sendo reproduzida. Se a inversão for inicializada com as defasagens anteriores à janela enquanto o PL parte da semente derivada, os dois caminhos constroem suas cadeias de defasagens a partir de raízes diferentes e produzem um desvio sistemático, por estágio, de

Δah,t=attarget−atreconstructed=∑ℓψm,ℓ⋅(seedℓ−window_lagℓ)\Delta a_{h,t} = a_t^{\text{target}} - a_t^{\text{reconstructed}} = \sum_{\ell} \psi_{m,\ell} \cdot \bigl(\text{seed}_\ell - \text{window\_lag}_\ell\bigr)

que se propaga por todos os estágios. Esse desvio impede a reprodução exata da observação histórica já no estágio 0 e se manifesta como um gap estrutural, tipicamente negativo, entre o limite superior forward e o limite inferior, que não se fecha com o número de iterações.

Para eliminar esse gap, a inversão é executada como uma cadeia móvel de defasagens inicializada a partir da semente derivada e avançada em cada estágio com as mesmas transições de defasagem por estágio usadas pelo PL (veja Estudos com múltiplas resoluções), para estágios mensais, submensais e plurimensais igualmente.

As implicações entre esquemas são:

  • Esquema histórico. Todo cenário inicia o PL forward a partir da semente derivada; o ε\varepsilon implícito reconstrói a observação histórica bruta dentro da precisão de ponto flutuante em todos os estágios; os limites inferior (LB) e superior (UB) avaliam V0V_0 no mesmo x0x_0. A reconstrução é exata em todos os métodos de não negatividade da afluência: cada um mantém a realização e a cadeia de defasagens que ela alimenta, incluindo observações negativas, e difere apenas na água que acrescenta ao balanço hídrico ao lado da realização; em none, que não acrescenta água, uma observação negativa pode deixar o PL do estágio sem solução (veja Métodos de tratamento de afluências negativas).
  • Aberturas por resíduos históricos. Quando o treinamento reproduz o histórico, as aberturas de um estágio de resíduos históricos (§2.5) vêm do mesmo conjunto de janelas, do mesmo modelo PAR aplicado e da mesma semente derivada da reprodução. Em um estado visitado cujas defasagens são a cadeia ah,t−ℓ(y)a^{(y)}_{h,t-\ell} da janela yy, uma abertura que sorteou a janela yy no estágio reproduz ali a observação dessa janela; em qualquer outro estado de defasagens, o mesmo resíduo entra na equação do PAR com as defasagens desse estado e, em geral, resulta em uma afluência diferente.
  • Esquema externo. O mesmo mecanismo de cadeia móvel para a afluência — a série alvo fornecida é invertida em relação à semente derivada, preservando a consistência entre LB e UB em x0x_0 em todas as reproduções forward; a carga e as NCS não têm estrutura de defasagens, e seus valores são padronizados apenas pela média e pelo desvio-padrão aplicados da classe. Como no esquema histórico, a reconstrução da afluência é exata em todos os métodos de não negatividade da afluência, incluindo valores alvo negativos.
  • InSample / OutOfSample. Não são afetados — sua simulação forward não reproduz nenhuma série observada e, portanto, não há reconstrução a manter consistente. Uma simulação OutOfSample sorteia ruídos novos (§3.2), Monte Carlo simples mesmo em um estágio de resíduos históricos. Uma simulação InSample amostra a árvore de aberturas; assim, em um estágio de resíduos históricos, ela lê um resíduo invertido de janela (§2.5) e o aplica no próprio estado de defasagens da trajetória, como faz a simulação backward.

A simulação final seleciona o cenário externo ou a janela histórica de uma classe com os mesmos hashes do treinamento (§3.2), com o argumento de iteração fixado em um valor que nenhuma iteração de treinamento assume; assim, o sorteio de um cenário simulado depende apenas do índice do cenário. Um nó do grafo da política que aponta para a coluna de realizações externas do seu estágio usa essa coluna.

5. Cenários de carga e de fontes não despacháveis

Seção intitulada “5. Cenários de carga e de fontes não despacháveis”

Quando são fornecidas estatísticas de carga, o sistema gera realizações estocásticas de carga por (barramento, estágio) usando a média e o desvio-padrão armazenados. A carga não tem estrutura autorregressiva: uma realização de carga é a média armazenada mais o desvio-padrão multiplicado por um ruído normal padrão, truncada em zero:

db,t=max⁡(0,  μb,tload+sb,tload⋅εb,tload)d_{b,t} = \max\bigl(0,\; \mu_{b,t}^{\text{load}} + s_{b,t}^{\text{load}} \cdot \varepsilon_{b,t}^{\text{load}}\bigr)

em que εb,tload∼N(0,1)\varepsilon_{b,t}^{\text{load}} \sim N(0,1) é o ruído de carga do barramento (§5.3). Quando sb,tload>0s_{b,t}^{\text{load}} > 0, o truncamento eleva a média de db,td_{b,t} acima de μb,tload\mu_{b,t}^{\text{load}}, tanto mais quanto menor for μb,tload/sb,tload\mu_{b,t}^{\text{load}} / s_{b,t}^{\text{load}}. A menos que a classe de carga seja externa no treinamento, um barramento cujo desvio-padrão é zero em todos os estágios assume o próprio μb,tload\mu_{b,t}^{\text{load}}, sem o truncamento.

Sem estatísticas de carga, todo barramento tem carga zero, a menos que a classe de carga seja externa no treinamento: os barramentos de seus cenários externos assumem então os momentos das amostras externas (§4.1).

A realização de carga base db,td_{b,t} é um valor do estágio, em MW. As cargas por patamar são obtidas aplicando-se fatores multiplicativos por patamar:

db,t,k=db,t⋅fb,t,kd_{b,t,k} = d_{b,t} \cdot f_{b,t,k}

em que fb,t,kf_{b,t,k} é o fator do patamar kk do barramento bb no estágio tt. Quando nenhum fator de patamar é informado, aplica-se um fator igual a um.

Um grupo de correlação contém entidades de uma única classe: usinas hidrelétricas, barramentos de carga ou fontes não despacháveis. O ruído de carga é correlacionado com os demais barramentos de carga do seu grupo por meio da fatoração da seção 2.1, e é independente dos ruídos de afluência e de NCS.

A disponibilidade da fonte não despachável rr em um estágio é a razão

ξr=clamp(μrnc+srnc⋅εrnc, 0, 1)\xi_r = \mathrm{clamp}(\mu^{nc}_r + s^{nc}_r \cdot \varepsilon^{nc}_r,\,0,\,1)

em que μrnc\mu^{nc}_r e srncs^{nc}_r são a média e o desvio-padrão do fator de disponibilidade não limitado no estágio e εrnc∼N(0,1)\varepsilon^{nc}_r \sim N(0,1) é seu ruído. A razão é uma fração adimensional da capacidade instalada: o limite de geração da fonte em um patamar é a capacidade instalada multiplicada por ξr\xi_r e pelo fator do patamar (Formulações específicas por equipamento §6 apresenta esse limite e o corte de geração). Com srnc>0s^{nc}_r > 0, a limitação eleva a média de ξr\xi_r acima de μrnc\mu^{nc}_r quando μrnc<1/2\mu^{nc}_r < 1/2 e a reduz quando μrnc>1/2\mu^{nc}_r > 1/2. O ruído das NCS é correlacionado apenas com as demais fontes do seu grupo (§5.3).

O modelo aplica-se a uma fonte com modelo estocástico de disponibilidade; uma fonte sem esse modelo assume a geração disponível do seu estágio — a capacidade instalada, a menos que o estágio a defina — no lugar da capacidade instalada multiplicada por ξr\xi_r, conforme indica a §6 de Formulações dos Equipamentos.

A amostragem avalia o conjunto de aberturas de um nó sorteando a partir dele. Uma simulação enumerada, ao contrário, visita cada nó e cada caminho raiz-folha de um grafo da política finito uma única vez, sem amostragem; assim, seus limites são os da árvore declarada: o limite superior é calculado sobre todos os caminhos, em vez de estimado a partir de uma amostra (Avaliação do limite superior §2). Seus requisitos estruturais — um conjunto de aberturas unitário em cada nó e grau de entrada 1 em todos os nós, de modo que o grafo seja uma árvore pura — são os de Grafos da política §6. A ramificação é, portanto, declarada como nós irmãos, cada um com uma abertura, e o tronco determinístico com ramificação apenas no estágio final (Maceira et al., 2002) é uma cadeia de nós com um único sucessor que termina em um leque terminal de nós irmãos.

Com um número comum de ramificações por estágio, o número de caminhos raiz-folha é o produto dos números de ramificações por estágio e, portanto, cresce exponencialmente com o número de estágios com ramificação. A enumeração é adequada a horizontes curtos e a árvores que se ramificam em poucos estágios.

A metodologia acima define como os cenários são gerados e amostrados; as abas abaixo mostram como a interface do software Novo Modelo configura os esquemas, as sementes e as entradas, e como implementa a derivação de sementes, a cadeia de defasagens da inversão e seus avisos.

O esquema de amostragem, o método de geração da árvore de aberturas e as sementes são definidos em config.json e stages.json, e os arquivos de entrada indicados abaixo devem ser fornecidos. Esta aba relaciona os conceitos da metodologia acima a essas chaves e arquivos; as tabelas de campos estão em Configuração e Formato do caso.

A §3.2 define os quatro esquemas de amostragem da simulação forward. Cada classe estocástica (inflow, load, ncs) recebe seu próprio valor de scheme em training.scenario_source, e uma classe sem esse valor é in_sample.

EsquemaValor de scheme por classeEntradas exigidas
InSamplein_sampleModelos de incerteza ou histórico de vazões
OutOfSampleout_of_sampleAs mesmas entradas de in_sample
ExternalexternalO arquivo de cenários externos da classe: scenarios/external_inflow_scenarios.parquet, scenarios/external_load_scenarios.parquet ou scenarios/external_ncs_scenarios.parquet
Historicalhistorical (somente vazão)scenarios/inflow_history.parquet e season_definitions em stages.json

Em out_of_sample, o sorteio da simulação forward é um ruído novo, gerado a partir de uma semente independente da semente da árvore, com o sampling_method do estágio (Monte Carlo simples nos estágios selective e historical_residuals), aplicando-se a correlação a todos os sorteios.

historical é válido somente para a classe inflow. A chave training.scenario_source.historical_years restringe o conjunto de janelas históricas; veja scenario_source. simulation.scenario_source define da mesma forma os esquemas da simulação e, quando ausente, a simulação usa training.scenario_source. out_of_sample e external exigem o scenario_source.seed da respectiva seção, e historical não exige nenhum; simulation.scenario_source.seed é a semente dos sorteios fora da amostra (out-of-sample) da simulação (veja Sementes).

A §2.3a define os métodos. Cada estágio do estudo seleciona um deles com sampling_method em stages.json.

Métodostages[].sampling_methodRequer
Monte Carlo simplessaa (o padrão)Nada além
Hipercubo latinolhsNada além
Sobol embaralhadoqmc_sobolUma dimensão de ruído dentro do limite de Sobol (veja a aba Notas de implementação)
Halton embaralhadoqmc_haltonNada além
SeletivoselectiveUma árvore de aberturas fornecida: training.scenario_source.openings definido como {"source": "file"}, que lê scenarios/noise_openings.parquet
Resíduos históricoshistorical_residualsscenarios/inflow_history.parquet e um período sazonal em todos os estágios do estudo, quando a árvore de aberturas é gerada

O passo 4 da §2.3 define a correspondência de momentos (moment matching) de uma árvore de aberturas gerada. training.scenario_source.openings.moment_matching o seleciona: "per_coordinate", o padrão e o modo usado quando openings está ausente, aplica a correspondência de momentos às aberturas de afluência de todo estágio gerado, e "none" as mantém como sorteadas. Uma árvore lida de scenarios/noise_openings.parquet é usada como fornecida e não aceita moment_matching. A árvore que exports.stochastic grava em stochastic/noise_openings.parquet contém as aberturas com correspondência de momentos. training.scenario_source.openings contém a tabela de campos.

ChaveSemente dePadrão
training.tree_seedA árvore de aberturas e os sorteios de aberturas dentro da amostra (in-sample)42 quando ausente; um valor negativo é usado pelo seu valor absoluto
training.scenario_source.seedOs sorteios fora da amostra do treinamento (training) e da simulação, quando simulation.scenario_source está ausenteNenhum; obrigatório quando uma classe é out_of_sample ou external
simulation.scenario_source.seedOs sorteios fora da amostra da simulaçãoNenhum; obrigatório quando uma classe dessa seção é out_of_sample ou external

A seleção de janelas históricas e de cenários externos não usa semente. As regras estão em Resolução de sementes.

  • scenarios/correlation.json contém os perfis de correlação e um schedule opcional que associa valores de stage_id a nomes de perfis; seu method aceita somente "spectral". Um estágio não listado no schedule usa o perfil chamado default, ou o único perfil, quando o arquivo contém apenas um. O esquema completo e um exemplo estão na aba Configurar de Modelo de afluências PAR(p).
  • scenarios/inflow_seasonal_stats.parquet e scenarios/inflow_ar_coefficients.parquet contêm os parâmetros do modelo PAR, descritos em Modelo de afluências PAR(p).
  • scenarios/load_seasonal_stats.parquet contém a média e o desvio-padrão da carga da §5.1, e scenarios/load_factors.json os fatores de patamar da §5.2; quando um fator de patamar está ausente, ele vale um.
  • scenarios/non_controllable_stats.parquet contém os momentos de disponibilidade da §5.4.
  • scenarios/external_inflow_scenarios.parquet, scenarios/external_load_scenarios.parquet e scenarios/external_ncs_scenarios.parquet contêm os cenários externos da §4.1, um arquivo por classe, com colunas de identificador de entidade e de valor específicas de cada classe.
  • scenarios/inflow_history.parquet contém o histórico de vazões, e season_definitions em stages.json associa os identificadores de período sazonal a períodos do calendário. recent_observations em initial_conditions.json prevalece sobre o histórico, dia a dia, quando ambos cobrem uma data; o resultado é a tendência hidrológica derivada da §4.5.
  • scenarios/noise_openings.parquet contém uma árvore de aberturas fornecida, lida quando training.scenario_source.openings é {"source": "file"}.
  • Modelo de afluências PAR(p) — definição matemática, conjunto de parâmetros, grandezas armazenadas vs. calculadas, procedimento de ajuste, justificativa da fatoração espectral, invariantes de validação
  • Métodos de tratamento de afluências negativas — tratamento de realizações negativas de afluência na amostragem do PAR
  • Algoritmo da PDDE — estrutura das simulações forward/backward, geração de cortes, convergência; remete à abstração do esquema de amostragem (seções 3.1–3.2)
  • Grafos da política — a estrutura de nós/transições/conjuntos de cortes à qual se refere o conjunto de aberturas por nó Ωn\Omega_n da árvore de aberturas (seção 2.3)
  • Gerenciamento de cortes — geração, armazenamento e seleção de cortes; usa as ramificações da árvore de aberturas como entrada da simulação backward
  • Estudos com múltiplas resoluções — configurações de modelagem com múltiplas resoluções; usa a geração de cenários com números variados de estágios
  • Fronteira pós-estudo e estudos encadeados — um estudo encadeado a uma política de origem; cada estudo sorteia sua própria árvore de cenários
  • Determinismo e rastreabilidade — resultados idênticos bit a bit por binário, com qualquer número de processos ou threads e em toda reexecução; fundamentados na arquitetura de derivação de sementes da seção 2.2