Bayesian hierarchical forecasts reconciliation to inform water system control

Inflow forecasts have been proved to be a valuable information in large water reservoirs management and are capable to significantly improve the control decisions, however accuracy is usually only guaranteed in short time horizons or in seasonal forecasts, where the objective is to capture long time trends. The scope of this study is to assess the value of modern forecast reconciliation techniques in informing water control systems by merging subseasonal and seasonal forecasts. The value of the resulting forecast is than evaluated by first comparing it with a climatological run dataset and, subsequently, by passing it as an input to an Evolutionary Multi-Objective Direct Policy Search (EMODPS) algorithm that will generate a Pareto front solution taking into consideration the objective functions related with the considered case of study, Lake Como. The results show that the process of forecast reconciliation is able to slightly smooth the forecasting errors of the starting datasets by better capturing the longer trends without loosing too much precision on short time observations. From the Pareto front solutions however we see that only one of the proposed reconciliation approaches is able to outperform the subseasonal and seasonal datasets.

Recenti studi hanno dimostrato che le previsioni di afflusso sono informazioni particolarmente utili alla gestione dei grandi bacini idrici e sono in grado di migliorare sensibilmente le decisioni di controllo collegate ad essi. Queste previsioni riescono però a garantire una buona accuratezza solo per orizzonti temporali relativamente brevi, o, al contrario, quando si cerca di riprodurre gli andamenti stagionali a lungo termine. L’obiettivo di questo studio è quello di valutare il valore delle moderne tecniche di riconciliazione delle previsioni quando queste ultime vengono utilizzate come supporto al processo decisionale nei sistemi di controllo idrici. L’idea è dunque quella di unire le informazioni previsionali generate da un modello stagionale e da un modello sotto-stagionale che garantisce una migliore precisione su brevi orizzonti temporali. Il risultato della riconciliazione è successivamente confrontato con un dataset di riferimento e passato ad un algoritmo evolutivo multiobiettivo per la ricerca di politiche operative che, considerando le funzioni obiettivo del caso di studio, il lago di Como, ne determinerà le performance nell’aiutare la gestione del bacino idrico. I risultati mostrano come il processo di riconciliazione diminuisca leggermente gli errori delle previsioni riconciliate, riuscendo ad incorporare le informazioni riguardo agli andamenti a lungo termine delle previsioni stagionali, senza perdere troppa precisione a livello giornaliero. Le metriche riguardanti le performance delle politiche operative mostrano invece che soltanto uno degli approcci di riconciliazione proposti riesce a fornire delle prestazioni migliori di quelle relative alle previsioni di partenza.