Real-time management of water reservoirs with deterministic and ensemble forecasts : the Lake Como case study

Lake Como, located in northern Italy, is an important regulated water reservoir supporting a wide range of human activities, and is regulated to satisfy two primary competing objectives: (i) providing water supply to downstream users, mainly farmers and hydropower plants, and (ii) preventing flooding along the lake shores, especially in the city of Como. This work is aimed at assessing the performance of different on-line control approaches for the management of such an important water resource, using both deterministic and probabilistic hydrological forecasts that are increasingly available with better and better accuracy. These are deterministic gls{mpc} and the relatively new stochastic modification called gls{tbmpc}, which has attracted growing interest for its increased robustness and flexibility shown in few previous applications. Their performance is compared to the historical management and to two benchmarks known as gls{ddp} and gls{sdp}, both off-line management approaches. Both MPC and TB-MPC make use of short-term hydrological predictions of the lake inflow: while the MPC uses only deterministic forecasts (here from an operational product), the gls{tbmpc} exploits probabilistic information from an gls{ef}, a set of multiple deterministic predictions that inherently represents the forecast uncertainty. TB-MPC could be a key step towards improving water management to help contrasting the rise of climate-related crises, providing a more adaptive control framework facing uncertainties. However, EFs are not always operationally and readily available at the local scale for different reasons (e.g. high computational cost, lack of local calibration, etc.). So this study has made one of the first attempts in the literature to feed TB-MPC with synthetic EFs from a recently-developed machine learning algorithm that could be used operationally. The simulation results suggest that the lake regulation could be improved by using skilful forecasts in a real-time control scheme. Given the current levels of accuracy of the available forecasts and generated EF, the daily stochastic TB-MPC appeared to be the best on-line control scheme for Lake Como, allowing to use forecasts while considering their uncertainty and consistency.

Il Lago di Como, situato nel nord Italia, 'e una delle riserve idriche pi'u importanti del paese. Supporta una grande variet'a di attivit'a antropiche, e viene regolato per soddisfare due obiettivi conflittuali molto importanti: (i) soddisfare il fabbisogno idrico a valle dell'estuario, e allo stesso tempo (ii) prevenire allagamenti lungo le banchine del lago, specialmente nella citt'a di Como. Questo lavoro 'e diretto alla valutazione delle performance di differenti approcci di controllo per la gestione di questa importante risorsa, utilizzando previsioni idrologiche sia deterministiche che probabilistiche ("ensemble"), le quali sono sempre più usate ed accurate. I metodi di controllo oggetto di studio vanno dal "Model Predictive Control" (MPC) deterministico, alla sua relativamente nuova modifica chiamata "Tree Based Model Predictive Control" (TB-MPC), un approccio stocastico che sta ricevendo crescente interesse dalla comunit'a scientifica grazie alla sua maggiore robustezza e adattibilit'a di fronte all'incertezza delle previsioni. Questi controllori predittivi verranno confrontati alla gestione storica e a due approcci off-line di riferimento, chiamati "Stochastic Dynamic Programming" (SDP) e "Deterministic Dynamic Programming" (DDP). MPC e TB-MPC usano previsioni a breve termine dell'afflusso, in particolare MPC usa previsioni deterministiche e TB-MPC probabilistiche sotto forma di "Ensemble forecast" (EF), un insieme di traiettorie deterministiche che rappresenta l'incertezza delle stesse. TB-MPC potrebbe essere un metodo chiave verso il miglioramento della gestione di risorse idriche affrontando meglio le incertezze grazie alla sua natura adattativa. Tuttavia, questi EF non sono sempre disponibili per diversi motivi (per esempio il loro costo, il grande bias, etc.). Questo studio esegue quindi uno dei primi tentativi nella letteratura di sperimentare l'implementazione di TB-MPC con EF sintetici generati con un metodo basato su "machine learning" implementabile operativamente. I risultati delle simulazioni suggeriscono che la regolazione del lago può essere migliorata usando previsioni di qualità in uno schema di controllo in tempo reale. Data l'accuratezza delle previsioni disponibili e di quelle d'ensemble generate, il TB-MPC con frequenza di controllo gionarliera risulta essere il migliore schema per la gestione del Lago di Como tra (TB-)MPC orario/giornaliero, permettendo di considerare l'incertezza delle previsioni nell'ottimizzazione.