Stochastic simulation of the Gallito Ciego reservoir operation, Cajamarca region, Peru
DOI:
https://doi.org/10.24850/j-tyca-2026-05-07Keywords:
dams, irrigation, hydroelectric power stations, flood control, water resources management, mathematical models, SARIMA, IGARCH, Box-Jenkins, Hec-ResSim, statistical analysis, PeruAbstract
The Gallito Ciego dam was built in the northern part of Peru, which serves as water storage to generate hydroelectric energy, supply irrigation to the Jequetepeque – Zaña valleys, and control floods through regulations. For this reason, operating rules were proposed to improve water delivery management to the "Jequetepeque Class A Minor Hydraulic Sector User Board" to satisfy agricultural, population and primary demand, by evaluating the behavior of the reservoir through multiple simulated scenarios. A stochastic model of the SARIMA type was evaluated and used to approximate the inflow flows plus an IGARCH type model, following the Box-Jenkins methodology to identify, estimate, validate and forecast the simulated series. Operation directives through eight simulated scenarios using the Hec-ResSim software to satisfy maximum and minimum demands, and control operation of the system to avoid unnecessary discharges and preserve the dam´s infrastructure.
References
Adhikari, R., & Agrawal, R. K. (2013). An introductory study on time series modeling and forecasting (Preprint). arXiv. https://doi.org/10.48550/arXiv.1302.6613
Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6), 716-723. https://doi.org/10.1109/TAC.1974.1100705
Akgül, I., & Sayyan, H. (2008). Modelling and forecasting long memory in exchange rate volatility vs. stable and integrated GARCH models. Applied Financial Economics, 18(6), 463-483. https://doi.org/10.1080/09603100600959860
Amaris, G., Ávila, H., & Guerrero, T. (2017). Aplicación de modelo ARIMA para el análisis de series de volúmenes anuales en el río Magdalena. Tecnura, 21(52), 88-101. https://doi.org/10.14483/10.14483/udistrital.jour.tecnura.2017.2.a07
Aponte-Rosales, C. (2018). Factibilidad de aplicar la metodología de descolmatación UDEP en el embalse Gallito Ciego (tesis de ingeniería). Universidad de Piura. https://pirhua.udep.edu.pe/backend/api/core/bitstreams/39d280a3-9a5c-4207-b9c8-2c46683bb34e/content
Avilés-Añazco, A., Solera-Solera, A., & Paredes-Arquiola, J. (2016). Análisis del rendimiento de sistemas hídricos en desarrollo mediante el acople de modelos estocásticos hidrológicos y optimización de redes de flujo. Ingenius. Revista de Ciencia y Tecnología, (15), 48-57. https://doi.org/10.17163/ings.n15.2016.05
Box, G. E. P., & Pierce, D. A. (1970). Distribution of residual autocorrelations in autoregressive-integrated moving average time series models. Journal of the American Statistical Association, 65(332), 1509-1526. https://doi.org/10.1080/01621459.1970.10481180
Camones-Gonzales, F. C. (2002). Control de calidad en los procesos estadísticos: una aproximación basada en los modelos ARIMA (Vol. 2). Instituto Nacional de Estadística e Informática, Perú (INEI). Centro de Investigación y Desarrollo (CIDE). https://books.google.com.pe/books/about/Control_de_calidad_en_los_procesos_estad.html?id=JqqHrgEACAAJ&redir_esc=y
Casas, M., & Cepeda, E. (2008). ARCH, GARCH and EGARCH models: Applications to financial series. Cuadernos de Economía, 27(48), 287-319. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=1259248
Ceballos Pérez, S. G., & Pire, R. (2015). Estimación del precio internacional del arroz (Oryza sativa L.) bajo el modelo ARIMA. Revista Mexicana de Ciencias Agrícolas, 6(Especial 11), 2083-2089. https://doi.org/10.29312/remexca.v0i11.776
Corvi, D. (2017). Evidencia de volatilidad agrupada en el mercado accionario ecuatoriano: aplicación de un modelo Igarch para el índice Ecuindex. Revista Economía y Política, (25), 87-99. https://doi.org/10.25097/rep.n25.2017.05
Cueva, V. E. R. (2024). Series temporales avanzadas: modelos heterocedásticos ARCH y GARCH (tesis para máster). Universidad de Granada. https://www.researchgate.net/publication/389624812_Series_Temporales_Avanzadas_Modelos_Heterocedasticos_ARCH_y_GARCH
De Arce, R. (1998). Introducción a los modelos autorregresivos con heterocedasticidad condicional (ARCH) (documento de trabajo). https://www.researchgate.net/publication/266498360_INTRODUCCION_A_LOS_MODELOS_AUTORREGRESIVOS_CON_HETEROCEDASTICIDAD_CONDICIONAL_ARCH
Dickey, D. A., & Fuller, W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association, 74(366a), 427-431. https://doi.org/10.1080/01621459.1979.10482531
Díaz, N. C. (2006). Distribuciones de probabilidad. El teorema central del límite. En: Métodos estadísticos para enfermería nefrológica (pp. 107-120). https://gc.scalahed.com/recursos/files/r161r/w24710w/8-CAP%208.pdf
Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50(4), 987-1007. https://doi.org/10.2307/1912773
Engle, R. F., & Bollerslev, T. (1986). Modelling the persistence of conditional variances. Econometric Reviews, 5(1), 1-50. https://doi.org/10.1080/07474938608800095
GoldSim Technology Group LLC. (2026). GoldSim software manual (Versión 15, Rev. 2). https://media.goldsim.com/Documents/Manuals/Version15/GoldSim.pdf
Hamzaçebi, C. (2008). Improving artificial neural networks’ performance in seasonal time series forecasting. Information Sciences, 178(23), 4550-4559. https://doi.org/10.1016/j.ins.2008.07.024
Hipel, K. W., & McLeod, A. I. (1994). Time series modelling of water resources and environmental systems (Vol. 45). Elsevier. https://books.google.com.pe/books?id=t1zG8OUbgdgC
Janampa-Vallejo, M., & Quispe-Palomino, E. Y. (2021). Modelamiento de la operación del reservorio Gallito Ciego para mejorar la gestión de los recursos hídricos (tesis para Ingeniero Civil). Universidad Peruana de Ciencias Aplicadas, Lima, Perú. https://repositorioacademico.upc.edu.pe/handle/10757/656779
Jiménez-Motta, J. V. (2019). Evaluación del funcionamiento hidráulico del aliviadero de la presa Gallito Ciego mediante modelación numérica tridimensional (tesis de maestría). Universidad Nacional Agraria La Molina. https://repositorio.lamolina.edu.pe/items/4ae75508-b5c7-4191-b904-3593fe6821d3
Ljung, G. M., & Box, G. E. (1978). On a measure of lack of fit in time series models. Biometrika, 65(2), 297-303. https://doi.org/10.1093/biomet/65.2.297
Mamani, J. W. T., Melo, G. A., & Cahui, E. C. (2022). Impacto del COVID-19 en la demanda de turismo internacional del Perú: una aplicación de la metodología Box-Jenkins. Revista Investigaciones Altoandinas, 24(1), 27-36. https://dialnet.unirioja.es/servlet/articulo?codigo=8686683
Mauricio, J. A. (2005). Econometría I - Introducción al uso de EViews 3.1 (Apunte de cátedra). Facultad de Ciencias Económicas y Empresariales, Universidad Complutense de Madrid. https://www.ucm.es/data/cont/docs/518-2013-11-13-Ectr1-JAM-IntroEViews.pdf
Minagri, Ministerio de Agricultura y Riego, Autoridad Nacional del Agua, Autoridad Administrativa del Agua Jequetepeque-Zarumilla, & Dirección de Conservación y Planeamiento de Recursos Hídricos. (2015). Evaluación de recursos hídricos en la cuenca del río Jequetepeque. https://www.ana.gob.pe/sites/default/files/normatividad/files/erh-jequetepeque_2015_superficiales.pdf
Ministerio de Desarrollo Agrario y Riego, & Proyecto Especial Jequetepeque-Zaña. (2023, agosto 17). Operación de embalses durante eventos extremos: Caso práctico Gallito Ciego [Diapositivas de PowerPoint]. Recuperado de https://es.scribd.com/document/680754042/Operacion-Gallito-Ciego
Moriasi, D. N., Arnold, J. G., Van Liew, M. W., Bingner, R. L., Harmel, R. D., & Veith, T. L. (2007). Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. Transactions of the ASABE, 50(3), 885-900. https://doi.org/10.13031/2013.23153
Ndiritu, J., Odiyo, J., Makungo, R., Mwaka, B., Mthethwa, N., Ntuli, C., & Andanje, A. (2017). Development of probabilistic operating rules for Hluhluwe Dam, South Africa. Physics and Chemistry of the Earth, Parts A/B/C, 100, 343-352. https://doi.org/10.1016/j.pce.2016.10.017
Ocaña-Peinado, F. M. (s.f.). Análisis de variables relacionadas con la docencia e investigación en la Facultad de Farmacia: estimación y contraste de hipótesis. Universidad de Granada. https://www.ugr.es/~fmocan/MATERIALES%20CURSO/ESTIMACION%20Y%20CONTRASTES.pdf
Peralta-Gálvez, & Tapia-Monsalve, L. D. (2019). Determinación de la capacidad de embalse de la represa Ite - Provincia de Jorge Basadre Tacna-Perú mediante el uso del software WEAP (tesis de ingeniería). Universidad Peruana de Ciencias Aplicadas, Lima, Perú. https://doi.org/10.19083/tesis/626090
USACE, U.S. Army Corps of Engineers, Hydrologic Engineering Center. (2021). HEC-ResSim: Reservoir System Simulation User's Manual (Version 3.3). Hydrologic Engineering Center. https://www.hec.usace.army.mil/software/hec-ressim/documentation/HEC-ResSim_33_UsersManual.pdf
Raicharoen, T., Lursinsap, C., & Sanguanbhokai, P. (2003, May). Application of critical support vector machine to time series prediction. In: Proceedings of the 2003 International Symposium on Circuits and Systems (ISCAS’03) (Vol. 5, pp. V-V). IEEE. https://doi.org/10.1109/ISCAS.2003.1206419
Reddy, J. R., Ganesh, T., Venkateswaran, M., & Reddy, P. (2017). Forecasting of monthly mean rainfall in Coastal Andhra. International Journal of Statistics and Applications, 7(4), 197-204. https://www.researchgate.net/publication/319135842_Forecasting_of_Monthly_Mean_Rainfall_in_Coastal_Andhra
Rodríguez, A., & Marciano, L. (2022). Influencia del ángulo de ataque del álabe directriz sobre la potencia generada en una turbina Michell-Banki mini central hidroeléctrica Gallito Ciego (tesis de ingeniería). Universidad César Vallejo. https://repositorio.ucv.edu.pe/handle/20.500.12692/103492
Romero, B. A., Bosque, M. I. A., & Martín, I. V. (2018). Estudio del comportamiento de los contrastes de normalidad Jarque Bera y Lilliefors a través de experimentos de Monte Carlo. https://zaguan.unizar.es/record/86937/files/TAZ-TFG-2019-3805.pdf?version=1
Roque-Rojas, E. (2022). Predicción de la demanda de pasajeros a clústeres de estaciones del Metropolitano usando métodos de data mining, la metodología Box-Jenkins y SARIMA (tesis de ingeniería). Universidad de Lima. https://repositorio.ulima.edu.pe/bitstream/handle/20.500.12724/16675/Tesis.pdf?sequence=1
Scheidereiter, G. D., & Faure, O. R. (2022). Aplicación de los modelos autorregresivos integrados de media móvil (ARIMA) a las series de precipitaciones de lluvia (tesis de licenciatura). Universidad Nacional de La Matanza. https://repositoriocyt.unlam.edu.ar/handle/123456789/1000
Schwarz, G. (1978). Estimating the dimension of a model. The Annals of Statistics, 6(2), 461-464. https://www.jstor.org/stable/2958889
Sialer-Díaz, C. D. (2014). Optimización del caudal mediante modelos estocásticos ARIMA para la aplicación hidroenergética de la infraestructura hidráulica Jequetepeque-Zaña (tesis de maestría). Lambayeque, Perú. https://es.scribd.com/document/605596609/02
Sjölander, P. (2011). A stationary unbiased finite sample ARCH-LM test procedure. Applied Economics, 43(8), 1019-1033. https://doi.org/10.1080/00036840802600046
Statkraft Perú, S. A. (2016). Memoria anual 2015. https://www.statkraft.com/globalassets/0/.pe/comunicaciones/publicaciones/statkraft-peru--memoria-anual-2015.pdf
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Tecnología y ciencias del agua
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
By Instituto Mexicano de Tecnología del Agua is distributed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License. Based on a work at https://www.revistatyca.org.mx/. Permissions beyond what is covered by this license can be found in Editorial Policy.
