دانلود مقاله امار در خصوص منابع ابی

word قابل ویرایش
30 صفحه
4900 تومان

– ۱ مقدمه
در بخش اول و در بحث برنامه ریزی بیان نمودیم که یکی از قسمتهای مهم در این فرایند تولید داده های مناسب می باشد. در حقیقت میزان درستی و درجهُ اطمینان هر نوع برنامه ریزی ارتباطات مستقیم، کیفیت و اعتبار داده های ورودی آن دارد.
در اکثر برنامه ریزی های منابع آب از داده های آماری گذشته استفاده می شود. میزان دقت ایستگاههای مختلف در اندازه گیری ها و پرت زمان نهدنه برداری از اینگونه شرایط از اهمیت زیادی برخوردار می باشد در بسیاری از اوقات نمی توان تنها به این داده ها اکتفا نمود بدلیل اینکه اولاً تاسسیات آبی غالباً در مدت زمان زیادی مورد بهره برداری قرار می گیرند و در این مدت هر گونه اتفاقاتی باید در نظر گرفته شود . ثانیاً این آمار متقلق به گذشته می باشد و نمی توان آنها را ملاک خوب برای کارهای برنامه ریزی در آینده در نظر گرفت.

در این میان روشهای آماری بکمک برنامه ریزان آمده است تا بتوانند از روی همین داده های موجود و اندازه گرفته شده به داده های مصنوعی بسازند تا جوابگوی این نیاز فرایند باشند.
با توجه به آنچه گفته شد مشاهده می گردد که این آمار مصنوعی چیز جدیدی نمی باشد و تنها با حفظ نمودن بعضی از خصوصیات آماری مربوط به داده های اندازه گرفته شده حاصل شده اند. این فزونی درست می باشد زیرا در اکثر پدیده های هیدرولوژیکی و وابسته به زمان میزان یک پارامتر ارتباط مستقیم با مقدار آن در دورهُ گذشته دارد و این وابستگی در دوره های زمانی نزدیک هم بیشتر است مثلاً‌ جریان یک رودخانه در فروردین وابستگی زیادی به مقدار آن در اسفند دارد و این وابستگی در هفتهٌ آخر اسفند و هفته اول فروردین بمراتب بیشتر است.

۶ – ۲ – سری های زمانی
داده هایی را که از روی آنها داده های مصنوعی ساخته می شود سری های زمانی می نامیم {۲۴}. سری های زمانی با توجه به پارامترهای فضای حالت هر یک می توان بصورت پیوسته و یا گسسته۲ تعریف کردند. اگر متغیرهای سری بصورت تصادفی باشد به آنها فرایندهای اتفاقی اطلاق می گردد که این فرایند ها خود می توانند به هم وابسته و یا مستقل از هم باشند.{۲۴}

همانطور که پیشتر توضیح دادیم، در علم هیدرولوژی اکثر سری مان زمانی بصورت اتفاقی می باشند. سری مان زمانی گاهی بواسطهُ ابعادشان نیز از هم نمیز داده می شوند، سری مان زمانی چند بعدی شامل اندازه گیری از چند متغیر می باشد {۲۴}.
موضوع مهم دیگری که در ارتباط با سری مان زمانی مطرح می باشد ایستایی و نا ایستایی سری مان زمانی می باشد اگر عوامل طبیعی ها و یا غیر طبیعی ، سبب تغییرات عمده در روند وقوع متغییرها نباشد و تابع توزیع احتمال هر متغیر در هر زمان خاص از یک دوره ،‌ثابت باقی بماند سری را ایستا می گوییم و در غیر اینصورت نا ایستایی باشد {۲۳}.

در این مبحث بدلیل اینکه موضوع اصلی این پایان نامه برنامه ریزی می باشد وارد ویژگی های مربوط به سری های زمانی نمی شویم و تنها راجع به نحوه ساختن داده های مصنوعی از روی این سری مان زمانی گفگو می نماییم . در ارتباط ، ویژگی های سری مان زمانی می توان به مراجع {۲۵ } ، { ۲۴ } ، { ۹ } ، رجوع نمود.

۶ – ۳ – مدلهای اتفاقی تولید آمار مصنوعی
دو روش عمده جهت ساختن مدلهای مصنوعی از سری مان های زمانی موجود می باشد ۱ – روش مستقیم۱ ۲ – روش غیر تجمعی یا تجزیه۲ . در این روش ما چیزی بیش از اطلاعات ارائه شده در سری مان زمانی ازائه نمی گردد و تنها با ثابت نگه داشتن یک یا چند ویژگی آماری از سری مان های زمانی، مدل مصنوعی ساخته می شود. این خواص می توانند میانگین ،‌انحراف معیار ،‌چولگی و … باشد {۲۴ }.

هیچ مدلی قادر نیست تا تمام این ویژگی ها را حفظ نماید و روشهای مختلف با توجه به خصوصیتی که حفظ نمایند از هم تمیز می شوند.
در روش مستقیم پارامترهای آماری مدل ، از ماهی به ماهی گویلر تغییر می کند و مستقیماً‌ جریان مصنوعی ماهیانه تولید می شود. ولی در روش تجزیه یا غیر تجمل ابتدا راواناب سالانه تولید و سپس این مقادیر به جریان ماهیانه توزیع می گردد. { ۲۳ }.
هر کدام از دو روش فوق روش های دیگری تجزیه می شوند که بعضی از آنها ارائه گردیده اند { ۲۳ }

۶ – ۴ – معرفی نرم افزار hec – ۴
در این رسانه برای ساختن داده های مصنوعی جهت برنامه ریزی پویا از نرم افزار hec – ۴ استفاده گردیده است. این نرم افزار از روی مطالعات beard در سال ۱۹۶۲ و در مرکز مطالعات هیدرولوژی گروه مهندسین ارتش آمریکا (usa ce) در سال ۱۹۷۱ تدوین گردید. این برنامه با استفاده از مدل اتورگرسیو AR ( 1 ) و به صورت چند مکانی تهیه شده است و در آن سری جریاان های ماهیانه با استفاده از روش های، کرسیون به طور مستقیم در اتصاله قابل تولید می باشد .{ ۲۴ }.
مدل AR ( 1 ) حالت ساده ای از مدل کلی ARMA ( P , Q } یا مدل باکس جین کنیز ( BOX JENKINS ) می باشد. این مدل دارای F عبارت اتورگرسیو و Q عبارت میانگین متحرک و بصورت کلی زیر می باشد. { ۲۴ }

Z t + 1 = i z t – i + 1 + V t – J V t – j ( 1 – ۶ )

پارامترهای اتورگرسیو
پارامترهای میانگین متحرک
متغیر تصادفی نرمال استاندارد با میانگین صفر E [ VT] و واریانس یک E [ V T2 ] برای اینکه ZT استا با واریانس به نهایت باشد پارامترهای اتورگریسو باید بشکلی باشند که ریشه های از چند جمله ای زیر در خارج از دایره ای با شعاع واحد قرار بگیرد . {۲۴}

۱ – r i = 0

برای اینکه ZT و ( K > 0 ) با افزایش k وابستگی آنها کاهش یابد پارامترهای میانگین متحرک باید بشکلی باشد تا ریشه های چند جمله ای زیر در خارج از دایره ای با شعاع واحد قرار گرفته باشد. { ۲۴ }.
۱ – j S J = 0
اگر در مدل ARMA ( P , Q ) پارامتر همبستگی P = 1 و پارامتر میانگین متحرک ۹۰۰ باشد تبدیل به مدل AR ( 1 ) که به مدل ماکیف۱ مشهور است می شود.
این مدل نیز دارای توزیع نرمال می باشد. اگر میانگین این مدل ؟؟؟ و واریانس ۲ ؟؟؟ و همبستگی P باشد مدل ( ۶ – ۱ } یا مدل مارکف بصورت زیر بازنویسی می شود.
ZT+1 = + P ( ZT – ) + VT ???
VT متغییر تصادفی نرمال استاندارد با میانگین صفر و واریانس ۱ می باشد.
با توجه به آنچه بیان کردید می توان مراحل انجام کار در برنامه HEC – ۴ را به شرح زیر بیان نمود. { ۲۳ }
۱ – داده های مشاهده شده برای هر ماه و در هر ایستگاه به اندازهُ یک درصد میانگین ماهیانه همان ماه افزایش داده می شود تا مانع از ورود مقایر صفر در محاسبات دگارتی شود.
۲ – میانگین انحراف استاندارد و ضریب بر کلی تولید می شود.
۳ – هر یک از مقادیر مشاهده شده توسط معادلات تقریبی توزیع پیرسون تیپ ؟؟ به شکل استاندارد یا نرمال تولید می شود.
۴ – پس از تبدیل کلیه داده ها به صورت نرمال، ضرایب همبستگی بین کلیه استگاهها در هر ماه و ضرایب همبستگی در عرض بین هر ماه با ماه بعد حساب می گردد.

۵ – تولید سری مان جریان ماهیانه به صورت مصنوعی ، بر پایهُ معادلات رگرسیون و با استفاده از روش CROUT برای هر ایستگاه انجام می گردد، یعنی برای هر ماه و هر ایستگاه جریان تولید شده از طریق مقدار محاسبه شده در ماه قبل استخراج می گردد.
۶ – در نهایت مقادیر استاندارد شده جریانهای تولید شده با استفاده از معادلات مربوط به صورت جریان های ماهیانه تبدیل شود. در این حالت خصوصیات اصلی آمار یعنی مقادیر متوسط ماهیانه، انحراف استاندارد، ضرایب چوگلی، همبستگی های درون با گام یک و ضرایب همبستگی بین ایستگاهها در آمار مصنوعی نیز حفظ می گردد.

۶ – ۵ – نتایج تولید مصنوعی داده ها:
داده های مصنوعی از روی ۱۲ سال آمار موجود رودخانهُ سد کارده یعنی ارسال ۴۲ – ۱۳۴۱ نهایت ۵۲ – ۱۳۵۲ ( جدول ۲ – ۱ ) ساخته می شوند. بدلیل آنکه فرض می گردد بهره برداری از مخزن سد کارده ۴۰ سال باشد دید انتخاب داده ها برای برنامه ریزی بهینه تر ۴ سال در نظر گرفته شد که در نتیجه ۴۸۰ سری مختلف ساخته خواهد شد. با توجه به این مسئله می توان سری مان آماری ۴ ماهه ۸۰ ساله و ۱۲۰ ساله را برای برنامه ریزی مخزن کار برد و نتایج آن را با هم بررسی نمود. جدول ( ۶ – ۲ ) بعضی از خصوصیات آماری داده های ورودی و جدول ( ۶ – ۴ ) خصوصیت آماری داده های مصنوعی را نشان می دهد.
۷ – برنامه ریزی سد کارده:
۷ – ۱ مقدمه:

۷ – ۲ – برنامه ریزی پویای کلاسیک اتفاقی۱
در بخش های ( ۱ – ۳ – ۴ ) و ( ۴ – ۴ ) بطور عام در بارهُ برنامه ریزی پویا صحبت نمودیم. در اینجا بصورت کاملاً خاصی برنامه ریزی پویای اتفاقی سد مخزن کارده را تشریح می نمایم. عرض می شود که بهره برداری از مخزن در پایان ماه t = T ارسالی در آینده پایان پذیرد. FTN ( K , i) مقدار انتظار برای n دورهُ باقی مانده با احتساب دورهُ t می باشد. { ۱۴ }
FTN ( K , i ) = min (BR , T)

در رابطهُ پر و تکراری۲ فوق BR , T بازگشت کوتاه مدت به مرحله ای می باشد. همانطور که ملاحظه می گردد، هدف نهایی از مسئله فوق مینیمم شدن انتظار کلی و پیدا نمودن سیاست بهینه منطبق با آن می باشد. Pi,jt احتمال آن است که جریان ورودی با مقدار کسستهُ QI در دورهُ T به مقدار گسستهُ QJ در دورهُ t + 1 تبدیل گردد.

مدل در آن بر اساس تعدادی از جریانها و حجمهای ذخیرهُ گسستهُ ممکن و احتمالات آنها می باشد.
در این روش که به برنامه ریزی پویای گسسته ( بخش (سوم) ) معروف است متغیرهای تصمیم گیری و فضای حالت، مجموعه ای از مقادیر گستته جایگزین می شوند. { ۱۲ }
با توجه به شکل ( ۷ – ۱ ) می توان معادلهُ پیوستگی یا تابع انتقال برنامه ریزی پویای فوق را بصورت زیر نوشت.
Se , t+1 = Qj,t – Rr,t – Lt ( 7 – ۲ )
در رابطهُ فوق :
sk,t حجم ذخیرهُ مخزن با مقدار گسستگی sk در دورهُ t
Se , t+1 حجم ذخیزهُ مخزن ، مقدار گسستگی se در دورهُ t + 1
Rr,t خروجی از مخزن با مقدار گسستگی RR در دورهُ T
QJ , T ورودی به مخزن با مقدار گسستگی QJ در دورهُ T
LT تلفات ناشی در تبخیر بر اساس حجم های ذخیرهُ اولیه و نهایی.
Lt = et ( A T + A C + 1 ) / 2
ET متوسط میزان تبخیر et در هر دورهُ می باشد.

فرض می شود که تلفات ناشی از نفوذ آب از مخزی سد مساوی با میزان بارندگی روی دریاچه باشد از اینرو تنها از تلفات تبخیر در محاسبات مربوط به تلفات استفاده می نماییم . { ۱۴ }
رابطه ( ۷ – ۲ ) تابع انتقال برنامه ریزی scdp ما می باشد که می تواند بصورت زیر در نظر گرفته شود.
St+1 = t ( st , Qt , Rt ) ( 7 – ۴ )
پس حالت st+1 وابسته به دو حالت st , QT و تصمیم RT می باشد. QT بعنوان یک متغییر اتفاقی هیدرولوژیکی در معادلهُ ( ۷ – ۱ ) همراه احتمال خویش وارد گشته است. در بخش ۶ نحوهُ ساختن داده های مصنوعی طویل مدت از روی داده های موجود را ارائه نمودیم. می توان بجای اعمال مستقیم احتمالات و فرایند اتفاقی در برنامه ریزی که کار را با کمی مشکل مواجه می نماید با کمک داده های مصنوعی به نحوهُ ساخت آنها یک فرایند هیدرولوژیکی اتفاقی می باشد. این عمل را انجام دهیم. { ۱۴ } و { ۱۵ } با این عمل تابع انتقال فقط وابسته به حالت ST و تصمیم RT می شود.
St+1 = T ( ST , RT ) ( 7 – ۵ )
با تبدیل فوق فرایند افتاقی برنامه ریزی را از برنامه ریزی پویا جدا نموده و فرایند برنامه ریزی پویا بصورت معین می شود.
با توجه به آنچه گفته شد متغیر فضای حالت معینی حجم ذخیرهُ مخزن و تغییر تصمیم گیری ، خروجی از مخزن بصورت مجموعه های محدود و گسسته اعمال می شوند.
در صورتی که فضای حالت به سه قسمت تقسیم شده باشد.
??? S = ( S MAX – S MIN ) / NS ( 7 – ۶ )
S MAX ماکزیمم ذخیرهُ ممکن
S MIN مینیمم ذخیرهُ ممکن
در نتیجه
sie { smin , smin + ???s , smin + 2 ???s , … , smax } = ss
ss فضای حالت برنامه ریزی پویا می باشد که در این حالت دارای NS+1 حالت مختلف می باشد. نمو ???S باید بگونه ای باشد که اولاً مسئله نفرین بعد اتفاق نیفتد و ثانیاً دقت مسئله نیز کاهش نیابد.
ماند روش فوق فضای متغییر تصمیم گیری با خروجی مجاز از مخزن را نیز تبدیل به NR گزینه مشخصی می نماییم که البته در هر حالت باید در قیود مربوط که بعداً دربارهُ آنها صحبت خواهیم زود صدق نماید.
RJ = { r1 , r2 , … , rn } = R 2
R2 فضای متغییر تصمیم گیری است.
۷ – ۲ – ۲ قیود
در هر دورهُ زمان T ذخیرهُ مخزن باید در قید زیر صدق نماید.
(۷ – ۷) SMIN , t < st < smax , t
خروجی از مخزن در هر دوره باید در دو قید زیر صدق نماید، که قیود کاکزیمم آن مربوط به حالت سرریزی از مخزن و قید مینیمم آن رعایت ظرفیت مرده مخزن می باشد . { ۱۵ }
R min , t < R t < Rmax , t ( 8 – ۷ )
R min = max { o1 st + Qt … smax , t ) ( 9 – ۷ )
R max = St + Qt – S min , t ( 10 – ۷ )

۷ – ۲ – ۳ – توابع انتظار
آنچه که تا کنون دربارهُ آن صحبت شد تقریباً در تمام موارد مشابه به یک شکل می باشد. آنچه که از مسئله ای به مسئله دیگر تفاوت می نماید، شرایطی است که در توابع هدف و یا قیود مرحله ای دیگر وارد می گردند.
در بارهُ توابع هدف در بخش های ۱ و ۳ صحبت نمودیم. توابع هدف در مسائل مختلف می توانند فزاینده مثل سود حاصل از فروش منابع آبی یا سود شبکه و یا کاهنده باشند، بنوعی که مثلاً در اثر فراهم نبودن منابع آبی ضرر حاصله حداقل باشد، در مناطق کم آب و یا مناطقی که تاُ مین نیاز آبی در اولویت برنامه قرار دارد از توابع هدفی استفاده می گردد که بیانگر انحراف یا عدم انحراف از نیاز آبی است. با توجه به منطقهُ مورد مطالعه که ذاتاً کم آب است ما می توانیم از همین نوع توابع استفاده نماییم.

برای برنامه ریزی پویای سد کارده از تابع انتظار مرحله ای karaman 2 and henck استفاده گردیده است. { ۱۴ } و { ۱۵ }.

همانطور که ملاحظه می گردد در صورتی که خروجی در فاصلهُ اطمینان { ۱۲ و ۸ } نیاز دورهُ t باشد, BR, t بصورت نمایی افزایش می یابد k2 , k1 می توانند مساوی باشند و تاُثیری در پاسخ نهایی مسئله بجای نمی گذارند.
هدف از برنامه ریزی پویای سد کارده در حالت کلاسیک، مینیمم نمودن بازگشت نهایی کل فرایند با توابع انتظار مرحله ای بصورت فوق می باشد.
۷ – ۳ – ۴ – الگوریتم برنامه ریزی پویای کلاسیک

الگوریتم برنامه ریزی پویای پر و موفق بصورت فلوچارت شکل ( ۷ – ۲ ) نمایش داده شده است.
۷ – ۲ نعیین رژیم بهیه بهره برداری
با توجه به سری مصنوعی طویل مدت جریان و بدست آوردن خروجی های بهینه برای مراحل مختلف می توان بافرض یک سیاست اولیه برای مرحلهُ اول ، خروجی های بهینهُ وابسته به آن در مراحل بعدی را بدست آورد.
و رژیم بهینه خروجی برای هر ماه را از میانگین خروجی های مختلف در تمام دورهُ برنامه ریزی نمود. { ۲۳ }
R ( OPT ) T = E ( MIN ( RI , JT ) ) = (1) / N Ni = 1 min ( Ri , t ) (12 – ۷ )
r ( opt)tمقدار بهینه برداشت از مخزن در رژیم بهره برداری در دورهُ t
RI,T مقدار برداشت از مخزن در دورهُ I با استفاده از سری های زمانی
T اندیکس دوره
N تعداد سری های زمانی مورد استفاده
۷ – ۳ – برنامه ریزی پویای فازی سد کارده

۷ – ۳ – ۱ – مدل کلی در بخش ( ۴ – ۷ ) نوع خاصی از برنامه ریزی فازی را معرفی نمودیم که در آن متغییر حالت،‌ متغییر تصمیم گیری تابع انتقال و افق تصمیم گیری بصورت مجموعه های کلاسیک بوده و تنها توابع هدف و قیود شکل فازی باشند ( Zadeh , bellman 1970 ) در این حالت تقسیم گیری در هر مرحله در محیط فازی انجام می گیرد { } برای رنامه ریزی جریان فازی سد کارده از همین حالت خاص استفاده می نماییم. البته در بخش های ( ۶ و ۷ ) بیان نمودیم که برای اجتناب از اتفاقی شدن مدل می توان از جریانهای اتفاقی ساختگی طویل مدت استفاده نمود.
از اینرو متغییر تصمیم تنها به یک متغییر حالت یعنی حجم ذخیره مخزن بستگی خواهد داشت.

روند کار در اینجا هم تقریباً مانند برنامه ریزی پویای کلاسیک می باشد و تنها از اعداد شانسی به عنوان درجات عضویت و ارضا کنندگی قیود استفاده خواهد شد تابع هدف هر مرحله نیز انتخاب ماکزیمم درجه مطلوبیت هر حالت با توجه به خروجی های انتخاب شده می باشد.
انتظار مرحله ای مسئله ارتباط مستقیم به درجات عضویت ارضا کنندگی قیود مسئله ( ct ) بوسیله متغیرهای تصمیم با حالت دارد. در این مدلسازی از ترکیب max . prod بخش ( ۴ – ۳ ) جهت ترکیب انتظار های مرحله ای با مراحل قبلی خود استفاده خواهد شد. مانند برنامه ریزی پویای کلاسیک می توان از آخر شورع نمود و برنامه ریزی را بصورت پر و انجام داد.

( ۷ – ۱۳ ) Ct ( x t ) = max dt [ prod ( ct ( dt), ct + 1 ( xt + 1 ) ] در رابطهُ فوق
xt متغییر حالت در دورهُ t
dt متغییر تصمیم گیری در دورهُ t
xy+1 متغییر حالت در دورهُ t + 1
مانند برنامه ریزی پویای کلاسیک تغییر حالت حجم ذخیرهُ مخزن ومتغییر از مخزن می باشد. تهیهُ پارامترهای دخیل بصورت داده های ورودی در طول مسئله اعمال می گردد.

۷ – ۳ – ۲ – قیود مسئله
در بخش های قبلی توضیح دادیم که در اکثر مواقع اهداف بشکل قیود ظاهر می شوند . هدف برنامه ریزی پویای یک مخزن تاُمین بهینه نیاز آبی پایین دست می باشد. ولی هیچگاه نمی توان بصورت قطع دقیقاً مطابق این نیازها رفتار نمود. آنچه مسلم است در صورتی که خروجی مخزن خارج از محدودهُ مجاز باشد اثرات منفی دراز مدت و یا کوتاه مدت بهمراه خواهد داشت. این عدم مطلوبیت می تواند بصورت اعداد فازی در مسئله اعمال گردد.

نکته دوم صرفنظر نمودن نزدیکی یا دورهُ متغیرهای حالت از مرزهای گسستگی خود می باشد که در اینباره نیز در بخش ( ۵ – ۲ – ۲ ) به تفصیل بحث نمودیم. این حالت نیز می تواند بصورت یک قید ظاهر گردد. یعنی نزدیکی یا دوری هر متغییر حالت محاسبه شده به مرزهای خود بصورت یک عدد فازی بیان گردد. در اینصورت مجموعهُ متغیرهای حالت ما نیز یک مجموعهً گسسته معمولی یا کلاسیک نمی باشد و تبدیل ،‌یک مجموعهُ فازی شده است . برای ساختن اعداد فازی درجهُ عضویت مربوط به قید خروجی از مخزن نیاز به کارهای آماری و مطالعات دقیق می باشد ولی می توان برای نشان دادن تاُثیر آن از همان تابع انحراف از نیاز karaman 2 and hanck استفاده نمود. در این حالت ، عکس عمل نمودن و بدست آوردن امتیاز منفی خروجی های مختلف به یک عدد نیازی ذوزنقه ای شک بصورت شکل ( ۷ – ۳ ) رسید.

CR = 0.5 * ( Rr) / 0.8 Tt + 0.5
CR = 1.0 آنگاه ۰٫۸ Tt < Rr < 1.2 Tt
CR = 0.5 * ( Rr – 2Tt) / – 0.8 Tt + 0.5 آنگاه R2 > 1.2 Tt¬ اگر
CR < 0 —– CR = 0

حال فرض می نماییم که متغییر حالت فازی شده باشد یعنی قید مرزهای آنها نرم باشند مشکل ( ۷ – ۴ ) متغییر حالت فازی مثبتی را نشان می دهد.
شکل ( ۷ – ۴ ) متغییر حالت فازی بصورت مثلثی
در نتیجه می توان قید هر دورهُ t را بصورت زیر نشان داد.

CT = CR . CS (7 – ۱۵ )
در دورهُ t تابع انتظار مرحله ای با توجه به حجم ذخیرهُ مخطن سنجیده می شود می توان انظار کلی در هر دورهُ t را از رابطهُ (۷ – ۱۳ ) محاسبه نمود این سیاست بوسیلهُ ما فرض می گردد و می تواند به هر صورت دیگری که نیاز برنامه ریز را بر طرف می نماید انجام گیرد. برای آنکه بتوان برای بدست آوردن درجات عضویت ترازهای مختلف و مهک مناسبی بدست آورد این مسئله بوسیلهُ درجهُ عضویت مختلف متاوت مورد ارزیابی قرار خواهد گرفت و نتایج آنها با هم مقایسه خواهند شد.

هم تراز مخزن
حجم ۳۵ mcm ماکزیمم حجم تا ذخیرهُ مخزن می باشد که بعد از آن سرریز از روی سد آتفاق می افتد. ( ۱۳۰۰ m)
حجم ۳۰ mcm حجم تراز فرمان بوده و بیشترین مطلوبیت را برای ما خواهد داشت. (۱۲۹۶ m)
حجم ۱۸۰۸ حجم ترازی می باشد که از آن به بعد صرفه جویی آغاز خواهد شد. (۱۲۹۰ m ) { 27 }
7 – ۳ – ۳ – الگوریتم برنامه ریزی پویای فازی

الگوریتم را به دو دورهُ t بصورت فلوچارت شکل ( ۷ – ۶ ) می باشد.
۷ – ۳ – ۴ – تعیین رژیم بهینه بهره برداری.
مانند آنچه دربارهُ برنامه ریزی پویای کلاسیک بیان نمودیم عمل می نماییم یعنی با بدست آوردن سری های خروجی برای هر دوره ترتیبی میانگین از تمام آنها در آن دوره رژیم بهینه بهره برداری را بدست می آوریم. در اینجا تنها یک تفاوت موجود می باشد و آن انتخاب سیاست مطلوبست تراز نرمال در ابتدای روند پر و یا دورهُ t می باشد که در نهایت هنگام انتخاب حالت دورهُ t = 0 ، حالتی انتخاب می گردد که با این سیاست هدف بیشترین مطلوبیت را داشته باشد.
۷ – ۴ – کنترل فاری مخزن سد کارده

۷ – ۴ – ۱ – قواعد
یکی از کاربردهای عملی تئوری فازی کنترل فاز می باشد. در بخش های ۴ و ۵ به تفضیل دربارهُ آن صحبت نمودیم. ایدهُ کار در اینجا همان است که در آن بخشها بیان گردید. دورهُ رمانی در سال ، متغییر ورودی اتفاقی و حجم ذخیرهُ مخزن بعنوان داده های ورودی و خروجی از مخزن بعنوان متغییر کنترلی فرض می گردد.
متغییرهای رمانی که استفاده می گردند،‌باید معرف کمیت این پارامترها باشند. در کنترل فازی مربوط به سد کارده هم برای تراز ذخیرهُ مخزن و هم برای ورودی از متغیرهای زمانی ( خیلی کم vl کم l ، متوسط m زیاد h ، خیلی زیاد vh ) استفاده خواهد شد.

از مدل sugeno ( بخش ۴ – ۸ – ۲ ) بعنوان مدل کنترلی بهره جسته ایم در این مدل قواعد بصورت متغییرهای زمانی در ورودی و تابع وابسته به پارامترهای ورودی در خروجی تعریف می گردد. در اینجا تابع خروجی ثابت و بصورت یک عدد که بعنوان خروجی از سد و عدد کنترلی نیز خواهد بود می باشد. شکل کلی قواعد بصورت زیر می باشد: { ۱۶ } و { ۱۳ }
اگر دورهُ برنامه ریزی A و تراز مخزن A و ورودی به مخزن A باشد آنگاه خروجی R می باشد.
برای آنکه بتوانیم متغییر دورهُ زمانی را وارد نماییم باید برای هر دورهُ مشخص قواعد مربوط بسازیم یعنی برای هر دورهُ مشخص قواعد مربوط به آن جداگانه ساخته و تحلیل می شوند.

با توجه به متغییرهای زمانی انتخاب شده در هر دورهُ T 5 * 5 = 25 قاده باید ایجاد گردد ولی بعد از محاسبات معلوم می شود که بسیاری از این قواعد حذف گردید و تنها ۷ یا ۸ قاعده کلی در هر دوره باقی می ماند.
۷ – ۴ – ۲ – فازی سازی پارامترها
در ابتدا باید اعداد فازی هر کدام از متغییرهای زمانی را بسازیم. برای این کار هم از اعداد فازی مثلثی که ساده ترین و پرکاربرد ترین آنها می باشند استفاده خواهیم نمود . شکلهای ( ۷ – ۷ ) و ( ۷ – ۸ ) این اعداد فازی را نشان می دهند.
شکل ( ۷ – ۷ ) فازی سازی متغییرهای زمانی حجم ذخیرهُ مخزن

 

شکل ( ۷ – ۸ ) فازی سازی متغییرهای زمانی ورودی به مخزن
برای ساختن کنترلرهای فازی سد کارده از آمار بهره برداری سد از سال ( ۷۵ – ۷۳ ) و ( ۸۰ – ۷۷ ) استفاده می نماییم. جدول ( ۷ – ۱ ) آن آمار را نشان می دهد. با توجه به سالهای بهره برداری یعنی ۷ سال در هر دوره ( ماه) نمونه خواهیم داشت که بصورت زیر خواهند بود.
در دورهُ‌ T ( Si , Ii , Ri )

i = 1 , …, 7
s حجم ذخیره
i ورودی به مخزن
r خروجی ثبت شده در مخزن
سال بعنوان سال معتبر سازی بکار خواهد رفت.

با توجه به مقادیر i , s و قرار گیری آنها در محدوده، متغیرهای زمانی فوق وزن هر کدام از این متغیرها بدست می آید:
فرض شود s در متغیر زمانی m با درجهُ عضویت wsm و I در متغییر زمانی N با درجهُ WIN قرار گرفته باشد ، آنگاه وزن خروجی مربوط به این سری آماری می تواند بصورت زیر حساب گردد. { ۷ }
WR = ( WSM * WIN )1/2 ( 7 – ۱۷ )

روشهای دیگری نیز می تواند بکار آید. بعد از آنکه وزن تمام خروجی های مربوط به یک قاعدهُ خاصی را بدست آوردیم می توانیم برای محاسبهُ خروجی کنترلی مربوط به آن قاعده از روش میانگین وزنی استفاده نماییم . { ۷ }
R = ( WRi. Ri ) / wRi (7 – ۱۷ )
این یکی از ساده ترین روش ها برای بدست آوردن خروجی کنترلی می باشد که ما نیز برای مخزن سد کارده از آن استفاده نموده ایم. نتایج فرایند فازی سازی و ساختن قواعد در جداول بخش ۸ آورده شده اند .
حال برای سال ۱۳۷۶ کنترل فازی راحت مخزن سد انجام می دهیم. نتایج کنترل فازی سال ۱۳۷۶ را مقادیر واقعی آنها در شکل () مقایسه شده اند.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
wordقابل ویرایش - قیمت 4900 تومان در 30 صفحه
سایر مقالات موجود در این موضوع
دیدگاه خود را مطرح فرمایید . وظیفه ماست که به سوالات شما پاسخ دهیم

پاسخ دیدگاه شما ایمیل خواهد شد