بخشی از مقاله
چکیده
سد دز یکی از قدیمیترین سدهاي مدرن چند منظوره ایران است که بر روي رودخانه دز در نزدیکی شهرهاي دزفول و اندیمشک ساخته شدهاست. بهرهبرداري از این سد با توجه به موقعیت استراتژیک آن در شبکه سراسري برق کشور، سابقه طولانی بهرهبرداري، ابعاد و چندمنظوره بودن آن خصوصاً در کنترل سیل و وجود مناطق مهم در پاییندست سد، از اهمیت خاصی برخوردار است.
پیشبینی جریان ورودي به مخزن می تواند نقش مهمی در بهرهبرداري مؤثر از سد ایفا نماید. این مقاله به ارائه یک مدل هوشمند تلفیقی مبتنی بر شبکهعصبیمصنوعی و تبدیلات موجک براي پیش بینی 15روزه و ماهانه جریان ورودي به مخزن سد دز می پردازد. نتایج نشان میدهد، بکارگیري این مدل سبب ارتقاي قابل ملاحظه دقتپیش بینیهاي 15روزه و ماهانه جریان ورودي به مخزن سد نسبت به مدلهاي پیشبینی شبکههاي عصبیمصنوعی شدهاست. در این مقاله عملکرد مدلهاي پیشبینی به کمک معیارهاي R2 ، RMSE و NMSE مورد ارزیابی قرار گرفتند.
-1مقدمه
پیشبینی دقیق جریان رودخانه، اطلاعات ارزشمندي را براي مدیریت منابع آب و مدیریت بلایایی همچون سیل و خشکسالی بدست میدهد. اهمیت پیشبینی جریان ورودي به مخازن سدها را میتوان در بهرهبرداري از سد با منظورهاي رقیب همچون کنترل سیلاب و تولید برقابی جستجو نمود. با توجه به اینکه منحنی فرمان اغلب سدهاي مخزنی بزرگ همچون دز به صورت ماهانه است، پیشبینی ماهانه میتواند براي رسیدن به اهداف کلیدي زیر از اهمیت خاصی برخوردار باشد.
-1اصلاح بهرهبرداري جهت ایجاد تعادل میان منظورهاي رقیب همچون تولید برقابی و کنترل سیلاب
-2مدیریت حجم آب ذخیره شده در ایام خشکسالی و ترسالی
-3ایجاد یک سیستم پیشهشدار براي آگاهساختن مناطق پاییندستی مطالعه تجارب بلایاي هیدرولوژیکی نشان میدهد برخورداري از یک سیستم دقیق پیشبینی کوتاهمدت توانسته
است به طور محسوسی خسارات جانی و مالی این حوادث حدي را کاهش دهد. ازاینرو، در این پژوهش، پیشبینی 15روزه نیز براي پیشبینی کوتاهمدت با هدف اطلاعرسانی و آگاهسازي جمعیت پاییندست در حوادث سیلابی بمنظور کاهش خسارات، صورتپذیرفته است.
بطور سنتی در چند دهه اخیر براي پیشبینی فرایندهاي هواشناختی و هیدرولوژیکی همچون بارش، دبی ماهانه و یا سالانه رودخانهها و سیلابها از رگرسیونهاي یک و یا چند متغیره و مدل هاي استوکاستیک، ARMAو ARIMA به طور گستره استفاده میگردید1]،2،.[3 این مدلها اساساً فرایندها را به صورت خطی با فرض مانایی آنها مدلسازي میکنند و در توصیف مشخصه هاي ناما و غیرخطی سريهاي زمانی غالباً ناتوانند. با عنایت به اینکه سیستمهاي هیدرولوژیکی تحت تأثیر عوامل متعددي همچون شرایط جوي، نفوذ به زمین، تبخیر و تعرق که معمولاً داراي مشخصههاي استوکاستیک و غیرخطی هستند، میباشند؛ ازاینرو، مشخصههاي غیرخطی و ناماناي سريهاي زمانی فرایندهاي هواشناختی و هیدرولوژیکی نقش ویژهاي در پیشبینی ها دارند. رسیدن به مدلهایی که بتواند چنین مشخصههایی را در نظر بگیرد براي هیدرولوژیستها ضروري است.
در سالهاي اخیر، شبکههايعصبیمصنوعی1، توانایی خود را در مدلسازي و پیشبینی سريهاي زمانی غیرخطی و ناماناي فرایندهایی که براي شناخت و توصیف دقیق آنها راه حل و رابطه صریحی موجود نیست، به عنوان یک سیستم هوشمند نشان داده است. مدلهايANN برخلاف مدلهاي آماري و دینامیکی، با پردازش غیرخطی اطلاعات به روش خودسازماندهی در عملیاتی موازي در تعداد زیادي از سلولهاي عصبی، ارتباط بین اطلاعات ورودي و خروجی را در سطح بالایی از دقت شبیهسازي میکنند و بدون ساختن و یا ایجاد رابطه صریح ریاضی میتوانند با آموزشی که دیده اند رفتار سیستم را پیشبینی کنند.توانایی مدلهايANN در مدلسازي و پیشبینی سريهاي زمانی غیرخطی و ناماي هواشناختی و هیدرولوژیکی، با توجه به ماهیت غیرخطی و انعطاف پذیري این مدلها، در مهندسی آب به اثبات رسیده-است.[4] کاربرد گسترده این مدلها در منابع به تفصیل ذکر شده است.[12-1]
امروزه در پیشبینی سريهاي زمانی، رویکردهاي تجزیه2 سري زمانی به مؤلفههاي اصلی آن-مؤلفههاي قطعی یا فصلی و مؤلفههاي تصادفی یا نامنظم- با اقبال مواجه شدهاست. مطالعات نشان میدهد پیشبینی با به کارگیري چنین رویکردي اغلب در توسعه مدل هاي پیش بینی و توصیف مشخصه هاي قطعی و تصادفی سري هاي زمانی بسیار مفید است.[13] اخیراً تبدیلات موجک یک ابزار کاربردي براي تحلیل تغییرات موضعی سريهاي زمانی شده است.[14]
بنابراین، استفاده از مدل هاي تلفیقی پیشبینی سريهاي زمانی مبتنی بر تبدیلات موجک و دیگر روش هاي مدل سازي همچون مدل هاي استوکاستیک، ANN و فازي به طور فزایندهاي در حال افزایش است؛ هرچند که از عمر آنها در هیدرولوژي چندانی نمیگذرد. این نوع مدلها در گام اول داده ها را به کمک تبدیلات موجک پیش پردازش می نماید - تجزیه به مؤلفههاي اصلی - و سپس بر روي این داده هاي پیش پردازش شده، عملیات پیشبینی را صورت می دهد.[19-15]
در این پژوهش، یک مدل پیشبینی با تلفیق شبکهعصبیمصنوعی و تبدیلات موجک جهت بهبود دقت پیشبینی جریان ورودي به مخزن ارائه شدهاست. در این مدل تلفیقی، نخست به کمک تبدیلات موجک سريهاي زمانی 15روزه و ماهانه جریان ورودي به مخزن به مؤلفههاي اصلی تجزیه شده و سپس این مؤلفههاي اصلی به کمک مدل شبکهعصبی-مصنوعی پیشبینی میگردند. در نهایت به کمک این مؤلفههاي تجزیه شده، سري زمانی اصلی بازسازي میگردند. براي ارزیابی نتایج مدلها از معیارهاي R2 - مجذور ضریب همبستگی - ، - RMSEجذر میانگین مربع خطا - و - NMSEمیانگین مربع خطاي نرمال شده - استفاده شدهاست. نتایج بدست آمده از این مدل تلفیقی براي سد مخزنی دز نشان دهنده کارایی این مدلهاي تلفیقی در بهبود دقت پیشبینی هاي 15روزه و ماهانه جریان ورودي به مخزن این سد نسبت به مدلهاي شبکه-عصبیمصنوعی میباشد.
-2معرفی مدل تلفیقی پیش بینی مبتنی بر شبکه عصبی و تبدیلات موجک
-1-2شبکه عصبی مصنوعی
مدلهايANN یک سیستم پردازش موازي اطلاعات با تقلیدي بسیار ساده از سیستم عصبی بیولوژیکی مغز انسان می-باشند.[20] این تقلید بر اساس یک پیکربندي ریاضی است، به طوري که متشکل از چندین لایه و نرون - گره - در هر لایه میباشد. انواع مختلفی از این شبکه همچون شبکههاي عصبی پیشرو1، شبکههاي بازگشتی2و شبکههاي توابع پایه شعاعی3براي مدل سازي، طبقهبندي و ... توسعه داده شدهاند. بررسیها بر روي منابع مطالعاتی نشان میدهد، حدود 90درصد شبکههايعصبیمصنوعی که در مدلسازي و پیشبینی فرآیندهاي هواشناختی و هیدرولوژیکی استفاده شدهاند، شبکههاي پیشرو پرسپترون چندلایه4 با الگوریتم آموزش پسانتشار خطا5 میباشند.6 ثابت شده است که شبکه هايMLP سه لایه براي انجام پیشبینی و شبیهسازي در مهندسی آب مناسب هستند5]و.[21 از اینرو در این مطالعات از شبکه MLPسه لایه استفاده شده است.
-2-2تبدیلات موجک
هدف اصلی از به کارگیري تبدیلات موجک در تحلیل سريهاي زمانی، دست یافتن به نمایش کامل زمان-مقیاس پدیدههاي نامانا و گذرا که در مقیاس هاي مختلف زمانی به وقوع میپیوندد، می باشد.[22] اغلب سريهاي زمانی فرایندهاي هیدرولوژیکی همچون بارش، سیلاب و جریان رودخانه گسسته میباشند؛ از اینرو، تبدیل موجک گسسته همچون الگوریتم ملات7و آتروس8 براي تجزیه و بازسازي سريهاي زمانی به کارگرفته میشود19-15]و.[25-23 در این مطالعات براي پیش پردازش دادهها از الگوریتم ساده، سریع و در عین حال پرکاربرد آتروس بهره گرفته شده است. در این الگوریتم نخست با انتخاب یک فیلتر پایینگذر9 به کمک روابط - 1 - و - - 2، سري زمانی به مؤلفههاي قطعی و نامنظم خود تجزیه میشود. در نهایت به کمک رابطه - - 3، سري زمانی اصلی به کمک مؤلفههایش بازسازي میشود.
