بخشی از مقاله
خلاصه
یکی از مهم ترین موارد در برنامه ریزی منابع آب هر سد، برآورد صحیح دبی ورودی به مخزن در سال های آتی است. لذا در این تحقیق با استفاده از آمار 31 ساله ایستگاه هیدرومتری دوکوهه واقع بر روی رودخانه بالارود - سال آبی 1364 تا - 1394، ابتدا با مقایسه سری های سالیانه تولیدی از مدل های AR، ARMA و PARMA، سری های سالیانه مورد نیاز روش های پارامتریک غیر مستقیم تولید و انتخاب گردید، سپس تعداد 400 سری مصنوعی ماهیانه توسط هر یک از مدل های پارامتریک Thomas-Fiering، Fragment و Valencia-Schaake و همچنین مدل غیر پارامتریک Bootstrap تولید و میانگین پارامترهای آماری هر ماه با سری تاریخی مقایسه شد. نتایج نشان داد که مدل Fragment پارامترهای آماری جریان رودخانه را به خوبی حفظ کرده و می توان سری های تولیدی بوسیله ی این روش را بمنظور برنامه ریزی مخزن سد بالارود در سال های آتی مورد استفاده قرار داد.
1. مقدمه
برنامه ریزی درست در جهت استفاده مطلوب از منابع آب در دسترس و مدیریت بهینه منابع آب سطحی با توجه به جایگاه و اهمیت آن، امری اجتناب ناپذیر است. در راستای رسیدن به اهداف مدیریت بهینه منابع آب سطحی، داشتن اطلاعات وآگاهی از تغییرات آتی این منابع با توجه به وجود تغییرات شدید ناشی از پدیده هایی همچون سیل و خشکسالی ضروری است. در خصوص سیاست های بهره برداری از منابع آب سطحی، رویکردهای مختلفی را میتوان اعمال نمود که نوع مدل سازی و فرضیات آن ها میتواند در بهره برداری از مخزن تعیین کننده باشد.
در مدل های بهینه سازی بهره برداری از مخزن که جریان های ورودی به صورت قطعی فرض میشود، مدل محدود به داده های تاریخی شده و برای جریان های ورودی جدید بایدمجدداٌ مورد واسنجی قرار گیرد. لذا با تولید سری های متنوع جریان ورودی به مخزن و بهینه کردن مدل های بهره برداری بر اساس سری های تولیدی، می توان ماهیت استوکاستیکی جریان را نیز در مدل های بهره برداری لحاظ کرد و این اطمینان را داشت که در بلند مدت، جریان ورودی به مخزن می تواند تشابه نسبی با یکی از سری های مصنوعی جریان رودخانه داشته باشد.
در همین راستا روش های متنوعی برای تولید داده های مصنوعی فرآیند های هیدرولوژیکی مورد استفاده قرار می گیرد. مدل های تولید داده های مصنوعی را می توان به دو گروه پارامتریک و غیر پارامتریک طبقه بندی کرد. در مدل های غیر پارامتریکداده، های مصنوعی مستقیماً به وسیله نمونه گیری مجدد از داده های ثبت شده تاریخی تولید می شوند، اما مدل های پارامتریک بر پایه ی رابطه ریاضی بوده که اغلب به وسیله یک رابطه خطی تعریف می شوند.
[1] از مدل های پارامتریک سالیانه می توان به مدل های اتورگرسیو - - AR، اتورگرسیو میانگین متحرک - - ARMA و اتورگرسیو میانگین متحرک دوره ای - - PARMA اشاره کرد. از مدل های پارامتریک ماهیانه، می توان از مدل های Fragment، Thomas-Fiering و Valencia-Schaake نام برد، همچنین از مدل های غیر پارامتریک می توان به مدل Bootstrap اشاره کرد. جایگزینی مجدد داده های تاریخی بعنوان اولین ایده در زمینه تولید داده های مصنوعی مطرح شد که توسط محققین زیادی مورد استفاده قرار گرفت.
بعنوان نمونه هازن در سال 1914 داده های تاریخی رودخانه های مورد مطالعه ی خود را بصورت سالانه و استاندارد مرتب کرد و از این داده های تاریخی، 300 سری مصنوعی جریان تولید کرد. مطالعات او نقطه عطفی در کاربرد سری های مصنوعی جریان در سیستم های منابع آب بود. پس از او سولجر نیز در تولید سری های مصنوعی مطالعاتی انجام داد و با استفاده از 50 سال داده تاریخی رودخانه، 20 سری داده جریان متفاوت 50 ساله تولید کرد، اما مشکل این روش این بود که مقادیر ماهانه سری های مصنوعی تنها از میان داده های تاریخی انتخاب می شدند و این اتفاق امکان ساخت سری های با دبی پیک بیشتر و یا شرایط خشک تر را سلب می کرد .[2]
همچنین استفاده از روش های اتورگرسیو و میانگین متحرک در مسائل هیدرولوژی از سال 1969 توسط کیزیل آغاز شد .[3] برآورد و تولید داده های جریان رودخانه از مسائل مهم در برخی از مدل های برنامه ریزی بهره برداری از مخازن می باشد. بر حسب نوع سیستم، تأثیر برآورد رودخانه در بهره برداری از مخزن متفاوت است. اما به طورکلی با برآورد بهتر جریان رودخانه، شرایط بهره برداری از مخزن بهبود می یابد، زیرا زمان بیشتری برای تصمیم گیری درست تر در اختیار قرار می گیرد .[4]
برآورد جریان رودخانه منافع زیادی را از جمله برنامه ریزی دقیق تر بهره برداری از مخزن و همچنین کاهش ریسک آن را بدنبال دارد. در مطالعه ای که در یک مخزن چند منظوره در کالیفرنیا صورت گرفت، منافعی که با پیش بینی های بلند مدت رودخانه بدست می آمد مورد بررسی قرار گرفت .[5] مطالعات دیگری نیز بر روی یکی از مخازن سدهای کالیفرنیا نشان می دهد که با برآورد صحیح دبی های آتی رودخانه، می توان حداکثر خسارت سیل را کاهش و میزان سر ریز را در ماه های پر بارش کم کرد و میزان انرژی برقابی تولیدی توسط توربین ها را افزایش داد [6] و .[7] معمولا در فصل تابستان با کاهش تولید انرژی برقابی مواجه هستیم که دلیل عمده آن کاستن از میزان رهاسازی مخزن در این فصل می باشد. با برآورد صحیح جریان رودخانه می توان محدودیت های خروجی در اواخر تابستان و ابتدای پاییز را کم کرده و به همان نسبت افزایش سود سالانه ناشی از فروش انرژی را بدست آورد بدون آن که تأثیر قابل ملاحظه ای بر سایر مصارف سیستم داشته باشد .[8]
2. مواد و روش ها
-2-1 منطقه مورد مطالعه
رودخانه بالارود یکی از مهمترین شاخههای الحاقی به رودخانه دز در پایین دست سد مخزنی دز میباشد. این رودخانه از دامنه کوههای گلاهور واقع در 58 کیلومتری شمال شهرستان اندیمشک سرچشمه گرفته و پس از طی مسافتی حدود 100 کیلومتر با عبور از کنار شهرستان اندیمشک، در جنوب شهرستان دزفول به رودخانه دز میپیوندد. مساحت حوضه آبریز رودخانه بالارود تا محل اتصال به رودخانه دز حدود 15000 کیلومتر مربع برآورد شده است که از این میزان حدود 775 کیلومتر مربع آن در بالادست ایستگاه آبسنجی دوکوهه قرار گرفته است. ایستگاه دوکوهه تنها ایستگاه آبسنجی بر روی این رودخانه است که در سال 1363 تأسیس شده و تاکنون در حال بهرهبرداری و اندازهگیری جریان و پارامترهای دیگر آبسنجی میباشد . آمار دبی استفاده شده در این تحقیق، سری زمانی سالیانه و ماهیانه ایستگاه دوکوهه برای دوره 31 ساله - سال آبی 1364 تا - 1394 است.
-2-2 نرمال سازی داده ها
به منظور استفاده از داده های هیدرولوژی بعنوان متغیر های تصادفی در سیستم های منابع آب، بررسی نرمال بودن داده ها و همچنین ایستایی آن ها امری ضروری است. نرمال بودن داده ها به این دلیل اهمیت دارد که تئوری سری های زمانی براساس نرمال بودن داده ها شکل گرفته و توسعه یافته و در صورتی که داده ها نرمال نباشند بایستی از روش های مختلف چون لگاریتم گیری، جذر، نمایی و یا تبدیل توانی Box - Cox آن ها را نرمال نمود.
در مقاله حاضر به منظور نرمال نمودن داده ها پس از اعمال روش های ذکر شده، نهایتا از روش لگاریتم گیری بر مبنای عدد نپر در بسته نرم افزاری SAMS V2007 استفاده شد که در شکل 1 و شکل 2 نتیجه ی نرمال سازی داده ها آورده شده است. شکل 1 نشان دهنده نمودار احتمال نرمال داده های تاریخی و شکل 2 نمودار احتمال نرمال داده های تبدیل یافته1بوسیله ی تبدیل لگاریتمی است. به منظور تأیید نرمال سازی داده ها توسط تبدیل لگاریتمی، آزمون چولگی1و آزمون فیلبن 2بر روی داده های تبدیل یافته انجام شد که خروجی آزمون چولگی عدد -0/148 و خروجی آزمون فیلبن عدد 0/979 شد که حاکی از تأیید نرمال شدن داده ها است. همچنین ایستایی داده ها نیز بوسیله ی نرم افزار SAMS V2007 بررسی شد که نتایج نشان دهنده ی ایستایی داده ها بود.
-2-3 مدل های تولید داده مصنوعی
بطور کلی مدل های تولید داده های مصنوعی را می توان به دو گروه پارامتریک و غیر پارامتریک طبقه بندی کرد. در مدل های غیر پارامتریک، داده های مصنوعی مستقیماً به وسیله نمونه گیری و جایگزینی مجدد از داده های ثبت شده تاریخی تولید می شوند، اما مدل های پارامتریک بر اساس رابطه های ریاضی هستند. شرط استفاده از هر یک از مدل ها، نرمال بودن داده های مورد استفاده است. دسته بندی کلی مدل های مورد استفاده در این مطالعه بمنظور تولید داده های مصنوعی جریان در شکل 3 نمایش داده شده است.
شکل -3 تقسیم بندی مدل های تولید داده مصنوعی
در گروه پارامتریک، داده های تولیدی ماهیانه به دو روش مستقیم و غیر مستقیم تولید می شوند. در روش مستقیم، داده های ماهیانه بطور مستقیم بوسیله ی روش Thomas-Fiering تولید می شوند اما در روش غیر مستقیم، ابتدا داده های سالانه توسط یکی از مدل های استوکاستیکی نظیر AR، ARMA و یا PARMA تولید و سپس داده های سالیانه بوسیله ی یکی از روش های Fragment و یا Valencia-Schaake در ماه های مختلف سال پخش می شوند .[9]
