بهره برداری بهینه منابع آب در زمان واقعی بر اساس الگوریتم NSGA-II و ماشین های بردار پشتیبان (مطالعه موردی: سد گاوشان)

Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 256

This Paper With 16 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_JISE-43-1_014

تاریخ نمایه سازی: 7 اردیبهشت 1400

Abstract:

در این تحقیق از ترکیب الگوریتم چندهدفه NSGA-II و مدل شبیه­ساز WEAp برای استخراج سیاست­های بهینه بهره­برداری از مخزن در قالب بهینه­سازی معین استفاده شد. طوری­که در آن، هدف اول، حداکثر نمودن اطمینان­پذیری تامین نیازها در مقابل هدف دوم یعنی حداقل نمودن میزان تخطی ناشی از عدم تامین نیازها و تخطی از ظرفیت مخزن در طول دوره بهره­برداری قرار گرفت. اما جواب­های بهینه یعنی مقدار رهاسازی از مخزن قابل تعمیم برای سایر ورودی­های محتمل به مخزن نیستند. در صورت تغییر جریان ورودی به مخازن جواب­های بهینه به­دست آمده کارایی نداشته و باید بهره­برداری از سیستم در قالب الگوریتم بهینه­ساز مجددا بهینه گردد. لذا برای حل این مشکل روش جدیدی بر اساس تلفیق روش ماشین بردار پشتیبان و الگوریتم NSGA-II برای بهره­­برداری بهینه از سیستم در زمان واقعی توسعه داده شد. نتایج نشان داد میانگین خطای قوانین بهینه مستخرج از ماشین­های بردار پشتیبان نسبت به خروجی الگوریتم NSGA-II در مرحله صحت­سنجی کمتر از ۱۰ درصد است که نشان دهنده کارایی این روش در پیش­بینی الگوی بهینه منحنی فرمان سد در زمان واقعی است. در این ساختار می­توان بر اساس جریان ورودی به مخزن، حجم ذخیره آب در مخزن و تغییرات ذخیره مخزن (در ابتدای ماه) و نیازهای پایین­دست در ماه حاضر، مقدار رهاسازی بهینه را در زمان واقعی به­­دست آورد. روش مورد استفاده این قابلیت را داشته که با توجه به ورودی­های جدید جریان به سد، سریعا سیاست­های بهره برداری بهینه را به نحوی در اختیار قرار دهد که امکان مدیریت بهینه سیستم در زمان واقعی فراهم گردد.

Keywords:

Authors

آرش آذری

استادیار گروه مهندسی آب دانشکده علوم و مهندسی کشاورزی، دانشگاه رازی.

علی آرمان

استادیار گروه مهندسی آب دانشکده علوم و مهندسی کشاورزی، دانشگاه رازی.

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • 1- Bazargan-Lari, M.R., Kerachian, R., Sedghi, H., Fallahnia, M., Abed-Elmdoust, ...
  • 2- Blum, C., and Roli, A., 2003. Metaheuristics in combinational ...
  • 3- Candela, J. Q. and Hansen, L. K., 2002. Time ...
  • 4- Chang, J. F., Chen, L., and Chang, C. L., ...
  • 5- Deb, k., Pratap, A., Agarwal, S., and Meyarivan, T., ...
  • 6- Du, J., Liu, Y., Yu, Y. and Yan, W., ...
  • 7- Esmikhani, M., Safavi, H. and Yazdani-Poor, M., 2010. Integrated ...
  • 8- Gen, M., and Cheng, R. W., 1997. Genetic Algorithms ...
  • 9- Hojjati, A., FaridHoseini, A. R., Ghahreman, B. and Alizadeh, ...
  • 10- Huang, M. and Tian, Y., 2015. Prediction of Groundwater ...
  • 11- Jian, C. Qiang, H., and Min, W., 2005. Genetic ...
  • 12- Li, X., Sha, J., Li, Y. M. and Wang, ...
  • 13- Lin, J. Y., Cheng, C. T. and Chau, K. ...
  • 14- Mirfendreski, G. and Mosavi, S.J., 2011. Supported vector machines ...
  • 15- Momtahen, Sh., and Dariane, A. B., 2007. Direct search ...
  • 16- Nakhaei, M., Mohammadi, M. and Rezaei, M., 2014. Optimizing ...
  • 17- Nikoo, M. R., Karimi, A., Kerachian, R. and Bashi-Azghadi, ...
  • 18- Noori, R., Khakpour, A., Dehghani, M. and Farokhnia, A., ...
  • 19- Schölkopf, B. and Smola, A., 2002. Learning with Kernels. ...
  • 20- Shirzad, A., Tabesh, M. and Farmani. R. 2014. A ...
  • 21- Smola, A. J and Schölkopf, B., 1998. On a ...
  • 22- Tennant, D. L., 1976. Instream flow regimens for fish, ...
  • 23- Thissen, U., van Brakel, R., de Weijer, A. P., ...
  • 24- Vapnik, V., 1995. The nature of statistical learning theory. ...
  • 25- Wardlaw, R., and Sharif, M., 1999. Evaluation of genetic ...
  • 26- Xi, X. C., Poo, A. N. and S. K. ...
  • نمایش کامل مراجع