پیش‌بینی جریان ورودی به سد علویان با استفاده از سیستم تطبیقی فازی-عصبی بهینه‌شده

نوع مقاله : مقاله پژوهشی

نویسنده

دانشگاه زنجان

چکیده

در این تحقیق با استفاده از اطلاعات روزانه، هفتگی، 10 روزه و ماهانه آب ورودی به سد علویان در شمال غرب ایران، جریان بهنگام آب ورودی به مخزن با استفاده از سیستم تطبیقی فازی-عصبی بهینه‌شده (OANFIS) پیش‌بینی‌شده است. به‌منظور تعیین تعداد و فواصل زمانی ورودی‌های مدل، از دو الگوریتم جستجوی ترتیبی (Sequential Search) و جستجوی جامع (Exhaustive Search) جهت حداقل نمودن خطای پیش‌بینی استفاده‌شده است. در جستجوی ترتیبی 17 مدل در مقیاس زمانی روزانه، هفتگی، 10 روزه و ماهانه با ورودی جریان آب به مخزن سد در گام‌های زمانی مختلف،به‌عنوان ورودی و جریان در زمان V(t) به‌عنوان خروجی، توسعه و مقایسه شده است. در جستجوی جامع نیز ترکیب 2 از 10 و 3 از 10 که شامل 45 و 120 مدل در گام زمانی V(t-1) تا V(t-10) به‌عنوان ورودی و خروجی در گام زمانی V(t)، توسعه و مقایسه شده است. به‌منظور ارزیابی کارایی مدل‌های توسعه‌یافته، از شاخص‌های آماری و آزمون نکویی برازش استفاده‌شده است. در الگوریتم ترتیبی و مقیاس روزانه در اولین گام ورودی V(t-1) با RMSE صحت یابی برابر 211/0 میلیون مترمکعب، در گام دوم ترکیب ورودی V(t-1) و V(t-8) با RMSE صحت یابی برابر 187/0 میلیون مترمکعب و در گام سوم V(t-4),V(t-3),V(t-1) با RMSE صحت یابی برابر 5247/1 میلیون مترمکعب انتخاب‌شده است. در مقیاس هفتگی در اولین گام ورودی V(t-1) با RMSE صحت یابی برابر 175/0 میلیون مترمکعب، در گام دوم ترکیب ورودی V(t-1) و V(t-3) با RMSE صحت یابی برابر 192/0 میلیون مترمکعب و در گام سوم V(t-9),V(t-8),V(t-1) با RMSE صحت یابی برابر 3912/0 میلیون مترمکعب انتخاب‌شده است. در کلیه مدل‌های بهینه در مقیاس‌های زمانی موردبررسی، ورودی V(t-1) به‌عنوان یک متغیر تأثیرگذار حضورداشته و خروجی مدل از حساسیت بالایی نسبت به تغییرات آن‌که دارای کمترین فاصله زمانی با خروجی نیز می‌باشد، برخوردار است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Forecasting of the Alavian Dam Inflow water Using Optimized Adaptive Neuro-Fuzzy Inference System (OANFIS)

نویسنده [English]

  • Farhad Misaghi
Zanjan University
چکیده [English]

In this study, Optimized Adaptive Neuro-Fuzzy Inference System (OANFIS) was employed on a set of daily, weekly, 10-days and monthly data of inflow water into the Alavian Dam to predict the real-time inflow of the reservoir. Sequential and exhaustive search algorithms were used to determine the numbers and time steps of the model inputs and also reducing the prediction’s errors. In sequential search stage, several inputs series in daily, weekly, 10 days and monthly scales were developed as inputs and those were compared with outflows in time t as expressed by V (t). Also in exhaustive search phase, combinations of 2 from 10 and 3 from 10 which was included 45 and 120 models of time scale of V (t-1) to V (t-10) as inputs were developed and compared with outputs in time t as Vt. Statistical techniques including goodness of fit was used to evaluate the developed models performance. In sequential algorithm with daily scale, in the first step the input of V (t-1) with RSME=0.211 MCM, in the second step the input combination of V (t-1) to V (t-8) with RSME=0.187 MCM and also in the third step V (t-1), V (t-3) and V (t-4) with RSME=1.525 MCM were selected. Also in weekly scale, in the first step the input of V (t-1) with RSME=0.175 MCM, in the second step the input combination of V (t-1) to V (t-8) with RSME=0.192 MCM and also in the third step V (t-1), V (t-3) and V (t-4) with RSME=0.391 MCM were selected. In all of the optimized models of the studied time steps, the inputs of the V(t-1) was recognized as an effective factor and models outputs were sensitive to this variable at this time step which had the least time difference with output. 

کلیدواژه‌ها [English]

  • forecasting
  • OANFIS
  • Sequential
  • Exhaustive Search Algorithms
Bisht, D. C. S, Mohan Raju, M and Joshi, M. C. (2009). Simulation of water table elevation fluctuation using fuzzy-logic and ANFIS. Computer Modelling and New Technologies, 13(2), 16–23.
Firat, M., and Gungor, M., (2006). River flow estimation using adaptive neuro fuzzy interface system. Mathematics and Computer in Simulation, Matcom-2710.
Guan-De Wu, Shang-Lien Lo., (2008). Predicting real-time coagulant dosage in water treatment by artificial neural networks and adaptive network-based fuzzy inference system. Engineering Applications of Artificial Intelligence, 21,1189– 1195.
Nayak, P, C., Sudheer, K, P., Rangan, D, M., and Ranasastri, K, S., (2004). A neurofuzzy computing technique for modeling hydrological time series. Journal of Hydrology, 291, 52-66.
Nash, J.E., Sutcliffe, J.V., (1970). River flow forecasting through conceptual models. Part 1. A discussion of principles. Journal of Hydrology, 10 (3), 282–292.
Pennell, K.D., Hornsby, A.G., Jessup, R.E., Rao, P.S.C., (1990). Evaluation of five simulation models for predicting aldicarb and bromide behaviour under field conditions. Water Resources Research, 26 (11), 2679–2693.
Sugeno, Li, Y.P. G.H. Huang, Z.F. Yang and S.L. Nie., (2008). IFMP: Interval-fuzzy multistage programming for water resources management under uncertainty. Resources, Conservation and Recycling, 52. pp 800–812.
Tabari, H., Kisi, O., Ezani, A., and Hosseinzadeh Talaee., (2012). SVM, ANFIS, regression and climate based models for reference evapotranspiration modeling using limited climatic data in a semi-arid highland environment. Journal of Hydrology 444–445, 78–89.
Taleia, A., Chye Chuab, L.H., and Wong, T. S.W. (2010). Evaluation of rainfall and discharge inputs used by Adaptive Network-based Fuzzy Inference Systems (ANFIS) in rainfall–runoff modeling. Journal of Hydrology, Vol. 391,248–262.