مدل شبکه عصبی مصنوعی برای بررسی همبستگی روزانه بین ایستگاه‌ها در پیش‌بینی جریان ورودی به مخزن سد دز

نویسندگان

چکیده

پیش­بینی جریان در بهره­برداری از مخازن سدها و مدیریت منابع آب اهمیت زیادی دارد. در این مقاله، جریان ورودی به مخزن سد دز با استفاده از مدل شبکه عصبی مصنوعی و مدل رگرسیون خطی چند متغیره بر اساس آمار آبدهی روزانه ایستگاه­های هیدرومتری واقع در بالادست مخزن سد پیش­بینی شده است. با استفاده از دو مدل مذکور همبستگی زمانی و مکانی بین ایستگاه­های واقع در بالادست مخزن نیز بررسی شده‌است. نتایج به‌دست آمده نشان می­دهد که درحالت کلی، با در نظر گرفتن ضریب همبستگی و معیار میانگین مربعات خطاها، مدل شبکه عصبی مصنوعی عملکرد بهتری نسبت به مدل رگرسیون خطی دارد. بهترین موقع برای پیش­بینی یک روز جلوتر با استفاده از داده­های نزدیک­ترین ایستگاه بالادست سد (تنگ­پنج) و سه روز جلوتر با داده­های ایستگاه­های ونایی (سراب سفید)، درودتیره، کمنداب و دره­تخت انجام می­شود. بدین ترتیب با افزایش فاصله ایستگاه پیش­بینی­کننده، زمان پیش­بینی از یک روز به سه روز افزایش و دقت آن 42% کاهش می­یابد.

کلیدواژه‌ها


عنوان مقاله [English]

An artificial neural network model detecting daily correlation among the stations in reservoir inflow forecasting

نویسندگان [English]

  • Dr M. Bani habib
  • Sayed Majid Mousavi
  • Farimah Sadat Jamali
چکیده [English]

Inflow forecasting plays an important role in reservoir operation and water resources management. In this paper, Artificial Neural Network (ANN) and multiple regression models have been used to forecast inflow into Dez reservoir using data from upstream hydrometric stations. The paper aims to define the best pattern of spatial and temporal correlations among the stations in upstream the reservoir. using the correlation coefficient and mean square of errors (MSE), The performances of different models were compared. The results indicited that the ANN forecasts the reservoir inflow better than the multiple regression models. The best one day prior forecasting was obtained using the data of the nearest station to the reservoir (Tangpanj station). Furthermore, the best three days prior forecasting model is obtained using Kamandab, Vanaee, Doroodtireh and Daretakht stations. Hence, by increasing the distance of forecaster stations from the target station, the forecasting time would increase from one day to three days, but forecasting accuracy would decrease by 42%.

کلیدواژه‌ها [English]

  • Inflow forecasting
  • Neural Network
  • Multiple Regression
  • Dez Reservoir
  • Spatial and Temporal Correlation