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

در این تحقیق از ترکیب الگوریتم چندهدفه nsgaii و مدل شبیه ساز weap برای استخراج سیاست های بهینه بهره برداری از مخزن در قالب بهینه سازی معین استفاده شد. طوری که در آن، هدف اول، حداکثر نمودن اطمینان پذیری تامین نیازها در مقابل هدف دوم یعنی حداقل نمودن میزان تخطی ناشی از عدم تامین نیازها و تخطی از ظرفیت مخزن در طول دوره بهره برداری قرار گرفت. اما جواب های بهینه یعنی مقدار رهاسازی از مخزن قابل تعمیم برای سایر ورودی های محتمل به مخزن نیستند. در صورت تغییر جریان ورودی به مخازن جواب های بهینه به دست آمده کارایی نداشته و باید بهره برداری از سیستم در قالب الگوریتم بهینه ساز مجددا بهینه گردد. لذا برای حل این مشکل روش جدیدی بر اساس تلفیق روش ماشین بردار پشتیبان و الگوریتم nsgaii برای بهره برداری بهینه از سیستم در زمان واقعی توسعه داده شد. نتایج نشان داد میانگین خطای قوانین بهینه مستخرج از ماشین های بردار پشتیبان نسبت به خروجی الگوریتم nsgaii در مرحله صحت سنجی کمتر از 10 درصد است که نشان دهنده کارایی این روش در پیش بینی الگوی بهینه منحنی فرمان سد در زمان واقعی است. در این ساختار می توان بر اساس جریان ورودی به مخزن، حجم ذخیره آب در مخزن و تغییرات ذخیره مخزن (در ابتدای ماه) و نیازهای پایین دست در ماه حاضر، مقدار رهاسازی بهینه را در زمان واقعی به دست آورد. روش مورد استفاده این قابلیت را داشته که با توجه به ورودی های جدید جریان به سد، سریعا سیاست های بهره برداری بهینه را به نحوی در اختیار قرار دهد که امکان مدیریت بهینه سیستم در زمان واقعی فراهم گردد.

Optimal Utilization of Water Resources in Real Time Based on NSGA-II Algorithms and Support Vector Machines (Case Study: Gavoshan Dam)

Ample research has been done on optimization methods for the exploitation of reservoirs in the form of a specific optimization. In this type of studies, a certain series of flow is provided for the reservoir during the operation period and the release from the reservoir to downstream is optimized under such circumstances. They are certain drawbacks for these models. First, optimal solutions cannot be generalized for other possible inputs to the reservoir. Second, in the event of a change in the flow of input into the reservoirs, it is likely that the optimal solutions are not efficient and the operation of the system in the form of an optimization algorithm should be performed again. In such circumstances, one of the solutions is the use of intelligent methods such as support vector machines to apply the results of system optimization in real time. The main goal of this study is to integrate artificial intelligence methods such as support vector machine with NSGAII optimization algorithm to convert it to real time. In this structure, contrary to the conventional design of the scheduling, in the event of a change in the flow of input, there is no need to perform reoptimization to understand the optimal coefficients. Instead, the extraction relationship of the support vector machine can be based on the input to the reservoir (at the beginning of the month), the volume of water storage in the tank (at the beginning of the month), reservoir storage changes and downstream needs in the current month to yield optimal release rates in real time.