طبقه ‌بندی جریان فصلی سد جامیشان با روش k-means و اثر آن در برنامه‌ریزی پویای تصادفی

بهره‌برداری بهینه از مخازن سدهای کشور به‌عنوان اصلی ‌ترین منابع آب‌های سطحی دارای اهمیت و جایگاه ویژه‌ی در مدیریت منابع آب می‌باشد. در این تحقیق، ابتدا با استفاده از روش جدید خوشه‌بندی k-means کلاسه دبی‌ ورودی به مخزن سد در هر فصل بهینه شد و برای گسسته ‌سازی حجم ذخیره مخزن از روش موران در 7 کلاسه استفاده شد. با کمک برنامه‌نویسی در محیط پایتون، آبدهی ورودی مخزن در هر فصل از 2 تا 20 کلاسه مختلف طبقه‌بندی شد. از میان 19 خوشه در نظر گرفته شده، برای کلاسه جریان شماره 5، بهترین نتایج در طبقه‌بندی دبی فصلی حاصل شده است. سپس مقدار l* در شرایط ایستا در ازای ترکیبات مختلف ازk و i به دست آمد. نتایج نشان داد که بیش‌ترین تغییرات در بهار تا 5 کلاسه مخزن و کمترین آن در تابستان با یک کلاسه از مخزن اتفاق افتاده است. بیشترین میزان احتمال خروجی از مخزن در فصول پاییز، زمستان و بهار برای کلاسه مخزن 4 اتفاق افتاده است و برای فصل تابستان به دلیل آبدهی کمتر و بالاتربودن میزان نیاز، این مقدار در کلاسه 5 مخزن اتفاق افتاده است. از آنجا که تغییر در کلاسه‌بندی جریان منجر به تغییر اساسی در ماتریس احتمال انتقال خواهد شد لذا استفاده از روش k-means در گسسته‌سازی آبدهی جریان با توجه به امکان بهینه‌شدن تعداد خوشه‌ها در هر دوره زمانی، می‌تواند در برنامه‌ریزی پویای تصادفی مخزن بسیار سودمند و تاثیرگذار باشد. لذا استفاده از این روش در بهره‌برداری از مخازن بصورت برنامه‌ریزی پویای تصادفی قویا توصیه می‌گردد.

reservoir inflow classification of jamishan reservoir by k-means method and its effect on stochastic dynamic programming

one of the principles of water resources management is the optimal use of the reservoirs as the main sources of surface water, and this issue has a special importance in the science of water engineering. in this research, the new k-means clustering method to discretize reservoir inflow has been presented for the stochastic dynamic programming(sdp). in addition, the moran’s method is used to discretize the reservoir storage. by the programming in the python environment, the historical reservoir inflow in each season is classified to different clusters and obtained the best inflow cluster for each season. the effects of this clustering is also considering in the sdp of jamishan reservoir. in general, the change in inflow classification will lead to a fundamental change in the transition probability matrix. thus, the use of k-means method for the reservoir inflow discretization, due to the possibility of optimizing the number of clusters in each time period, can be very useful for the sdp. finally, it is strongly recommended to use k-means method to discretize reservoir inflow for reservoir operation by sdp.the k-means clustering algorithm was first used by james mcqueen in 1967. k-means is an object-based algorithm that selects representative clusters from the data itself rather than averaging them. actually, k-means of a cluster is the most central element of a cluster. the purpose of this method is to reduce sensitivity to large values in the data set. in this algorithm, each cluster is introduced with one of the data close to the center. in this algorithm, according to the number of data categories (k), the value of the least squares function is minimized and the data are categorized in the best way. in addition, the moran’s method is used to discretize the reservoir storage. in this method, the upper and lower limit of the range of changes and the upper limit of each category are used as indicators of discretization of the reservoir volume. the study area includes jamishan reservoir sub-basin with an area of 527.07 km2 located in the southwest of sanghar city near the pirsalman hydrometric station. the annual average of rainfall, evaporation and temperature are 441 mm, 1534 mm and 10 degrees celsius, respectively.evaluating the performance of the k-means model in 4 different seasons, showed that among the 19 considered clusters, the best result in seasonal classification is obtained by the 5 inflow clusters according to the performance rate in fall, winter, spring and summer seasons - 142.57, -176.90, -475.36 and -2.10, respectively.