استخراج منحنی فرمان بهینه سد در زمان واقعی بر اساس ترکیب الگوریتم فراکاوشی و تکنیک یادگیری ماشین

استفاده از مدل‌های کوپل شده شبیه‌سازی-بهینه‌سازی برای استخراج منحنی فرمان بهینه سدها یکی از راهکارهای موثر برای مدیریت بهینه مخازن است. در تکنیک بهینه‌سازی معین، معمولا از داده‌های جریان تاریخی ورودی به مخزن برای استخراج منحنی فرمان بهینه سد استفاده می‌شود. ممکن است در سال‌های آینده با تغییر جریان ورودی به سدها پارامترهایی که بر اساس آن منحنی فرمان بهینه استخراج شده است ممکن است دیگر کارایی نداشته باشد و نتایج خارج از انتظار باشد. هدف از این تحقیق ارایه راهکاری برای استخراج منحنی فرمان بهینه در زمان واقعی است طوری که با تغییر جریان ورودی به سد در آینده بدون اجرای مجدد الگوریتم بهینه‌سازی و با استفاده از تکنیک هوش مصنوعی در کمترین زمان، منحنی فرمان بهینه سازگار با شرایط جدید را استخراج کرد. در این تحقیق از ترکیب الگوریتم چندهدفه nsga-ii و مدل شبیه‌ساز weap برای استخراج سیاست‌های بهینه بر اساس داده‌های تاریخی استفاده شد. سپس با استفاده از روش ماشین بردار پشتیبان و نتایج حاصل از خروجی الگوریتم بهینه‌سازی ساختار جدیدی توسعه داده شد تا بتوان منحنی فرمان بهینه را در زمان واقعی و بر اساس ورودی‌های جدید بدست آورد. نتایج نشان داد کمترین درصد تامین نیاز کشاورزی مربوط به ماه‌های تیر و مرداد به ترتیب به میزان 78 و 77 درصد و کمترین درصد تامین نیاز زیست‌محیطی مربوط به ماه شهریور و در حدود 64 درصد بود. همچنین منحنی فرمان بهینه مستخرج از ماشین‌های بردار پشتیبان نسبت به منحنی فرمان حاصل از الگوریتم nsga-ii در مرحله واسنجی و صحت‌سنجی دارای میانگین خطای کمتر از 2.5 درصد و ضریب تبیین 0.99 می‌باشد. لذا مدل ماشین‌بردار پشتیبان توسعه داده شده این قابلیت را داشته که با توجه به داده‌های جدید جریان ورودی به سد، سریعا سیاست‌های بهره‌برداری بهینه را به نحوی در اختیار قرار دهد که امکان مدیریت بهینه سیستم در زمان واقعی فراهم گردد.

extracting the optimal role curve of dams in real time based on the integration of meta-exploration algorithm and machine learning technique

the use of coupled simulation-optimization models to extract the optimal role curve of dams is one of the effective strategies for optimal management of reservoirs. in certain optimization techniques, historical data of the inflow to the reservoir is usually used to extract the optimal role curve of the dam. it is possible that in the coming years, with the change of the inflow to dams, the parameters based on which the optimal role curve was extracted may no longer work and the results may be unexpected. the objective of this research is to provide a solution for extracting the optimal role curve in real time so that by changing the inflow to the dam in the future without re-executing the optimization algorithm and using artificial intelligence techniques in the shortest time, the optimal role curve compatible with the new conditions can be obtained. in this research, the integration of the nsga-ii multi-objective algorithm and the weap simulation model is used to derive optimal policies based on historical data. then, using the support vector machine method and the results obtained from the output of the optimization algorithm, a new structure is developed so that the optimal role curve can be obtained in real time and based on new inputs. the results indicate that the average error of the optimal role curve extracted from support vector machines is less than 2.5% compared to the role curve obtained from the nsga-ii algorithm in the calibration and validation stages. therefore, the developed support vector machine model has the ability to quickly provide optimal operation policies in such a way that provides the possibility of optimal management of the system in real time, according to the new data of the inflow to the dam.