مدل شبكه عصبي مصنوعي براي بررسي همبستگي روزانه بين ايستگاه‌ها در پيش‌بيني جريان ورودي به مخزن سد دز

AN ARTIFICIAL NEURAL NETWORK MODEL DETECTING DAILY CORRELATION AMONG STATIONS IN RESERVOIR INFLOW FORECASTING

پيش بيني جريان در بهره برداري از مخازن سدها و مديريت منابع آب اهميت زيادي دارد. در اين مقاله، جريان ورودي به مخزن سد دز با استفاده از مدل شبكه عصبي مصنوعي و مدل رگرسيون خطي چند متغيره بر اساس آمار آبدهي روزانه ايستگاه هاي هيدرومتري واقع در بالادست مخزن سد پيش بيني شده است. با استفاده از دو مدل مذكور همبستگي زماني و مكاني بين ايستگاه هاي واقع در بالادست مخزن نيز بررسي شده‌است. نتايج به‌دست آمده نشان مي دهد كه درحالت كلي، با در نظر گرفتن ضريب همبستگي و معيار ميانگين مربعات خطاها، مدل شبكه عصبي مصنوعي عملكرد بهتري نسبت به مدل رگرسيون خطي دارد. بهترين موقع براي پيش-بيني يك روز جلوتر با استفاده از داده هاي نزديك ترين ايستگاه بالادست سد (تنگ پنج) و سه روز جلوتر با داده هاي ايستگاه هاي ونايي (سراب سفيد)، درودتيره، كمنداب و دره تخت انجام مي شود. بدين ترتيب با افزايش فاصله ايستگاه پيش بيني كننده، زمان پيش بيني از يك روز به سه روز افزايش و دقت آن 42% كاهش مي يابد.

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 stations in the reservoir upstream. According to the correlation coefficient and mean square of errors (MSE), the performances of different models were compared. The results suggest 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%.