پيش بيني جريان ورودي به مخزن سد كمال صالح با استفاده از محاسبات نرم

Forecasting of Inflow to Kamal Saleh Reservoir using Soft Computing

پيش بيني جريان ورودي به مخازن سدها به منظور انجام برنامه ريزي و بهره برداري مناسب منابع آب لازم و ضروري است. در اين تحقيق عملكرد دو مدل هوشمند شبكه هاي عصبي مصنوعي و سامانه استنتاج فازي- عصبي تطبيقي مبتني بر روش دسته بندي تفريقي در پيش بيني جريان ورودي به سد كمال صالح در استان مركزي مورد بررسي قرار گرفت. بدين منظور از داده هاي جريان و بارش در يك دوره آماري 31 ساله (1390- 1360) استفاده شد و پيش-بيني جريان در گام هاي زماني روزانه و ماهانه انجام شد. از مقادير دبي جريان و بارش در گام هاي زماني قبلي به عنوان الگوهاي ورودي مدل ها استفاده شد. عملكرد هر دو مدل در پيش بيني هاي روزانه و ماهانه جريان بر اساس مقادير شاخص هاي خطاي R، RMSE و MAE بسيار مطلوب بود، هرچند عملكرد مدل فازي- عصبي بهتر از مدل شبكه هاي عصبي بود (كمتر از 3 درصد). استفاده از ضريب فصلي موجب بهبود عملكرد مدل ها در پيش بيني هاي ماهانه شد. در ادامه، اثرات متغيرهاي اقليمي بزرگ مقياس شامل شاخص نوسانات آتلانتيك شمالي و شاخص نوسانات جنوبي در پيش بيني هاي ماهانه حاصل از الگوي بهينه مدل برتر بخش قبل، مورد بررسي قرار گرفت. نتايج به دست آمده حاكي از آن بود كه استفاده از شاخص هاي اقليمي در تركيب الگوهاي ورودي، مي تواند موجب بهبود عملكرد مدل در پيش‌بيني هاي جريان ورودي گردد. در اين ميان شاخص نوسانات جنوبي تاثير بيشتري بر بهبود پيش بيني دبي جريان ماهانه داشت. به طوريكه، مقدار شاخصهاي آماري تحليل خطاي مدل فازي- عصبي شامل R، RMSE و MAE به ترتيب برابر 91/0، 56/3، 73/3 به دست آمدند كه نشان دهنده توان افزايش دقت مدل با بهبود شاخص‌هاي خطا به ترتيب به ميزان 11، 9 و 11 درصد مي باشد.

Forecasting of inflow to reservoirs is essential in efficient planning and operation of water resources. In this research, the application of two different intelligent models including Artificial Neural Networks (ANNs) and Adaptive Neuro-fuzzy Inference System (ANFIS) technique based on subtractive clustering method are investigated for forecasting inflow to Kamal Saleh reservoir in Markazi province, Iran. For this purpose precipitation and discharge data in a 31-year statistic period (1981-2011) were used and forecasting of inflow was done in the daily and monthly time steps. The amount of discharge and precipitation in previous time steps were used as input patterns for models.Both ANNs and ANFIS models had very acceptable performances at daily and monthly forecasts of inflow based on the error measures; R, RMSE and MAE, however ANFIS model performance was better than ANNs (less than 3%). Using seasonality coefficient (?) improved the performance of models in monthly forecasts. In the following, the effect of large scale climate variables including North Atlantic Oscillation (NAO) index and Southern Oscillation Index (SOI) examined on monthly forecast that was resulted from the best input pattern in optimized model of the previous section. The results showed that using climatic indices in input combination can improve the performance of model to forecast the inflow. Although SOI had greater impact on improving the monthly inflow forecast. So that the statistical indices to evaluate the error of ANFIS model including R, RMSE and MAE obtained as 0.91, 3.56 and 3.73 respectively, this shows the potential of this way to increase the precision by improving the evaluation criteria about 11%, 9% and 11%, respectively.