مدل‌سازی بهره‌برداری هوشمند از مخازن با استفاده از برخورد گروهی با داده‌ها (GMDH)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار /بخش مهندسی آب- دانشکده کشاورزی- دانشگاه شهید باهنر کرمان.

2 دکتری/ منابع آب.

3 دانشیار/ گروه برق- دانشکده برق- دانشگاه صنعتی خواجه نصیر طوسی، تهران، ایران

4 کارشناس ارشد منابع آب، شرکت سهامی آب منطقه ای گلستان.

چکیده

در چند دهه گذشته تحقیقات بسیاری روی روش‌های بهره‌برداری از مخازن انجام شده است. با توسعه و پیشرفت رایانه‌ها (سخت‌افزاری و نرم‌افزاری) و ابداع روش‌های جدید شامل محاسبات نرم و الگوریتم‌های تکامل‌گرا، طراحان و محققان امید بیشتری برای دستیابی به راه‌حل‌های صحیح و واقعی‌تر دارند. از لحاظ تئوری برای مدل کردن یک سیستم لازم است که روابط ریاضی صریح بین متغیرها بطور دقیق معلوم باشد. در بسیاری از سیستم‌ها این روابط نامعلوم هستند و استخراج چنین مدل‌سازی صریحی بسیار مشکل است. در این حالت می‌توان از روش‌های محاسبات نرماستفاده نمود که داده محور هستند و محاسبات را در شرایط مبهم انجام می‌دهند. روش گروهی کنترل داده‌ها(GMDH)  یکی از انواع این روش‌ها است که یک رویکرد خودسازماندهی داده بوده که به تدریج مدل‌های پیچیده‌تری در طول ارزیابی عملکرد مجموعه داده‌های ورودی و خروجی تولید می‌کند. در این تحقیق برای بهره‌برداری سیستماتیک از مخازن چندگانه موجود در دشت تهران شامل سدهای لار، لتیان و کرج، مدل‌هائی بر اساس GMDH توسعه داده شده است. انتخاب و توسعه این تکنیک بر اساس خصوصیات مخازن موجود در محدوده مطالعاتی، دردسترس بودن داده‌ها و تناسب رویکرد استقرائی GMDH با سیستم‌های داده محور صورت گرفته است. نتایج حاصل از مدل‌سازی GMDH برای بهره‌برداری از مخازن چندگانه دشت تهران دارای عملکرد بسیار بالائی می‌باشند. 

کلیدواژه‌ها


عنوان مقاله [English]

Intelligent Operation Modeling of Reservoirs Using Group Method of Data Handling (GMDH)

نویسندگان [English]

  • K Qaderi 1
  • D.R Arab 2
  • M Teshnehlab 3
  • A Ghazagh 4
1 Assistant Professor, Department of Water Engineering, Agriculture Faculty, University of Shahid Bahonar, Kerman, Iran
2 Ph.D. in Water Resource Management
3 Associate Professor, Electrical Eng., KNU University, Tehran, Iran.
4 M.Sc. in Water Resource Management, Golestan Regional Water Company, Gorgan, Iran
چکیده [English]

Recently a lot of attention has been directed to advanced techniques of reservoir operation. The continuous evolution of the information technology (software and hardware) and the development of new techniques including soft computing, intelligent techniques, and evolutionary algorithms created a good environment for reality-based methods and tools. From the Theoretical point of view, modeling a system requires explicit mathematical relationships between inputs and outputs (variables). Since these relations are unknown in many systems, developing such an explicit model is very difficult. In this case, soft computing methods that are based on imprecise conditions and evolutionary algorithms provide capabilities in defining many nonlinear systems and identifying control issues. One of these heuristic self-organization methods is Group Method of Data Handling (GMDH) that produce increasingly complex models during the performance evaluation of input and output sets. Based on GMDH, in this research we have developed a model for the operation of reservoirs in the Tehran-Karaj plane including Lar, Latian and Karaj reservoirs. The GMDH is selected for reservoir operation based on the sufficiency of sampling, characteristics of reservoir in the region of study, and suitability of this technique in the data driven systems. Results of modeling showed high performance of GMDH in reservoir operation.

کلیدواژه‌ها [English]

  • Soft Computing
  • Modeling
  • Reservoir operation
  • GMDH
  • Inductive Approach

شرکت آب منطقه‏ای تهران (1385)، "پروژه مطالعات بهنگام‏سازی طرح جامع تأمین درازمدت آب تهران"، گزارش مدل‌سازی طرح جامع آب تهران، جلد چهارم، ویراست اول، بهار.  

شرکت مهندسین مشاور جاماب (1384)، "پروژه مطالعات بررسی امکان تأمین آب درازمدت تهران مرکز مطالعات برنامه‏ریزی شهر تهران"، نهاد مشترک مسئول تهیه طرح‏های جامع و تفضیلی شهر تهران.

قادری، ک.، سامانی، ج. م. و.، موسوی، س. ج.، اسلامی، ح. ر. و عرب، د. (1389)، "مدل‌سازی بهره‌برداری بهینه از مخازن با استفاده از برنامه‌ریزی خطی صحیح مختلط (MILP)"، مجله تحقیقات منابع آب ایران، جلد 15، شماره 3، 15-27.

Farlow, S.J. (1984), “Self organizing method in modeling: GMDH type algorithms”, Marcel Dekker. Inc.

Hsu, K., Gupta, H.V., Gao, X., Sorooshian, S. and Imam, B. (2002), “Self-organizing linear output map (SOLO): An artificial neural network suitable for hydrologic modeling and analyses”, Water Resources Research, 38(12), pp. 3810–3817.

Hwang, H. S. (2006), “Fuzzy GMDH-type neural network model and its application to forecasting of mobile communication”, Computers and Industrial Engineering, 50, pp. 450-457.

Ivakhnenko, A.G. (1968), “The group method of data handling – a rival of the method of stochastic approximation”, Soviet Automatic Control c/c of Avtomatika, 1(3), pp. 43-55.

Ivakhnenko, A.G. (1976), “The group method of data handling in prediction problems”, Soviet Automatic Control of Avtomotika, 9(6), pp.21-30.

Ivakhnenko, A.G. (1988), “Sorting methods for modeling and cauterization (survey of the GMDH papers for the years 1983-1988). The present stage of GMDH development”, Soviet Journal of Automation and Information Sciences c/c of Avtomatika, 21(4), pp.1-13.

Ivakhnenko, A.G. and Ivakhnenko, G. A. (1995), “The review of problems solvable by algorithms of the Group Method of Data Handling (GMDH)”, Pattern recognition and image analysis, 5(4), pp. 527-535.

Jang, J.S.R. (1993), “ANFIS: adaptive network based fuzzy inference system”, IEEE Transactions on Systems, Man and Cybernetics, 23(3), pp. 665–683.

Kando, T. (1986), “Revised GMDH algorithms estimatings degree of the complete polynomial”, Tran. of the society of Instrument and Control Engineers, 22(9), pp. 928-934.

Labadie, J.W. (2004), “Optimal operation of multireservoir systems: State-of-the-art review”, Journal of Water Resources Planning and Management, 130(2), pp. 93-111.

Muller, J.A.  and Ivakhnenko, A.G. (1996), “Self-organizing modeling in analysis and prediction of stock market”, in Proceedings of the Second International Conference on Application of Fuzzy Systems and Soft Computing–ICAFS, pp. 491-500, Siegen, Germany.

Nariman-Zadeh, N., Darvizhe, A. and Gharabaghi, H. (2002), “Modeling of explosive cutting process of plates using GMDH neural networks and singular value decomposition”, J. Mater process technol. 128(1), pp. 80-87.

Nikolaev, Y. & Hitoshi, I. (2003), “Polynomial harmonic GMDH learning networks for time series modeling”, Neural Networks, 16, pp. 1527-1540. www.Elseviercomputerescince.com

Sanchez, E., Shibata T. and Zadeh, L. A. (1997), “Genetic algorithms and fuzzy logic systems”, Revered: word scientific.

Shamseldin, A.Y. (1997), “Application of a neural network technique to rainfall-runoff modeling”, Journal of Hydrology, 199, pp. 272 - 294.

Simonovic, S.P. (1992), “Closing gap between theory and practice”, Journal of Water Resources Planning and Management, 118(3), pp. 262-280.

Sugeno, M. and Kang, G. T. (1988), “Structure identification of fuzzy model”, Fuzzy Sets and Systems, 28, pp. 15-33.

Takagi, H. and Hayashi, I. (1991), “NN-driven fuzzy reasoning”, International journal of approximate reasoning, 5(3), pp. 191-212.

Wilby, R.L. Abrahart, R.J. and Dawson, C.W. (2003), “Detection of conceptual model rainfall-runoff processes inside an artificial neural network”, Hydrological Sciences Journal, 48(2), pp. 163 -181.

Wurbs, R.A. (1993), “Reservoir-system simulation and optimization models”, Journal of Water Resources Planning and Management, 119(4), pp. 455-472.

Yeh, W.G. (1985), “Reservoir management and operation models: A State-of-the-art review”, Water Resources Research, 21(12), pp. 1797-1818.