使用人工神经网络预测水库水位

Shilpi王妃¹博士Falguni帕尔克²

PG学生,水利工程和管理技术和工程学院教师,王公Sayajirao巴罗达大学samiala - 391410,瓦尔道拉,印度古吉拉特邦
Offg。主管&副教授,水资源工程和管理技术和工程学院教师,王公Sayajirao巴罗达大学samiala - 391410,瓦尔道拉,印度古吉拉特邦

文摘

水资源管理主要涉及水文预报。在水文预报主要是预测水库的水位是做有用的用于各种目的。预测技术的目的可能是不同的根据系统中,数据的系统和物理特性。不确定性是在水文参数和处理thisa合适的预测方法是必要的。提出了一个预测的人工神经网络(ANN)方法使用十每日数据的流入水库水位,水位和释放。的ANN模型,三个替代网络即级联、Elman和前馈反向传播。总共有23年的水文数据用于训练和验证网络。探讨最佳的模型来预测水位。发达的收集的数据模型训练和验证Sukhi水库工程,位于古吉拉特邦,印度。基于这些结果,可以得出结论,在三种方法用于这项研究中,安使用前馈反向传播是一个适当的预测实时水位预报Sukhi水库项目。

关键字

人工神经网络,预测,释放,流入,水库水位

我的介绍。

由于先进的技术解决方案,处理大量数据和数据分析变得更容易、更快捷。在水资源有必要分析数据和使用数据分析优化利用水资源稀缺的资源。从近几十年,时间序列预测研究取得了巨大的反应。这条小溪有非常广泛的应用。以前,传统的时间序列分析方法是由研究人员使用。自回归法等传统的时间序列分析方法框-詹金斯(AR)、自回归移动平均(ARMA)、自回归移动平均(ARIMA)集成,利用外源输入自回归移动平均(ARMAX)等传统的时间序列建模方法长时间以来也有效,但是他们受到固定的问题,线性和仅提供合理的准确性。需要提供更准确的预测时间序列已迫使研究人员开发创新模型时间序列的方法。介绍了人工神经网络(ann)是一种有效的工具二十年以来的建模和预测。人工神经网络模型,地图,以及能证明复杂的非线性关系的现象。人工神经网络是广泛和高度灵活的函数近似,认知科学和工程领域的使用。人工神经网络被广泛使用,在广泛的领域变得越来越受欢迎。 The neural networks are fewer sensitive to the error term assumptions and can bear noise, hectic components, and hefty tails better than most other methods. This paper presents a study aimed at forecasting water level of reservoir using neural network approaches.

人工神经网络的发展开始大约50年前,灵感来自一个渴望了解人类的大脑及其功能模拟。在过去的二十年里,它经历了一个巨大的复苏将发展的更复杂的算法和强大的计算工具的出现。已经证明,ANN模型显示更好的结果在河流水位量模型与传统模型相比。人类的大脑总是存储信息作为一个模式。任何大脑的功能可能被视为一种模式识别任务。人类大脑的效率高、速度处理模式启发安的发展及其在模式识别领域中的应用。安是一个计算模型,试图模仿人类大脑和神经系统以一种非常原始的方式来模拟人类的功能在一个非常有限的意义。人工神经网络开发是人类认知的数学模型的泛化或神经生物学。相比传统的统计水位量使用ANN模型显示方法的优越性。安的基本原理图1所示。

扩大安是基于以下规则:

1。单元素和信息处理发生在节点也表示为单位,神经元或细胞。

2。信号是通过连接节点之间的链接。

3所示。每个连接链接都有一个关联的重量表示其连接强度。

4所示。每个节点通常适用于一种叫做激活函数的非线性变换其净输入来确定它的输出信号。

安是网络并行、分布式信息处理系统,涉及一个输入和输出向量。它有一个数量的信息处理元素,如细胞或分组的节点和层。输入层处理元素接收输入向量和传输处理元素的值来下一层连接,这个过程仍在继续。这种类型的网络,数据流的一种方法(向前),称为前馈反向传播网络。安前馈反向传播主要输入层、输出层和一个或多个输入和输出层之间的隐藏层。每一层的神经元连接到下一层的所有神经元,神经元在一层连接直接下一层的神经元。强度的信号从一个神经元传递到另一个取决于重量收到互联。发起,人工神经网络是强大的建模工具的许多非线性水文过程,如降雨径流模型、地下水管理、水质娱乐、河川径流、水库水位。隐藏层提高网络模型复杂的功能的能力。性能BPANN(反向传播人工神经网络)模型比较与发达的线性传递函数(LTF)模型和优越的被发现。 ANNs can effectively model the stage-discharge relationship.

二世。相关工作

Mahmood et al。[7]用七种不同的输入变量和训练他们发布的组合模型。的主要输入用于计算每月发布月度流入,降雨、蒸发、水库存储,每月总需求和水之前发布时间。模型给最高的决心被选来释放系数公式。发现网络有能力预测释放与接受的准确性。模型的敏感性分析表明,水库存储(t)最重要的影响预测释放水(t)其次是释放(t - 1)。结果还表明,降雨,每月总需求有中度影响,而蒸发和流入产生最小的影响。Okoye和Igboanugo[9]成功地开发了一种声音和可靠统计学的方法和模型,本研究的目的是开发的人工神经网络模型预测在汉字大坝水位,水供应尼日利亚最大的水力发电。它包括每日服用一百一十年记录的水位在大坝。每日水位被用来开发5神经网络模型和自回归综合移动平均(ARIMA)模型适合每日水位。结果表明,神经网络模型的预测精度增加而增加输入,但四个输入模型准确性后开始下降。 The four – input neural network model had the lowest relative error while the single input model had the highest relative error. Generally, the models’ predictions were good, but the neural network models which involve little mathematics were much simpler to build. The developed models were very useful in power planning in Nigeria’s hydropower stations for more efficient power supply. Ondimuand Murase [10] observed that the neural networks (NN) models developed in the study were able to forecast the water levels of LakeNaivasha for four consecutive months beginning after agiven month and given data for six consecutive monthsprior to that month. Thus, NN provide an effective andtimely method for forecasting water levels in the lake.This can help in water-use formulation and schedulingfor domestic, municipal and agricultural uses. Timelyforecasting can also help in disaster monitoring,response and control in areas prone to floods. Forpower generation, effective and timely reservoir levelforecasting can help in predicting power loads andmanagement of power generation for efficiency andoptimization.The number of feature groups and the number ofelements in each feature group used as inputs greatlyinfluence the ability of NN to forecast reservoir levelsaccurately.Data compression using the Karhunen–Loeve Transform(KLT) provides an optimal technique of reducingthe size of input vectors and thus reduces the size of NNused. This greatly increases the forecasting ability of theNN models. However, data compression introducesundesirable qualities into the data that affects theforecasting ability of the NN. In addition, overcompressionof data undermines the efficiency of NNin forecasting reservoir levels.

三世。研究区域

研究区isSukhi水库工程,这是一个重大水利项目设想的一部分,政府的构建和发展融合的古吉拉特邦河Sukhi Sagadhra Bharaj河附近的村庄和许思义Pavijetpur和Chhota-UdepurTaluka瓦尔道拉区在古吉拉特邦,印度和它隔73年经度53“00”E和纬度2226“00”n Sukhi水库的位置是图2所示。

该地区经历一个典型的半干旱气候(干燥指数15 - 20%);平均年降雨量700 - 1000毫米,30到45雨天和可靠性的50 - 60%。年平均温度是26 - 270C的最大和最小平均气温410C和110C分别和极端的范围是460一个C 500C。年平均风速是5到15公里/小时。有趣的是口袋在Panchmahals经验,高风速超过15公里/小时。风吹从西部和西南部大部分。平均相对湿度是60 - 65。潜在蒸散是2250毫米。瓦尔道拉站半干旱的气候非常干燥和炎热的夏天。冬天很冷,,11月,2月持续到半夜。 Summer is hot and dry which commences from mid of February and ends by the month of June. Monsoon sets in around end of June to mid-July.

四、方法

整个数据集包括23年,16年的数据用于训练和休息的07年被用于验证模型。预测评估模型是由健康和性能预测在未来10天。所需的输出相对应的水位10天提前预测。输入功能组元素的流入,水位和释放。

测试模式是用于评估的准确性安训练使用ANN模型开发。几个模式的输入数据被用来开发最优安水库水位的榜样。三个不同的神经网络模型;级联、Elman和前馈反向传播。三层架构与10个神经元隐层和一个输出层神经元是适用于所有的模型试验和错误。输入层神经元的个数随元素的数量在每个模型的输入向量。每个功能组的三个元素加入输入向量元素的关系给出了方程(1)。

首先,实时信息必须继承从水库主要通过基于文件的日期像SFTP或转让转让系统由手动电子邮件。它包括日常信息也应该添加与历史信息的时间到数据库中。行为研究和最终用途分析不仅需要信息,但也为能源使用的上下文。这些动态数据集应该定期更新缓慢,以及修改来源应该做自己。结果,一个自动信息摄取系统有不同大小以及利率支持离散的信息采集,和是平易近人的必需品和不同的信息来源。

数据继承保存到临时存储,然后必须保持与相对大型系统和共享。研究人员挖掘和探索信息相关性并获得信息是最重要的。的信息协作必须平衡知识的考虑安全。

数据驱动的预测模型是必不可少的,它数据驱动模型训练使用现有的数据,和利用大规模的选项是水位的直接和间接指标。特别是,我们预言的需求模型使用安时间序列提供高精度,采用前馈反向传播等演戏的分析。

数据驱动模型的最大的优势就是方便自动构建一个模型系统上没有深的技术信息。模型也可以很容易地保持现在通过梳理新收集的数据。此外,它允许数据分析师尝试完全不同的组合的选择找到那些最重要的影响水位。这可以帮助概述数据收集的限制,或者可以提供我们的方法减少水的使用。这往往noticethat没有一个放之四海而alluniversal模型和一组模型是用于各种功能,然而利用ANN模型的结果提供了大多数至于实际结果。

水位,流入的信息收集和发布。水库是信息收集策划的水平在过去的年,看到的模式和行为。图3和图4显示了训练和验证周期观察水位。这是观察到的体积单位不一致一样。

诉结果

ANN模型的最重要的部分是其准确的预测未来事件的能力。这个水位的预测是一个重要的话题影响水库水资源管理操作和有效的多用途水储存。本研究中使用的统计评估标准是均方根误差(RMSE),相关系数(R)变异系数(R2)确定系数(D)。表1显示了评价参数的值对训练集的数据。

观察评价参数之后,可以看出前馈反向传播给最好的输出有RMSE;0.92、相关系数R;0.97、确定系数R2;0.95和差异比D;1.00。

ANN模型使用前馈反向传播预测水位测量非常接近或接近实际水平,所描述的图在图5和图7。更少的变化测量与预测,预测的实际提供了亲近的实际值。

剩下的30%的预测准确性进行了验证数据通过评估以下统计性能指标:均方根误差(RMSE),相关系数(R),确定系数(R2)和差异比(D)表2中描述。

图7显示水位的变化之间的预测和实际观察到的。

六。结论

神经网络(NN)在这项研究中开发的模型能够预测Sukhi水库的水位连续每天十天开始后某一天和给定数据连续十天前那一天。因此,神经网络提供了一个有效的和及时的方法预测水库的水位。这可以帮助在中水回用制定和安排国内、农业和城市使用。及时预测也可以帮助在灾害监测、响应和控制的地区容易发生洪水。发电、有效和及时的储层预测可以帮助预测电力负荷管理的发电效率和优化。功能组和元素的数量在每个功能组作为输入greatlyinfluence准确神经网络来预测储层的能力水平。

获得的主要结论如下:

1。软计算技术像安是可靠的,比传统的方法更加准确。

2。绩效评估模型的基础上,使用前馈反向传播ANN模型给最好的结果在三个发达的ANN模型。

3所示。本文还表明,ANN技术给好的结果更多数量的输入。

前馈反向传播给最好的输出有RMSE;0.92、相关系数R; 0.97,决心,系数R2; 0.95和差异比率,D; 1.00级联的比较给出了输出RMSE;0.73、相关系数R;0.98、确定系数R2;0.96和差异比D;1.00和Elman使输出RMSE; 0.81,相关系数,R, 0.98,决心,系数R2;0.95和差异比D;1.00。基于这些结果,可以得出结论,在三种方法用于这项研究中,安使用前馈反向传播是一个适当的预测实时水位预报Sukhi水库项目。

引用

Alvisi年代,Mascellani G, Franchini M和Bardossy,“水位预测通过模糊逻辑与人工神经网络方法”,水文和地球系统科学、10、17、2006 www.copernicus.org/EGU/hess/hess/10/1/SRef-ID: 1607 - 7938 /赫斯/ 2006-10-1欧洲地球科学联盟,2006年。
陈纯”任务人工神经网络应用于水文学委员会”(2000),人工神经网络在水文II:水文应用,水文工程学报,陈纯5卷,没有。2、124 - 137年,2000页。
巴塔查里亚和Solomatine d P。,“Application of artificial neural network in stage discharge relationship”, in Proceedings of the 4th Int. Conf. on Hydro-informatics, Iowa, USA, 2000.
Bisht d . c . S。,M. M. Raju, M. C. Joshi, “ANN based river stage-Discharge modelling for Godavari river, India”, Computer Modelling and New Technologies, vol. 14, no. 3, pp. 48-62, 2010.
Golabi M, Radmanesh F, Akhondali和Kashefipoor M。,“Prediction of Seasonal Precipitation Using Artificial Neural Networks (Case Study: Selected Stations of (Iran) Khozestan Province), ISSN 2090-4304, Journal of Basic and Applied Scientific Research”, 2013.
耆那教的s . k和Chalisgaonkar使用安”“设置水位量关系,水文Engg杂志》上。,5卷,不。4、428 - 433页。[6]框,g.e.p。,Jenkins, G.M. and Reinsel, G.C. Time Series Analysis Forecasting and Control. McGraw-Hill Inc., USA, 1994.
马哈茂德,穆斯塔法和穆罕默德”,应用人工神经网络预测从哈迪塞事件发布水大坝”,工程和开发杂志的特刊ISSN 1813 - 7822, 2012。
McCulloh和皮特,”逻辑微积分思想的内在神经活动”,数学生物物理学,简报》5卷,第133 - 115页,1943年。
Okoye n和Igboanugo,。C,“预测水位Kainji大坝使用人工神经网络”,2013。
Ondimu美国和Murase H。,“Reservoir Level Forecasting using Neural Networks: Lake Naivasha”, Biosystems Engineering 96 (1), 135–138, 2007.
Shrivastava Pandiaraj Jagadeesan,“基于云的软件平台的大数据分析水库预报”,IOSR《计算机工程(IOSR-JCE), 2014年。