پیش بینی دبی ورودی به مخازن سدها مطالعه موردی مخزن سددز

در کشور ایران که در اقلیم خشک و نیمه خشک قرار دارد، سدهای مخزنی در تأمین نیازهای شرب، کشاورزی و صنعت از اهمیت ویژه ای برخوردارند. در این راستا، برآورد مقدارجریان ورودی به مخزن سد از موضوعات با اهمیت محسوب می شود. در سال های اخیر، از شبکه های عصبی مصنوعی به دلیل توانمندی آن ها در حل مسائل پیچیده و غیر خطی، به طور گسترده ای استفاده شده است. در طرح حاضر به ارزیابی مدل  هیبریدی استاتیک-دینامیک شبکه عصبی مصنوعی و مقایسه مدل برتر با مدل آریما پرداخته شده است. از آمار روزانه ایستگاه تله زنگ واقع در بالادست سد مخزنی دز به عنوان ورودی به مدل ها استفاده شده است. در مدل هیبریدی شبکه عصبی مصنوعی با استفاده از تابع آموزش لونبرگ-مارکوارت و توابع فعالیت تانژانت هایپربولیک و سیگموییدی برای لایه مخفی و تابع خطی برای لایه خروجی، ساختارهای مختلف طی آزمون های مختلف بررسی شدند و در نهایت ساختاری که کمترین مقدار را برای شاخص متوسط خطای نسبی (MARE) به همراه داشت، به عنوان مناسب ترین ساختار مدل هیبریدی شبکه عصبی مصنوعی انتخاب گردید. بررسی نتایج این مدل نشان داد که مدل هیبریدی استاتیک-دینامیک با ده نرون در لایه مخفی و اعمال ده تأخیر زمانی بر روی خروجی های تست شبکه توانسته با خطایی معادل 28 درصد، آبدهی روزانه ورودی به مخزن سد دز در یک سال آینده را پیش بینی نماید. این در حالی بود که، آموزش استاتیک شبکه فقط با استفاده از داده¬های سه روز قبل انجام گردید. همچنین نتایج نشان داد مناسب ترین توابع این شبکه، تابع آموزش لونبرگ-مارکوارت و تابع فعالیت سیگموئیدی برای لایه پنهان و تابع خطی برای لایه خروجی بود. همچنین به منظور پیش بینی جریان روزانه توسط مدل های سری زمانی از روش باکس-جنکینس استفاده شده است. با توجه به اینکه داده ها روزانه هستند و دارای الگوی فصلی می باشند، با بهره گیری از سری فوریه، پارامترهای میانگین و انحراف معیار داده های آبدهی روزانه ایستگاه تله زنگ واقع در بالادست سد دز، برای دوره دراز مدت 34 ساله با پریود 365 روزه برآورد شدند. پس از محاسبه پارامترها، داده های مشاهداتی توسط این پارامترها استاندارد شدند. پس از استاندارد نمودن داده ها، نتایج تحقیق نشان داد که الگوی فصلی داده ها، توسط پارامترهای محاسبه شده با سری فوریه حذف شده است. پس از حذف نمودن الگوی فصلی داده های مشاهداتی توسط سری فوریه، مدل های میانگین متحرک جامع خودهمبسته (ARIMA) مختلفی به داده های استاندارد شده برازش داده  شد و در نهایت با استفاده از شاخص AIC و در نظر گرفتن حداقل تعداد پارامترهای مدل، بهترین مدل انتخاب گردید. پس از انتخاب بهترین مدل آریما، پیش بینی جریان روزانه ورودی به مخزن سد دز توسط مدل منتخب انجام شد. نتایج نشان داد که مدل (1 ،1، 1) ARIMA بر اساس آمار ایستگاه هدف به خوبی توانسته است جریان روزانه ورودی به مخزن سد دز را برای دوره های مختلف در طی یک سال آینده با دقت های مختلف پیش بینی نماید. همچنین مقایسه نتایج بدست آمده از دو مدل حاکی از آن بود که مدل آریما توانست به میزان 18% خطای MARE پیش بینی را کاهش دهد. اما مدل مدل هیبریدی شبکه عصبی مصنوعی در پیش بینی دبی های پیک از مدل آریما موفق تر عمل کرده  و خطای پیش بینی 28% را به 12% کاهش داده است. نتایج تحقیق حاضر نشان می دهد که مدل پیشنهادیِ هیبریدی شبکه عصبی مصنوعی پیش بینی متداول کوتاه یک روز تا یک هفته را به پیش بینی پنج ماهه خرداد تا آبان افزایش داده است و در یکسال پیش بینی شده پیش بینی این پنج ماه توصیه می شود و در سایر ماهها عدم قطعیت ناشی از عوامل هواشناسی نظیر بارش وجود دارد .