مدل SSP جهت پیش یابی جریان ماهانه رودخانه
محل انتشار: هشتمین کنگره بین المللی مهندسی عمران
سال انتشار: 1388
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,595
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICCE08_618
تاریخ نمایه سازی: 28 آبان 1387
چکیده مقاله:
پیش یابی (forecast) میزان حجم آورد ماهانه رودخانه تا 5 ماه، یکی از متغیرهای موثر در بهره برداری از مخازن سدها و بهینه سازی منحنی فرمان نیروگاه های برقابی بشمار می رود. از این رو تهیه مدلی با دقت بالا جهت برآورد این مقدار محسوس می باشند. استفاده از مدلهای رگرسیون چند متغیره یکی از روش های معمول در این رابطه به حساب می آید. از ضعفهای مدلهای رگرسیونی چند متغیره خطی، حساس بودن محاسبه ضرایب مدل به استقلال متغیرهای پیش بینی کننده (predictors) و نسبت طول دوره آماری به تعداد متغیرهای مذکور می باشد. بر اساس تحقیقات (Kleinbaum (1988 و (McCuen (1980 نشان داده شد در صورت وجود همبستگی میان متغیرهای پیش بینی کننده، ضرایب آنها غلط برآورد شده و بعضا علامت ضریب بعضی از این متغیرها مخالف علامت ضریب همبستگی بین همان متغیر و متغیر وابسته می ردد. بدین ترتیب، جهت کاهش متغیرهای پیش بینی کننده اولیه به منظور افزایش نسبت طول دوره آماری به تعداد متغیرهای پیش بینی کننده و حذف همبستگی درونی میان این متغیرها اقدام به تهیه مدل SSP گردید. از دیگر برتری های این مدل، استفاده از یک جستجو گر قوی جهت انتخاب متغیرهای پیش بینی کننده اولیه و انتخاب مولفه های موثر در پیش یابی آورد ماهانه رودخانه می باشد. در این مقاله، سعی شده است کاربرد مدل SSP بر روی حوضه آبریز بالادست طرق به منظور پیش یابی آورد ورودی به سد مورد آزمایش قرار گیرد. با بررسی نتایج حاصل از این آزمایش نشان داد که متوسط درصد خطا (APE2) ناشی از مدل SSP نسبت به استفاده از مدلهای سنتی بهبود معنی داری یافته است.
کلیدواژه ها:
نویسندگان
احمد شرافتی
دانشجوی دکتری عمران، مهندسی آب، دانشگاه علم و صنعت ایران
باقر ذهبیون
استادیار دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :