Použití metod umělé inteligence při operativním řízení povodňových průtoků nádrží

Use of Artificial Intelligence Methods during Operative Control of Flood Flow by Reservoir

dizertace

čeština

Operativní řízení odtoku vody z nádrže umožňuje efektivní využívání retenčních objemů stávajících nádrží za účelem získání jejich maximálního transformačního účinku. Pro zajištění účinného řízení nádrže je potřeba mít znalost o stavu povodí nad a pod nádrží, o stavu řízené nádrže samotné a o předpokládaném budoucím vývoji srážkové činnosti v čase a prostoru. Sběr veličin charakterizující stav a vývoj povodí, resp. vodohospodářské nádrže, je realizován prostřednictvím monitorovací sítě, v rámci které jsou potřebné veličiny přenášeny na centrální řídicí pracoviště,tj. vodohospodářský dispečink. Prostřednictvím uvedené sítě je, za určité situace, možno do jisté míry zajišťovat realizaci zpětné vazby na řízenou vodohospodářskou nádrž, popř. soustavu. Prvotním cílem práce bylo sestavení a odladění řídicího algoritmu jedné nádrže ve vývojovém prostředí Matlab pro deterministicky zadanou předpověď přítoku vody do nádrže. V rámci sestaveného a odladěného řídicího algoritmu byla následně testována možnost náhrady části řídícího subjektu v regulačním obvodu nádrže metodami umělé inteligence. Primárně byl využit fuzzy regulátor proporciálně integrální, který byl postupně nahrazen neuro-regulátorem (tj. natrénovanou jednosměrnou umělou neuronovou sítí) a aproximační maticí (tj. maticí vzorů natrénované umělé neuronové sítě). U jednotlivých regulátorů byla pomocí subjektivní optimalizace hledána jejich optimální struktura, dále byly sledovány potřeby strojového času na řešení jednotlivých úloh a byly posuzovány úspěšnosti řízení odtoku vody z nádrže v závislosti na velikosti výpočtového kroku řešení. Deterministická předpověď přítoku vody do nádrže je velmi zjednodušujícím podkladem pro řízení nádrže, i když v současné praxi jediným možným přístupem. K využití předpovědí zadávaných nikoli deterministicky, ale stochasticky by bylo nutno využít vějíře možných průběhů předpovězených přítoků vody do nádrže. Ve snaze využít uvedený způsob zadávaných předpovědí průtoků v řídicím algoritmu nádrže byl na základě hydrogramu reálné povodňové epizody, pomocí softwaru Data Uncertainty Engine, vygenerován soubor takovýchto realizací hydrogramů přítoku. Dílčí fragmenty těchto hydrogramů v jednotlivých rozhodovacích bodech řízení nádrže reprezentovaly variabilitu předpovědi přítoku vody do nádrže. Bylo využito zvolené výběrové kritérium, na základě kterého bylo ze souboru řízených odtoků možno zvolit takový hydrogram, který by odpovídal zvolené pravděpodobnosti překročení průtoků. Provedeno bylo srovnání dosažených výsledků (maximálních kulminací celkového odtoku vody z nádrže) řízení nádrže pro deterministicky a stochasticky zadávané předpovědi přítoku vody. Nevýhodou simulace stochastického řízení nádrže byla příliš vysoká potřeba strojového času na řešení. Z tohoto důvodu byl následně řešen alternativní přístup stochastického řízení nádrže, který spočíval ve výběru jediné realizace přítoku ze souboru prognózovaných přítoků vody do nádrže (vějíř předpovědí přítoků) na základě zvolených výběrových kritérií. Problematika byla řešena variantně, přičemž cílem bylo stanovit optimální výběrové kritérium založené na pravděpodobnosti překročení objemů předpovídaných přítoků vody do nádrže, resp. na pravděpodobnosti překročení předpovídaných průtoků. Určována byla výsledná ztráta přesnosti při řešení optimalizační úlohy.

Operative control of water discharge from a reservoir enables efficient use of storage volumes of existing reservoirs in order to get maximum of their transformation effect. To arrange efficient reservoir control it is necessary to have information on the river basin above and below the reservoir, on the condition of the controlled reservoir itself and the expected future development of rainfall at the time and space. Quantities collection characterizing the condition and development of the river basin, or water management reservoir, is realized by means of monitoring network, the necessary quantities being transferred to the central controlling workplace, water management dispatching department. In a particular situation, this network can, to a certain extent, provide a feedback to the controlled water management reservoir, or set. The work first aimed at forming and debugging control algorithm of one reservoir in Matlab development environment for deterministically entered forecast of water inflow to the reservoir. Subsequently, within the framework of formed and debugged control algorithm, the possibility of substituting the part of controlling subject in the controlled reservoir control system was tested with the methods of artificial intelligence. Primarily, proportionally integral fuzzy regulator was used and it was gradually replaced by neuro-regulator (i.e. rehearsed feedforward artificial neural network) and approximative matrix (matrix of patterns of rehearsed feedforward artificial neural network). At individual regulators, optimum structure was searched by means of subjective optimization. Needs of machine time for solving individual tasks were monitored together with good results of controlled water discharge from the tank depending on the size of calculating solution step.Determinist forecast of water inflow into reservoir is a simplifying basis for its control, though, in present-day practice, the only possible approach. For the usage of prognoses entered not deterministic, but stochastic would be necessary to employ a fan of possible courses of forecast inflows into the reservoir. In an effort to exploit the stated way of entered forecast inflows in the controlling algorithm of the reservoir the file of these flow hydrogram realizations was generated on the basis of hydrogram of real flood episode by means of Data Uncertainty Engine software. Partial fragments of these hydrograms in individual decision-making points of reservoir control represented the variability of forecast of inflow of water into the reservoir. The suitable selection criteria has been chosen, on whose basis was possible to select such hydrogram, which would correspond to the chosen probability of flow transcendence. The achieved results of reservoir control (maximum culminations of total discharge of water from the tank) were compared for deterministic and stochastic forecast of water inflow. The disadvantage of stochastic reservoir control simulation was too high demand on machine time for solving. Therefore alternative approach of stochastic solution of reservoir was solved subsequently; it was based on selecting one inflow realization from the file of prognosticated inflows of water into the tank (inflow forecast fan) on the basis of the previously tested selective criteria. This problem was solved variably; the task was to determine the optimal selection criterion based on the probability of exceeding the predicted inflows into the tank, or the probability of exceeding the predicted flows. Determined was the resulting loss of accuracy while solving the optimization task.

operativní řízení nádrží, umělá inteligence, fuzzy množiny, fuzzy inferenční systém, funkce příslušnosti, neuronové sítě, topologie neuronové sítě, deterministická předpověď, stochastická předpověď, stochastické řízení nádrže, náhodná srážková pole, optimalizace, princip adaptivity

operative control of reservoir, artificial intelligence, fuzzy sets, fuzzy inference system, membership function, neural networks, topology of neural network, deterministic forecast, stochastic forecast, stochastic control of reservoir, random precipitation square, optimization, principle of adaptation

JAROŠ, L.

18. 2. 2011

VUTIUM

Brno

1

31

31