probenerИзвестия высших учебных заведений. ПРОБЛЕМЫ ЭНЕРГЕТИКИPower engineering: research, equipment, technology1998-99032658-5456Kazan State Power Engineering University10.30724/1998-9903-2024-26-5-104-117probener-3141Research ArticleТЕОРЕТИЧЕСКАЯ И ПРИКЛАДНАЯ ТЕПЛОТЕХНИКАTHEORETICAL AND APPLIED HEAT ENGINEERINGМодель искусственной нейросети для прогнозирования объема воды в водохранилищеArtificial neural network model for predicting water inflow into a reservoirhttps://orcid.org/0009-0002-6416-4357ШилинА. Н.ShilinA. N.

Шилин Александр Николаевич – д-р техн. наук, профессор кафедры «Электротехника»

г. Волгоград

Alexander N. Shilin

Volgograd

eltech@vstu.ruhttps://orcid.org/0009-0009-4389-815XБогалеМ. А.BogaleM. A.

Богале Мулукен Асамнеу – аспирант кафедры «Электротехника»

г. Волгоград

Bogale Muluken Asamneu

Volgograd

mulem2as1977@gmail.comhttps://orcid.org/0009-0004-3844-574XКоноваловаЛ. А.KonovalovaL. A.

Коновалова Людмила Александровна – ст. преподаватель кафедры «Электротехника»

г. Волгоград

Lyudmila A. Konovalova 

Volgograd

mila27121989@mail.ruВолгоградский государственный технический университетРоссияVolgograd State Technical UniversityRussian Federation202428102024265104117Copyright © Шилин А.Н., Богале М.А., Коновалова Л.А., 20242024Шилин А.Н., Богале М.А., Коновалова Л.А.Shilin A.N., Bogale M.A., Konovalova L.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.energyret.ru/jour/article/view/3141

АКТУАЛЬНОСТЬ данного исследования заключается в использовании искусственной нейронной сети для прогнозирования объема воды в водохранилище Кока (гидроэлектростанция Кока в Эфиопии). Как известно, гидроэнергетика, являясь возобновляемой энергией, относится к числу технологий, которые производят электроэнергию с наименьшим воздействием на глобальное изменение климата. За это время Эфиопия получала около 87% (4674 МВт) электроэнергии от гидроэнергетики. Это одна из стран, затронутых проблемами климатических явлений, таких как наводнения, засухи и ураганы, которые влияют на потенциал гидроэнергетики. ЦЕЛЬ. Для поддержания безопасной эксплуатации, хорошей эффективности производства, лучшего управления водными ресурсами, эффективного принятия решений, предотвращения аварий и обеспечения раннего предупреждения и ограничений на производство электроэнергии необходимо прогнозирование объема воды. Что, в свою очередь, является нелинейной задачей, и для этой цели подходит нейронная сеть типа мультилинейного персептрона (MLP). МЕТОДЫ. В этом исследовании были определены различные модели с различным выбранным количеством узлов и слоев, поскольку не существует конкретного правила для определения архитектуры искусственной нейронной сети. Статистический анализ (среднеквадратичная ошибка (MSE) и R- квадрат (R2)) использовался для проверки достоверности модели путем сравнения фактических значений притока воды с прогнозируемыми значениями. РЕЗУЛЬТАТЫ. Было проведено предсказание притока с использованием метода ANN, основанного на многослойном персептроне (MLP). Производительность каждой модели была оценена с использованием среднеквадратичной ошибки (MSE) и коэффициента эффективности (R2), которые являются одними из наиболее часто используемых статистических методов в гидрологическом моделировании. ЗАКЛЮЧЕНИЕ. Полученные результаты показывают, что модели успешно предсказали паводковый сток над водохранилищем.

RELEVANCE of this study lies in the use of an artificial neural network to predict the volume of water in the Coca reservoir (Coca hydroelectric power station in Ethiopia). As you know, hydropower, being renewable energy, is one of the technologies that produce electricity with the least impact on global climate change. During this time, Ethiopia received about 87% (4,674 MW) of electricity from hydropower. It is one of the countries affected by the problems of climatic phenomena, such as floods, droughts and hurricanes, which affect the potential of hydropower. THE PURPOSE. In order to maintain safe operation, good production efficiency, better water resources management, effective decision-making, accident prevention and early warning and restrictions on electricity production, water volume forecasting is necessary. Which, in turn, is a nonlinear problem, and a multilinear perceptron-type neural network (MLP) is suitable for this purpose. METHODS. In this study, different models with different selected number of nodes and layers were identified, since there is no specific rule for determining the architecture of an artificial neural network. Statistical analysis (mean square error (MSE) and R-squared (R2)) was used to verify the validity of the model by comparing the actual values of water inflow with the predicted values. results. The inflow prediction was carried out using the ANN method based on a multilayer perceptron (MLP). The performance of each model was evaluated using the mean square error (MSE) and efficiency coefficient (R2), which are among the most commonly used statistical methods in hydrological modeling. CONCLUSION. The results obtained show that the models successfully predicted flood runoff over the reservoir.

приток в коллекторпрогнозированиеискусственная нейронная сетьмногослойный персептронгидроэлектростанцияreservoir inflowforecastingartificial neural networkmultilayer perceptronhydroelectric power stationReferencesЧаби, Амеди и др. «Оценка водного баланса Илаукоского водохранилища Уэме на водосборе Саве (Бенин, Западная Африка)» (2019).Chabi, Amedée, et al. "Assessment of Water Balance in the Ilauko Reservoir of the Ouémé at Savè Catchment (Benin, West Africa)." (2019).Чжоу, Уган и др. «Оценка притока пласта при значительном боковом притоке с использованием метода сопряженных уравнений». Journal of Hydrology 574 (2019): 360-372.Zhou, Wugang, et al. "Estimation of reservoir inflow with significant lateral inflow by using the adjoint equation method." Journal of Hydrology 574 (2019): 360-372.Сон, Чон-Хун, Ёнгу Хер и Мун-Сон Кан. «Оценка резервуара. Приток и отток по данным наблюдений за уровнем воды с использованием экспертных знаний: работа с некорректным уравнением водного баланса при управлении водохранилищами». Water Resources Research 58.4 (2022): e2020WR028183.Song, Jung‐Hun, Younggu Her, and Moon‐Seong Kang. "Estimating Reservoir Inflow and Outflow from Water Level Observations Using Expert Knowledge: Dealing With an Ill‐Posed Water Balance Equation in Reservoir Management." Water Resources Research 58.4 (2022): e2020WR028183.Голоб Р., Штокель Т., Гргич Д. Прогнозирование притока воды на основе нейросетей // Инженерная практика управления. – 1998. – Т. 6. – №. 5. – С. 593-600.Golob R., Shtokel T., Grgic D. Forecasting water inflow based on neural networks // Engineering management practice. – 1998. – T. 6. – No. 5. – pp. 593-600.Гурара, Микияс, Аддис Бекеле и Селамавит Гебейеху. «Гидрологические данные Система обработки и управления» - Международный журнал инженерных исследований и технологий (IJERT) ISSN: 2278-0181- Том 9, выпуск 05, май 2020 г.Gurara, Mikiyas, Addis Bekele, and Selamawit Gebeyehu. "Hydrological Data Processing and Management System."- International Journal of Engineering Research & Technology (IJERT) ISSN: 2278-0181- Vol. 9 Issue 05, May-2020Хайкин С. Нейронные сети: MacMillan College Publ //Co., Нью-Йорк. – 1994.Haykin S. Neural networks: MacMillan College Publ //Co., New York. – 1994.ТЕМИЗ, Темель, Юнус ДАМЛА и Эрдинч КЕСКИН. «Сравнение различных методов искусственных нейронных сетей при определении емкости резервуара». Журнал науки и технологий Университета Эрзинджан 15.1 (2022): 183-203.TEMİZ, Temel, Yunus DAMLA, and Erdinç KESKİN. "Comparison of Different Artificial Neural Network Methods in Determining Reservoir Capacity." Erzincan University Journal of Science and Technology 15.1 (2022): 183-203.Кескенлер, Мустафа Фуркан и Эйюп Фахри Кескенлер. «Из прошлого в настоящее искусственные нейронные сети и их история». Takvim-i Vekayi 5.2 (2017): 8-18.Keskenler M. F., Keskenler E. F. From past to present artificial neural networks and history //Takvim-i Vekayi. – 2017. – Т. 5. – №. 2. – С. 8-18.Шилин, А. Н. Применение искусственных нейронных сетей для прогнозирования аварий воздушных линий электропередачи в гололёдный период / А. Н. Шилин, А. А. Шилин, С. С. Дементьев // Электро. Электротехника, электроэнергетика, электротехническая промышленность. – 2016. – № 2. – С. 15-21. – EDN VVKJSP.Shilin, A. N. Application of artificial neural networks for forecasting accidents of overhead power lines during the icy period / A. N. Shilin, A. A. Shilin, S. S. Dementyev // Elektro. Electrical engineering, electrical power engineering, electrical industry. – 2016. – No. 2. – P. 15-21. – EDN VVKJSP.Хайкин С. Нейронные сети: полный курс / под ред. Н.Н. Куссуль; пер. с англ. Н.Н. Куссуль, А.А. Шелестова. 2-е изд., испр. М.: Вильямс, 2006. 1104 с.Khaikin S. Neural networks: a complete course / ed. N.N. Kussul; lane from English N.N. Kussul, A.A. Shelestova. 2nd ed., rev. M.: Williams, 2006. 1104 p.Бородин, Георгий Дмитриевич. "Краткий обзор и классификация искусственных нейронных сетей. «Известия Тульского государственного университета. Технические науки 11 (2021): 45-53.Borodin, Georgy Dmitrievich. «Brief overview and classification artificial neural Networks» News of Tula State University. Technical Sciences 11 (2021): 45-53Осовский, Станислав. Нейронные сети для обработки информации. Финансы и статистика, 2004.Osovsky, Stanislav. Neural networks for information processing. Finance and statistics, 2004.Ясницкий, Леонид Нахимович. «Введение в искусственный интеллект» (2008).Yasnitsky, Leonid Nakhimovich. "Introduction to Artificial Intelligence." (2008).Джаис, Имран Хан Мохд, Амелия Ритахани Исмаил и Сайед Камрун Ниса. «Адамалгоритм оптимизации для широкой и глубокой нейронной сети». Инженерия знаний и наука о данных 2.1 (2019): 41-46.Jais, Imran Khan Mohd, Amelia Ritahani Ismail, and Syed Qamrun Nisa. "Adam optimization algorithm for wide and deep neural network." Knowledge Engineering and Data Science 2.1 (2019): 41- 46.Чикко, Давиде, Маттейс Дж. Уорренс и Джузеппе Юрман. «Коэффициент детерминации R-квадрат более информативен, чем SMAPE, MAE, MAPE, MSE и RMSE при оценке регрессионного анализа». PeerJ Computer Science 7 (2021): e.623.Chicco, Davide, Matthijs J. Warrens, and Giuseppe Jurman. "The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation." PeerJ Computer Science 7 (2021): e623.

The authors declare that there are no conflicts of interest present.