Модель искусственной нейросети для прогнозирования объема воды в водохранилище

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.

1. Чаби, Амеди и др. «Оценка водного баланса Илаукоского водохранилища Уэме на водосборе Саве (Бенин, Западная Африка)» (2019).

2. Чжоу, Уган и др. «Оценка притока пласта при значительном боковом притоке с использованием метода сопряженных уравнений». Journal of Hydrology 574 (2019): 360-372.

3. 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.

4. Голоб Р., Штокель Т., Гргич Д. Прогнозирование притока воды на основе нейросетей // Инженерная практика управления. – 1998. – Т. 6. – №. 5. – С. 593-600.

5. 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.

6. Хайкин С. Нейронные сети: MacMillan College Publ //Co., Нью-Йорк. – 1994.

7. 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.

8. 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.

9. 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.

10. 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.

11. Бородин, Георгий Дмитриевич. "Краткий обзор и классификация искусственных нейронных сетей. «Известия Тульского государственного университета. Технические науки 11 (2021): 45-53.

12. Осовский, Станислав. Нейронные сети для обработки информации. Финансы и статистика, 2004.

13. Ясницкий, Леонид Нахимович. «Введение в искусственный интеллект» (2008).

14. 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.

15. 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.