Stochastic Management of the Open Large Water Reservoir with Storage Function with Using a Genetic Algorithm
Loading...
Date
2016-09-05
Authors
ORCID
Advisor
Referee
Mark
Journal Title
Journal ISSN
Volume Title
Publisher
IOP Publishing
Altmetrics
Abstract
Described models are used random forecasting period of flow line with different length. The length is shorter than 1 year. Forecasting period of flow line is transformed to line of managing discharges with same length as forecast. Adaptive managing is used only first value of line of discharges. Stochastic management is worked with dispersion of controlling discharge value. Main advantage stochastic management is fun of possibilities. In article is described construction and evaluation of adaptive stochastic model base on genetic algorithm (classic optimization method). Model was used for stochastic management of open large water reservoir with storage function. Genetic algorithm is used as optimization algorithm. Forecasted inflow is given to model and controlling discharge value is computed by model for chosen probability of controlling discharge value. Model was tested and validated on made up large open water reservoir. Results of stochastic model were evaluated for given probability and were compared to results of same model for 100% forecast (forecasted values are real values). The management of the large open water reservoir with storage function was done logically and with increased sum number of forecast from 300 to 500 the results given by model were better, but another increased from 500 to 750 and 1000 did not get expected improvement. Influence on course of management was tested for different length forecasted inflow and their sum number. Classical optimization model is needed too much time for calculation, therefore stochastic model base on genetic algorithm was used parallel calculation on cluster.
Popsané modely se používají náhodné předpovědi období proudnice s různou délkou. Délka je kratší než 1 rok. Prognostického období toku linie je transformován do linie řízení vypouštění s stejné délky jako počasí. Adaptivní řízení se používá pouze první hodnota řádku vypouštění. Stochastické řízení poskytuje budoucí rozdělení veličiny. Hlavní výhodou stochastické management je vějíř možností. V článku je popsána konstrukce a hodnocení adaptivního stochastický model využívajícího genetický algoritmus (klasické optimalizační metoda). Model byl použit pro stochastické řízení zásobní funkce nádrže. Genetický algoritmus se používá jako algoritmus optimalizace. Model byl testován na fiktivní nádržu. Výsledky stochastického modelu byly vyhodnoceny pro dané pravděpodobnosti a srovnány s výsledky stejného modelu pro 100 % předpověď (předpokládané hodnoty jsou skutečné hodnoty). Řízení zásobní funkce nádrže probíhalo logicky a se zvyšujícím počtem předpovědí od 300 do 500 jsou výsledky modelu byly lepší, ale při zvýšení počtu na hodnoty 500 do 750 a 1000 se nedostavilo očekávané zlepšení. Byl testován vliv na průběh řízení pro různé délky předpovědi a jejich součet číslo. Klasické Optimalizační model je zapotřebí příliš mnoho času pro výpočet, a proto stochastický model využívající genetické algoritmy používá paralelních výpočtů v clusteru.
Popsané modely se používají náhodné předpovědi období proudnice s různou délkou. Délka je kratší než 1 rok. Prognostického období toku linie je transformován do linie řízení vypouštění s stejné délky jako počasí. Adaptivní řízení se používá pouze první hodnota řádku vypouštění. Stochastické řízení poskytuje budoucí rozdělení veličiny. Hlavní výhodou stochastické management je vějíř možností. V článku je popsána konstrukce a hodnocení adaptivního stochastický model využívajícího genetický algoritmus (klasické optimalizační metoda). Model byl použit pro stochastické řízení zásobní funkce nádrže. Genetický algoritmus se používá jako algoritmus optimalizace. Model byl testován na fiktivní nádržu. Výsledky stochastického modelu byly vyhodnoceny pro dané pravděpodobnosti a srovnány s výsledky stejného modelu pro 100 % předpověď (předpokládané hodnoty jsou skutečné hodnoty). Řízení zásobní funkce nádrže probíhalo logicky a se zvyšujícím počtem předpovědí od 300 do 500 jsou výsledky modelu byly lepší, ale při zvýšení počtu na hodnoty 500 do 750 a 1000 se nedostavilo očekávané zlepšení. Byl testován vliv na průběh řízení pro různé délky předpovědi a jejich součet číslo. Klasické Optimalizační model je zapotřebí příliš mnoho času pro výpočet, a proto stochastický model využívající genetické algoritmy používá paralelních výpočtů v clusteru.
Description
Citation
IOP Conference Series: Earth and Environmental Science. 2016, vol. 44, issue 1, p. 1-5.
https://iopscience.iop.org/article/10.1088/1755-1315/44/2/022024
https://iopscience.iop.org/article/10.1088/1755-1315/44/2/022024
Document type
Peer-reviewed
Document version
Published version
Date of access to the full text
Language of document
en