Design and Operation of Hydrosystems by Teaching-Learning Based Optimization Algorithm

Aghajani, Sara (2019) Design and Operation of Hydrosystems by Teaching-Learning Based Optimization Algorithm. Masters thesis, University of Mohaghegh Ardabili.

[img] Text
جدید.pdf

Download (672kB)
Official URL: http://uma.ac.ir/

Abstract

Research Aim:The purpose of this study was to investigate the capability of the teaching-learning optimization algorithm in various problems related to optimal operation of surface water reservoirs. Research method:At first, the capability of the teaching-learning algorithm in solving some popular mathematical examples is discussed.Then, a four-type reservoir system and a ten-reservoir system were used to evaluate the capability of this algorithm.Then, the operation of the Dez dam in different simple operation modes as well as the hydropower operation were evaluated for time series with different statistical lengths.Finally, exploitation of a four-reservoir system in the Zohreh catchment was used to evaluate the capability of the teaching-learning algorithm.In all the mentioned scenarios, the results of the mentioned Teaching-Learning algorithm were compared with the results of the genetic algorithm. Findings: In the mathematical relations optimization problem, the Teaching-Learning algorithm had a tangible advantage over the genetic algorithm both in terms of accuracy of answers and time.In the case of four-system and ten-type system operation, the number of decision variables were 48 and 120, respectively, both in terms of execution time and the accuracy of the solutions was superior to the teaching-learning algorithm.Regarding the problem of operating Dez Reservoirsystem with a command curve method with a number of decision variables equal to 36, has always been superior to the teaching-learning algorithm.In the case of operation of single- and multi-reservoirsystems by time series method, whenever the number of decision variables is equal to or less than 240, it is both in terms of runtime and in precision with the teaching-learning algorithm but for problems with 480 variables Decision, Learning-Learning algorithm unlike genetic algorithm, it has not been able to find optimal solutions. Conclusion:Teaching-learning algorithm as one of the new meta-search algorithms, it is easy to adjust the model parameters of many of his algorithms.When dealing with a small number of decision variables, both the speed and accuracy of computation work better than the genetic algorithm, but when the number of decision variables increases, this algorithm is disrupted.Special attention should be paid to this in future research.

Item Type: Thesis (Masters)
Persian Title: طراحی و بهره‌برداری بهینه از هیدروسیستم‌ها با استفاده از الگوریتم آموزش –یادگیری
Persian Abstract: هدف:هدف از انجام این تحقیق بررسی قابلیت الگوریتم بهینه‌ساز آموزش-یادگیری در مسائل مختلف و مرتبط با بهره‌برداری بهینه از مخازن آب سطحیاست. روش‌شناسی پژوهش:در ابتدا قابلیت الگوریتم آموزش-یادگیری در حل چند مثال معروف و متداول ریاضیاتی مورد بحث قرار گرفت. سپس یک سیستم چهار مخزنه تیپ و نیز یک سیستم ده مخزنه تیپ برای بررسی قابلیت این الگوریتم مورد استفاده قرار می‌گیرد. در ادامه بهره‌برداری از سد دز در حالت‌های مختلف بهره‌برداری ساده و نیز بهره‌برداری برقابی برای سری‌های زمانی با طول‌های دوره آماری مختلف مورد ارزیابی قرار گرفت. در انتها نیز بهره‌برداری از یک سیستم چهار مخزنه در حوضه آبریز زهره برای ارزیابی قابلیت الگوریتم آموزش- یادگیری مورد استفاده قرار می‌گیرد.در همه سناریو‌های مطرح شده نتایج حاصل از الگوریتم آموزش- یادگیری یاد شده با نتایج حاصل از الگوریتم ژنتیک مقایسه شده است. یافته‌ها: در مسائل مربوط به بهینه‌سازی روابط ریاضیاتی، الگوریتم آموزش-یادگیری هم از حیث دقت جواب‌ها و هم از حیث زمان اجرا برتری محسوسی نسبت به الگوریتم ژنتیک داشت. در مورد مساله بهره‌برداری از سیستم تک مخزنه و نیز ده مخزنه تیپ نیز که تعداد متغیر‌های تصمیم به ترتیب 48 و 120 عدد بوده نیز هم از لحاظ زمان اجرا و هم دقت جواب‌ها برتری با الگوریتم آموزش-یادگیری بود. در ارتباط با مساله بهره‌برداری از سیستم تک مخزنه دز به روش منحنی فرمان که تعداد متغیرهای تصمیم برابر با36 عدد بود نیز همیشه برتری با الگوریتم آموزش-یادگیری بوده است. در مورد بهره‌برداری از سیستم‌های تک و چند مخزنه به روش سری زمانی، هرگاه تعداد متغیر‌های تصمیم مساوی یا کوچکتر از 240 است، هم از لحاظ زمان اجرا و هم از نظر دقت برتری با الگوریتم آموزش- یادگیری می‌باشد ولی برای مساله‌های با 480 متغیر تصمیم، الگوریتم آموزش- یادگیری بر خلاف الگوریتم ژنتیک موفق به پیدا کردن جواب‌های بهینه نشده است. نتیجه‌گیری:الگوریتم آموزش-یادگیری به عنوان یکی از الگوریتم‌های فراکاوشی نوین از نظر تنظیم پارامترهای مدل، بسیار الگوریتم کارا و راحتی است. زمانی که با تعداد متغیر‌های تصمیم کم سر و کار داریم هم از لحاظ سرعت و هم دقت محاسبات از الگوریتم ژنتیک بهتر عمل می‌کند ولی زمانی که تعداد متغیر‌های تصمیم زیاد می‌شود این الگوریتم عملکردش مختل می‌شود. لازم است در تحقیقات آتی به این امر توجه خاص شود.
Supervisor:
SupervisorE-mail
Masoumi, FariborzUNSPECIFIED
Nouri, TohidUNSPECIFIED
Advisor:
AdvisorE-mail
-, -UNSPECIFIED
Subjects: Faculty of Engineering > Department of Civil Engineering
Divisions > Faculty of Engineering > Department of Civil Engineering
Divisions: Subjects > Faculty of Engineering > Department of Civil Engineering
Faculty of Engineering > Department of Civil Engineering
Date Deposited: 06 Jun 2020 07:34
Last Modified: 06 Jun 2020 07:34
URI: http://repository.uma.ac.ir/id/eprint/11391

Actions (login required)

View Item View Item