جستجوی مقالات مرتبط با کلیدواژه « hydropower » در نشریات گروه « مهندسی آب »
تکرار جستجوی کلیدواژه «hydropower» در نشریات گروه «فنی و مهندسی»-
در دهه های گذشته، روش های متعددی جهت حل مساله بهینه سازی غیرقطعی بهره برداری از مخزن پیشنهاد شده است که یکی از آنها روش برنامه ریزی پویای دوگان غیرقطعی (SDDP) است. بررسی پیشینه تحقیقات نشان می دهد که در اغلب تحقیقات پیشین، عدم قطعیت جریان ورودی به مخازن در روش SDDP براساس یک مدل آماری خودهمبسته (AR(1 یا خودهمبسته فصلی (PAR(2 مدلسازی شده است. رویکرد دیگر برای مدلسازی عدم قطعیت در SDDP که کمتر به آن پرداخته شده است، مدلسازی عدم قطعیت جریان به صورت یک زنجیره مارکوف است که در این تحقیق تحت عنوان مدل MSDDP پیاده سازی شده است. همچنین علیرغم اینکه محققان متعددی از روش SDDPدر زمینه بهینه سازی بهره برداری میان مدت از سیستمهای چندمخزنه استفاده کرده اند، قابلیت این روش در زمینه تدوین سیاست های پایدار بلندمدت در مخازن سدها بررسی نشده است. در این تحقیق پس از ارائه الگوریتمی برای کاربرد مدلهای SDDP و MSDDP به منظور تدوین سیاستهای پایدار بهره برداری بلندمدت از سیستم های چندمخزنه، عملکرد این دو مدل مقایسه شده است. به منظور ارزیابی عملکرد مدل های مورد بررسی، نتایج حاصل از اجرای مدل ها در بهینه سازی بهره برداری از سیستم چندمخزنه برق آبی در حوضه رودخانه ی کارون بررسی شده است. براساس نتایج به دست آمده، مدل MSDDP عملکرد به مراتب بهتری در ارائه سیاست بهره برداری بهینه از سیستم داشته است. همچنین مقایسه نتایج مدل ها با بهترین جواب های ممکن (در شرایط قطعیت کامل) نشان داد جواب های حاصل از سیاست بهره برداری مستخرج از مدل MSDDP نزدیک به بهترین جواب های ممکن بوده است.کلید واژگان: بهینه سازی بهره برداری از مخزن, سیستم های چند مخزنه, برق آبی, SDDP, زنجیره ی مارکوف}In the last decades, various methods have been proposed for stochastic operation optimization of reservoirs out pf which one is Stochastic Dual Dynamic Programming (SDDP). Reviewing the literature shows in most previous studies, inflow uncertainties have been mostly modeled by auto-regressive AR(1) or seasonal aut-regressive PAR(2) models when using SDDP. Another approach toward inflow uncertainty modeling by SDDP uses Markov Chain which has received less attention. In this study, MSDDP model has been developed which uses Markov chain concept. Furthermore, applicability of SDDP in developing long-term operation policies has not been tested before. In this study, after presenting an algorithm for using SDDP and MSDDP for formulating long-term operation policies, their performances have been compared in weekly operation optimizaition of Karoun multi-reservoir hydropower system. The benefits estimated for operation of the system based on MSDDP policies has shown 35 percent improvement compared with SDDP results. The results have shown absolute superiority of MSDDP in formulating long-term operation policies. Furthermore, operation policies obtained from SDDP have shown highest compatibility with the best possible operation policy when there is no uncertainty (deterministic conditions).Keywords: reservoir operation optimization, multi-reservoir systems, hydropower, SDDP, Morkov chain}
-
نیروگاه های برقابی کوچک می توانند در تولید انرژی نقش زیادی ایفا نمایند. سرشاخه های رودخانه ها مکان های مناسبی برای احداث این نیروگاه ها می باشند، ولی معمولا این مناطق برفگیر هستند و به علت مشکلات دسترسی، فاقد آمار و یا کم آمار هستند. در این تحقیق تلاش شده تا با استفاده از حداقل آمار و اطلاعات در دسترس، شبیه سازی جریان در حوضه برفگیر سردآبرود که حوضه ای نسبتا کوچک و دارای آمار کم می باشد به وسیله مدل SRM1 و شبکه های عصبی مصنوعی (ANNs)2 به انجام رسد و سپس اثر خطا در برآورد جریان به واسطه اطلاعات کم، بر مقدار برآورد انرژی تولیدی بررسی گردد. در اجرای مدل SRM نیاز به سطح تحت پوشش برف می-باشد که با استفاده از تصاویر سنجنده AVHRR3 ماهواره NOAA4 برای سال های 1999 و 2000 تامین شد. برای ANNs مرحله آموزش با 1 (سال 1999 با استفاده از ایستگاه های موجود در منطقه) و 3 سال (1997 لغایت 1999 با استفاده از ایستگاه-های منطقه و ایستگاه های مجاور) به طور جداگانه انجام و در هر دو مورد سال 2000 برای صحت سنجی در نظر گرفته شد. نتایج نشان داد در صورتی که ANNs با آمار روزانه سه سال آموزش داده شود می تواند نتایج بهتری از SRM ارائه کند. هرچند هر دو روش در برآورد پرآبی ها با مشکلاتی همراه هستند. برای بررسی اثر نتایج بالا در تولید برق، با استفاده از روش های تداوم جریان و روندیابی متوالی جریان، میزان انرژی تولیدی برآورد و با هم مقایسه گردید. در این خصوص از نرم-افزار RETScreen و برنامه ای که طی تحقیق توسعه یافت، استفاده گشت. نتایج این بخش نشان داد که در شرایط مساوی طول دوره آماری (1999 و 2000) مدل SRM به طور مطلوب تری شبیه سازی جریان و متعاقب آن تولید انرژی را محاسبه کرده است. ولی در مورد ANNs با سه سال آموزش، نتایج به SRM نزدیک تر می گردد. هرچند رواناب شبیه سازی شده با SRM تولید برق را بهتر برآورد کرده است که علت آن را باید در شبیه سازی بهتر جریان در محدوده مورد استفاده برای توربین های نیروگاه یافت.
کلید واژگان: رواناب ذوب برف, انرژی برقابی, مدل SRM, شبکه های عصبی مصنوعی, کمبود آمار}Small hydropower plants can have an important role in energy generation. Upper catchments are normally proper locations to construct such plants, but they usually have snowy regimes and the availability of data is usually a problem. This paper is an attempt to simulate snowmeltrunoff with SRM and ANNs in the relatively small catchment of Sardabrood in northern Iran with scarce data. In the next step, effects of errors resulting from the streamflow simulation on the estimated hydropower energy potentials is investigated. For the SRM model, a snow covered area is needed. This is met by the images of the AVHRR sensor of NOAA satellites for the years 1999 and 2000. In case of ANNs, the networks are trained with 1 year- (1999 using stations in the region) and 3 year- (1997 to 1999 using stations of the region and nearby) observed data. Year 2000 is used for verification. The results have shown that if ANNs get trained with 3-year data, it performs better than SRM. Both methods have problems in high flow simulations. Duration-Curve method and Sequential Streamflow Routing method are applied to simulate electricity generation, based on the results of runoff simulations. The RETScreen software and a program developed in this research are implemented for this purpose. The comparisons suggested better performance of SRM in the equal time periods (1999 and 2000) and subsequently better energy generation prediction. ANNs with 3 years training have closer results to SRM. Although runoff simulated with SRM have better performance in energy generation. This is because of better simulation of runoff in the operational ranges of the turbines.Keywords: Snowmelt Runoff, Hydropower, SRM, Artificial Neural Networks, Ungauged}
نکته
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.