Journal of Korea Water Resources Association (한국수자원학회논문집)

Korea Water Resources Association (한국수자원학회)
권호 표지
DOI QR코드

DOI QR Code

Streamflow Estimation using Coupled Stochastic and Neural Networks Model in the Parallel Reservoir Groups

추계학적모형과 신경망모형을 연계한 병렬저수지군의 유입량산정

  • 김성원 (동양대학교 지구환경시스템공학과)
  • Published : 2003.04.01
Download PDF
⟨ Previous Next ⟩

Abstract

Spatial-Stochastic Neural Networks Model(SSNNM) is used to estimate long-term streamflow in the parallel reservoir groups. SSNNM employs two kinds of backpropagation algorithms, based on LMBP and BFGS-QNBP separately. SSNNM has three layers, input, hidden, and output layer, in the structure and network configuration consists of 8-8-2 nodes one by one. Nodes in input layer are composed of streamflow, precipitation, pan evaporation, and temperature with the monthly average values collected from Andong and Imha reservoir. But some temporal differences apparently exist in their time series. For the SSNNM training procedure, the training sets in input layer are generated by the PARMA(1,1) stochastic model and they covers insufficient time series. Generated data series are used to train SSNNM and the model parameters, optimal connection weights and biases, are estimated during training procedure. They are applied to evaluate model validation using observed data sets. In this study, the new approaches give outstanding results by the comparison of statistical analysis and hydrographs in the model validation. SSNNM will help to manage and control water distribution and give basic data to develop long-term coupled operation system in parallel reservoir groups of the Upper Nakdong River.

본 연구에서는 낙동강 상류유역의 병렬 다목적댐군인 안동 및 임하다목적 댐의 장기간 유입량을 산정하는데 공간추계 신경망모형이 사용되었다. 공간추계 신경망모형은 역전파 알고리즘으로 LMBP와 BFGS-QNBP를 각각 사용하였다. 공간추계 신경망모형의 구조는 입력층, 은닉층 및 출력층의 3개의 층과 차례대로 8-8-2개의 노드로 구성되어 있다. 입력층 노드는 안동 및 임하다목적 댐의 월평균유입량, 월면적강우량, 월별 증발접시 증발량과 월평균기온으로 구성되어 있으며, 자료시계열은 시간적으로 차이가 있다. 공간추계 신경망모형의 훈련을 위하여 추계학적 모형중 하나인 PARMA(1,1)에 의해서 훈련자료를 모의발생시켰으며, 모의발생된 자료는 공간추계 신경망모형의 훈련에 사용되었다. 훈련을 통하여 공간추계 신경망모형의 매개변수인 최적연결강도와 편차를 산정하였다. 산정된 매개변수는 안동 및 임하다목적 댐의 실측자료를 이용하여 공간추계 신경망모형의 검증에 이용되었으며, 통계분석과 수문곡선의 비교를 통하여 우수한 결과를 나타내었다. 따라서 공간추계 신경망모형은 낙동강 상류유역의 병렬저수지군의 장기간 연계운영기법 개발을 위하여 기초적인 자료를 제공하고, 용수분배 및 관리에 도움을 줄 것이다.

Keywords

References

  1. 건설교통부, 한국수자원공사(1991). 영천댐 도수로 도수에 따른 안동댐 및 임하댐 연계운영방안 보고서
  2. 건설교통부, 한국수자원공사(1999). 기존댐 용수공급 능력조사(낙동강·금강수계)보고서
  3. 기상청(1983-1990). 기상년보
  4. 김성원(20OOa). '다층신경망모형에 의한 일 유출량의 예측에 관한 연구' 한국수자원학회 논문집, 한국수자원학회, 제33권, 제5호, pp. 537-550
  5. 김성원(20OOb). '하천유역에서 홍수유출량의 예측을 위한 신경망기법의 적용' 대한토목학회 논문집, 대한토목학회, 제20권, 제6-B호, pp. 801-811
  6. 김성원, 이순탁, 조정석(2001). '중소하천유역에서 Hybrid Neural Networks에 의한 수문학적 예측' 한국수자원학회논문집, 한국수자원학회, 제34권, 제4호, pp. 303-316
  7. 김성원, 조정석(2002b). 'SSNNM에 의한 다목적 댐군의 월평균유입량 산정' 2002년 대한토목학회 학술발표회논문집, 대한토목학회, pp. 155-158
  8. 김성원, 조정석, 정재용(2002a). '추계학적 신경망모형에 의한 다목적댐의 유입량산정' 2002년 한국수자원학회 학술발표회 논문집, 한국수자원학회, pp.98-103
  9. 신현석, 박무종(1999). '신경망을 이용한 우리나라의 시공간적 가뭄의 해석' 한국수자원학회 논문집, 한국수자원학회, 제32권, 제1호, pp. 15-29
  10. Battiti, R. (1989). 'Accelerated back-propagation learning : two optimization methods.''Complex System, Vol. 3, pp. 331-342
  11. Battiti, R, and Masulli, F. (1990). 'BFGS optimization for faster and automated supervised learning.' Proc. of Int. Neural Network Conf.(INNC 90), Paris, France, pp. 757-760
  12. Coulibaly, P., Anctil, F, and Bobee, B.(2000a). 'Daily reservoir inflow forecasting using artificial neural networks with stopped training approach.' J. Hydro., Vol. 230, pp. 244-257 https://doi.org/10.1016/S0022-1694(00)00214-6
  13. Coulibaly, P., Anctil, F, and Bobee, B.(2000b). 'Neural network-based long-term hydropower forecasting system' J.Comp. Aided Civ. and Infrastruct Engrg., Vol. 15, No. 5, pp. 355-364 https://doi.org/10.1111/0885-9507.00199
  14. Demuth, H., and Beale, M.(2000). Neural network toolbox : for use with MATLAB user's guide, The Math Works Inc.
  15. Gallant, S.I.(1993). Neural network learning and expert systems, MIT Press, Cambridge, MA
  16. Gill, P.E., Murray, W., and Wright, M.H. (1981). Practical Optimization, Academic Press, NY
  17. Hagen, MT, and Menhaj, M(1994). 'Training feedforward networks with the Marquardt algorithm.' IEEE Transactions on Neural Networks, Vol. 5, No. 6. pp. 25-32 https://doi.org/10.1109/72.329697
  18. Haykin, S.(1994). Neural networks : A comprehensive foundation, Macmillan College Pub. Comp., Inc., MA
  19. Jain, S.K, Das, D., and Srivastava, D.K.(1999). 'Application of ANN for reservoir inflow prediction and operation.'' J. Water Resour. Plng, and Mgmt., ASCE, Vol. 125, No. 5, pp. 263-271 https://doi.org/10.1061/(ASCE)0733-9496(1999)125:5(263)
  20. Kim, S., and Lee, S. (2000). 'Forecasting of flood stage using neural networks in the Nakdong river, South Korea.' Proc, Watershed Management & Operations Management 2000, ASCE/EWRI, Fort Collins, CO. https://doi.org/10.1061/40499(2000)83
  21. Nguyen, D.H. and Widrow, B.(1990). 'Neural network for self-learning control systems.' IEEE Control Systems Magazine, pp. 18-23
  22. Salas, J.D.(1998) SAMS ; Stochastic Analysis, Modeling, and Simulation user manual, Colorado State University, Fort Collins, CO
  23. Salas, J.D., Delleur, J.R., Yevjevich, V., and Lane, W.L.(1980). Applied Modeling of Hydrologic Time Series, Water Resources Publications, Littleton, CO
  24. Shanno, D.F.(1978). 'Conjugate gradient methods with inexact searches.' Mathematics of Operations Research, Vol. 3, No. 3, pp. 244-256 https://doi.org/10.1287/moor.3.3.244
  25. Thirumalaiah, K, and Deo, M.C.(1998). 'River stage forecasting using artificial neural networks.' J. of Hydro. Eng, ASCE, Vol. 3, No.l, pp. 26-32 https://doi.org/10.1061/(ASCE)1084-0699(1998)3:1(26)
  26. Thirurnalaiah, K, and Deo, MC.(2000). 'Hydrological forecasting using neural networks.' J. of Hydro. Eng, ASCE, Vol. 5, No. 2, pp. 180-189 https://doi.org/10.1061/(ASCE)1084-0699(2000)5:2(180)
  27. Tokar, AS., and Johnson, P.A.(1999). 'Rainfall-runoff modeling using artificial neural networks.' J. Hydrologic Engrg., ASCE, Vol. 4, No. 3, pp. 232-239 https://doi.org/10.1061/(ASCE)1084-0699(1999)4:3(232)
  28. Zealand, C.M., Burn, D.H., and Simonovic, S.P.(1999). 'Short term streamflow forecasting using artificial neural networks.' J. Hydro., Vol. 214, pp. 32-48 https://doi.org/10.1016/S0022-1694(98)00242-X