Hydraulisk modellering og modelprædiktiv styring med Neurale Netværk
Oversat titel
Hydraulic modeling and model predictive control using Neural Network
Forfattere
Rasmussen, Michael Mølskov ; Schneidelbach, Kristoffer Stenkær
Semester
4. semester
Uddannelse
Udgivelsesår
2016
Afleveret
2016-07-01
Antal sider
192
Abstract
Denne rapport undersøger, om neurale netværk—datadrevne computermodeller, der lærer mønstre i data—kan bruges til hydraulisk modellering. Det omfatter afstrømnings- og vandstandsmodellering samt backup og prognoser af måledata, og viser samtidig potentialet for at basere styring af afløbs- og vandløbssystemer på sådanne modeller. For vandføringen i Grejs Å er det fordelagtigt at give modellen input om nedbør og tørkeindeks; herved kan der laves vandføringsprognoser op til 120 minutter uden nævneværdigt tab af kvalitet. For vandstanden i Vejle Havn kan korrelerede vandstandsdata med en tidslig forsinkelse bruges til at forudsige vandstanden op til 420 minutter. Når vandstandsdata suppleres med en vindfaktor, forbedres modelkvaliteten markant, især ved stuvning (når vand holdes tilbage eller presses op). I Omløbsåen kan vandstandskoten modelleres ud fra vandstandsdata fra nærliggende målestationer og styresignalet til fordelerbygværket. Det er desuden muligt at estimere styresignalet for fordelerbygværket ud fra omkringliggende målestationer. På baggrund af en fastsat kritisk kote kan fordelerbygværket styres med neurale netværk, og de prognosticerede data kan bruges til modelprædiktiv styring, dvs. styring der bruger prognoser til at vælge den bedste handling.
This report examines whether neural networks—data-driven computer models that learn patterns—can be used for hydraulic modeling. The work covers runoff and water level modeling, as well as backup and forecasting of measured data, and it demonstrates the potential to base control of drainage and stream systems on such models. For flow in Grejs Å, providing inputs on rainfall and a drought index is beneficial; this enables flow forecasts up to 120 minutes without notable loss of model quality. For water levels in Vejle Harbor, correlated water level inputs with a time lag can be used to predict levels up to 420 minutes. Adding a wind factor markedly improves model quality, especially during backwater conditions (when water is held back or pushed up). In Omløbsåen, the water level elevation can be modeled from water level data at nearby stations together with the control signal to the distribution structure. It is also possible to estimate the control signal for the distribution structure from surrounding water level stations. Based on a set critical elevation, the distribution structure can be controlled with neural networks, and the forecasted data can be used for model predictive control, i.e., control that uses predictions to choose the best action.
[Dette resumé er genereret ved hjælp af AI]