Metodologija za brzu asimilaciju podataka u modelima otvorenih tokova

Abstract

Upravljanje vodnim resursima (vodosnabdevanje, odbrana od poplava, hidroenergetika) zahteva prognoze dostupne količine vode kao pomoć u donošenju upravljačkih odluka. Najčešće se te prognoze zasnivaju na upotrebi različitih fizički zasnovanih modela. Tako dobijeni rezultati su često veoma nepouzdani zbog prisustva različitih tipova neodređenosti. Kod primene linijskih (1D) modela tečenja u otvorenim tokovima neki od dominantnijh izvora neodređenosti su nedovoljno dobro poznavanje graničnih uslova (hidrogrami dotoka, krive protoka) i nepouzdani početni uslovi koji su osnova od koje se započinje prognoza. Kontinulana merenja na sistemu (npr. merenja nivoa na reci) predstavljaju relativno pouzdan reprezent njegovog stanja ali pokrivaju samo jedan mali deo domena koji se razmatra. Zbog toga se pribegava postupku asimilacije podataka kojom se usaglašavaju rezultati modela i merenja. Ova usaglašavanja se sprovode za već prikupljene podatke, u vremenskom periodu neposredno pre trenutka od koga se želi izvršiti prognoza. Taj period usaglašavanja naziva se asimilacioni period. Na kraju asimilacionog perioda model bolje oslikava trenutno stanje na celom domenu i može se iskoristiti za prognozu. U ovom istraživanju prikazana je nova asimilaciona metoda za modele otvorenih tokova korišćenjem indirektnog, fizički zasnovanog pristupa za usaglašavanje nivoa pomoću korektivnih dotoka. Korektivni dotoci se računaju koristeći teoriju Proporcionalno-Integrativno-Derivativnih (PID) kontrolera iz oblasti teorije upravljanja (eng. control theory). Metoda je razvijena u cilju primene jednostavnijeg i bržeg postupka asimilacije podataka u realnim sistemima otvorenih tokova. Nova asimilaciona metoda poredi se sa standardnom metodom asimilacije podataka (Ensemble Kalman Filter - EnKF) koja se najčešće koristi u sličnim istraživanjima. Poređenjem na hipotetičkim test primerima pokazano je da se primenom nove asimilacione metode dolazi do značajnog ubrzanja proračuna bez smanjenja kvaliteta asimilacije podataka. Primena ove metode na realne sisteme zahteva rešavanje problema određivanja optimalne konfiguracije (forme, strukture) i optimalnog podešavanja parametara PID kontrolera. Na primeru Hidroenergetskog sistema Đerdap sprovedeno je detaljno ispitivanje optimalne konfiguracije na osnovu definisanih indikatora kvaliteta asimilacije podataka. Utvrđeno je da jednostavnija konfiguracija kontrolera, sastavljena od proporcionalnog i integrativnog faktora (PI kontroler) daje najbolje rezultate asimilacije. Optimalno podešavanje parametara kontrolera rešeno je višekriterijumskom optimizacijom pomoću genetskog algoritma sa nedominantnim sortiranjem (eng. Nondominated Sorting Genetic Algorithm II – NSGA-II). Utvrđeno je da se podešavanje kontrolera višekriterijumskom optimizacijom može uraditi koristeći neku od kombinacija sa 2 suprotstavljene kriterijumske funkcije. Dodatna ispitivanja pokazala su potencijal ove asimilacione metode za rekonstrukciju stvarnih hidrograma na osnovu zabeleženih nivograma, kao alata za rekonstrukciju poplavnih talasa i smanjivanje neodređenosti krivih protoka.

Water resources management (water supply, flood prevention, hydropower) requires many forecasts of the water available, as a decision-support tool. These forecasts are provided using physically based numerical models (model-driven forecasting) and can produce results of unsatisfying accuracy due to numerous uncertainties. When 1D open channel flow models are used, some of the dominating uncertainty sources are unreliable boundary conditions (inflow hydrograph, rating curves) and initial conditions. Continuous observations of the system state can be considered as a reliable representation of the true state but limited to the small domain. Hence, data assimilation is used for coupling the measurements and models. The goal of data assimilation is to reduce the difference between measured and modelled data (e.g. water levels) by continuous model results update (water level update). This update is conducted for the collected data in the period before the moment used for the start of the forecast, called assimilation period (assimilation window). Water level update provides improved initial conditions at the end of this period. This research presents a novel data assimilation method based on the indirect, physically based approach by adding/subtracting correction flows from the model. These correction flows are calculated using the control theory, specifically Proportional-Integrative-Derivative (PID) controller theory. The aim of this method is to propose a simplified and faster assimilation procedure without sacrificing the accuracy. Proposed data assimilation method is compared to the widely used Ensemble Kalman Filter (EnKF). Benchmark test on hypothetical test cases shows substantial speed up when PID controllers are used as data assimilation method, without significant sacrifice of the accuracy. Further application of this method on real world problems required thorough investigation on optimal controllers’ configuration and optimal tuning of the controllers. Phase analysis is conducted to determine optimal controllers’ configuration, based on the data assimilation quality indicators. Analysis shows that proportional-integrative configuration (PI controller) of the controllers should be used only, without derivative gain. Research shows the potential of using multicriteria optimization for optimal tuning of the controllers’ parameters, using Nondominated Sorting Genetic Algorithm (NSGA-II) for the minimization of the criterias. Analysis also shows that multicriteria used for optimal tuning of the controllers should not consider more than two conflicting criterias. Further investigation shows the potential of using the novel data assimilation method for true flow hydrograph reconstruction. This algorithm could be used as a tool for inverse flood routing and uncertainty reduction of the existing rating curves.