Terjemahan Water Resources System 1
Terjemahan Water Resources System 1
Contoh 6.2.3 Formulasikan model CCLP untuk mendapatkan kapasitas minimum waduk
dalam sistem empat waduk yang ditunjukkan pada Gambar 6.11 dan tulis persamaan
deterministiknya, dengan asumsi bahwa semua air yang dikeluarkan dari waduk hulu tersedia
di waduk hilir. Tinggi jagaan minimum harus dipertahankan di semua waduk di setiap
periode..
Contoh б.2.3
Waduk 1
Waduk 2
Waduk 4
Waduk 3
Waduk 2
R2t = S2t + R1t – b2t (R1t adalah pelepasan hulu)
Waduk 4
R4t = S4t + R2t + R3t – b4t
Waduk 4
i=1
i=1
i=1 i=1
Sit adalah penyimpanan awal waduk i pada periode t. yit adalah tinggi jagaan yang harus
dipertahankan pada akhir periode t.
Persamaan Deterministik
Min K1 + K2 + K3 + K4
Merujuk kepada
Waduk 1
Waduk 2
−1
Note that F Q 1 (t−1 )+Q 2 (t −1) (.) diperoleh dari distribusi jumlah aliran, mis
Q1t-1 + Q2t-1
Waduk 3
Waduk 4
waduk 4 diperoleh dari distribusi penjumlahan aliran Q1t-1 + Q2t-1 + Q3r-1 + Q4t-1
Contoh 6.2.4 Data yang relevan untuk masalah multireservoir dibahas di
Contoh 6.2.3 diberikan dalam tabel berikut. Konfigurasi dari sistem dan data yang
diadaptasi dari Nayak dan Arora (1971), dengan minor modifikasi. Semua nilai α
diatur ke 0,90. Aliran sesuai dengan F-1 (1 – α ) dilepaskan sebagai Fqmin dan yang
sesuai untuk F-1 (α) sebagai Fqmax , untuk kemudahannya. Sama seperti F−1 Qu−1 +Q 2−1(1 –
−1
α) dilepaskan sebagai Fq2 min, F Qu−1 +Q 2−1 (α) as Fq2 max, F ∑Q i(t−1) (1 – α) as Fq4 min, and
−1
−1
F ∑Q i(t−1) (α) as Fq4 max.
(Satuan untuk aliran, pelepasan, parameter keputusan, dan penyimpanan: Mm3)
Waduk 1
Waduk 2
Waduk 3
Waduk 4
Masalah ini diselesaikan dengan meggunakan LINGO (perangkat lunak PC untuk LP).
Solusi yang diperoleh diberikan dalam tabel berikut.
dimana Rt adalah pelepasan waduk (untuk irigasi) and αt adalah level reliabilitas di
periode t.
Mengikuti notasi bagian sebelumnya, persamaan kontinuitas penyimpanan adalah
Rt = (1 – at) St + Qt – Lt – (1 + at) St +1
dan dari aturan keputusan linier
St +1 = bt, dimana bt adalah parameter tidak acak.
Dengan demikian,
Dalam persamaan ini, Rt dan Qt adalah satu-satunya variabel acak, karena aturan
keputusan linier mengubah penyimpanan acak menjadi variabel deterministik,
menyerap semua keacakan aliran masuk ke dalam istilah pelepasan, Rt
Chance constraint sekarang menjadi
Bergantung kepada
Model akan disederhanakan jika tingkat reliabilitasnya sama untuk semua
periode, αt =α = untuk semua t. Model tersebut diselesaikan dengan menggunakan
pemrograman linier untuk nilai tertentu dari α. Solusinya memberikan kapasitas
minimum yang diperlukan dari waduk yang sesuai dengan nilai yang ditentukan dari
α
Reliabilitas Maksimal
Hubungan antara α dan K yang sesuai dapat diplot untuk perbedaan nilai reliabilitas
untuk menganalisis trade-off yang tersirat. Dapat dicatat bahwa di luar beberapa nilai
α, solusinya tidak layak, karena reliabilitasnya pasokan irigasi untuk data aliran
masuk yang diberikan tidak dapat ditingkatkan tanpa batas waktu hanya
meningkatkan kapasitas waduk . Ini adalah kondisi yang timbul dari aliran masuk
yang terbatas. Jika model dipecahkan untuk diskrit yang berbeda tetapi meningkat
nilai dari (setiap solusi sesuai dengan satu nilai α, akan ada tahap ketika di luar,
katakanlah,α =α maks), solusinya menjadi tidak layak. Itu berarti bahwa α max kemudian
adalah reliabilitas maksimum yang layak untuk diberikan distribusi aliran masuk .
Biarkan K* menjadi persyaratan kapasitas yang sesuai (sesuai dengan α =α maks ).
Sementara reliabilitas maksimum yang layak ditentukan oleh data aliran masuk,
reliabilitas maksimum yang dapat dicapai, bagaimanapun, akan terbatas karena aliran
masuk yang terbatas, atau kapasitas yang terbatas dalam kasus waduk dengan
kapasitas tertentu.
Jika analisis dilakukan untuk kapasitas waduk yang ada, K 0, kemudian
seseorang dapat menemukan jika waduk terlalu besar (K 0 > K*) atau terlalu kecil (K0
<K*) dengan mengacu pada kemungkinan reliabilitas maksimum untuk memenuhi
tuntutan. Dalam kasus sebelumnya (waduk terlalu besar), aliran masuklah yang
membatasi reliabilitas maksimum, dan dalam kasus terakhir (waduk berukuran kecil)
itu adalah kapasitas. Dalam kasus sebelumnya, kapasitas yang melebihi K* tidak
berguna tidak berkontribusi pada peningkatan reliabilitas melebihi dan di atas maks
(dibatasi oleh batasan aliran masuk). Dalam kasus terakhir (K o <K*), bagaimanapun,
kapasitas yang ada tidak cukup untuk mewujudkan reliabilitas semaksimal mungkin.
Ini adalah kondisi keterbatasan kapasitas. Dalam hal ini (K o <K*), itu mungkin untuk
meningkatkan reliabilitas di luar αo (sesuai dengan Ko ), dengan menyediakan
penambahan kapasitas di atas kapasitas yang ada, Ko.
Dengan demikian plot antara K dan α o memberikan gambaran kinerja waduk
dalam hal apakah itu aliran masuk atau kapasitas yang mungkin membatasi tingkat
reliabilitas maksimum yang dapat dicapai untuk data aliran masuk yang diberikan.
Contoh 6.3.1 Untuk waduk eksisting dengan kapasitas 1320 Mm3 , dengan diberikan
aliran masuk bulanan dan nilai permintaan untuk setiap bulan, yang ditentukan oleh
menjalankan CCLP, yang berkapasitas 1253 Mm 3 diperlukan untuk mendapatkan
yang maksimal dengan kemungkinan reliabilitas 0,825.
Juga, kapasitas yang diperlukan untuk reliabilitas tertentu yang berbeda diperoleh,
seperti ditunjukkan pada tabel berikut, dengan menjalankan CCLP dengan nilai yang
berbeda reliabilitasnya dan urutan aliran masuk bulanan yang sesuai, menjaga
permintaan hal yang sama.
(ii) Dari data yang diberikan, αmax = 0,825, yang berarti dibuat untuk nilai yang lebih
tinggi dari ini dianggap tidak layak. Kapasitas yang sesuai dengan ini, K* = 1253
Mm3 , lebih kecil dari kapasitas eksisting, Ko = 1320 Mm3. Oleh karena itu, dalam hal
ini, aliran masuk membatasi reliabilitas maksimum yang dapat dicapai. Ini adalah
kasus pembatasan aliran masuk.
Sebaliknya, jika kapasitas sebenarnya menjadi 1159 Mm 3 , reliabilitas
maksimum yang dapat dicapai akan dibatasi hanya 0,7, dan kasusnya akan menjadi
salah satu batasan kapasitas.
Masalah
6.3.1 Rata-rata dan standar deviasi aliran masuk bulanan ke waduk diberikan di
bawah ini
Asumsikan bahwa aliran bulanan terdistribusi secara normal.
Persiapan mengatur aliran bulanan sedemikian rupa sehingga, dalam pengaturan
tertentu, aliran masuk setiap bulan memiliki probabilitas terlampaui, (atau probabilitas
kumulatif, 1 – α ). Persiapan megatur aliran masuk ini, masing-masing sesuai dengan
α= 0,6, 0,7, dan 0,8,
6.3.2 Dapatkan data rata-rata dan standar deviasi aliran bulanan ke waduk terdekat.
Asumsikan bahwa aliran masuk di setiap bulan adalah terdistribusi secara normal.
Hasilkan aliran masuk di setiap bulan untuk berbeda tingkat kemungkinan
terlampauinya. Dapatkan juga data permintaan dan penguapan bulanan.
1. Merumuskan model CCLP dan menentukan kebutuhan minimum kapasitas, K,
untuk berbagai tingkat α.
2. Tentukan αmaks dan K* yang sesuai.
3. Plot hubungan antara K dan α .
4. Tentukan, untuk waduk tertentu yang dipelajari, apakah reliabilitas yang dapat
dicapai dikondisikan oleh batasan aliran masuk atau batasan kapasitas.
6.3.3 Dapatkan data berikut untuk waduk yang ada.
Data aliran masuk bulanan untuk waduk, Qt, selama beberapa tahun,
katakanlah, sekitar 20 tahun.
Kebutuhan air bulanan (akan dikeluarkan dari waduk ), Dt
Kapasitas waduk yang ada, Ko
Kurva penyimpanan area (dari mana A0 dan a dapat ditemukan).
Tingkat penguapan bulanan di waduk, et
Dari data yang diberikan, siapkan urutan aliran masuk bulanan, masing-masing
merespons nilai reliabilitas tertentu, .
1. Merumuskan model CCLP untuk menentukan hubungan kapasitas-reliabilitas.
2. Tentukan αmaks dan kapasitas yang sesuai, K*.
3. Tentukan apakah reliabilitas maksimum yang dapat dicapai yang dibatasi oleh
aliran masuk atau kapasitas sebenarnya.
4. Diperlukan untuk mengeksplorasi hubungan K-α untuk berbagai permintaan,
sehingga dalam setiap kasus, permintaan baru, D new, adalah sebagian kecil dari
permintaan awal. Dnew = f Dt , di mana f adalah konstanta untuk semua t.
Tentukan nilai K dengan menjalankan model CCLP untuk suatu rentang dari nilai
dan f, katakanlah, dalam kisaran 0,3 ≤ α ≤ 1.0 dan 0,5 ≤ f ≤ 1.0. Perhatikan bahwa
beberapa kombinasi dari α dan f mungkin tidak layak.
5. Plot grafik yang menghubungkan K dengan α untuk nilai f yang berbeda.
Menafsirkan
kurva.
(Masalah ini dapat dianggap sebagai proyek mini, atau tugas)
6. 4 STOCHASTIK DYNAMIC PROGRAMMING UNTUK OPERASI
RESERVOIR
Stochastic Dynamic Programming (SDP) termasuk dalam kelas model optimasi
Explicit Stochastic Optimization (ESO). Pada bagian ini, kita membahas SDP dengan
aplikasi spesifik pada masalah operasi waduk, dimana aliran masuk ke waduk
dianggap sebagai variabel acak.
6.4.1 Diskritisasi Variabel Status
Masalah operasi waduk adalah masalah kontrol dunia nyata yang kompleks di mana
keputusan harus diambil secara berurutan dalam waktu, berdasarkan keadaan sistem
yang diketahui. Pada bagian berikut, kita akan mengembangkan model SDP variabel
diskrit. Semua variabel yang terlibat dalam proses pengambilan keputusan, seperti
reservoir storage, inflow, dan release didiskritisasi menjadi sejumlah terbatas interval
kelas. Interval kelas untuk suatu variabel memiliki nilai representatif, umumnya
diambil sebagai titik tengahnya. Penyimpanan waduk pada awal periode t dan aliran
masuk selama periode t diperlakukan sebagai variabel keadaan.
Notasi berikut diikuti dalam formulasi SDP: Q menunjukkan aliran masuk; i
dan j masing-masing adalah interval kelas (juga disebut sebagai keadaan) aliran
masuk pada periode t dan periode t + 1; S menunjukkan penyimpanan waduk; dan k
dan l masing-masing adalah interval kelas penyimpanan dalam periode t dan t + 1. Itu
nilai representatif aliran masuk untuk kelas i pada periode t dan kelas j pada periode t
+ 1 masing-masing dilambangkan dengan Qit dan Qjt+1. Demikian pula, nilai
representatif untuk penyimpanan dalam interval kelas k dan l masing-masing
dilambangkan dengan Skt dan Slt+1. Dari kontinuitas penyimpanan, maka, kita dapat
menulis
Rkilt = Skt + Qit – Eklt – Slt+1
(6.4.1)
di mana Rkilt adalah waduk pelepasan yang sesuai dengan Skt waduk penyimpanan
awal, waduk penyimpanan akhir Slt+1, dan kerugian penguapan Eklt. Kerugian Eklt
tergantung pada waduk penyimpanan awal dan akhir, S kt dan Slt +1. Karena aliran
masuk Q adalah variabel acak, waduk penyimpanan dan pelepasan juga variabel acak.
6.4.2 Inflow sebagai Proses Stokastik
Proses stokastik, dinotasikan sebagai {X(t), t ϵ T} adalah kumpulan variabel acak,
dengan t mengacu pada waktu, X(t) variabel acak, dan T mengacu pada kumpulan
indeks.
Dalam pengembangan persamaan rekursif SDP, aliran masuk reservoir diperlakukan
sebagai proses stokastik. Selanjutnya, diasumsikan bahwa reservoir masuk
mengikuti Rantai Markov orde pertama. Suatu proses stokastik, {Xt}, dikatakan
sebagai Rantai Markov orde pertama jika ketergantungan nilai masa depan dari proses
tersebut pada nilai-nilai masa lalu sepenuhnya ditentukan oleh ketergantungannya
pada nilai saat ini saja. Rantai Markov orde pertama memiliki sifat,
P[Xt +1/Xt , Xt–1, ..., X0 ] = P[Xt+1/Xt ]
di mana sisi kiri (LHS) memberikan probabilitas bersyarat X t +1 yang diberikan nilai
saat ini dan masa lalu Xt , Xt–1, …, X0 , dan sisi kanan (RHS) memberikan probabilitas
bersyarat Xt +1 mengingat nilai saat ini Xt saja.
Asumsi Rantai Markov menyiratkan bahwa ketergantungan aliran masuk pada
periode berikutnya pada aliran masuk selama periode saat ini dan semua periode
sebelumnya sepenuhnya dijelaskan oleh ketergantungannya pada aliran masuk selama
periode tersebut. periode saat ini saja. Selanjutnya, probabilitas transisi digunakan
untuk mengukur ketergantungan aliran masuk selama periode t + 1 pada aliran masuk
selama periode t.
Dengan notasi yang didefinisikan di atas, probabilitas transisi P ijt didefinisikan
sebagai probabilitas bahwa inflow selama periode t + 1 akan berada dalam interval
kelas j, mengingat bahwa inflow selama periode t terletak pada interval kelas i.
Artinya,
Pijt = P [Qt+1 = j/Qt = i]
(6.4.2)
di mana Qt=i menunjukkan bahwa aliran masuk selama periode t termasuk dalam
interval kelas diskrit i. Dalam aplikasinya, probabilitas transisi, P ijt diestimasi dari
data aliran masuk historis. Skema diskritisasi aliran masuk yang sesuai tiba pada
awalnya. Setiap nilai aliran masuk dalam kumpulan data historis kemudian diberi
interval kelas yang menjadi tempatnya. Berapa kali aliran masuk pada periode t + 1
masuk ke kelas j, ketika aliran masuk pada periode sebelumnya t termasuk dalam
kelas i, dibagi dengan berapa kali aliran masuk masuk ke dalam kelas i pada periode t
diambil sebagai estimasi Pijt. Perhatikan bahwa untuk pendekatan frekuensi relatif
untuk memperkirakan probabilitas transisi ini, data aliran masuk harus tersedia untuk
jangka waktu yang cukup panjang.
Gambar 6.12 Tahapan dan Periode Waktu dalam Rekursi Mundur SDP
Dengan hanya satu tahap yang tersisa (yaitu n = 1 dan t = T), kita menulis,
Perhatikan bahwa untuk k dan i tertentu, hanya nilai l yang layak yang menghasilkan
nilai pelepasan non-negatif, Rkilt (lihat Persamaan 6.4.1). Karena ini adalah periode
terakhir dalam perhitungan, ukuran kinerja B kilt ditentukan dengan pasti untuk nilai k,
i dan l yang diketahui. Ketika kita pindah ke tahap berikutnya, (n = 2, t = T – 1), nilai
maksimum dari kinerja yang diharapkan dari sistem ditulis sebagai
dan (6.4.4), menunjukkan bahwa pencarian dilakukan hanya pada penyimpanan akhir
periode yang menghasilkan rilis non-negatif Rkilt yang ditentukan oleh (6.4.1).
Hubungan (6.4.4) dapat digeneralisasikan untuk setiap tahap n dan periode t sebagai
Pemecahan (6.4.5) secara rekursif akan menghasilkan kebijakan steady state dalam
beberapa siklus tahunan, jika probabilitas transisi inflow P ijt diasumsikan tetap sama
setiap tahun, yang mengimplikasikan bahwa aliran masuk ke waduk merupakan
proses stokastik stasioner. Secara umum, kondisi mapan tercapai ketika kinerja sistem
tahunan yang diharapkan, [ f tn+T ( k, i) – ( f tn(k, i)] tetap konstan untuk semua nilai k, i,
dan t. Ketika kondisi mapan tercapai, interval kelas penyimpanan akhir periode
optimal, l, didefinisikan untuk k dan i yang diberikan untuk setiap periode t dalam
setahun. Ini mendefinisikan kebijakan kondisi mapan yang optimal dan dilambangkan
oleh l * (k, i, t).
Probabilitas Kondisi Stabil
Asumsikan bahwa kita memiliki l* (k, i, t) yang unik untuk setiap k, i pada periode t,
adalah mungkin untuk memperoleh probabilitas keadaan stabil dari pelepasan, Rkilt.
Karena i, kombinasi tertentu dari k, secara unik mendefinisikan a1*, kita menulis
probabilitas keadaan stabil dari rilis sebagai PRkit, tanpa indeks l. Untuk rantai Markov
dua-negara, langkah-tunggal yang dipertimbangkan, probabilitas ini diberikan oleh
RHS dari (6.4.6) adalah penjumlahan selektif hanya atas penyimpanan awal dan
indeks aliran masuk k dan i pada periode t yang menghasilkan l = l*(k, i, t) yang
sama. Satu persamaan dalam himpunan persamaan (6.4.6) adalah redundan
(berdasarkan Persamaan 6.4.7) di setiap periode t, dan dengan demikian jumlah
persamaan independen, termasuk (6.4.7), sama dengan jumlah variabel . Probabilitas
yang tidak diketahui, PRkit, adalah probabilitas gabungan kondisi stabil dari
penyimpanan awal berada di kelas k dan aliran masuk berada di kelas i pada periode t.
Dengan demikian dimungkinkan untuk memperoleh probabilitas marjinal
penyimpanan dan aliran masuk sebagai berikut:
Untuk Periode 2
Sasaran Penyimpanan Ts = 30
Sasaran Pelepasan Tr = 30
Bkilt = (Rkilt – Tr )2 + ( Skt – Ts )2
Probabilitas transisi aliran masuk
Solusi:
Pertama ukuran kinerja sistem, Bkilt, ditabulasikan untuk semua k, i, l, dan t.
Periode, t = 1
Periode, t = 2
n=5t=2
n=6t=1
n=7t=2
n=8t=1
Perhitungan dihentikan setelah tahap ini karena diverifikasi bahwa ukuran kinerja
sistem tahunan tetap konstan, (mendekati 96).
Kebijakan stabil ditabulasikan sebagai berikut:
Kebijakan kondisi stabil untuk periode 1
Verifikasi bahwa ukuran kinerja sistem tahunan yang diharapkan [ f t n+T (k, i) –f tn (k,
i)] tetap konstan untuk semua k, i, dan t setelah kondisi mapan tercapai.
Dalam contoh ini kinerja tahunan yang diharapkan adalah sekitar 96 unit (misalnya f 18,
(1,1) - f 16 (1,1) = 421.91 – 326.10 = 95.81)
Contoh 6.4.2 Kebijakan keadaan stabil untuk masalah dua periode ditentukan sebagai
berikut:
Probabilitas transisi aliran masuk seperti yang diberikan dalam tabel berikut
6.4.2 Probabilitas pelepasan kondisi stabil yang diperoleh dari solusi SDP diberikan di
bawah ini, dengan notasi diikuti dalam teks.
Kebijakan stabil yang diperoleh dari solusi SDP adalah seperti yang diberikan
di bawah:
Dapatkan probabilitas kondisi stabil untuk pelepasan, penyimpanan, dan aliran masuk
dari solusi ini.