Zastosowanie sieci neuronowych w sterowaniu zbiornikiem retencyjnym w warunkach powodzi

XVIII Konferencja Naukowa Korbielów 26 Metody Komputerowe w Projektowaniu i Analizie Konstrukcji Hydrotechnicznych Zastosowanie sieci neuronowych w sterowaniu zbiornikiem retencyjnym w warunkach powodzi Bernard Twaróg 1 1. Wstęp Problem definiowania postaci oraz optymalizacji parametrów reguł sterowania dla warunków nadzwyczajnych (powódź, susza) był już wielokrotnie poruszany i rozwiązywany zarówno dla deterministycznie sformułowanego problemu, jak również z uwzględnieniem elementów probabilistycznych. Wydawałoby się, że problem jest rozwiązany i aplikacja wypracowanych zasad określania reguł sterowania dla warunków powodzi powinna być stosowana z powodzeniem przy uwzględnieniu lokalnych ograniczeń oraz znajomości parametrów obiektu. Jednak kluczowym elementem dobrej reguły sterowania zbiornikami retencyjnymi, szczególnie w warunkach nadzwyczajnych, są prognozy wartości dopływu. Popularność oraz skuteczność wykorzystywania wyuczonych systemów sztucznych sieci neuronowych (SSN) w opisywaniu wielkości będących charakterystykami procesów fizycznych oraz związków między nimi jest już dobrze znane i skutecznie wykorzystywane w większości dziedzin naukowych, gałęzi gospodarek, procesach przemysłowych jak również w życiu codziennym. Dodatkowo wzrost możliwości obliczeniowych komputerów osobistych dodatkowo powoduje ciągły wzrost popularności SSN. Niniejszy artykuł prezentuje możliwości aplikacji SSN w sterowaniu zbiornikiem retencyjnym dla warunków powodzi na przykładzie rzeczywistego obiektu w Dobczycach. 1 Dr inż., Instytut Inżynierii i Gospodarki Wodnej, Politechnika Krakowska

Rys.1. Położenie zbiornika Dobczyce w zlewni rzeki Raby. 2. Idea sterowania zbiornikami retencyjnymi Równanie stanu opis matematyczny obiektu Równanie bilansowe jest podstawowym równaniem opisującym zachowanie się obiektu. dv ( t) = Q( t) U ( t) (1) dt Q(t) V(t) U(t) Rys.2. Schemat zbiornika retencyjnego 3 3 gdzie: Q [ m / s] dopływ wody do zbiornika, U [ m / s] odpływ wody ze zbiornika, 3 V [ m / s] objętość wody w zbiorniku, t[s] parametr czasu. Podstawy sterowania zbiornikami retencyjnymi Bazując na równaniu (1) można dokonać podstawowej klasyfikacji sposobów sterowania zbiornikami. Q = U + V (2) i i i

3 gdzie: k - liczba analizowanych przedziałów czasu, [ m / s] - średni dopływ do zbiornika w i-tej jednostce czasu, U i [ m 3 / s] Q i - średni odpływ ze zbiornika w i-tej 3 jednostce czasu, V i [ m / s] - jednostkowa zmiana stanu retencji w ciągu i-tej jednostki czasu. Zakładając brak pewnej informacji na temat dopływu, gospodarowanie w ramach sumy równania (2) może się odbywać wg jednego z trzech zasadniczych schematów: o dla i-tego przedziału czasu można ustalić średni odpływ i wówczas zmiany retencji będą przypadkowe, a więc podlegające prawidłowościom probabilistycznym, o dla i-tego przedziału czasu można ustalić zmianę retencji, na skutek czego odpływ będzie zmienną losową, o przyjąć można również taką sytuację, kiedy zarówno odpływ jak i stan retencji zbiornika będą zdarzeniami losowymi (można odpływ uzależnić od dopływu i stan retencji na początku rozpatrywanego okresu). Wprowadzając dodatkowe kryteria podziału otrzymuje się 8 podstawowych typów gospodarki na zbiorniku (Tab.1.). ODPŁYW LOSOWY Tab.1. Typy gospodarki wodnej na zbiornikach. [1] ZNANA RETENCJA ustalona retencja początkowa LOSOWA nieustalona retencja początkowa ZNANY I I I zależny wyłącznie od dopływu zależny dodatkowo od dopływu oraz losowego zapotrzebowania wody I I I I V V V I V I I V I I I Wszystkie przytoczone typy gospodarki zbiornikowej mogą być rozważane przy uwzględnieniu prognozy dopływu. Sterowanie zbiornikiem retencyjnym (programowanie gospodarki zbiornika retencyjnego) o znanych parametrach ma na celu ustalenie takiego planu dyspozytorskiego, który z zadanym stopniem gwarancji pozwoliłby uzyskać możliwie najlepsze wyniki ekonomiczne. Dodatkowo w większości przypadków istnieje konieczność zaspokojenia konfliktowych potrzeb, wynikająca z równoczesnej realizacji różnych celów przez zbiornik retencyjny (wielozadaniowy).

3. Metody sterowania zbiornikami W uproszczeniu formułę sterowania wielozadaniowym zbiornikiem retencyjnym możemy zapisać w następującej postaci: ( t) f ( x( t), s( t), y( t)) U = (3) gdzie: x (t), wektor opisujący stan bieżący, s (t), wektor opisujący parametry reguły 3 sterowania, y (t), wektor opisujący prognozę, U ( t)[ m / s], dysponowany odpływ ze zbiornika, t, [s] parametr czasu. Sterowanie sztywne Metoda gospodarki sztywnej nie uwzględnia prognozy kształtowania się dopływów do zbiornika. Przy stosowaniu metody sztywnej, decyzję dotyczącą sterowania podejmuje się w zależności od zaistniałej sytuacji. Standardowa reguła Metoda standardowa jest najprostszą metodą sterowania. Polega ona na utrzymaniu, w miarę możliwości stałego odpływu ze zbiornika. Sterowanie półsztywne Półsztywna reguła sterowania zakłada, że wartości odpływu są określone jako funkcje dopływu, bądź stanu retencji na początku rozpatrywanego okresu, albo też obu tych elementów jednocześnie. Sterowanie elastyczne Sterowanie elastyczne, najczęściej obecnie wykorzystywane, opiera się na podejmowaniu decyzji na podstawie pełnej bieżącej informacji w zakresie zarówno potrzeb użytkowników wody jak i stanu zbiornika oraz warunków hydrologicznych z wykorzystaniem prognozy zmian tych czynników. 4. Sztuczna sieć neuronowa (SSN) Sztuczną siecią neuronową nazywamy technikę obliczeniową wzorowaną na strukturze i sposobie działania układów nerwowych organizmów żywych. Jest zespołem połączonych ze sobą sztucznych neuronów. Celem jest przetworzenie informacji wejściowej w wartość wyjściową. Przetwarzanie informacji przez sztuczny neuron składa się z dwóch etapów: agregacji danych wejściowych oraz określenia wartości wyjściowej neuronu. Wielowarstwowe sieci neuronowe Struktura sieci wielowarstwowej oparta jest na budowie trzech elementów: o warstwy wejściowej, o warstw ukrytych, oraz o warstwy wyjściowej. Prawidłowo skonstruowana sieć neuronowa może służyć do rozwiązywania wielu typów zagadnień. Do najpopularniejszych zastosowań sieci należy zaliczyć budowane przy ich wykorzystaniu modele rozwiązujące problemy:

o regresyjne, użytkownik modelu neuronowego oczekuje, że posiadana przez niego sieć będzie w stanie opisywać zależności pomiędzy zmiennymi, o klasyfikacyjne, sieć neuronowa stanowi narzędzie umożliwiające zaklasyfikowanie badanych obiektów do właściwych klas, o prognostyczne, celem stosowania modeli neuronowych jest wyznaczenie przyszłej wartości lub wektora wartości opisujących stan w następnej chwili. Sieć rozwiązująca zagadnienia tego typu korzysta z bieżących oraz przeszłych wartości tej same zmiennej jak również z bieżących i przeszłych wartości innych zmiennych. Działanie sieci neuronowej, uzależnione jest od dwóch podstawowych czynników: o wartości współczynników wagowych neuronów, o struktury sieci (topologii), którą charakteryzuje: liczba warstw, liczba neuronów, sposoby połączeń pomiędzy neuronami i warstwami, model neuronu (sposób agregacji) oraz rodzaj zastosowanej funkcji aktywacji. Uczenie sieci neuronowych Niezbędnym elementem konstrukcji SSN jest uczenie sieci. Proces ten ma na celu określenie wartości parametrów sieci (wag, struktury sieci). Proces uczenia realizowany jest przy wykorzystaniu dostępnych zestawów danych, które ilustrują przebieg badanych zjawisk dla wybranych obiektów i/lub przeszłych okresów czasu. Istnieją dwa podstawowe sposoby przeprowadzania uczenia sieci: o uczenie z nauczycielem, zbiór uczący zawiera zarówno wartości zmiennych wejściowych jak i odpowiadające im wartości zmiennych wyjściowych, o stosowany jest przede wszystkim przy rozwiązywaniu problemów regresyjnych, uczenie bez nauczyciela, wykorzystywane jest głównie przy tworzeniu modeli rozwiązujących zagadnienia klasyfikacji bezwzorcowej. Najwartościowszą cechą SSN jest zdolność do generalizacji, przejawiającej się w poprawnie rozwiązywanych problemach, które wcześniej, w procesie uczenia SSN nie były prezentowane. Stosowanie sieci neuronowych Zastosowanie SSN jest nieuzasadnione w następujących przypadkach: o niewystarczającej liczby obserwacji, o znajomości procesu deterministycznego. 5. Podstawowe parametry zbiornika Dobczyce Podstawowym zadaniem gospodarki wodnej realizowanej na zbiorniku jest: o zapewnienie pokrycia potrzeb użytkowników wody, o spełnienie funkcji ochrony przeciwpowodziowej doliny rzeki Raby poniżej zbiornika. Funkcja ochrony przeciwpowodziowej polegająca na złagodzeniu wezbrań powodziowych realizowana jest poprzez: o utrzymywanie w okresie normalnej eksploatacji rezerwy powodziowej przeznaczonej do wypełnienia wyłącznie w okresach występowania fal powodziowych,

o prowadzenie postępowania przeciwpowodziowego na zbiorniku wg ustalonych reguł instrukcji gospodarowania wodą. Tab.2. Zestawienie istotnych parametrów zapory i zbiornika w Dobczycach. Charakterystyki Rzędne Pojemności Pojemność warstw [m n.p.m.] [mln m 3 ] [mln m 3 ] Rzędna progu spustu 243. Minimalny poziom piętrzenia MinPP 256.7 22,56 (267.9 256.7) Rzędna bufora dolnego 267.9 94,94 Okresowy NPP 1 (15.III 15.IX) (269.3 256.7) Martwa 22,56 Wyrównawcza min 72,38 Wyrównawcza okresowa 269.3 17,87 (269.9 256.7) NPP 269.9 113,7 Rzędna bufora górnego 27.2 116,68 PIĘTRZENIE H (272.6-267.9) (272.6 269.3 (272.6 269.9) Max PP 272.6 141,74 85,31 Wyrównawcza max 91,14 Powodziowa max 46,8 Powodziowa okresowa 33,84 Powodziowa 28,4 Tab.3. Prezentacja obowiązującej reguły sterowania zbiornikiem Dobczyce. DYSPOZYCJA ODPŁYWU REALIZACJA DYSPOZYCJI ODPŁYWU ELEKTROWNIA UPUST DENNY [m n.p.m.] [m 3 /s] [m 3 /s] [m 3 /s]

I. Faza wypełnienia zbiornika - dopływy do zbiornika przekraczają 3. [m 3 /s]. Mniejsze od 269.3 W okresie od 15.3 do 15.9 Pomiędzy 269.3 a 269.9 W okresie od 15.3 do 15.9 Osiągnie 269.9 (27.2) Odpływ dysponowany stanowi kontynuację ostatnio realizowanego min U = 1.1 Max 1.1 * (z przepławką) 2 Max 1.1 189.9 3 Max 1.1 289.9 3 Max 13 287 Jest większe od 269.9 (27.2) (PV-R p )/432 gdy przewidywalny dopływ przekracza Q 1% Max 13 (PV - R p )/432-13 Osiągnie 272.6 U = PV/432 Max 13 (PV - Rp)/432-13 II. Faza odtwarzania rezerwy powodziowej - dopływy do zbiornika są mniejsze od 3. [m 3 /s]. Jest większe od 27.2 Pomiędzy 269.3 a 27.2 W okresie od 15.3 do 15.9 3 Max 1.1 287 2 Max 1.1 189.9 lub U = Q +1.1 dopływ do zbiornika jest mniejszy od 1 [m 3 /s] Max 1.1 D + 1.1 gdzie: PV [m 3 ]- prognoza objętości 12-sto godzinnego dopływu, R p [m 3 ]- nie zapełniona rezerwa 6. SSN wspomagająca dyspozytora na zbiorniku retencyjnym Podstawowym powodem zastosowania SSN w procesie decyzyjnym na zbiorniku retencyjnym są dwie podstawowe własności SSN: o umiejętność generalizacji oraz o brak dokładnej informacji na temat wartości dopływów do zbiornika (niedokładna prognoza).

Regułę sterowania oparto na wyuczonej sieci neuronowej (SSN z nauczycielem) typu feedforward backpropagation. Sieć zbudowano jako układ pięciowarstwowy, w sumie składający się z 33 neuronów o następującej strukturze: o trzy warstwy ukryte, o po 1 neuronów w każdej warstwie ukrytej, o przyjęto dwa neurony na wejściu, oraz o jeden neuron na wyjściu. Do aplikacji SSN wykorzystano zestaw rzeczywistych dopływów średnich godzinowych do zbiornika z okresu od maja do października z okresu od 198 do 1999. Pierwsze 7 (zestaw I) wartości zostało wykorzystane do optymalizacji parametrów sieci (proces nauki, II etap), pozostałe wartości (zestaw II) do weryfikacji pracy SSN. Naukę sieci przeprowadzono dwuetapowo: o etap I polegał na nauce w oparciu o dane hydrogramów historycznych fal powodziowych (ze względu na ograniczone miejsce nie są prezentowane wyniki i materiał uczący), przy założeniu sztywnej reguły sterowania w warunkach powodzi (wartość odpływu dopuszczalnego przyjęto Q dop =1 [m 3 /s], o 2 [m 3 /s] mniej niż wynosi w rzeczywistości), o etap II, douczanie sieci na rzeczywistych dopływach średnich godzinowych (7 wartości, co odpowiada około 29 dniom), przy założeniu rzeczywistej obowiązującej reguły sterowania, w sytuacji powodzi założono znaną wartość objętości 12 godzinnego dopływu do zbiornika. Proces nauki i symulacji został podparty wynikami zarówno dla sztywnej jak i rzeczywistej reguły sterowania. Z opisanych symulacji, do procesu nauki sieci wykorzystano wartości dopływu do zbiornika oraz wypełnienie rezerwy przeciwpowodziowej, wyniki sieci porównywano z symulowaną dyspozycją (odpływem ze zbiornika, decyzją) wg obowiązującej reguły sterowania. Dodatkowo w procesach symulacji założono mniejszą rezerwę przeciwpowodziową, równą: 15.49 [mln m 3 ] oraz początkowe wypełnienie zbiornika 1% (rezerwa równa zero, wariant pesymistyczny). 4 3 2 1 7.626 7.628 7.63 7.632 7.634 7.636 7.638 7.64 7.642 7.644 7.646 Rys.3.Przykład zastosowania rzeczywistej reguły sterowania. Osie: pionowa [m 3 /s], pozioma [h]. Kolor czerwony sterowanie, kolor niebieski dopływ. x 1 4 Do procesu uczenia wykorzystano algorytm optymalizacyjny Levenberg - Marquardt (LM).

Rys.4. SSN w roli wspomagania decyzji podejmowanej przez dyspozytora na zbiorniku retencyjnym. Tab.4. Zestawienie danych do uczenia SSN. WEJŚCIE WYJŚCIE 1. dopływ do zbiornika 2. wypełnienie rezerwy przeciwpowodziowej 1. odpływ ze zbiornika Rys.5.6.7.8. Przykładowe funkcje transformujące sygnał w zbudowanej sztucznej sieci neuronowej. Rys.9. Uproszczony schemat zastosowanej sieci SSN. a = G ( p) (4) NN

gdzie: a - wektor danych wyjściowych z systemu, p - wektor danych wejściowych do systemu, G NN - operator, system SSN z nauczycielem. W uproszczeniu operator transformacji sztucznej sieci neuronowej o trzech warstwach ukrytych możemy zapisać w następujący sposób: OUT 4 4 4,3 3 3,2 2 2,1 1 1, IN IN 2 3 OUT ( LW f ( LW f ( LW f ( LW f ( IW p + b ) + b ) + b ) b ) OUT a = f + gdzie: f i, (5) - funkcje transformujące sygnał w poszczególnych warstwach; w warstwach 1,2,3,4: przyjęto funkcję logsig, w warstwie wyjściowej funkcję poslin, - wektor j,i wartości początkowych w poszczególnych warstwach, LW - macierz współczynników OUT,i wagowych w ukrytych warstwach, LW - macierz współczynników wagowych w IW 1,IN warstwie wyjściowej, - macierz współczynników wagowych w warstwie wejściowej, j,i - wskaźniki określające numer warstwy źródłowej i, oraz numer warstwy docelowej j. b i Rys.1. Zbieżność w procesie uczenia. Uzyskana dokładność: MSE=9.99e-6. Liczba epok: 979.

1 2 3 4 5 6 7 5 45 4 35 3 25 2 15 1 5 16 x 16 14 12 1 8 6 4 2 1 2 3 4 5 6 7 Rys.11,12. Porównanie działania SSN: kolor niebieski dopływ do zbiornika, obszar uczenia SSN, kolor zielony podejmowane decyzje przez SSN. Oś pionowa: rysunek górny - Q [m3/s], rysunek dolny Vp [m3], oś pozioma: t [h]. 7. Analiza wyników symulacji Ze względu na dużą liczbę przetwarzanej informacji, ostatecznie wyniki przedstawiono w postaci prostej analizy statystycznej. Wartości histogramów prezentują częstości pojawiania się określonych wartości decyzji przy zastosowaniu SSN oraz obowiązującej reguły sterowania dla II zestawu danych. 9 Histogram odplywów - regula 7 Histogram odplywów - SSN 8 6 7 6 5 5 4 4 3 3 2 2 1 1 5 1 15 2 25 3 5 1 15 2 25 3 Rys.11. Histogram odpływów dysponowanych wg reguły. Rys.12. Histogram odpływów dysponowanych przez wyuczoną sieć neuronową. Tab.5.Porównanie wartości statystyk z symulacji SSN wspomagającej decyzje dyspozytora. Wybrane Obowiązująca reguła sterowania Wyuczona sieć neuronowa statystyki Q [m 3 /s] V [mln m 3 ] Q [m 3 /s] V [mln m 3 ] Wartość średnia 9.68 99.37 9.64 99.57 Odchylenie 16.93.41 16.74 1.49

standardowe Wartość maksymalna 3 114.69 283.52 114.69 1 Dystrybuanty empiryczne podejmowanych decyzji 1 Dystrybuanty empiryczne podejmowanych decyzji.9.9.8.8.7.7.6.6.5.5.4.4.3.3.2.2.1.1 5 1 15 2 25 3 1 1 1 1 2 1 3 Rys.13.,14. Porównanie dystrybuant empirycznych odpływu dysponowanego zgodnie z obowiązującą regułą (kolor czerwony) oraz z zastosowaniem sieci neuronowych (kolor niebieski) dla porównania zostały przedstawione również w skali logarytmicznej. Tabelarycznie przedstawiono statystyki podstawowych parametrów symulacji: wartość odpływu oraz napełnienia zbiornika. Wartości średnie odpływu przy podobnych statystykach pojemności, są mniejsze przy wspomaganiu decyzji dyspozytora SSN, co świadczy o skuteczności działania sieci oraz jej dużych możliwościach kompensacyjnych w związku z niedokładną prognozą. Postacie dystrybuant, prezentują, w jakich przedziałach decyzji oraz ich skutków (wypełnienie rezerwy) są różnice w wykorzystaniu SSN w stosunku do rzeczywistej reguły sterowania. Dystrybuanty odpływu świadczą o mniejszych wartościach dysponowanych odpływów (ponad 2% proponowanych decyzji)_ w przedziale do około 3 [m 3 /s], co z kolei tłumaczy większe wahania pojemności (Tab.5), natomiast dystrybuanty wypełnienia rezerwy pokazują że różnice występują w około 3% rozpatrywanych przypadków. Ponadto w układzie trójwymiarowym została zeprezentowana postać macierzy proponowanych decyzji SSN uczonej tylko na hydrogramach fal powodziowych z zastosowaniem sztywnej reguły sterowania. 1 Dystrybuanty empiryczne wypelnienia rezerwy % 1 Dystrybuanty empiryczne wypelnienia rezerwy %.9.95.8.9.7.85.6.8.5.4.75.3.7.2.65.1.6 1 2 3 4 5 6 7 8 9 1.55 1-6 1-4 1-2 1 1 2 Rys.15.,16. Porównanie dystrybuant empirycznych wypełnienia [%] rezerwy

przeciwpowodziowej zgodnie z obowiązującą regułą (kolor czerwony) oraz z zastosowaniem sieci neuronowych (kolor niebieski) dla porównania zostały przedstawione również w skali logarytmicznej. 15 x 1 6 2 18 16 REZERWA [m3] 1 5 14 12 1 8 6 4 2 1 2 3 4 5 6 7 8 9 Q [m3/s] Rys.17. Macierz decyzji SSN. 8. Podsumowanie Prezentowane wyniki działania sztucznej sieci neuronowej, wspomagającej dyspozytora na wielozadaniowym zbiorniku retencyjnym pokazują sens i możliwości stosowania tego typu rozwiązań. Wspomagająca rola SSN polega na wypracowywaniu podpowiedzi dla dyspozytora, które na etapie podejmowania decyzji są weryfikowane równaniem stanu oraz przyjętymi ograniczeniami. Tylko takie podejście jest rozsądne i dopuszczalne z punktu widzenia poprawności pracy oraz bezpieczeństwa obiektu. Podstawowa rola SSN tkwi w wypracowywaniu propozycji, które uwzględniają losowość dopływów (niepewność prognozy, błąd prognozy) oraz kompensacji braków obowiązującej reguły sterowania. Niniejsza praca jest cząstkowym podsumowaniem doświadczeń i wyników z prac autora w ramach większych projektów związanych z zastosowaniem sztucznej inteligencji w gospodarce wodnej, ekonomii i finansach oraz ochronie środowiska [8,9,1,11]. Wnioski szczegółowe Zaprezentowana aplikacja została przetestowana na rzeczywistych danych z okresu ponad 19 lat dopływów wiosennych, letnich i jesiennych. Wyniki jednoznacznie pokazują możliwości stosowania proponowanego rozwiązania w procesie podejmowania decyzji na wielozadaniowym zbiorniku retencyjnym, sterowanie w warunkach powodzi było jednym z rozpatrywanych przypadków wykorzystanych w procesie nauki SSN. Wyniki przeprowadzonych analiz statystycznych potwierdzają skuteczność wykorzystywania SSN w tego typu procesach decyzyjnych. Dodatkowo została

zaprezentowana macierz decyzji (proponowanych dyspozycji odpływu) w funkcji wypełnienia rezerwy przeciwpowodziowej oraz wartości dopływu do zbiornika. Zaznaczyć należy, że jej postać jest unikalna i dla innego obiektu może mieć inny kształt. Prezentacja graficzna macierzy decyzji pozwala zorientować się na temat efektów przebiegu procesu uczenia oraz poprawności lub braków materiału uczącego. Dodatkowo pozwala uzyskać opinię nt. działania SSN w prezentowanym procesie podejmowania decyzji. Praca naukowa finansowana ze środków na naukę w latach 25-26 jako projekt badawczy 3T9D 5 29 (PB 1425/T9/25/29) LITERATURA [1] Feller W., (1978), Wstęp do rachunku prawdopodobieństwa. T.1,2, PWN, Warszawa. [2] H. Demuth, M.Beale, (23), Neural Network Toolbox. Neural Network Toolbox User s Guide. 1992-23 by The MathWorks, Inc. [3] Kaczmarek Z., (196), Programowanie gospodarki zbiornikowej. Politechnika Warszawska katedra Hydrauliki i Hydrologii, Warszawa. [4] Matlab & Simulink, (24), The MathWorks, Inc. [5] Michniewski J., Instrukcja gospodarki wodnej zbiornika wodnego Dobczyce na rzece Rabie. Regionalny Zarząd Gospodarki Wodnej w Krakowie. [6] Siomak M., (2), Optimal Control Rules Design Under Uncertainty: Goals, Methods and Models. Politechnika Warszawska Wydział Elektroniki i Technik Informacyjnych. [7] Słota H., (1983), Sterowanie wielozbiornikowymi systemami wodnogospodarczymi. Instytut Meteorologii i Gospodarki Wodnej, Warszawa. [8] Tadeusiewicz R., (1993), Sieci neuronowe. Akademicka Oficyna Wydawnicza, Warszawa. [9] Twaróg B., (24), Zastosowanie ryzyka do oceny algorytmów wspomagania decyzji w warunkach powodzi na przykładzie wybranego zbiornika retencyjnego. Realizowany w ramach tematu: Współczesne metody projektowania i zarządzania w inżynierii i gospodarce wodnej, projekt: Ś-1/478/DS/24. [1] Twaróg B., (25), Zastosowanie ryzyka do oceny algorytmów wspomagania decyzji w warunkach powodzi na przykładzie wybranego zbiornika retencyjnego. Aspekty zastosowania sztucznej inteligencji. Realizowany w ramach tematu: Współczesne metody projektowania i zarządzania w inżynierii i gospodarce wodnej, projekt: Ś- 1/351/DS/25. [11] Twaróg B., (26), Zastosowanie ryzyka do oceny algorytmów wspomagania decyzji w warunkach powodzi na przykładzie wybranego zbiornika retencyjnego. Wykorzystanie modelu GARCH. Realizowany w ramach tematu: Współczesne metody projektowania i zarządzania w inżynierii i gospodarce wodnej, projekt: Ś- 1/451/DS/26. [12] Warchoł M., (22), Wyznaczanie sterowań na podstawie prognoz wielowariantowych. Politechnika Warszawska Wydział Elektroniki i Technik Informacyjnych, 22.

Streszczenie Prezentowana praca przedstawia aplikację sztucznych sieci neuronowych (SSN) typu feedforward backpropagation w procesie wspomagania decyzji podejmowanych przez dyspozytora na zbiorniku retencyjnym. Proponowane rozwiązanie testowano na rzeczywistym obiekcie: wielozadaniowym zbiorniku retencyjnym w Dobczycach. Dokonano krótkiej charakterystyki idei stosowania SSN, ponadto zaprezentowano podstawowe zasady sterowania zbiornikami oraz scharakteryzowano parametry obiektu. Wyniki zostały zaprezentowane w postaci tabelarycznej jak i graficznej. Słowa kluczowe: sztuczne sieci neuronowe, sterowanie, zbiornik retencyjny, powódź. Artificial Neural Network System application for the flood control of reservoir This paper describes application of artificial neural network (ANN), type "the feedforward backpropagation, in making process undertaken by dispatcher of reservoir. This proposed solution of multitasking reservoir in Dobczyce was tested. Short profile of idea of usage SSN was done. Moreover the fundamental of control of reservoirs, description of Dobczyce and results of simulations and modeling in graphics and tabulated forms were presented. Keywords: artificial neural network, flood control.