Asosiy mazmunga o‘tish
ReLibrary
UZ
Kirish
MaqolaOchiq kirish

GIDROELEKTR STANSIYALARDA QUVVAT PROGNOZLASHDA SUN‘IY INTELLEKTDAN FOYDALANISH

Soxibjon KAMOLIDDINOV2024

Jurnal“O‘ZBEKGIDROENERGETIKA” ilmiy-texnik jurnalJild 6Son 4Sahifa 56–63

Annotatsiya

Ushbu maqolada GESlarda ishlab chiqarilayotgan quvvatniprognozlashda ishlatiladigan sun‘iy intelekt va neyron tarmoqlar yordamida bajarilganmaqolalar o‘rganilgan. O‘rganish natijasida har bir maqolada ko‘rilgan metodlar vayondashuvlar, ularni afzalliklari, hamda kamchiliklari yoritilgan va maqola oxiridaxulosalar berilgan.

Boshqa tillarda

ruschaИСПОЛЬЗОВАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ПРОГНОЗИРОВАНИЯ МОЩНОСТИ В ГИДРОЭЛЕКТРОСТАНЦИЯХ

В данной статье изучаются статьи,выполненные с использованием искусственногоинтеллекта и нейронных сетей, используемых припрогнозировании выработки электроэнергии нагидроэлектростанциях. По итогам исследованияв каждой статье выделены методы и подходы, ихпреимущества и недостатки, а в конце статьиприведены выводы

inglizchaUSING ARTIFICIAL INTELLIGENCE FOR CAPACITY FORECASTING IN HYDROELECTRIC POWER PLANTS

This article examines articles writtenusing artifcial intelligence and neural networksused to forecast hydroelectric power generation.Based on the results of the study, each articlehighlights methods and approaches, theiradvantages and disadvantages, and providesconclusions at the end of the article.

Kalit so‘zlar

  • GES
  • sun‘iy intellekt
  • ANN
  • ANFIS
  • DELM
  • prognozlash
  • model

To‘liq matn

To‘liq matn Zenodo repozitoriysidagi ochiq nusxadan olingan: Zenodo nusxasi

Litsenziya: CC BY 4.0litsenziya matni

Matn PDF’dan ajratilgan va qayta formatlangan; asl nusxadan farq qilishi mumkin.

DOI: https://doi.org/10.5281/zenodo.15044746

GIDROELEKTR STANSIYALARDA QUVVAT PROGNOZLASHDA SUN’IY INTELLEKTDAN FOYDALANISH

Soxibjon KAMOLIDDINOV Farg‘ona politexnika instituti katta o‘qituvchisi

Annotatsiya. Ushbu maqolada GESlarda ishlab chiqarilayotgan quvvatni prognozlashda ishlatiladigan sun’iy intelekt va neyron tarmoqlar yordamida bajarilgan maqolalar o‘rganilgan. O‘rganish natijasida har bir maqolada ko‘rilgan metodlar va yondashuvlar, ularni afzalliklari, hamda kamchiliklari yoritilgan va maqola oxirida xulosalar berilgan.

Kalit so‘zlar: GES, sun’iy intellekt, ANN, ANFIS, DELM, prognozlash, model.

ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ПРОГНОЗИРОВАНИЯ МОЩНОСТИ В ГИДРОЭЛЕКТРОСТАНЦИЯХ

Сохибжон КАМОЛИДДИНОВ Старший преподаватель Ферганского политехнического института Аннотация. В данной статье изучаются статьи, выполненные с использованием искусственного интеллекта и нейронных сетей, используемых при прогнозировании выработки электроэнергии на гидроэлектростанциях. По итогам исследования в каждой статье выделены методы и подходы, их преимущества и недостатки, а в конце статьи приведены выводы.

Ключевые слова: ГЭС, искусственный интеллект, ANN, ANFIS, DELM, прогнозирование, модель.

USING ARTIFICIAL INTELLIGENCE FOR CAPACITY FORECASTING IN HYDROELECTRIC POWER PLANTS

Sokhibjon KAMOLIDDINOV Senior Lecturer of Ferghana Polytechnic Institute Abstract. This article examines articles written using artificial intelligence and neural networks used to forecast hydroelectric power generation. Based on the results of the study, each article highlights methods and approaches, their advantages and disadvantages, and provides conclusions at the end of the article.

Keywords: HPP, artificial intelligence, ANN, ANFIS, DELM, forecasting, model.

Kirish. Gidroelektr stansiya elektr energiyasini ishlab chiqarish uchun eng samarali elektr stansiyalaridan biridir. GESlar ko‘plab afzalliklarga ega, chunki ular barqaror va boshqariladigan energiyani ta’minlaydi. GESlarning samaradorligiga daryolar, suv omborlari oqimi, harorat, elektr narxi va boshqalar kabi ko‘plab omillar ta’sir qiladi. Yuqorida qayd etilgan omillar stansiyaning ekspluatatsion natijalarini bashorat qilish va tavsiya qilishni qiyin vazifaga aylantiradi. Shu sababli, ishonchli va aniq energiya ishlab chiqarish prognozlari hayotiy ahamiyatga ega va quvvatni rejalashtirish energiya tizimlarining ishlashi uchun katta ahamiyatga ega. Tahlil. 1-adabiyotda, suv havzalarida sun’iy neyron tarmoqlari yordamida hosil bo‘lgan cho‘kindi yuklanishi bashorat qilingan. Mualliflar tomonidan cho‘kindilar bilan gidroklimatik koeffitsiyentlarning yuqori o‘zgaruvchanligi cho‘kindilarni modellashtirish jarayonini to‘g‘ri boshqarishda murakkab va ko‘p vaqt talab qilinishi ta’kidlab o‘tilgan. Boshqa oddiy hisoblash texnikasi bilan taqqoslaganda, M5 modeli yaxshi ishladi. M5M1 va ANNSC22 uchun RMSE 0.54,

O‘ZBEKGIDROENERGETIKA PRINT ISSN 3060-4672 56 УЗБЕKГИДРОЭНЕРГЕТИКА UZBEKHYDROPOWER VOLUME 6 | ISSUE 4 | 2024

REPTree modeli esa eng yomon (0.82) deb topildi. M5M1 va ANNSC22 modellari uchun korrelyatsiya koeffitsiyentining eng yaxshi qiymati 0.96 ga teng, bu esa [10] kunlik elektr stansiyaning tarmoqni barqarorlashtirishga yordam berish uchun mashinani o‘rganish texnikasini qo‘llagan [1].

2-adabiyotda, binolarda energiya sarfini bashorat qilish uchun chuqur o‘rganish algoritmlaridan foydalanilgan. Ular statistik ma’lumotlarini 1-jadvalda ko‘rsatilganidek hisoblab chiqqan. Statistik ma’lumotlar DELMning boshqa algoritmlarga nisbatan yaxshiroq samaradorligini ko‘rsatgan.

Statistik o‘lchov natijalarining o‘rtacha qiymatlari [2] 1-jadval Statistical MAE MAPE RMSE Measures ANN 2.4317 7.0830 4.8561 ANFIS 2.4556 6.8841 2.8174 DELM 2.1677 6.1271 2.4657

3-adabiyotda, bosim gradiyentini bashorat qilish uchun ANFIS va CFD yondashuvidan foydalanilgan. Tekshiruv natijalari shuni ko‘rsatdiki, kirish parametrlari va qoidalar soni algoritmning aniqligiga sezilarli ta’sir qilgan [3].

4-adabiyotda, gidroelektr stansiyalardagi tushirish oqimini bashorat qilish uchun beshta naqsh tasniflash algoritmlarining ishlashi tekshirilgan. Natijalar neyron tarmoq usulining boshqa yondashuvlardan kuchli ustunligini ko‘rsatgan [4].

5-adabiyotda, turbinaning aylanishi tufayli vaqt o‘tishi bilan o‘zgarib turadigan gidroelektr stansiyalarning oqim tezligi tahlil qilindi. Natijalar shuni ko‘rsatdiki, gidroenergetika ishlab chiqarish uchun tezlikni tartibga solish noaniq mantiqiy regulyator bilan va mos ravishda 319,8 m/s va 65 m/s ni tashkil etgan. Bu Fuzzy Logic Controller yaxshi natijalar berishi va turbinaning aylanish tezligini oshirishini anglatadi. Gidroenergetika generatorining tezligi regulyatorini modellashtirish uchun umumiy tenglama 1-sonli tenglamada keltirilgan.

bu yerda Kp, Ki va Kd mos ravishda proporsional, integral va hosilaviy konstantalardir. E(t) - vaqt funksiyasidagi xato, M(t) - nazoratchi chiqishi. O‘lchov usuli tezroq javob vaqtida buzilganligi sababli lotin rejimi xatoni hisoblaydi. Eq1 ning raqamli ekvivalenti quyida keltirilgan:

bu yerda T - namuna olish oralig‘i, Ei - i-namuna olish oralig‘idagi xato va Ei-1 - oldingi namuna olish oralig‘idagi xato.

PRINT ISSN 3060-4672 O‘ZBEKGIDROENERGETIKA

VOLUME 6 | ISSUE 4 | 2024 УЗБЕKГИДРОЭНЕРГЕТИКА UZBEKHYDROPOWER

6-adabiyotda, tadqiqotchilar tomonidan oqimlarni bashorat qilish uchun TS-FIS modeli taqdim etildi. Modelni tekshirish MAPE, RMSE va MAE yordamida amalga oshirildi. Model massa egri koeffitsiyentining yaxshi ishlash qiymatini 79% dan 98% gacha tashkil etgan [6].

7-adabiyotda, ko‘p qatlamli neyron perseptron tarmog‘idan foydalangan holda energiya ishlab chiqarish uchun to‘g‘onlarning rezervuar o‘zgaruvchilari modellashtirilgan. Neyron tarmoq tavsifi Kainji va Jebba gidroenergetika suv omborlari uchun mos ravishda 0,89 va 0,77 korrelyatsiya koeffitsiyentlarining kuchli prognozi olingan.

8-adabiyotda, qo‘llab-quvvatlovchi vektor mashinasi (SVM) va genetik algoritm (GA) yordamida qisqa muddatli energiya ishlab chiqarishi bashorat qilingan [8].

9-adabiyotda, neyron tarmoq arxitekturasidan foydalangan holda suv oqimi bashorat qilingan [9].

10-adabiyotda, GESning ortiqcha xarajatlarini aniqlash uchun Fuzzy asbobi taqdim etilgan. GESdagi xarajatlarning oshishi elektr energiyasi ishlab chiqarish narxining oshishiga olib keladi. Ortiqcha to‘lovlarni baholash usuli investorlarga noaniqlikni aniqlashga yordam beradi [10].

11-adabiyotda, energiya ishlab chiqarishni bashorat qilish uchun chuqur neyron tarmog‘i qo‘llanilgan. Natijada, HGDNN modeli RMSE qiymatini 202,92 ga kamaytiradi. Bundan tashqari, HGDNN ST-ResNet bilan solishtirganda RMSE, MAE va MAPE da mos ravishda kamida 6%, 9% va 49% yaxshilanishni qayd etgan. O‘lchov parametrlari quyida keltirilgan.

bu yerda va t vaqtidagi gidroenergetika ishlab chiqarishning taxminiy va haqiqiy qiymati, M esa yig‘ilgan namunalar soni. 12-adabiyotda, elektr energiyasini ishlab chiqarish uchun turli xil variantlardan foydalangan holda neyro-noaniq mantiq dasturlash solishtirilgan. Xarajat-foyda nisbatiga ko‘ra, quyosh, shamol va gidroenergetika elektr energiyasini ishlab

O‘ZBEKGIDROENERGETIKA PRINT ISSN 3060-4672 58 УЗБЕKГИДРОЭНЕРГЕТИКА UZBEKHYDROPOWER VOLUME 6 | ISSUE 4 | 2024

chiqarish uchun eng yaxshi tizimlar deb topilgan va yadro energetikasi eng yomon tanlov ekanligi qayd etilgan.

13-adabiyotda, ANFIS yordamida to‘g‘onning kunlik suv darajasi bashorat qilingan. Yomg‘ir bilan birga suv ombori sathining ko‘tarilishi ikkala model to‘plamidagi kirishlarda bashorat qilingan va kuzatilgan natijalarning mosligini sezilarli darajada yaxshilagan. O‘lchov stansiyasining masofasi noma’lum bo‘lganligi sababli, o‘lchagich orasidagi masofa kirishlarning turli vaqt kechikishlarida turli modellar yordamida aniqlangan. Biroq, u aniq prognozni ta’minlash uchun kirish va chiqishlarda tegishli uzunlikni ko‘rsatadi.

14-adabiyotda, kaskadli gidroelektr stansiyalarida energiya ishlab chiqarishni taqsimlash uchun subtraktiv klasterlash orqali noaniq mantiq modellarni qurish usuli taqdim etildi. Ushbu model test ma’lumotlari to‘plamidagi o‘rtacha mutlaq foiz xatosi uchun 6,47% qiymatini ko‘rsatadi. Model uchun test ma’lumotlari to‘plamidagi ma’lumotlarning 90% – 13,59% dan kam bo‘lgan asosiy foiz xatosini keltirib chiqardi. Model sinov ma’lumotlarining ko‘p qismi uchun juda yaxshi bajarilgan.

15-adabiyotda, uzoq muddatli zaryadsizlanishni bashorat qilish uchun ANFIS modeli simulyatsiya qilingan. Tekshirish va o‘qitish uchun bashoratli va kuzatuv qiymatlari o‘rtasidagi korrelyatsiya koeffitsiyentlari mos ravishda 0,889 va 0,918 hisoblangan. Bundan tashqari, ANFIS modeli natijalarini mos keladigan ANN modeli bilan taqqoslash orqali aniqroq bashoratlarni berishi mumkinligi aniqlangan.

16-adabiyotda gidroenergetika rivojlanishini bashorat qilish uchun ANFIS bilan birgalikda Grey Wolf Optimization (GWO) usuli qo‘llanilgan. To‘g‘on oqimi, yog‘ingarchilik va turli oylardagi gidroenergetikani o‘z ichiga olgan yigirmata kombinatsiyadan foydalanilgan. Shu bilan birga, ishlab chiqarish barcha ssenariylarida bir oylik gidroenergetika ishlab chiqarish uchun qilingan. Keyin ulangan model yordamida gidroenergetika ishlab chiqarish prognoz qilingan. Natijalar shuni ko‘rsatdiki, GWO-ANFIS modeli gidroenergetika ishlab chiqarishni qoniqarli tarzda bashorat qila olgan, ANFIS esa to‘qqizta kirish-chiqish kombinatsiyasida murakkablik paydo qilgan.

17-adabiyotda, ANN modelining natijalari barcha tanlangan joylar uchun nisbatan yuqori korrelyatsiya koeffitsiyenti qiymatiga ega bo‘lgan suv omborlarining haqiqiy va bashorat qilingan oqimi o‘rtasida ijobiy munosabatni ko‘rsatdi, degan xulosaga kelindi. Bu modelning suv omborlari oqimini modellashtirish uchun ideal ekanligini ko‘rsatadi.

18-adabiyotda GES ishlab chiqarishni ko‘rsatishning yangi usuli taklif qilindir. Kerakli parametrlarning har birini berish uchun MCDM va ANN usullari qo‘llanildi. Ma’lumotlarga ko‘ra, eng muhim parametr (MIP) suv mavjudligi, mavjudlik esa eng kam ahamiyatga ega. ANN modeli mustaqil GES holatini bashorat qilish tizimi sifatida yaratilgan. Mumkin bo‘lgan saytni doimiy ravishda baholashga imkon berish uchun indeksning dinamik, vaqtga moslashtirilgan versiyasi ishlab chiqilishi mumkin.

19-adabiyotda, qisqa muddatli energiya ishlab chiqarishni bashorat qilishda mashinani o‘rganish usullaridan foydalanilgan. Almus GES energiya

PRINT ISSN 3060-4672 O‘ZBEKGIDROENERGETIKA

VOLUME 6 | ISSUE 4 | 2024 УЗБЕKГИДРОЭНЕРГЕТИКА UZBEKHYDROPOWER

ishlab chiqarishini bashorat qilish uchun uchta ANN, Support Vector Machine (SVM) va Deep Learning (DL) modellaridan foydalanilgan. ANN, SVM va DL uchun korrelyatsiya qiymatlari mos ravishda 0,766, 0,682 va 0,998 deb topildi. Shuningdek, ANN, SVM va DL uchun kvadrat korrelyatsiya qiymatlari mos ravishda 0,587, 0,466 va 0,995 sifatida olingan. Natijalar shuni ko‘rsatdiki, DL algoritmi boshqa texnikalarga qaraganda yaxshiroq ishlaydi. 20-adabiyotda, tadqiqot davomida o‘n yil davomida to‘plangan ma’lumotlar bo‘yicha GESlarning aniq turbina boshi, suv oqimi tezligi va energiya ishlab chiqarish bo‘yicha ishlab chiqarishni bashorat qilish uchun ANNni qo‘llagan. ANN chiziqli bo‘lmagan o‘simliklarning chiqishini modellashtirish uchun samarali tahlil va diagnostika vositasini taqdim etadi. ANN 0,96 dan yuqori qiymatga ega bo‘lgan prognoz qilingan va kuzatilgan chiqish o‘zgaruvchilari o‘rtasidagi korrelyatsiya koeffitsiyenti bilan zavodning ishlashini bashorat qilishi mumkin degan xulosaga keldi. 21-adabiyotda, qisqa muddatli suv oqimini bashorat qilish va muvaffaqiyatli savdo usullari bo‘yicha takomillashtirilgan ANN modeli taqdim etildi. 22-adabiyotda, Microseysmic (MS) monitoring ma’lumotlari va kengaytirilgan probabilistik neyron tarmog‘i (PNN) modeliga asoslangan tosh-portlash tizimi ishlab chiqdi. PNN parametridagi tekislash faktorini maksimal darajada oshirish uchun o‘zgartirilgan o‘t o‘chirish usuli qo‘llanildi. Natijalar shuni ko‘rsatdiki, kutilgan va o‘rganilayotgan namunalar tosh-portlash tezligi uchun mos ravishda 100% va 86,75% aniqlikka ega edi. 23-adabiyotda, yer osti suvlari darajasini bashorat qilish uchun Neuro-Fuzzy (NF) va ANN texnikasining imkoniyatlari o‘rganib chiqildi. NF hisoblash texnikasi ham ANN modellariga qaraganda yuqori samaradorlikka ega ekanligi aniqlandi. 24-adabiyotda, GESlarning ekspluatatsiyasi va texnik xizmat ko‘rsatishining bashoratli tahlili uchun ishlatilishi mumkin bo‘lgan loy zichligining kunlik hajmi tasniflangan. XULOSA. Gidroenergiya ishlab chiqarishni bashorat qilishda chuqur o‘rganish va sun’iy intellekt algoritmlari yuqori aniqlik va samaradorlikni beradi. Ushbu metodlarni to‘g‘ri qo‘llash gidroelektr stansiyalarining operatsion jarayonlarini optimallashtirishda katta yordam beradi va energiya ishlab chiqarishni barqarorlashtiradi. Maqolada gidroelektr stansiyalarni bashorat qilishda bir qancha muhim jihatlar ko‘rib chiqilgan bo‘lsa-da, quyidagi jihatlarga yetarli darajada e’tibor berilmagan: 1. Ekologik ta‘sir: GESning atrof-muhitga ta’siri, xususan, suv ekotizimiga ta’siri haqida batafsil ma’lumotlar berilmagan. 2. Ijtimoiy ta‘sir: GES qurilishi va ishlashi natijasida mahalliy aholi va jamiyatga ta’siri ko‘rib chiqilmagan. 3. Texnik xizmat va operatsiyalar: GESlarga texnik xizmat ko‘rsatish va operatsion masalalari haqida ma’lumotlar yetarli darajada yoritilmagan.

O‘ZBEKGIDROENERGETIKA PRINT ISSN 3060-4672 60 УЗБЕKГИДРОЭНЕРГЕТИКА UZBEKHYDROPOWER VOLUME 6 | ISSUE 4 | 2024

4. Energiya saqlash: GESlarda ishlab chiqarilgan energiyani saqlash va undan foydalanish masalalari haqida batafsil ma’lumotlar keltirilmagan. Bu jihatlar GESlarni yanada samarali va barqaror boshqarish uchun muhim

Qisqartma Kengaytma moslashuvchan neyroANFIS noaniq mantiq xulosalar tizimi

CBL mijozning asosiy yuki hisoblash suyuqliklari CFD dinamikasi chuqur ekstremal o‘rganish DELM mashinasi DL chuqur o‘rganish

DRm talabga javob kulrang vulf GWO optimallashtirish chuqur neyron tarmog‘i yordamida gidroenergetika HGDNN ishlab chiqarishini prognozlash Levenberg-Marquardt LM algoritmi MAE o‘rtacha mutlaq xato MAPE o‘rtacha mutlaq foiz xatosi o‘z-o‘zini tashkil qilish SOM - xaritasi vektor mashinasini qo‘llabSVM quvvatlash vektor regressiyasini genetik SVRGA algoritm bilan qo‘llab-quvvatlash

Qisqartma Kengaytma ko‘p o‘zgaruvchan adaptiv MARS regressiya splaynlari o‘zgartirilgan yong‘inga MFA qarshi algoritm o‘rtacha ta’sir qiymati MIVA algoritmi ko‘p qatlamli perseptronMLP-GA genetik algoritm NF neyro-noaniq mantiq neyron tarmog‘ini bashorat NNPM qilish PNN ehtimollik neyron tarmog‘i zarrachalar to‘dasini PSO optimallashtirish qayta tiklanadigan energiya RES manbalari RMSE o‘rtacha ildiz kvadrati SCM ta’minot zanjiri boshqaruvi TRAPMF trapezoidal a’zolik funksiyasi oqava suvlarni tozalash WWTP inshooti

Iqtiboslar dinamikasi

Bu ilmiy ishga ReLibrary’da chop etilgan ilmiy ishlarda hali iqtibos topilmadi.

ReLibraryTekshirilgan Metodologiya

Adabiyotlar26 ta adabiyot

  1. Senthil Kumar A.R., Goyal M.K., Ojha C.S.P., Singh R.D., Swamee P.K. Application of artificial neural network, fuzzy logic and decision tree algorithms for modelling of streamflow at Kasol in India. Water Sci Technology 2013; 68:2521–
  2. https://doi.org/10.2166/wst.2013.491. PRINT ISSN 3060-4672 O‘ZBEKGIDROENERGETIKA VOLUME 6 | ISSUE 4 | 2024 УЗБЕKГИДРОЭНЕРГЕТИКА UZBEKHYDROPOWER NAZARIYA VA AMALIYOT10.2166/wst.2013.491
  3. Fayaz M, Kim D. A prediction methodology of energy consumption based on deep extreme learning machine and comparative analysis in residential buildings. Electron 2018; 7. https://doi.org/10.3390/electronics7100222.10.3390/electronics7100222
  4. Shamshirband S., Mosavi A., Chau K. Sensitivity study of ANFIS model parameters to predict the pressure gradient with combined input and outputs hydrodynamics parameters in the bubble column reactor 2019. https://doi. org/10.20944/preprints201905.0044.v1.10.20944/preprints201905.0044.v1
  5. Lounis H., Boukadoum M., Siveton V. Assessing Hydro Power System Relevant Variables: a Comparison Between a Neural Network and Different Machine Learning approaches 2002: 45–51.
  6. Egoigwe S.V., Chukwudozie C., Nwobi C., Araoye T.O., Arize C.I., Anoliefo E.C. Application of a Fuzzy Logic Controller for Hydropower Generator Speed Regulation. Eur J Eng Res Sci 2019; 4:132–5. https://doi.org/10.24018/ ejers.2019.4.3.1203.
  7. Luna I., Hidalgo I.G., Pedro P.S.M., Barbosa P.S.F., Francato A.L., Correia P.B. Fuzzy inference systems for multi-step ahead daily inflow forecasting. PesquiOperacional 2017; 37:129–44. https://doi.org/10.1590/0101- 7438.2017.037.01.0129.10.1590/0101-7438.2017.037.01.0129
  8. Journal E., Studies E., Vol M. Modelling of Hydropower Reservoir Variables for Energy Generation: Neural Network Approach. Abdulkadir, T.S., 1 SALAMI, A.W., 1 Anwar, A.R. 1 and Kareem, A. G. 2. Ethiop J. Environ Stud Manag Vol 2013; 6:310–6.
  9. Li G., Sun Y., He Y., Li X., Tu Q. Short-term power generation energy forecasting model for small hydropower stations using GA-SVM. Math ProblEng 2014; 2014. https://doi.org/10.1155/2014/38138710.1155/2014/381387
  10. Stokelj T., Golob R., Application of Neural Networks For Hydro Power Plant Water Inflow Forecasting, Infl W. Zs, 1000 2000:189–93.
  11. Shaktawat A., Vadhera S. Fuzzy logic based determination of cost overrun of hydro power plant. Int Conf Electr Power Energy Syst ICEPES 2016 2017:301–4. https://doi.org/10.1109/ICEPES.2016.7915947.10.1109/icepes.2016.7915947
  12. Li L., Yao F., Huang Y., Zhou F. Hydropower generation forecasting via deep neural network. Proc - 2019 6th Int Conf Inf Sci Control Eng ICISCE 2019 2019:324–
  13. https://doi.org/10.1109/ICISCE48695.2019.00071.10.1109/icisce48695.2019.00071
  14. Mamlook R., Akash B.A., Mohsen M.S. A neuro-fuzzy program approach for evaluating electric power generation systems. Energy 2001; 26:619–32. https:// doi.org/10.1016/S0360-5442(01)00015-9.10.1016/s0360-5442(01)00015-9
  15. Valizadeh N., El-Shafie A., Mukhlisin M., El-Shafie A.H. Daily water level forecasting using adaptive neuro-fuzzy interface system with different scenarios: Klang Gate, Malaysia. Int J Phys Sci 2011; 6:7379–89. https://doi.org/10.5897/ IJPS11.1314.
  16. Oltean G., Gordan M., EŞIPO Ş., Ncel ESTĂ, Dancea O. Electronics and Telecommunications Fuzzy Logic Based Decision Making for Hydroelectric Energy Generation in A Cascaded Hydropowerplants Electronics and Telecommunications 2009; 50:42–8. O‘ZBEKGIDROENERGETIKA PRINT ISSN 3060-4672 62 УЗБЕKГИДРОЭНЕРГЕТИКА UZBEKHYDROPOWER VOLUME 6 | ISSUE 4 | 2024 ТЕОРИЯ И ПРАКТИКА THEORY AND PRACTICE
  17. Cheng C.T., Lin J.Y., Sun Y.G., Chau K. Long-term prediction of discharges in Manwan Hydropower using adaptive-network-based fuzzy inference systems models. Lect Notes Comput Sci 2005; 3612:1152–61. https://doi. org/10.1007/11539902_145.10.1007/11539902_145
  18. Dehghani M., Riahi-Madvar H., Hooshyaripor F., Mosavi A., Shamshirband S., Zavadskas E.K., et al. prediction of hydropower generation using Grey wolf optimization adaptive neuro-fuzzy inference system. Energies 2019; 12:1–20. https://doi.org/10.3390/en12020289.10.3390/en12020289
  19. Kucukali S. Risk assessment of river-type hydropower plants using fuzzy logic approach. Energy Policy 2011;39:6683–8.https://doi.org/10.1016/j. enpol.2011.06.067.10.1016/j
  20. Ghosh S., Majumder M., Pal M. Development of performance index for evaluation of small-scale hydro power plants by neural network and multi- criteria decision making. Int J Energy Stat 2016; 04:1650019. https://doi.org/10.1142/ s2335680416500198.
  21. Alrayess H., Gharbia S., Beden N., Keskin A.U. Using Machine Learning Techniques and Deep Learning in Forecasting The Hydroelectric Power Generation in Almus Dam, Turkey. 5th Int Symp Dam Saf 2018:635–47.
  22. Hammid A.T., Sulaiman M.H. Bin, Abdalla A.N. Prediction of small hydropower plant power production in Himreen Lake dam (HLD) using artificial neural network. Alexandria Eng J 2018; 57:211–21. https://doi.org/10.1016/j. aej.2016.12.011.10.1016/j
  23. Stokelj T., Paravan D., Golob R. Enhanced artificial neural network inflow forecasting algorithm for run-of-river hydropower plants. J Water Resour Plan Manag 2002; 128:415–23.
  24. Feng G., Xia G., Chen B., Xiao Y., Zhou R. A method for rockburst prediction in the deep tunnels of hydropower stations based on the monitored microseismicity and an optimized probabilistic neural network model. Sustain 2019; 11. https://doi.org/10.3390/su11113212.10.3390/su11113212
  25. Jalalkamali A., Sedghi H., Manshouri M. Monthly groundwater level prediction using ANN and neuro-fuzzy models: A case study on Kerman plain, Iran. J Hydroinformatics 2011; 13:867–76. https://doi.org/10.2166/hydro.2010.034.10.2166/hydro.2010.034
  26. Kumar K., Saini R.P. Materials Today: Proceedings Application of machine learning for hydropower plant silt data analysis. Mater Today Proc 2020. https:// doi.org/10.1016/j.matpr.2020.09.375. PRINT ISSN 3060-4672 O‘ZBEKGIDROENERGETIKA VOLUME 6 | ISSUE 4 | 2024 УЗБЕKГИДРОЭНЕРГЕТИКА UZBEKHYDROPOWER10.1016/j.matpr.2020.09.375

Metama’lumot

Identifikator
REL-A-014080
Nashr sanasi
2024-01-01
Til
o‘zbek
Jurnal
“O‘ZBEKGIDROENERGETIKA” ilmiy-texnik jurnal
Jild
6
Son
4
DOI
10.5281/zenodo.15044746
ISSN
3060-4672
Nashriyot
“O‘ZBEKGIDROENERGETIKA” ilmiy-texnik jurnal
Sahifa
56–63
Litsenziya
Ushbu ilmiy ish CC BY 4.0 litsenziyasi asosida ochiq.
Metadata manbasi
“O‘ZBEKGIDROENERGETIKA” ilmiy-texnik jurnal
Oxirgi yangilanish
2025-08-29