| Titre : | Multivariate Reservoir Inflow Forecasting Using Temporal Neural Networks (2005) |
| Titre original : | Prévisions Multivariables d'Apport de Réservoir en Utilisant les Réseaux Neurologiques Temporels |
| Auteurs : | Anctil, François, Auteur ; Coulibaly, Paulin, Auteur ; Bobée, Bernard |
| Type de document : | Article : texte imprimé |
| Dans : | Journal of hydrologic engineering (Vol. 6, N° 5, Septembre /Octobre 2001) |
| Article en page(s) : | 367-376 p. |
| Note générale : | Hydrologie |
| Langues : | Anglais |
| Index. décimale : | 551.4 (surface du globe.Géographie physique.Géomorphologie) |
| Tags : | Eau Ressource Prévision Apport Hydrologie Electricité Reseaux neurologiques Architecture Réservoir Combinaison Réseau multicouche Perceptron MLP Chronologie |
| Résumé : |
An experiment on predicting multivariate water resource time series, specifically the prediction of hydropower reservoir inflow using temporel neural networks, is presented. This Paper focuses on dynamic neural networks to address the temporal relationship of the hydrological series. three types of temporal neural network architectures with differents inherent representations of temporal information are investigated. An input delayed neural network (IDNN) and a recurrent neural netwok (RNN) with and without input time delays are proposed for multivariate reservoir inflow forecasting. The Forecast results indicate that, overall, the RNN obtained the best performance. The Results also suggest that the use of input time delays significantly improves the conventional multilayer perceptron (MLP) network but does not provide any improvement in the RNN model. However, the RNN with input time delays remains slightly more effective for multivariate reservoir inflow prediction than the IDNN model. Moreover, it is found that the conventional MLP network widely used in hydrological applications is less effective at multivariate reservoir inflow forecasting than the proposed models. Furthermore, the experiment shows that employing only time-delayed recurrences can be the more effective and less costly method for multivariate water resources time series prediction.
Une expérience sur prévoir le serie multivariable de temps de ressource d'eau, spécifiquement la prévision de l'apport de réservoir d'hydro-électricité en utilisant les réseaux neurologiques de temporel, est présentée. Cet article se concentre sur les réseaux neurologiques dynamiques pour adresser le rapport temporel des séries hydrologiques trois types d'architectures temporelles de réseau neurologique avec des differents des représentations qu'inhérentes d'information temporelle sont étudiées. On propose un réseau neurologique retardé par entrée (IDNN) et un netwok neural récurrent (RNN) avec et sans du temps d'entrée retarde pour des prévisions multivariables d'apport de réservoir. Les résultats de prévision indiquent que, la combinaison, le RNN a obtenu la meilleure exécution. Les résultats également suggèrent que l'utilisation du temps d'entrée retarde améliore de manière significative le réseau multicouche conventionnel du perceptron (MLP) mais ne fournissent pas n'importe quelle amélioration du modèle de RNN. Cependant, le RNN avec du temps d'entrée retarde les restes légèrement plus efficaces pour la prévision multivariable d'apport de réservoir que le modèle d'IDNN. D'ailleurs, on le constate que le réseau conventionnel de MLP largement répandu dans des applications hydrologiques est moins efficace aux prévisions multivariables d'apport de réservoir que les modèles proposés. En outre, l'expérience prouve que l'utilisation seulement des répétitions de temps retarder peut être la méthode plus efficace et moins plus coûteuse pour la prévision multivariable de série chronologique de ressources d'eau. |
