Please use this identifier to cite or link to this item:
https://cuir.car.chula.ac.th/handle/123456789/28407
| Title: | การประยุกต์ใช้เทคนิคคาลแมนฟิลเตอร์ ในการพยากรณ์ปริมาณน้ำหลากเข้าเขื่อนอุบลรัตน์ |
| Other Titles: | Application of kalman filter techigue for flood forecasting at Ubolratana dam |
| Authors: | อรรถนันท์ เล็กอุทัย |
| Advisors: | สุทัศน์ วีสกุล เสรี จันทรโยธา |
| Other author: | จุฬาลงกรณ์มหาวิทยาลัย. บัณฑิตวิทยาลัย |
| Issue Date: | 2536 |
| Publisher: | จุฬาลงกรณ์มหาวิทยาลัย |
| Abstract: | การพยากรณ์ปริมาณน้ำท่าเฉียบพลัน (Real Time Forecasting) เป็นการคำนวณน้ำท่าโดยใช้ข้อมูลที่บันทึกได้ใหม่ล่าสุดเช่น 1 ชั่วโมงหรือ 1 วัน ก่อนเวลาที่ต้องพยากรณ์มาใช้คำนวณ การพยากรณ์ในลักษณะนี้สามารถให้ผลการคำนวณที่ทันต่อเหตุการณ์เป็นประโยชน์อย่างยิ่งต่อการดำเนินการอ่างเก็บน้ำ (Reservoir Operation) และเตือนอุทกภัย (Flood Warning) การศึกษาครั้งนี้มุ่งที่จะประยุกต์ใช้ Kalman Filter Technique ผนวกกับ Lump Model ชนิด Non-Linear storage Function Model (NLSFM) เพื่อปรับเทียบแบบจำลอง(Calibration) และ เปรียบเทียบผลการคำนวณน้ำท่ากับผลจากการประยุกต์ใช้ NLSFM เพียงอย่างเดียว Kalman Filter Technique เป็นเทคนิคที่สามารถใช้ค่าความผิดพลาดจากผลการคำนวณของแบบจำลอง คณิตศาสตร์ (NLSFM) ในปัจจุบันไปปรับพารามิเตอร์ของสมการหลักในแบบจำลองเพื่อการคำนวณปริมาณน้ำท่าในครั้งต่อไปได้ถูกต้องยิ่งขึ้น จากผลการเปรียบเทียบแบบจำลองโดยใช้ข้อมูลจำนวน 10 ปี สรุปได้ว่า ค่าที่เหมาะสมในการกำหนดค่าพารามิเตอร์เริ่มต้นของแบบจำลองคือค่า Manning Coefficient เท่ากับ 0.030, Initial Error Covariance Matrix เท่ากับ 0.01% ของ state Variable Matrix และกำหนด Initial Model Error Covariance Matrix เท่ากับ 0.01% ของพารามิเตอร์ของสมการหลักในแบบจำลองคณิตศาสตร์ผลการประยุกต์ใช้ NLSFM และ Kalman Filter Model(KFM) กับข้อมูลปริมาณฝนจากการวัดจริงจำนวน 8 ปี สรุปได้ว่าการใช้ KFM ให้ผลการคำนวณปริมาณน้ำท่าที่ดีกว่าผลจาก NLSFM คือให้ค่าเฉลี่ย รากของค่าเฉลี่ยความผิดพลาดกำลังสอง ( RMSE) เท่ากับ 1.4644 mm และ 2.2563 mm ค่าเฉลี่ยความผิดพลาดการคำนวณปริมาณน้ำท่าสูงสุดเท่ากับ 15.70% และ 29.05% ค่าความผิดพลาดเวลาที่เกิดปริมาณน้ำท่าสูงสุดเท่ากับ 0- 1 วัน และ 0-8 วัน ตามลำดับ ผลการประยุกต์ใช้ NLSFM และ KFM กับข้อมูลปริมาณฝนจากการคำนวณล่วงหน้าแบบ 1- 2- 3- และ 4-Day Average สรุปได้ว่า Kalman Filter Technique สามารถช่วยให้ผลการคำนวณถูกต้องกว่าการใช้ NLSFM อย่างเดียว ซึ่งดีกว่าในลักษณะเดียวกับการใช้ข้อมูลฝนจากการวัดจริงทั้งทางด้านค่าเฉลี่ย RMSE ค่าเฉลี่ยความผิดพลาดการคำนวณปริมาณน้ำท่าสูงสุด และค่าความผิดพลาดการคำนวณเวลาที่เกิดปริมาณน้ำท่าสูงสุด จากการวิเคราะห์ทางสถิติด้วยวิธี Student t-Test กับผลการประยุกต์ใช้ KFM และ NLSFM กับข้อมูลทั้งแบบปริมาณฝนจากการวัดจริงและปริมาณฝนจากการคำนวณล่วงหน้า ปรากฏว่าผลจากการใช้ KFM ไม่แตกต่างแบบมีนัยสำคัญ (Not Significantly Difference) เมือเทียบกับผลจากการใช้ NLSFM แต่มีแนวโน้มว่าให้มีผลการคำนวณที่ถูกต้องกว่า |
| Other Abstract: | Real time forecasting is the calculation of direct runoff by using the latest data recorded, for example 1 hour or 1 day prior to forecasting. This method of forecasting can provide more accurate result which is very useful for reservoir operation and flood warning. The objective of this thesis is to apply Kalman Filter Technigue to Lump Model which is a Non-Linear storage Function Model (NLSFM) in order to calibrate and compare the result of direct runoff by using NLSFM alone. Kalman Filter Technigue utilizes the current error from NLSFM to improve the parameter of system model so that the next calculation of direct runoff will be more accurate. After calibrating model with 10 year data, it was found that the appropriate initial parameters are the following, Manning Coefficient is egual to 0.030,Initial Error Covariance Matrix is best represented by 0.01% of state Variable Matrix and Initial Model Error Covariance Matrix is used as 0.01% of System Model's Parameters The application of 8 year actual rainfall data to NLSFM and Kalman Filter Model (KFM) lead to the conclusion that the result of KFM is better than that of NLSFM, the average RMSE are 1.4644 mm and 2.2563 mm, the average errors of peak discharge are 15.70% and 29.05%, the errors of time to peak are 0-1 day and 0-8 day respectively. The application of 1-2-3 and 4-Day Average forecasted rainfall to NLSFM and KFM yield the same conclusions as the previous case that is average RMSE, the average errors of peak discharge and the errors of time to peak of KFM are better than NLSFM alone. However, Student t-Test of KFM’s and NLSFM's results, using actual rainfall and forecasted rainfall data, prove that they are not significantly different. But there is a tendency in favor of KFM to provide slightly more accurate result. |
| Description: | วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2536 |
| Degree Name: | วิศวกรรมศาสตรมหาบัณฑิต |
| Degree Level: | ปริญญาโท |
| Degree Discipline: | วิศวกรรมโยธา |
| URI: | http://cuir.car.chula.ac.th/handle/123456789/28407 |
| ISBN: | 9745831026 |
| Type: | Thesis |
| Appears in Collections: | Grad - Theses |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Atthanan_le_front.pdf | 5.65 MB | Adobe PDF | View/Open | |
| Atthanan_le_ch1.pdf | 5.4 MB | Adobe PDF | View/Open | |
| Atthanan_le_ch2.pdf | 8.91 MB | Adobe PDF | View/Open | |
| Atthanan_le_ch3.pdf | 8.15 MB | Adobe PDF | View/Open | |
| Atthanan_le_ch4.pdf | 8.7 MB | Adobe PDF | View/Open | |
| Atthanan_le_ch5.pdf | 18.02 MB | Adobe PDF | View/Open | |
| Atthanan_le_ch6.pdf | 3.97 MB | Adobe PDF | View/Open | |
| Atthanan_le_back.pdf | 6.66 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.