台灣長期受到颱風侵擾，平均每年3至4場，雖為台灣最嚴重的天然災害之一，也是最重要水資源之一。由於台灣地形山高坡陡、河短流急，水資源保存不易，加上台灣相當缺乏天然能源，在現今綠能意識高漲的環境下，如何有效利用資源為相當重要的議題之一，本研究探討水庫於颱洪期間除考慮減洪與蓄水外，同時考慮水力發電量，使得水庫在颱洪期間可達減災、蓄水與產能之最大效益。
	本研究主要目的為探討在颱洪期間水庫多目標之最佳操作策略，以最大發電量、最大洪峰消減率、最少操作次數等四項目標，透過非優勢排序遺傳演算法(Non-Dominated Sorting Genetic Algorithm II，NSGA-II)搜尋最佳操作策略。本研究以翡翠水庫為例，並訂定四項目標函數與限制式進行最佳放流歷程搜尋，與原始操作進行比較，結果顯示NSGA-II搜尋解在不違反任何限制式下，在24場颱風場次之NSGA-II放流歷程與原始操作相比，比較四項目標皆優於原始操作；在洪水來臨前預先放水不但可提高發電營利，同時降低水位以容納洪峰來臨時大量的洪水使洪峰消減率提高；洪峰過後逐漸關閉閘門降低頻繁的操作次數，並使水位逐漸蓄回目標水位；因此，無論颱風大小場次，透過NSGA-II皆能有效地搜尋水庫最佳防洪操作策略，可在少量的操作次數下，同時滿足減洪、發電與蓄水之功能。

On average, three to four Typhoons make landfall in Taiwan annually, which usually couple with intensity rainfalls. It is one of the most serious natural disasters, but it is also one of the most important water resources. In Taiwan, because the steep mountainous landform makes most of the rainfall flow straight into the ocean within a few hours, the rivers cannot keep enough water for use as a stable source of water supply. Furthermore, due to the lack of natural energy and the raising awareness of green energy, the effective use of resources is one of the most important issues. This study explored the operation of reservoirs during typhoon periods, in addition to considering flood reduction and water storage, while considering the hydropower generation, so that the maximum benefit of disaster mitigation, water storage and energy generation can be achieved through the reservoir operation.
  The main purpose of this study involves formulating the multi-objective reservoir operation with respect to four goals, maximum hydropower generation, maximum flood reduction rate, maximum water storage and minimum number of operations and using the non-dominant sorting genetic algorithm II (NSGA-II) as a searching engine. The proposed approach was applied to the Feitsui Reservoir for finding the optimal release as a case study. The hourly historical data sets of 24 typhoon events are investigated by the proposed method. The results demonstrated that that the proposed approach can perform much better than historical reservoir operations and effectively reduce downstream peak flood, store floodwaters for future use, generate energy, and gradually close the gate with the fewer number of operations after the flood peak. Therefore, regardless of the typhoon strength, the NSGA-II can effectively search for the optimal flood control operation strategy of the reservoir, and the four goals can be achieved.

目錄

謝誌	I
中文摘要	III
Abstract	V
目錄	VII
圖目錄	XI
表目錄	XV
第一章	前言	1
1.1　研究起源	1
1.2　研究目的	2
1.3　論文架構	3
第二章	文獻回顧	4
2.1　遺傳演算法發展與修正演算法之研究	4
2.2　遺傳演算法應用於水庫方面之研究	5
第三章	理論概述	8
3.1　遺傳演算法	8
3.2　遺傳演算法之基本架構與流程	8
3.3　遺傳演算法之基本元素	10
3.3.1　編碼與解碼:	10
3.3.2　設定初始群集:	10
3.3.3　目標函數與限制式:	11
3.3.4　適合度函數:	11
3.3.5　遺傳運算子:	11
3.3.6　停止原則:	12
3.4遺傳演算法之運算子	12
3.4.1　複製:	12
3.4.2　交配:	13
3.4.3　突變:	16
3.5　非優勢排序遺傳演算法	18
3.6　非優勢排序遺傳演算流程	19
3.6.1　快速非優勢排序:	21
3.6.2　擁擠距離比較:	22
第四章	研究案例	23
4.1　研究區域概述	23
4.1.1　翡翠水庫介紹	23
4.1.2翡翠電廠介紹	24
4.1.3　翡翠水庫防洪運轉操作規則	25
4.1.4　相關水利法規	25
4.2　颱風資料蒐集與分析	26
4.3　搜尋範圍設定	28
4.4　目標函數	30
4.5　限制式	32
4.6　放流量平衡式	39
4.7　各目標平均最佳解	40
4.8　NSGA-II之參數設定	41
第五章	結果與討論	42
5.1　柏拉圖鋒線	42
5.2　NSGA-II與原始操作比較結果	47
5.3　不同颱風強度比較結果	57
第六章	結論與建議	83
6.1　結論	83
6.2　建議	84
參考文獻	85
附錄　NSGA-II搜尋結果圖	90

 
圖目錄
圖 3 1遺傳演算法流程圖	9
圖 3 2二位元編碼	10
圖 3 3實數編碼	10
圖 3 4輪盤式選取法示意圖	12
圖 3 5單點交配示意圖	13
圖 3 6多點交配示意圖	14
圖 3 7單點突變示意圖	16
圖 3 8柏拉圖鋒線示意圖	18
圖 3 9NSGA-II流程圖	20
圖 3 10非優勢排序與擁擠距離比較示意圖	21
圖 3 11擁擠距離比較示意圖	22
圖 4 1翡翠水庫集水區與翡翠水庫示意圖	24
圖 4 2翡翠水庫起訖時間與三階段分區示意圖	26
圖 4 3原始操作	37
圖 4 4法規限制之NSGA-II操作	37
圖 4 5法規限制與第一階段限制之NSGA-II操作	37
圖 4 6法規限制與第一、三階段限制之NSGA-II操作	37
圖 5 1發電營利-操作次數	43
圖 5 2發電營利-洪峰消減	43
圖 5 3發電營利-目標水位差	43
圖 5 4洪峰消減-操作次數	43
圖 5 5洪峰消減-目標水位差	43
圖 5 6目標水位-操作次數	43
圖 5 7發電營利-操作次數	43
圖 5 8發電營利-洪峰消減	43
圖 5 9發電營利-目標水位差	43
圖 5 10洪峰消減-操作次數	43
圖 5 11洪峰消減-目標水位差	43
圖 5 12目標水位-操作次數	43
圖 5 13NSGA-II與原操作比較之結果	49
圖 5 14相同水位NSGA-II與原始操作發電營利比較圖	50
圖 5 15海燕颱風原始操作歷程圖	54
圖 5 16海燕NSGA-II發電營利最佳化歷程圖	54
圖 5 17海燕NSGA-II洪峰消減率最佳化歷程圖	54
圖 5 18海燕NSGA-II最後水位最佳化歷程圖	55
圖 5 19海燕NSGA-II操作次數最佳化歷程圖	55
圖 5 20海燕NSGA-II各目標最佳化歷程圖	55
圖 5 21米雷颱風原始操作歷程圖	59
圖 5 22米雷NSGA-II發電營利最佳化歷程圖	59
圖 5 23米雷NSGA-II洪峰消減率最佳化歷程圖	59
圖 5 24米雷NSGA-II最後水位最佳化歷程圖	60
圖 5 25米雷NSGA-II操作次數最佳化歷程圖	60
圖 5 26米雷NSGA-II各目標最佳化歷程圖	60
圖 5 27艾利颱風原始操作歷程圖	64
圖 5 28艾利NSGA-II發電營利最佳化歷程圖	64
圖 5 29艾利NSGA-II洪峰消減率最佳化歷程圖	64
圖 5 30艾利NSGA-II最後水位最佳化歷程圖	65
圖 5 31艾利NSGA-II操作次數最佳化歷程圖	65
圖 5 32艾利NSGA-II各目標最佳化歷程圖	65
圖 5 33　科羅莎颱風原始操作歷程圖	69
圖 5 34科羅莎NSGA-II發電營利最佳化歷程圖	69
圖 5 35科羅莎NSGA-II洪峰消減率最佳化歷程圖	69
圖 5 36科羅莎NSGA-II最後水位最佳化歷程圖	70
圖 5 37科羅莎NSGA-II操作次數最佳化歷程圖	70
圖 5 38科羅莎NSGA-II各目標最佳化歷程圖	70
圖 5 39象神颱風原始操作歷程圖	75
圖 5 40象神NSGA-II發電營利最佳化歷程圖	75
圖 5 41象神NSGA-II洪峰消減率最佳化歷程圖	75
圖 5 42象神NSGA-II最後水位最佳化歷程圖	76
圖 5 43象神NSGA-II操作次數最佳化歷程圖	76
圖 5 44象神NSGA-II各目標最佳化歷程圖	76
圖 5 45辛樂克颱風原始操作歷程圖	80
圖 5 46辛樂克NSGA-II發電營利最佳化歷程圖	80
圖 5 47辛樂克NSGA-II洪峰消減率最佳化歷程圖	80
圖 5 48辛樂克NSGA-II最後水位最佳化歷程圖	81
圖 5 49辛樂克NSGA-II操作次數最佳化歷程圖	81
圖 5 50辛樂克NSGA-II各目標最佳化歷程圖	81

 
表目錄
表格 4 1颱風資料	27
表格 4 2艾利颱風原始操作與三種限制條件NSGA-II操作之目標比較	38
表格 4 2NSGA-II之參數設定	41
表格 5 1象神颱風柏拉圖鋒線	43
表格 5 2芭瑪颱風柏拉圖鋒線	43
表格 5 3NSGA-II與原操作之比較結果	47
表格 5 4 NSGA-II與原操作之比較結果(續1)	48
表格 5 5相同水位NSGA-II與原始操作發電營利比較表	50
表格 5 6颱風場次分類表	51
表格 5 7海燕颱風原始操作與NSGA-II各目標操作比較表	56
表格 5 8米雷颱風原始操作與NSGA-II各目標操作比較表	61
表格 5 9艾利颱風原始操作與NSGA-II各目標操作比較表	66
表格 5 10柯羅莎颱風原始操作與NSGA-II各目標操作比較表	71
表格 5 11象神颱風原始操作與NSGA-II各目標操作比較表	77
表格 5 12辛樂克颱風原始操作與NSGA-II操作各目標比較表	82

1.	Srinivas, N., & Deb, K. (1994). Muiltiobjective optimization using nondominated sorting in genetic algorithms. Evolutionary computation, 2(3), 221-248.
2.	Deb, K., Agrawal, S., Pratap, A., & Meyarivan, T. (2000). A fast elitist non-dominated sorting genetic algorithm for multi-objective optimization: NSGA-II. In International Conference on Parallel Problem Solving From Nature (pp. 849-858). Springer, Berlin, Heidelberg.
3.	Deb, K., Pratap, A., Agarwal, S., & Meyarivan, T. A. M. T. (2002). A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE transactions on evolutionary computation, 6(2), 182-197.
4.	Li, H., & Zhang, Q. (2009). Multiobjective optimization problems with complicated Pareto sets, MOEA/D and NSGA-II. IEEE Transactions on evolutionary computation, 13(2), 284-302.
5.	Kollat, J. B., & Reed, P. M. (2005, March). The value of online adaptive search: a performance comparison of NSGAII, ε-NSGAII and εMOEA. In International Conference on Evolutionary Multi-Criterion Optimization (pp. 386-398). Springer, Berlin, Heidelberg.
6.	Jensen, M. T. (2003). Reducing the run-time complexity of multiobjective EAs: The NSGA-II and other algorithms. IEEE Transactions on Evolutionary Computation, 7(5), 503-515.
7.	Bekele, E. G., & Nicklow, J. W. (2007). Multi-objective automatic calibration of SWAT using NSGA-II. Journal of Hydrology, 341(3-4), 165-176.
8.	Durillo, J. J., Nebro, A. J., Luna, F., & Alba, E. (2008, April). A study of master-slave approaches to parallelize NSGA-II. In Parallel and Distributed Processing, 2008. IPDPS 2008. IEEE International Symposium on (pp. 1-8). IEEE.
 
9.	Deb, K., & Karthik, S. (2007, March). Dynamic multi-objective optimization and decision-making using modified NSGA-II: a case study on hydro-thermal power scheduling. In International conference on evolutionary multi-criterion optimization (pp. 803-817). Springer, Berlin, Heidelberg.
10.	Kannan, S., Baskar, S., McCalley, J. D., & Murugan, P. (2009). Application of NSGA-II algorithm to generation expansion planning. IEEE Transactions on Power systems, 24(1), 454-461.
11.	Chang, L. C., & Chang, F. J. (2009). Multi-objective evolutionary algorithm for operating parallel reservoir system. Journal of hydrology, 377(1-2), 12-20.
12.	Suen, J. P., & Eheart, J. W. (2006). Reservoir management to balance ecosystem and human needs: Incorporating the paradigm of the ecological flow regime. Water resources research, 42(3).
13.	Chen, L., McPhee, J., & Yeh, W. W. G. (2007). A diversified multiobjective GA for optimizing reservoir rule curves. Advances in Water Resources, 30(5), 1082-1093.
14.	Tabari, M. M. R., & Soltani, J. (2013). Multi-objective optimal model for conjunctive use management using SGAs and NSGA-II models. Water resources management, 27(1), 37-53.
15.	Li, Y., Liao, S., & Liu, G. (2015). Thermo-economic multi-objective optimization for a solar-dish Brayton system using NSGA-II and decision making. International Journal of Electrical Power & Energy Systems, 64, 167-175.
16.	Reddy, M. J., & Kumar, D. N. (2007). Multiobjective differential evolution with application to reservoir system optimization. Journal of Computing in Civil Engineering, 21(2), 136-146.
17.	Aboutalebi, M., Bozorg Haddad, O., & Loáiciga, H. A. (2015). Optimal monthly reservoir operation rules for hydropower generation derived with SVR-NSGAII. Journal of Water Resources Planning and Management, 141(11), 04015029.
18.	Ahmadi, M., Haddad, O. B., & Mariño, M. A. (2014). Extraction of flexible multi-objective real-time reservoir 
 
19.	operation rules. Water resources management, 28(1), 131-147. 
20.	Reddy, M. J., & Kumar, D. N. (2006). Optimal reservoir operation using multi-objective evolutionary algorithm. Water Resources Management, 20(6), 861-878.
21.	Reddy, M. J., & Nagesh Kumar, D. (2007). Multi‐objective particle swarm optimization for generating optimal trade‐offs in reservoir operation. Hydrological Processes: An International Journal, 21(21), 2897-2909.
22.	Hakimi-Asiabar, M., Ghodsypour, S. H., & Kerachian, R. (2010). Deriving operating policies for multi-objective reservoir systems: application of self-learning genetic algorithm. Applied Soft Computing, 10(4), 1151-1163.
23.	Malekmohammadi, B., Zahraie, B., & Kerachian, R. (2011). Ranking solutions of multi-objective reservoir operation optimization models using multi-criteria decision analysis. Expert systems with applications, 38(6), 7851-7863.
24.	Yin, X. A., & Yang, Z. F. (2011). Development of a coupled reservoir operation and water diversion model: Balancing human and environmental flow requirements. Ecological Modelling, 222(2), 224-231.
25.	Afshar, A., Sharifi, F., & Jalali, M. R. (2009). Non-dominated archiving multi-colony ant algorithm for multi-objective optimization: Application to multi-purpose reservoir operation. Engineering Optimization, 41(4), 313-325.
26.	Cheng, C. T., Wang, W. C., Xu, D. M., & Chau, K. W. (2008). Optimizing hydropower reservoir operation using hybrid genetic algorithm and chaos. Water Resources Management, 22(7), 895-909.
27.	Chang, F. J., & Chen, L. (1998). Real-coded genetic algorithm for rule-based flood control reservoir management. Water Resources Management, 12(3), 185-198.
 
28.	Saemi, M., Ahmadi, M., & Varjani, A. Y. (2007). Design of neural networks using genetic algorithm for the permeability estimation of the reservoir. Journal of Petroleum Science and Engineering, 59(1-2), 97-105.
29.	Jothiprakash, V., & Shanthi, G. (2006). Single reservoir operating policies using genetic algorithm. Water Resources Management, 20(6), 917-929.
30.	Chang, F. J., Chen, L., & Chang, L. C. (2005). Optimizing the reservoir operating rule curves by genetic algorithms. Hydrological Processes: An International Journal, 19(11), 2277-2289.
31.	Chang, L. C., & Chang, F. J. (2001). Intelligent control for modelling of real‐time reservoir operation. Hydrological processes, 15(9), 1621-1634.
32.	Chang, L. C., Chang, F. J., Wang, K. W., & Dai, S. Y. (2010). Constrained genetic algorithms for optimizing multi-use reservoir operation. Journal of Hydrology, 390(1-2), 66-74.
33.	Chen, L., & Chang, F. J. (2007). Applying a real‐coded multi‐population genetic algorithm to multi‐reservoir operation. Hydrological Processes: An International Journal, 21(5), 688-698.
34.	陳莉、張斐章，1995，遺傳演算法優選水庫運用規線之研究，中國農業工程學報。
35.	石明輝、張良正，1998，應用基因演算法在多水庫多目標規劃之應用。
36.	張麗秋、張斐章，1999，智慧型水庫及時操作控制系統。
37.	張雅婷，2004，結合人工智慧與專家知識之智慧型水庫操作系統。
 
38.	王國威，2006，運用懲罰機制遺傳演算法於水庫颱洪操作之規則，淡江大學水資源及環境工程學系研究所碩士論文。
39.	張麗秋，2006，人工智慧於集水區水文資訊預警系統之研究。
40.	陳昱志，2009，應用多目標規劃於水庫聯合供水之研究，淡江大學水資源及環境工程學系碩士班學士論文。
41.	楊舜年，2015，建立颱洪時期抽水站智慧型最佳化操作規則，臺灣大學生物環境系統工程學研究所學位論文。
42.	李翊凱，2017，以NSGA-II探討平行水庫防洪操作策略，淡江大學水資源及環境工程學系碩士班學士論文。
43.	徐宗孚，2017，運用賽局理論結合遺傳演算法於最佳化水庫操作之研究，淡江大學水資源及環境工程學系碩士班學士論文。