This research evaluates the application and performance of two methods of Model Predictive Control (MPC) and Particle Swarm Optimization (PSO) in real time control and operational management of a large-scale water transfer system. Metaheuristic approaches are computationally common but do not guarantee the global optimality of their solution. On the other hand, a main limitation for these algorithms is the inability to solve large-scale optimization problems due to curse of dimensionality. Model Predictive Control is a modern control method that has been developed for industrial problems and owes its success to easy and effective applicability of constraints on state and control variables. In this research, a multi-objective optimization problem is designed for the Zarrinehrood water transfer system, the largest water transfer line in Middle East, and is solved using MPC and PSO. Two objective functions of maintaining the safe stored water in reservoirs and reducing the fluctuations in pump stations are defined. Results show that the proposed MPC model yields high capability to satisfy all constraints while fluctuations in pump stations are decreased and the volume of stored water in reservoirs meets the lowest error in the vicinity of the safe volume. Performance of MPC in optimizing management of a large-scale water transfer systems like Zarrinehrood with spontaneity in demand sector is better than PSO. However, defining the equations required to perform MPC with respect to the metaheuristic algorithm is more complicated and needs high accuracy to correctly look for the optimal solution.

本研究评估了模型预测控制（MPC）和粒子群优化（PSO）两种方法在大规模输水系统的实时控制和运营管理中的应用和性能。元启发式方法在计算上很常见，但不能保证其解决方案的全局最优性。另一方面，这些算法的主要限制是由于维数的诅咒而无法解决大规模优化问题。模型预测控制是针对工业问题而开发的一种现代控制方法，它的成功归功于对状态和控制变量的约束的简便有效的适用性。在这项研究中，为中东最大的输水管道Zarrinehrood输水系统设计了一个多目标优化问题，并使用MPC和PSO解决。定义了两个目标功能，即维护水库中的安全存储水和减少泵站中的波动。结果表明，提出的MPC模型能够满足所有约束条件，同时减小了泵站的波动，并且在安全容积附近，水库中的蓄水量满足最低误差。MPC在需求部门自发性的大型输水系统（如Zarrinehrood）的优化管理中的性能优于PSO。但是，相对于元启发式算法，定义执行MPC所需的方程更为复杂，并且需要高精度才能正确地寻找最佳解决方案。定义了两个目标功能，即维护水库中的安全存储水和减少泵站中的波动。结果表明，提出的MPC模型能够满足所有约束条件，同时减小了泵站的波动，并且在安全容积附近，水库中的蓄水量满足最低误差。MPC在需求部门自发性的大型输水系统（如Zarrinehrood）的优化管理中的性能优于PSO。但是，相对于元启发式算法，定义执行MPC所需的方程更为复杂，并且需要高精度才能正确地寻找最佳解决方案。定义了两个目标功能，即维护水库中的安全存储水和减少泵站中的波动。结果表明，提出的MPC模型能够满足所有约束条件，同时减小了泵站的波动，并且在安全容积附近，水库中的蓄水量满足最低误差。MPC在需求部门自发性的大型输水系统（如Zarrinehrood）的优化管理中的性能优于PSO。但是，相对于元启发式算法，定义执行MPC所需的方程更为复杂，并且需要高精度才能正确地寻找最佳解决方案。结果表明，提出的MPC模型能够满足所有约束条件，同时减小了泵站的波动，并且在安全容积附近，水库中的蓄水量满足最低误差。MPC在需求部门自发性的大型输水系统（如Zarrinehrood）的优化管理中的性能优于PSO。但是，相对于元启发式算法，定义执行MPC所需的方程更为复杂，并且需要高精度才能正确地寻找最佳解决方案。结果表明，提出的MPC模型能够满足所有约束条件，同时减小了泵站的波动，并且在安全容积附近，水库中的蓄水量满足最低误差。MPC在需求部门自发性的大型输水系统（如Zarrinehrood）的优化管理中的性能优于PSO。但是，相对于元启发式算法，定义执行MPC所需的方程更为复杂，并且需要高精度才能正确地寻找最佳解决方案。MPC在需求部门自发性的大型输水系统（如Zarrinehrood）的优化管理中的性能优于PSO。但是，相对于元启发式算法，定义执行MPC所需的方程更为复杂，并且需要高精度才能正确地寻找最佳解决方案。MPC在需求部门自发性的大型输水系统（如Zarrinehrood）的优化管理中的性能优于PSO。但是，相对于元启发式算法，定义执行MPC所需的方程更为复杂，并且需要高精度才能正确地寻找最佳解决方案。