JP2000055703A - ダムにおける流量予測方法 - Google Patents
ダムにおける流量予測方法Info
- Publication number
- JP2000055703A JP2000055703A JP10220295A JP22029598A JP2000055703A JP 2000055703 A JP2000055703 A JP 2000055703A JP 10220295 A JP10220295 A JP 10220295A JP 22029598 A JP22029598 A JP 22029598A JP 2000055703 A JP2000055703 A JP 2000055703A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- dam
- flow rate
- future
- rainfall
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Measuring Volume Flow (AREA)
Abstract
(57)【要約】
【課題】 上流域の湿潤度を考慮することにより、自ダ
ムへの流量を高精度に予測する。 【解決手段】 計算機により過去の実績値を用いて構築
したニューラルネットワークからなる予測モデルに対
し、自ダムの流量、雨量等を入力して将来における自ダ
ムの流量を予測する流量予測方法に関する。少なくと
も、現在の自ダムの流量及び過去から将来の所定時間先
までの流域の雨量が入力される予測モデルを用いて、将
来の所定時間先の瞬間的な自ダム流量、または所定期間
の総流量を予測する。
ムへの流量を高精度に予測する。 【解決手段】 計算機により過去の実績値を用いて構築
したニューラルネットワークからなる予測モデルに対
し、自ダムの流量、雨量等を入力して将来における自ダ
ムの流量を予測する流量予測方法に関する。少なくと
も、現在の自ダムの流量及び過去から将来の所定時間先
までの流域の雨量が入力される予測モデルを用いて、将
来の所定時間先の瞬間的な自ダム流量、または所定期間
の総流量を予測する。
Description
【０００１】
【発明の属する技術分野】本発明は、系統制御所、給電
指令所、ダム管理所、水力発電所等において、計算機上
でダムの流入量または流出量（以下、両者をまとめて流
量という）を自動的に予測する方法に関する。
指令所、ダム管理所、水力発電所等において、計算機上
でダムの流入量または流出量（以下、両者をまとめて流
量という）を自動的に予測する方法に関する。
【０００２】
【従来の技術】ダムの流量予測は、ダム運用の安全性及
び経済性向上のため重要である。例えば、数時間先の流
量予測は、降雨時のダム放流量を適切に設定して流域の
安全性確保に役立てることができる。また、数時間先か
ら数日先の予測、特に翌日の流量予測は、発電計画の適
切な立案による水力エネルギーの有効利用・経済性の向
上に寄与する。
び経済性向上のため重要である。例えば、数時間先の流
量予測は、降雨時のダム放流量を適切に設定して流域の
安全性確保に役立てることができる。また、数時間先か
ら数日先の予測、特に翌日の流量予測は、発電計画の適
切な立案による水力エネルギーの有効利用・経済性の向
上に寄与する。
【０００３】従来、ダムの流入量の予測は、熟練運用者
の経験と直感的知識により行われていることが多い。こ
のため、数時間先までの予測作業を自動化する例とし
て、タンクモデル、貯留関数法、ニューラルネットワー
ク等を用いる様々な方法が提案されている。これらの方
法は、実績データが多数蓄積されている数時間先の予測
には有効であるが、数時間先から数日先に関しては、以
下の理由により予測が困難であった。
の経験と直感的知識により行われていることが多い。こ
のため、数時間先までの予測作業を自動化する例とし
て、タンクモデル、貯留関数法、ニューラルネットワー
ク等を用いる様々な方法が提案されている。これらの方
法は、実績データが多数蓄積されている数時間先の予測
には有効であるが、数時間先から数日先に関しては、以
下の理由により予測が困難であった。
【０００４】１．数時間先から数日先の予測は、ダムの
上流域の湿潤度及びその変化による影響が数時間先予測
より大きい。図７は、１時間ごとで６日間にわたる１４
４個の流入量データ１、同じく１２日間にわたる２８８
個の流入量データ２、同じく１２日間にわたる２８８個
の流入量データ３について、９時間の流域平均雨量との
関係を示したものである。この図から明らかなように、
雨量が同じでも、ダム上流域の湿潤度の違いによって流
入量が著しく異なることになる。 ２．流量予測に当たり、将来の雨量データに相当するも
のとして気象予報データが必要となるが、従来では都市
や気象台ごとに１日数回の予報しか得られず、しかも予
報地点のメッシュが荒いことから、ダム地点の適切な気
象予報を得ることができない。
上流域の湿潤度及びその変化による影響が数時間先予測
より大きい。図７は、１時間ごとで６日間にわたる１４
４個の流入量データ１、同じく１２日間にわたる２８８
個の流入量データ２、同じく１２日間にわたる２８８個
の流入量データ３について、９時間の流域平均雨量との
関係を示したものである。この図から明らかなように、
雨量が同じでも、ダム上流域の湿潤度の違いによって流
入量が著しく異なることになる。 ２．流量予測に当たり、将来の雨量データに相当するも
のとして気象予報データが必要となるが、従来では都市
や気象台ごとに１日数回の予報しか得られず、しかも予
報地点のメッシュが荒いことから、ダム地点の適切な気
象予報を得ることができない。
【０００５】
【発明が解決しようとする課題】ダムの流入量または流
出量を予測するには、膨大な専門知識と長年の経験とが
必要であるが、近年この知識を有する熟練運用者は減少
の一途をたどっている。一方、ダムの流量予測はダム運
用の基盤であり、その予測精度の向上と自動化が切望さ
れている。数時間先〜数日先の流量予測、特に翌日の流
量予測は発電計画作成に必要不可欠な情報であるが、計
算機による自動化例はほとんどなく、運用者に頼ってい
るのが現状である。
出量を予測するには、膨大な専門知識と長年の経験とが
必要であるが、近年この知識を有する熟練運用者は減少
の一途をたどっている。一方、ダムの流量予測はダム運
用の基盤であり、その予測精度の向上と自動化が切望さ
れている。数時間先〜数日先の流量予測、特に翌日の流
量予測は発電計画作成に必要不可欠な情報であるが、計
算機による自動化例はほとんどなく、運用者に頼ってい
るのが現状である。
【０００６】本発明は上記課題を解決するためになされ
たもので、近年、精度が著しく向上してきた気象予報を
利用して将来の雨量データを予測時に使用し、更にダム
の上流域の湿潤度を考慮することで、熟練運用者に頼る
ことなく簡便かつ高精度に流量予測を行うことができる
流量予測方法を提供しようとするものである。
たもので、近年、精度が著しく向上してきた気象予報を
利用して将来の雨量データを予測時に使用し、更にダム
の上流域の湿潤度を考慮することで、熟練運用者に頼る
ことなく簡便かつ高精度に流量予測を行うことができる
流量予測方法を提供しようとするものである。
【０００７】
【課題を解決するための手段】すなわち、請求項１記載
の発明は、計算機により過去の実績値を用いて構築した
ニューラルネットワークからなる予測モデルに対し、自
ダムの流量、雨量等を入力して将来における自ダムの流
量を予測する流量予測方法において、少なくとも、現在
の自ダムの流量及び過去から将来の所定時間先までの流
域の雨量が入力される予測モデルを用いて、将来の所定
時間先の自ダム流量を予測するものである。
の発明は、計算機により過去の実績値を用いて構築した
ニューラルネットワークからなる予測モデルに対し、自
ダムの流量、雨量等を入力して将来における自ダムの流
量を予測する流量予測方法において、少なくとも、現在
の自ダムの流量及び過去から将来の所定時間先までの流
域の雨量が入力される予測モデルを用いて、将来の所定
時間先の自ダム流量を予測するものである。
【０００８】請求項２記載の発明は、計算機により過去
の実績値を用いて構築したニューラルネットワークから
なる予測モデルに対し、自ダムの流量、雨量等を入力し
て将来における自ダムの流量を予測する流量予測方法に
おいて、少なくとも、現在の自ダムの流量及び過去から
将来の所定時間先までの流域の雨量が入力される予測モ
デルを用いて、将来の所定期間の自ダム総流量を予測す
るものである。
の実績値を用いて構築したニューラルネットワークから
なる予測モデルに対し、自ダムの流量、雨量等を入力し
て将来における自ダムの流量を予測する流量予測方法に
おいて、少なくとも、現在の自ダムの流量及び過去から
将来の所定時間先までの流域の雨量が入力される予測モ
デルを用いて、将来の所定期間の自ダム総流量を予測す
るものである。
【０００９】請求項３記載の発明は、請求項１により予
測した流量の積算値と、請求項２により予測した総流量
とを用いて、請求項１によりポイント予測した流量を補
正するものである。
測した流量の積算値と、請求項２により予測した総流量
とを用いて、請求項１によりポイント予測した流量を補
正するものである。
【００１０】請求項４記載の発明は、請求項１，２，ま
たは３記載のダムにおける流量予測方法において、流量
実績値が判明するごとに、至近の実績値データを逐次追
加して予測モデル（ニューラルネットワーク）の再学習
を行い、この再学習した予測モデルを用いて予測を行う
ものである。
たは３記載のダムにおける流量予測方法において、流量
実績値が判明するごとに、至近の実績値データを逐次追
加して予測モデル（ニューラルネットワーク）の再学習
を行い、この再学習した予測モデルを用いて予測を行う
ものである。
【００１１】請求項５記載の発明は、計算機により過去
の実績値を用いて構築した予測モデルに対し、自ダムの
流量、雨量等を入力して将来における自ダムの流量を予
測する流量予測方法において、上流域の湿潤度に相当す
る指標ごとに複数の予測モデルを予め構築しておき、予
測時に使用する予測モデルを前記指標に応じて切り替え
るものである。
の実績値を用いて構築した予測モデルに対し、自ダムの
流量、雨量等を入力して将来における自ダムの流量を予
測する流量予測方法において、上流域の湿潤度に相当す
る指標ごとに複数の予測モデルを予め構築しておき、予
測時に使用する予測モデルを前記指標に応じて切り替え
るものである。
【００１２】請求項６記載の発明は、計算機により過去
の実績値を用いて構築した予測モデルに対し、自ダムの
流量、雨量等を入力して将来における自ダムの流量を予
測する流量予測方法において、上流域の湿潤度の計測や
換算が困難な場合に、この湿潤度と相関の高い指標（累
積雨量、降雨時間等）ごとに複数の予測モデルを予め構
築しておき、これらの予測モデルの予測精度を検証して
精度が最も高い予測モデルを使用して予測するものであ
る。
の実績値を用いて構築した予測モデルに対し、自ダムの
流量、雨量等を入力して将来における自ダムの流量を予
測する流量予測方法において、上流域の湿潤度の計測や
換算が困難な場合に、この湿潤度と相関の高い指標（累
積雨量、降雨時間等）ごとに複数の予測モデルを予め構
築しておき、これらの予測モデルの予測精度を検証して
精度が最も高い予測モデルを使用して予測するものであ
る。
【００１３】請求項７記載の発明は、請求項５または６
記載のダムにおける流量予測方法において、上流域の湿
潤度に関連する指標（湿潤度自体、累積雨量、降雨時間
等）を算出し、この算出指標に基づいて複数の予測モデ
ルによる予測値をファジー融合するものである。
記載のダムにおける流量予測方法において、上流域の湿
潤度に関連する指標（湿潤度自体、累積雨量、降雨時間
等）を算出し、この算出指標に基づいて複数の予測モデ
ルによる予測値をファジー融合するものである。
【００１４】
【発明の実施の形態】以下、図に沿って本発明の実施形
態を説明する。以下の各実施形態は、表 1に示す１時間
ごとのデータを用い、２種類のデータを予測モデルの学
習に、残り１種類のデータを予測に用いた。なお、表１
のデータ１，２，３は図７における流入量データと同じ
である。
態を説明する。以下の各実施形態は、表 1に示す１時間
ごとのデータを用い、２種類のデータを予測モデルの学
習に、残り１種類のデータを予測に用いた。なお、表１
のデータ１，２，３は図７における流入量データと同じ
である。
【００１５】
【表１】
【００１６】まず、請求項１記載の発明では、過去にお
ける自ダムの流入量、流域平均雨量等の実績値を用いて
ニューラルネットワークを構築し、表２に示すように自
ダム流入量、流域平均雨量（雨量予報値を含む）を入力
変数として、２４時間先の自ダム流入量（２３時間先か
ら２４時間先における１時間平均流量）を予測する。す
なわち、予測時点までに判明している流量、雨量及び気
象予報をニューラルネットワークの入力変数として、将
来の所定時間先における瞬間的な流入量（通常は１時間
平均値）を予測（ポイント予測）するものである。
ける自ダムの流入量、流域平均雨量等の実績値を用いて
ニューラルネットワークを構築し、表２に示すように自
ダム流入量、流域平均雨量（雨量予報値を含む）を入力
変数として、２４時間先の自ダム流入量（２３時間先か
ら２４時間先における１時間平均流量）を予測する。す
なわち、予測時点までに判明している流量、雨量及び気
象予報をニューラルネットワークの入力変数として、将
来の所定時間先における瞬間的な流入量（通常は１時間
平均値）を予測（ポイント予測）するものである。
【００１７】
【表２】
【００１８】なお、近年の気象予報では、雨量予報値を
１時間ごとに数十時間先まで得ることができるため、流
域平均雨量の中に２４時間先までの雨量を入力変数とし
て取り込むことが可能である。この実施形態では、２４
時間先の自ダム流入量を予測しているが、一般に数時間
先から数日先までの範囲で瞬間的な流入量を予測するこ
とが可能である。
１時間ごとに数十時間先まで得ることができるため、流
域平均雨量の中に２４時間先までの雨量を入力変数とし
て取り込むことが可能である。この実施形態では、２４
時間先の自ダム流入量を予測しているが、一般に数時間
先から数日先までの範囲で瞬間的な流入量を予測するこ
とが可能である。
【００１９】図４は、この実施形態に使用される予測モ
デルとしてのニューラルネットワークの概念図であり、
現在の自ダム流入量、６時間前から２４時間先までの１
時間ごとの流域平均雨量が入力される入力層と、中間層
と、２４時間先の自ダム流入量予測値が出力される出力
層とからなる。入力変数として現在の流入量を用いるこ
とにより、上流域の湿潤度を間接的に考慮した構成とな
っている。また、雨量の入力ユニットを６時間前から２
４時間先まで３１ユニット用意したため、湿潤度の時間
的変化を考慮したモデルとなっている。なお、ニューラ
ルネットワークの学習には、通常、バックプロパゲーシ
ョン法が用いられるが、本発明の要旨でないのでその説
明は省略する。
デルとしてのニューラルネットワークの概念図であり、
現在の自ダム流入量、６時間前から２４時間先までの１
時間ごとの流域平均雨量が入力される入力層と、中間層
と、２４時間先の自ダム流入量予測値が出力される出力
層とからなる。入力変数として現在の流入量を用いるこ
とにより、上流域の湿潤度を間接的に考慮した構成とな
っている。また、雨量の入力ユニットを６時間前から２
４時間先まで３１ユニット用意したため、湿潤度の時間
的変化を考慮したモデルとなっている。なお、ニューラ
ルネットワークの学習には、通常、バックプロパゲーシ
ョン法が用いられるが、本発明の要旨でないのでその説
明は省略する。
【００２０】表３は、本実施形態の予測結果として、各
データ１，２，３を予測対象としたときの自ダム流入量
予測値と実績値との絶対値平均誤差〔％〕を示すもので
ある。また、図５は、データ２の予測結果を示す図であ
り、将来の所定時間先の瞬間的な自ダム流入量（１時間
平均値）を予測している。
データ１，２，３を予測対象としたときの自ダム流入量
予測値と実績値との絶対値平均誤差〔％〕を示すもので
ある。また、図５は、データ２の予測結果を示す図であ
り、将来の所定時間先の瞬間的な自ダム流入量（１時間
平均値）を予測している。
【００２１】
【表３】
【００２２】これらの表３及び図５から明らかなよう
に、本実施形態によれば、上流域の湿潤度をも考慮する
ことで良好な予測結果を得ることができる。
に、本実施形態によれば、上流域の湿潤度をも考慮する
ことで良好な予測結果を得ることができる。
【００２３】次に、請求項２に記載した発明の実施形態
を説明する。この実施形態では、過去における自ダムの
流入量、流域平均雨量等の実績データを用いてニューラ
ルネットワークを構築し、表４に示すように自ダム流入
量、流域平均雨量（雨量予報値を含む）を入力変数とし
て、将来の所定期間（例えば１２時間後から３６時間後
まで）における自ダム総流入量を予測する。すなわち、
予測時点までに判明している流量、雨量及び気象予報を
ニューラルネットワークの入力変数として、将来の所定
期間の総流入量を予測するものである。
を説明する。この実施形態では、過去における自ダムの
流入量、流域平均雨量等の実績データを用いてニューラ
ルネットワークを構築し、表４に示すように自ダム流入
量、流域平均雨量（雨量予報値を含む）を入力変数とし
て、将来の所定期間（例えば１２時間後から３６時間後
まで）における自ダム総流入量を予測する。すなわち、
予測時点までに判明している流量、雨量及び気象予報を
ニューラルネットワークの入力変数として、将来の所定
期間の総流入量を予測するものである。
【００２４】
【表４】
【００２５】なお、表４において、自ダム流入量及び流
域平均雨量に「０」とあるのは、それぞれ現在までの１
２時間または６時間の平均値を示している。また、流域
平均雨量において、例えば「＋６」とあるのは、気象予
報から得られた雨量データに基づいて、現在から６時間
後までの雨量を平均した値、「＋１２」とあるのは、同
様に６時間後から１２時間後までの雨量を平均した値で
ある。
域平均雨量に「０」とあるのは、それぞれ現在までの１
２時間または６時間の平均値を示している。また、流域
平均雨量において、例えば「＋６」とあるのは、気象予
報から得られた雨量データに基づいて、現在から６時間
後までの雨量を平均した値、「＋１２」とあるのは、同
様に６時間後から１２時間後までの雨量を平均した値で
ある。
【００２６】この実施形態においても、ニューラルネッ
トワークの入力変数として、自ダム流入量及び流域平均
雨量により上流域の湿潤度をも考慮しているので、水力
発電所の運用計画に最低限必要とされる総流量の予測精
度を向上させ、より効率的な発電計画を立てることがで
きる。
トワークの入力変数として、自ダム流入量及び流域平均
雨量により上流域の湿潤度をも考慮しているので、水力
発電所の運用計画に最低限必要とされる総流量の予測精
度を向上させ、より効率的な発電計画を立てることがで
きる。
【００２７】表５は、３種類のデータ１，２，３につい
ての本実施形態による自ダム流入量予測値と実績値との
絶対値平均誤差〔％〕を比較したものである。この表か
ら、データ１，２については比較的良好な予測結果が得
られていることがわかる。
ての本実施形態による自ダム流入量予測値と実績値との
絶対値平均誤差〔％〕を比較したものである。この表か
ら、データ１，２については比較的良好な予測結果が得
られていることがわかる。
【００２８】
【表５】
【００２９】次いで、請求項３に記載した発明の実施形
態を説明する。この実施形態は、請求項１の発明による
予測値を、請求項２の発明による予測値で補正するもの
である。請求項１の発明では、いわば瞬間的な流量を予
測するのに対し、請求項２の発明では、将来のある期間
における総流量を予測する。従って、請求項１の発明に
よる予測値の積分値が、請求項２の発明の予測値である
総流量になるという性質があるから、請求項３の発明で
は、この性質を利用して請求項１の発明による瞬間的な
予測値を補正することにより、総流量予測値との間の誤
差をなくそうとするものである。
態を説明する。この実施形態は、請求項１の発明による
予測値を、請求項２の発明による予測値で補正するもの
である。請求項１の発明では、いわば瞬間的な流量を予
測するのに対し、請求項２の発明では、将来のある期間
における総流量を予測する。従って、請求項１の発明に
よる予測値の積分値が、請求項２の発明の予測値である
総流量になるという性質があるから、請求項３の発明で
は、この性質を利用して請求項１の発明による瞬間的な
予測値を補正することにより、総流量予測値との間の誤
差をなくそうとするものである。
【００３０】図１は、請求項３の発明の実施形態を示す
フローチャートである。以下、この図を参照しつつ予測
値の補正方法を説明する。 （１）ｔ1〜ｔn時間先予測を行うため、ｎ個の予測モデ
ルを請求項１の発明により構築する（Ｓ１１）。 （２）ｔ1〜ｔn時間の総流量を予測するための予測モデ
ルを１つ、請求項２の発明により構築する（Ｓ１２）。 （３）ｔ1〜ｔn時間先のポイント予測値（瞬間値）をｆ
1〜ｆnとし、これらを積算して得た総流量をｘ1とする
（Ｓ１３）。 （４）請求項２の発明で予測したｔ1〜ｔn時間の総流量
をｘ2とする（Ｓ１４）。 （５）ｘ1≠ｘ2の場合は、補正を行う（Ｓ１５）。補正
方法はいくつか考えられるが、例として次式によって示
される方法がある。
フローチャートである。以下、この図を参照しつつ予測
値の補正方法を説明する。 （１）ｔ1〜ｔn時間先予測を行うため、ｎ個の予測モデ
ルを請求項１の発明により構築する（Ｓ１１）。 （２）ｔ1〜ｔn時間の総流量を予測するための予測モデ
ルを１つ、請求項２の発明により構築する（Ｓ１２）。 （３）ｔ1〜ｔn時間先のポイント予測値（瞬間値）をｆ
1〜ｆnとし、これらを積算して得た総流量をｘ1とする
（Ｓ１３）。 （４）請求項２の発明で予測したｔ1〜ｔn時間の総流量
をｘ2とする（Ｓ１４）。 （５）ｘ1≠ｘ2の場合は、補正を行う（Ｓ１５）。補正
方法はいくつか考えられるが、例として次式によって示
される方法がある。
【００３１】・補正方法１ ｆ1（補正後の予測値）＝ｆ1’（補正前の予想値）×
（ｘ2／ｘ1）， ｆ2＝ｆ2’×（ｘ2／ｘ1）， ： ｆn＝ｆn’×（ｘ2／ｘ1）
（ｘ2／ｘ1）， ｆ2＝ｆ2’×（ｘ2／ｘ1）， ： ｆn＝ｆn’×（ｘ2／ｘ1）
【００３２】・補正方法２（各予測総流量の平均値を用
いて補正） ｆ1＝ｆ1’×（ｘ2―ｘ1）／２／ｘ1， ｆ2＝ｆ2’×（ｘ2―ｘ1）／２／ｘ1， ： ｆn＝ｆn’×（ｘ2―ｘ1）／２／ｘ1
いて補正） ｆ1＝ｆ1’×（ｘ2―ｘ1）／２／ｘ1， ｆ2＝ｆ2’×（ｘ2―ｘ1）／２／ｘ1， ： ｆn＝ｆn’×（ｘ2―ｘ1）／２／ｘ1
【００３３】この実施形態によれば、貯水容量が比較的
小さく、例えば１時間ごとのポイント予測が重視される
ようなダムにおいて、請求項１の発明による予測値を適
切に補正して予測精度を向上させたい場合に有効であ
る。
小さく、例えば１時間ごとのポイント予測が重視される
ようなダムにおいて、請求項１の発明による予測値を適
切に補正して予測精度を向上させたい場合に有効であ
る。
【００３４】次に、請求項４に記載した発明の実施形態
を説明する。この発明は、河川上流域の湿潤度や湿潤度
変化を更に考慮するために、請求項１、２の発明を改良
するものである。通常、予測に用いるニューラルネット
ワークは、学習終了後、その学習状態を固定して予測に
用いている。そのため学習時と異なる状況のもとでは予
測することができない。そこで、請求項４の発明では、
予測時点において、それまでに判明した実績データを逐
次追加してニューラルネットワークを再学習することに
より、河川上流域の湿潤度及びその変化に対応したきめ
細かい予測を可能とするものである。
を説明する。この発明は、河川上流域の湿潤度や湿潤度
変化を更に考慮するために、請求項１、２の発明を改良
するものである。通常、予測に用いるニューラルネット
ワークは、学習終了後、その学習状態を固定して予測に
用いている。そのため学習時と異なる状況のもとでは予
測することができない。そこで、請求項４の発明では、
予測時点において、それまでに判明した実績データを逐
次追加してニューラルネットワークを再学習することに
より、河川上流域の湿潤度及びその変化に対応したきめ
細かい予測を可能とするものである。
【００３５】請求項１の発明の実施形態では、表３に示
したように２４時間先の自ダム流入量を予測しているの
で、予測時点から２４時間後に実績値が判明する。ま
た、請求項２の発明の実施形態では、表４に示したよう
に１２時間後から３６時間後までの２４時間の総流入量
を予測しているので、予測時点から３６時間後に実績値
が判明する。
したように２４時間先の自ダム流入量を予測しているの
で、予測時点から２４時間後に実績値が判明する。ま
た、請求項２の発明の実施形態では、表４に示したよう
に１２時間後から３６時間後までの２４時間の総流入量
を予測しているので、予測時点から３６時間後に実績値
が判明する。
【００３６】このため、実績値が判明した時点で、それ
までの実績値をニューラルネットワークの入力データに
逐次追加して学習し、予測することで、至近の河川状況
の変化、上流域の湿潤度変化に対応した予測を行うこと
が可能である。つまり、この実施形態では、実績値が判
明した時点で予測モデルを更新することになる。図６
は、この実施形態の学習及び予測の概念図である。図に
示すように、例えば予測時点から２４時間経過した現時
点では、それまでの流入量が実績値として判明している
ため、この実績値を使用して追加学習したニューラルネ
ットワークにより、現時点から２４時間先の流入量を予
測する。
までの実績値をニューラルネットワークの入力データに
逐次追加して学習し、予測することで、至近の河川状況
の変化、上流域の湿潤度変化に対応した予測を行うこと
が可能である。つまり、この実施形態では、実績値が判
明した時点で予測モデルを更新することになる。図６
は、この実施形態の学習及び予測の概念図である。図に
示すように、例えば予測時点から２４時間経過した現時
点では、それまでの流入量が実績値として判明している
ため、この実績値を使用して追加学習したニューラルネ
ットワークにより、現時点から２４時間先の流入量を予
測する。
【００３７】表６は、この実施形態を請求項１の発明の
実施形態に適用した場合のもので、３種類のデータ１，
２，３につき２４時間先の自ダム流入量を追加学習なし
で予測し、更に追加学習を行って予測した場合の予測値
と実績値との絶対値平均誤差〔％〕を比較したものであ
る。また、表７は、この実施形態を請求項２の発明の実
施形態に適用した場合のもので、同じデータ１，２，３
につき１２時間後から３６時間後までの２４時間の自ダ
ム総流入量を追加学習なしで予測し、更に追加学習を行
って予測した場合の予測値と実績値との絶対値平均誤差
〔％〕を比較したものである。
実施形態に適用した場合のもので、３種類のデータ１，
２，３につき２４時間先の自ダム流入量を追加学習なし
で予測し、更に追加学習を行って予測した場合の予測値
と実績値との絶対値平均誤差〔％〕を比較したものであ
る。また、表７は、この実施形態を請求項２の発明の実
施形態に適用した場合のもので、同じデータ１，２，３
につき１２時間後から３６時間後までの２４時間の自ダ
ム総流入量を追加学習なしで予測し、更に追加学習を行
って予測した場合の予測値と実績値との絶対値平均誤差
〔％〕を比較したものである。
【００３８】
【表６】
【００３９】
【表７】
【００４０】これらの表６，表７から、本実施形態では
ほとんどのケースで誤差が小さくなっており、至近の湿
潤度やその変化を反映したデータを用いて追加学習し予
測することで、予測精度が向上していることがわかる。
ほとんどのケースで誤差が小さくなっており、至近の湿
潤度やその変化を反映したデータを用いて追加学習し予
測することで、予測精度が向上していることがわかる。
【００４１】次に、請求項５に記載した発明の実施形態
を説明する。この発明は、上流域の湿潤度に応じた予測
を行うための発明である。図７に示したように、雨量が
同じであってもダムの流入量は上流域の湿潤度により異
なる。従って、上流域湿潤度に応じて複数の予測モデル
を構築しておき、予測時点の上流域湿潤度、予測誤差な
どの指標により適切な予測モデルに切り替えて予測する
ものである。
を説明する。この発明は、上流域の湿潤度に応じた予測
を行うための発明である。図７に示したように、雨量が
同じであってもダムの流入量は上流域の湿潤度により異
なる。従って、上流域湿潤度に応じて複数の予測モデル
を構築しておき、予測時点の上流域湿潤度、予測誤差な
どの指標により適切な予測モデルに切り替えて予測する
ものである。
【００４２】図２は、この実施形態の処理を示すフロー
チャートである。以下、その内容を説明する。 （１）「湿潤度が低い場合、高い場合」などの条件別
に、予測モデルを構築する（Ｓ２１）。湿潤度の計測が
困難な河川においては、累計雨量、降雨時間などの条件
別に予測モデルを構築する。このとき、モデル化手法
は、ニューラルネットワークに限らず、他の手法でも構
わない。
チャートである。以下、その内容を説明する。 （１）「湿潤度が低い場合、高い場合」などの条件別
に、予測モデルを構築する（Ｓ２１）。湿潤度の計測が
困難な河川においては、累計雨量、降雨時間などの条件
別に予測モデルを構築する。このとき、モデル化手法
は、ニューラルネットワークに限らず、他の手法でも構
わない。
【００４３】（２）湿潤度を計測する（Ｓ２２）。湿潤
度の計測が困難な河川においては、累計雨量、降雨時間
などから湿潤度を換算する。また、累計雨量、降雨時間
と湿潤度との関係が明確でない河川においては、累計雨
量、降雨時間などの指標の算出だけを行う。ここでは便
宜的に、湿潤度自体、累計雨量、降雨時間等を湿潤度に
相当する指標という。
度の計測が困難な河川においては、累計雨量、降雨時間
などから湿潤度を換算する。また、累計雨量、降雨時間
と湿潤度との関係が明確でない河川においては、累計雨
量、降雨時間などの指標の算出だけを行う。ここでは便
宜的に、湿潤度自体、累計雨量、降雨時間等を湿潤度に
相当する指標という。
【００４４】（３）予測時点において、上流域の湿潤度
に応じて予測モデルを切り替え（Ｓ２３）、切り替えた
予測モデルを用いて予測する。上流域の湿潤度が計測で
きない場合には、予測時点までの累計雨量、降雨時間、
予測誤差など各種指標により予測モデルを切り替える。
に応じて予測モデルを切り替え（Ｓ２３）、切り替えた
予測モデルを用いて予測する。上流域の湿潤度が計測で
きない場合には、予測時点までの累計雨量、降雨時間、
予測誤差など各種指標により予測モデルを切り替える。
【００４５】前述の請求項４の発明の実施形態では、実
績値が判明するまで追加学習が行えず、予測モデルを更
新することができないが、本実施形態では、あらかじめ
用意した複数の予測モデルの中から、湿潤度に相当する
指標に基づいて最適なモデルを選択することができる。
績値が判明するまで追加学習が行えず、予測モデルを更
新することができないが、本実施形態では、あらかじめ
用意した複数の予測モデルの中から、湿潤度に相当する
指標に基づいて最適なモデルを選択することができる。
【００４６】次いで、請求項６に記載した発明の実施形
態を説明する。この発明は、請求項５の発明において、
上流域の湿潤度の計測もしくは換算が良好に行えない場
合に、予測モデルの予測精度を検証して最適の予測モデ
ルに切り替えるものである。一般に多くの河川では、上
流域湿潤度の計測・換算は困難である点に鑑み、本発明
では、湿潤度と高い相関関係にある累計雨量、降雨時
間、季節などの指標を用いて予め複数の予測モデルを構
築しておき、それらのうち予測誤差の少ないモデルを用
いて予測することとした。
態を説明する。この発明は、請求項５の発明において、
上流域の湿潤度の計測もしくは換算が良好に行えない場
合に、予測モデルの予測精度を検証して最適の予測モデ
ルに切り替えるものである。一般に多くの河川では、上
流域湿潤度の計測・換算は困難である点に鑑み、本発明
では、湿潤度と高い相関関係にある累計雨量、降雨時
間、季節などの指標を用いて予め複数の予測モデルを構
築しておき、それらのうち予測誤差の少ないモデルを用
いて予測することとした。
【００４７】図３はこの実施形態の処理を示すフローチ
ャートであり、以下、この図を用いて処理の内容を説明
する。 （１）複数の予測モデルを構築する（Ｓ３１）。このと
き、累計雨量、降雨時間、季節など複数の指標ごとに予
測モデルを構築する。また、ニューラルネットワークや
タンクモデルなど様々なモデル化手法により構築するこ
とも可能である。
ャートであり、以下、この図を用いて処理の内容を説明
する。 （１）複数の予測モデルを構築する（Ｓ３１）。このと
き、累計雨量、降雨時間、季節など複数の指標ごとに予
測モデルを構築する。また、ニューラルネットワークや
タンクモデルなど様々なモデル化手法により構築するこ
とも可能である。
【００４８】（２）至近データを用いて、各予測モデル
の予測精度を検証する（Ｓ３２）。 （３）予測誤差が最小である予測モデル（予測精度が最
も高いモデル）に切り替え（Ｓ３３）、次回予測時にそ
のモデルによる予測値を採用する。
の予測精度を検証する（Ｓ３２）。 （３）予測誤差が最小である予測モデル（予測精度が最
も高いモデル）に切り替え（Ｓ３３）、次回予測時にそ
のモデルによる予測値を採用する。
【００４９】この実施形態によれば、湿潤度の計測が困
難な多数の河川においても、湿潤度を間接的に考慮した
高精度な予測を行うことができる。
難な多数の河川においても、湿潤度を間接的に考慮した
高精度な予測を行うことができる。
【００５０】次に、請求項７に記載した発明の実施形態
を説明する。この発明は、請求項５または６の発明にお
いて予測モデルを切り替えて予測していたものを、ファ
ジー推論により複数の予測モデルの予測値を融合して予
測するようにしたものである。
を説明する。この発明は、請求項５または６の発明にお
いて予測モデルを切り替えて予測していたものを、ファ
ジー推論により複数の予測モデルの予測値を融合して予
測するようにしたものである。
【００５１】以下、本発明の実施形態における処理手順
を説明する。 （１）湿潤度、降雨状況（累積雨量、降雨時間、季節
等）、予測精度など、複数の指標を算出する。 （２）算出した上記指標により、ファジー推論を行って
予測値の融合を行う。ここで、ファジー規則は、対象河
川や予測のモデル化手法により種々考えられるが、例と
して次のようなものが考えられる。
を説明する。 （１）湿潤度、降雨状況（累積雨量、降雨時間、季節
等）、予測精度など、複数の指標を算出する。 （２）算出した上記指標により、ファジー推論を行って
予測値の融合を行う。ここで、ファジー規則は、対象河
川や予測のモデル化手法により種々考えられるが、例と
して次のようなものが考えられる。
【００５２】・規則例１ （１）規則１ 予測モデルが２つあると仮定し、そのうち予測モデル１
による予測誤差が＋側で大、予測モデル２による予測誤
差が−側で小、ならば、予測モデル２による予測値のウ
ェイトを多く融合する。 （２）規則２ 予測モデル１による予測誤差が０、予測モデル２による
予測誤差が大、ならば、予測モデル１による予測値を全
体の予測値とする。
による予測誤差が＋側で大、予測モデル２による予測誤
差が−側で小、ならば、予測モデル２による予測値のウ
ェイトを多く融合する。 （２）規則２ 予測モデル１による予測誤差が０、予測モデル２による
予測誤差が大、ならば、予測モデル１による予測値を全
体の予測値とする。
【００５３】・規則例２ （１）規則１ 湿潤度が高い場合、高湿潤度用予測モデルで予測する。 （２）規則２ 湿潤度が中程度の場合、高湿潤度用予測モデルによる予
測値と低湿潤度用予測モデルによる予測値とをファジー
融合して全体の予測値とする。
測値と低湿潤度用予測モデルによる予測値とをファジー
融合して全体の予測値とする。
【００５４】請求項５または６の発明では予測モデルの
切替時に予測値が不連続になる可能性があるが、この実
施形態によればそのような不都合もなく、上流域の湿潤
度や各モデルの予測誤差を反映させた予測が可能にな
る。
切替時に予測値が不連続になる可能性があるが、この実
施形態によればそのような不都合もなく、上流域の湿潤
度や各モデルの予測誤差を反映させた予測が可能にな
る。
【００５５】
【発明の効果】請求項１に記載した発明は、例えば数時
間先〜数日先といった将来のある時点における瞬間的な
流量（通常は１時間平均値）を予測するものである。通
常、水力発電の発電計画は、前日において翌日の１時間
ごと２４時間分の発電出力・発電使用流量が計画され
る。本発明では、予測モデルの入力変数として現在の自
ダム流量などを考慮することで、上流域の湿潤度を反映
させた高精度な予測が可能になり、効率的な発電計画を
立てることができる。
間先〜数日先といった将来のある時点における瞬間的な
流量（通常は１時間平均値）を予測するものである。通
常、水力発電の発電計画は、前日において翌日の１時間
ごと２４時間分の発電出力・発電使用流量が計画され
る。本発明では、予測モデルの入力変数として現在の自
ダム流量などを考慮することで、上流域の湿潤度を反映
させた高精度な予測が可能になり、効率的な発電計画を
立てることができる。
【００５６】請求項２に記載した発明は、将来の所定期
間、例えば数時間先〜数日先といった所定期間の総流量
を予測するものである。水力発電の発電計画は、一般に
前日において２４時間分計画されるため１時間ごとの流
量が予測できることが望ましいが、貯水容量の大きいダ
ムが水系内に多くある場合には、１日分の総流量の予測
の方が望まれることが多い。従って、本発明によれば、
総流量の予測に特化した予測を行なう場合に総流量の予
測精度を向上させ、より効率的な発電計画の作成に寄与
することができる。
間、例えば数時間先〜数日先といった所定期間の総流量
を予測するものである。水力発電の発電計画は、一般に
前日において２４時間分計画されるため１時間ごとの流
量が予測できることが望ましいが、貯水容量の大きいダ
ムが水系内に多くある場合には、１日分の総流量の予測
の方が望まれることが多い。従って、本発明によれば、
総流量の予測に特化した予測を行なう場合に総流量の予
測精度を向上させ、より効率的な発電計画の作成に寄与
することができる。
【００５７】請求項３に記載した発明は、請求項１の発
明による予測値を請求項２の発明による予測値を用いて
補正する方法である。これにより、瞬間的な流量の予測
値を適切に補正して予測精度を高めることができ、より
経済的な発電計画を立てることができる。特にこの発明
は、貯水容量の小さいダムの経済性を向上させるもので
ある。
明による予測値を請求項２の発明による予測値を用いて
補正する方法である。これにより、瞬間的な流量の予測
値を適切に補正して予測精度を高めることができ、より
経済的な発電計画を立てることができる。特にこの発明
は、貯水容量の小さいダムの経済性を向上させるもので
ある。
【００５８】請求項４〜７に記載した発明は、上流域の
湿潤度を更に考慮した予測を可能にするもので、特に請
求項５〜７に記載した発明は、ニューラルネットワーク
以外の予測モデルにも適用可能な方法である。数時間先
までの予測においては、上流域の湿潤度の影響が比較的
少ないが、数日先までの予測を行う場合には、上流域湿
潤度を考慮しなければ良好な結果が期待できない。この
点、請求項４の発明によれば、請求項１，２の発明にお
いて、実績値判明後に至近データを逐次学習すること
で、予測モデル自体を逐次更新して至近の上流域湿潤度
を考慮した予測を行うことができる。
湿潤度を更に考慮した予測を可能にするもので、特に請
求項５〜７に記載した発明は、ニューラルネットワーク
以外の予測モデルにも適用可能な方法である。数時間先
までの予測においては、上流域の湿潤度の影響が比較的
少ないが、数日先までの予測を行う場合には、上流域湿
潤度を考慮しなければ良好な結果が期待できない。この
点、請求項４の発明によれば、請求項１，２の発明にお
いて、実績値判明後に至近データを逐次学習すること
で、予測モデル自体を逐次更新して至近の上流域湿潤度
を考慮した予測を行うことができる。
【００５９】上記請求項４の発明では、実績値が判明す
るまで予測モデルを更新することができないため、数日
先の予測を行う場合には数日の遅れが生じる。請求項５
の発明はこの問題を改良したものであり、上流域湿潤度
に応じた複数の予測モデルを予め構築しておき、湿潤度
に応じて予測モデルを切り替えて用いることにより、良
好な予測結果を得るものである。
るまで予測モデルを更新することができないため、数日
先の予測を行う場合には数日の遅れが生じる。請求項５
の発明はこの問題を改良したものであり、上流域湿潤度
に応じた複数の予測モデルを予め構築しておき、湿潤度
に応じて予測モデルを切り替えて用いることにより、良
好な予測結果を得るものである。
【００６０】請求項６に記載した発明は、上流湿潤度の
計測や換算が困難な場合の予測方法である。多くの河川
では、上流湿潤度を正確に計測することができない。そ
こで、複数の予測モデルを予め構築しておき、至近のデ
ータを用いて最も精度よく予測できた予測モデルを用い
て予測することで、湿潤度の計測・換算が不可能な場合
にもこれらを考慮した予測を可能にするものである。
計測や換算が困難な場合の予測方法である。多くの河川
では、上流湿潤度を正確に計測することができない。そ
こで、複数の予測モデルを予め構築しておき、至近のデ
ータを用いて最も精度よく予測できた予測モデルを用い
て予測することで、湿潤度の計測・換算が不可能な場合
にもこれらを考慮した予測を可能にするものである。
【００６１】請求項７の発明は、請求項５または６の発
明を改良するものである。請求項５，６の発明では、予
測モデルを切り替えるために、切替時に予測値が不連続
になる可能性がある。これに対し、請求項７の発明によ
れば、複数のモデルによる予測値をファジー融合するこ
とにより、予測値の不連続を解消してより良好な予測結
果を得ることができる。
明を改良するものである。請求項５，６の発明では、予
測モデルを切り替えるために、切替時に予測値が不連続
になる可能性がある。これに対し、請求項７の発明によ
れば、複数のモデルによる予測値をファジー融合するこ
とにより、予測値の不連続を解消してより良好な予測結
果を得ることができる。
【００６２】以上のように、請求項１〜請求項７の発明
によれば、熟練運用者に頼ることなくダムにおける流量
を予測することが可能になる。また、熟練運用者への支
援としても活用することができる。
によれば、熟練運用者に頼ることなくダムにおける流量
を予測することが可能になる。また、熟練運用者への支
援としても活用することができる。
【図１】請求項３に記載した発明の実施形態を示すフロ
ーチャートである。
ーチャートである。
【図２】請求項５に記載した発明の処理手順を示すフロ
ーチャートである。
ーチャートである。
【図３】請求項６に記載した発明の処理手順を示すフロ
ーチャートである。
ーチャートである。
【図４】本発明の実施形態に使用される予測モデル（ニ
ューラルネットワーク）の概念図である。
ューラルネットワーク）の概念図である。
【図５】請求項１に記載した発明の実施形態による予測
結果を示す図である。
結果を示す図である。
【図６】請求項４に記載した発明の実施形態を示す学習
及び予測の概念図である。
及び予測の概念図である。
【図７】３種類のデータについて、雨量と自ダム流入量
との関係を示した図である。
との関係を示した図である。
Claims (7)
- 【請求項１】 計算機により過去の実績値を用いて構築
したニューラルネットワークからなる予測モデルに対
し、自ダムの流量、雨量等を入力して将来における自ダ
ムの流量を予測する流量予測方法において、 少なくとも、現在の自ダムの流量及び過去から将来の所
定時間先までの流域の雨量が入力される予測モデルを用
いて、将来の所定時間先の自ダム流量を予測することを
特徴とする、ダムにおける流量予測方法。 - 【請求項２】 計算機により過去の実績値を用いて構築
したニューラルネットワークからなる予測モデルに対
し、自ダムの流量、雨量等を入力して将来における自ダ
ムの流量を予測する流量予測方法において、 少なくとも、現在の自ダムの流量及び過去から将来の所
定時間先までの流域の雨量が入力される予測モデルを用
いて、将来の所定期間の自ダム総流量を予測することを
特徴とする、ダムにおける流量予測方法。 - 【請求項３】 請求項１により予測した流量の積算値
と、請求項２により予測した総流量とを用いて、請求項
１により予測した流量を補正することを特徴とする、ダ
ムにおける流量予測方法。 - 【請求項４】 請求項１，２，または３記載のダムにお
ける流量予測方法において、 流量実績値が判明するごとに、至近の実績値データを逐
次追加して予測モデルの再学習を行い、この再学習した
予測モデルを用いて予測を行うことを特徴とする、ダム
における流量予測方法。 - 【請求項５】 計算機により過去の実績値を用いて構築
した予測モデルに対し、自ダムの流量、雨量等を入力し
て将来における自ダムの流量を予測する流量予測方法に
おいて、 上流域の湿潤度に相当する指標ごとに複数の予測モデル
を予め構築しておき、予測時に使用する予測モデルを前
記指標に応じて切り替えることを特徴とする、ダムにお
ける流量予測方法。 - 【請求項６】 計算機により過去の実績値を用いて構築
した予測モデルに対し、自ダムの流量、雨量等を入力し
て将来における自ダムの流量を予測する流量予測方法に
おいて、 上流域の湿潤度と相関の高い指標ごとに複数の予測モデ
ルを予め構築しておき、これらの予測モデルのうち予測
精度が高い予測モデルを使用して予測することを特徴と
する、ダムにおける流量予測方法。 - 【請求項７】 請求項５または６記載のダムにおける流
量予測方法において、 上流域の湿潤度に関連する指標を算出し、この算出指標
に基づいて複数の予測モデルによる予測値をファジー融
合することを特徴とする、ダムにおける流量予測方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP22029598A JP3693089B2 (ja) | 1998-08-04 | 1998-08-04 | ダムにおける流量予測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP22029598A JP3693089B2 (ja) | 1998-08-04 | 1998-08-04 | ダムにおける流量予測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2000055703A true JP2000055703A (ja) | 2000-02-25 |
| JP3693089B2 JP3693089B2 (ja) | 2005-09-07 |
Family
ID=16748934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP22029598A Expired - Lifetime JP3693089B2 (ja) | 1998-08-04 | 1998-08-04 | ダムにおける流量予測方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3693089B2 (ja) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006092058A (ja) * | 2004-09-22 | 2006-04-06 | Fuji Electric Systems Co Ltd | 流量予測装置 |
| JP2008184838A (ja) * | 2007-01-30 | 2008-08-14 | Hokkaido River Disaster Prevention Research Center | ダム流入量予測装置、ダム流入量予測方法、およびダム流入量予測プログラム |
| JP2010165346A (ja) * | 2008-12-19 | 2010-07-29 | Chugoku Electric Power Co Inc:The | 貯水施設運用支援システム、貯水施設運用支援方法およびプログラム |
| JP5014522B1 (ja) * | 2011-06-28 | 2012-08-29 | 中国電力株式会社 | 流入量予測装置、流入量予測方法及びプログラム |
| JP2013161336A (ja) * | 2012-02-07 | 2013-08-19 | Metawater Co Ltd | 監視対象量予測方法及び監視対象量予測装置 |
| JP2017122309A (ja) * | 2016-01-04 | 2017-07-13 | 中国電力株式会社 | 流入量予測装置、流入量予測方法および流入量予測プログラム |
| CN108875161A (zh) * | 2018-05-31 | 2018-11-23 | 长江勘测规划设计研究有限责任公司 | 基于卷积神经网络深度学习的流量等级预测方法 |
| JP2019021071A (ja) * | 2017-07-18 | 2019-02-07 | 株式会社竹中工務店 | 調整係数推定装置、モデル学習装置、及び方法 |
| WO2020108319A1 (zh) * | 2018-11-30 | 2020-06-04 | 深圳春沐源控股有限公司 | 水库渗水量预测方法、装置、计算机装置及存储介质 |
| JP2021033915A (ja) * | 2019-08-29 | 2021-03-01 | 株式会社日立パワーソリューションズ | コンピュータプログラムおよびダム流入量予測プログラム並びにダム流入量予測システム |
| JP2021174040A (ja) * | 2020-04-20 | 2021-11-01 | 株式会社東芝 | 情報処理装置、情報処理方法およびプログラム |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101865710B (zh) * | 2010-05-26 | 2012-01-04 | 北京航空航天大学 | 一种负压气体的流量测量方法 |
| JP6965640B2 (ja) * | 2017-09-04 | 2021-11-10 | 富士電機株式会社 | 雨量推定装置、雨量推定方法、雨量推定プログラム、流入量推定装置 |
| JP7354213B2 (ja) * | 2021-12-09 | 2023-10-02 | 八千代エンジニヤリング株式会社 | モデル生成方法及び流入量予測システム |
-
1998
- 1998-08-04 JP JP22029598A patent/JP3693089B2/ja not_active Expired - Lifetime
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006092058A (ja) * | 2004-09-22 | 2006-04-06 | Fuji Electric Systems Co Ltd | 流量予測装置 |
| JP2008184838A (ja) * | 2007-01-30 | 2008-08-14 | Hokkaido River Disaster Prevention Research Center | ダム流入量予測装置、ダム流入量予測方法、およびダム流入量予測プログラム |
| JP2010165346A (ja) * | 2008-12-19 | 2010-07-29 | Chugoku Electric Power Co Inc:The | 貯水施設運用支援システム、貯水施設運用支援方法およびプログラム |
| TWI490811B (zh) * | 2008-12-19 | 2015-07-01 | Chugoku Electric Power | Support facilities for storage facilities, use of reservoir support facilities and support facilities for storage facilities |
| JP5014522B1 (ja) * | 2011-06-28 | 2012-08-29 | 中国電力株式会社 | 流入量予測装置、流入量予測方法及びプログラム |
| WO2013001600A1 (ja) * | 2011-06-28 | 2013-01-03 | 中国電力株式会社 | 流入量予測装置、流入量予測方法及びプログラム |
| JP2013161336A (ja) * | 2012-02-07 | 2013-08-19 | Metawater Co Ltd | 監視対象量予測方法及び監視対象量予測装置 |
| JP2017122309A (ja) * | 2016-01-04 | 2017-07-13 | 中国電力株式会社 | 流入量予測装置、流入量予測方法および流入量予測プログラム |
| JP7019982B2 (ja) | 2017-07-18 | 2022-02-16 | 株式会社竹中工務店 | 調整係数推定装置、モデル学習装置、及び方法 |
| JP2019021071A (ja) * | 2017-07-18 | 2019-02-07 | 株式会社竹中工務店 | 調整係数推定装置、モデル学習装置、及び方法 |
| CN108875161A (zh) * | 2018-05-31 | 2018-11-23 | 长江勘测规划设计研究有限责任公司 | 基于卷积神经网络深度学习的流量等级预测方法 |
| CN108875161B (zh) * | 2018-05-31 | 2022-11-29 | 长江勘测规划设计研究有限责任公司 | 基于卷积神经网络深度学习的流量等级预测方法 |
| WO2020108319A1 (zh) * | 2018-11-30 | 2020-06-04 | 深圳春沐源控股有限公司 | 水库渗水量预测方法、装置、计算机装置及存储介质 |
| JP2021033915A (ja) * | 2019-08-29 | 2021-03-01 | 株式会社日立パワーソリューションズ | コンピュータプログラムおよびダム流入量予測プログラム並びにダム流入量予測システム |
| JP7254004B2 (ja) | 2019-08-29 | 2023-04-07 | 株式会社日立パワーソリューションズ | コンピュータプログラムおよびダム流入量予測プログラム並びにダム流入量予測システム |
| JP2021174040A (ja) * | 2020-04-20 | 2021-11-01 | 株式会社東芝 | 情報処理装置、情報処理方法およびプログラム |
| JP7135025B2 (ja) | 2020-04-20 | 2022-09-12 | 株式会社東芝 | 情報処理装置、情報処理方法およびプログラム |
| US11754985B2 (en) | 2020-04-20 | 2023-09-12 | Kabushiki Kaisha Toshiba | Information processing apparatus, information processing method and computer program product |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3693089B2 (ja) | 2005-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yaseen et al. | A hybrid bat–swarm algorithm for optimizing dam and reservoir operation | |
| Dobson et al. | An argument-driven classification and comparison of reservoir operation optimization methods | |
| Hsu et al. | A multipurpose reservoir real-time operation model for flood control during typhoon invasion | |
| JP2000055703A (ja) | ダムにおける流量予測方法 | |
| Bras et al. | Real time adaptive closed loop control of reservoirs with the High Aswan Dam as a case study | |
| Mousavi et al. | Fuzzy-state stochastic dynamic programming for reservoir operation | |
| Tilmant et al. | Comparison of fuzzy and nonfuzzy optimal reservoir operating policies | |
| JPH10260718A (ja) | ダムにおける水量予測方法 | |
| CA3048066A1 (en) | Method for structuring an existing grid for distributing electric energy | |
| Habib et al. | Stage–discharge relations for low-gradient tidal streams using data-driven models | |
| JP2006092058A (ja) | 流量予測装置 | |
| Karimanzira et al. | Short-term hydropower optimization and assessment of operational flexibility | |
| Li et al. | The applicability of ASCS_LSTM_ATT model for water level prediction in small-and medium-sized basins in China | |
| Montero et al. | Simplified hydraulic modelling in model predictive control of flood mitigation measures along rivers | |
| Duviella et al. | Adaptive water-resource allocation planning of inland waterways in the context of global change | |
| Saadat et al. | Feasibility improved stochastic dynamic programming for optimization of reservoir operation | |
| JP4146053B2 (ja) | ダムまたは河川における流量予測方法 | |
| Wyrwoll et al. | Determination of preloading of transmission lines for flow-based market coupling | |
| JP3573252B2 (ja) | ダムにおける水量予測方法 | |
| Negenborn et al. | A non-iterative cascaded predictive control approach for control of irrigation canals | |
| JPH11194803A (ja) | ダム出水量予測モデル構築方法及びダム出水量予測方法 | |
| Matos et al. | Setting the maximum import net transfer capacity under extreme RES integration scenarios | |
| Kearney et al. | Model predictive control for flood mitigation: A Wivenhoe Dam case study | |
| Nederkoorn et al. | Continuous nonlinear model predictive control of a hybrid water system | |
| Niewiadomska-Szynkiewicz et al. | Simulation-based optimization methods applied to large scale water systems control |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20041008 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20041019 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20041209 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20050601 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20050614 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080701 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090701 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090701 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100701 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110701 Year of fee payment: 6 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110701 Year of fee payment: 6 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110701 Year of fee payment: 6 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110701 Year of fee payment: 6 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110701 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120701 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120701 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130701 Year of fee payment: 8 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| EXPY | Cancellation because of completion of term |