JP2004131957A - Pressure predicting model construction system - Google Patents

Abstract

<P>PROBLEM TO BE SOLVED: To provide a pressure predicting model construction system capable of accurately providing pressure distribution in water distribution pipes laid down in a water distribution block. <P>SOLUTION: This pressure predicting model construction system 4 comprises on-line measurement means 10a and 10b sending on-line data at an on-line measurement point 15 to later stages, an off-line measurement data storage means 22 storing off-line data measured at an off-line measurement point 16 beforehand and sending the data to the later stages, and a clustering means 23 classifying the on-line data and the off-line data into clusters. Also, the pressure predicting model construction system 4 comprises a first pressure predicting model construction means 24 on the off-line data in the same clusters as those of the on-line data and a main component calculation means 25 and a second pressure predicting model construction system 26 on the off-line data in the clusters different from those of the on-line data. <P>COPYRIGHT: (C)2004,JPO

Description

すなわち、データ取得手段２９で取得したオンラインデータおよびオフラインデータの各データ項目のそれぞれが、式（１ａ）（１ｂ）によって変換されるようになっている。例えば図１　に示すように、オンラインデータとして配水管２内の水流量に関する１　点のデータ、及び、配水管２内の圧力に関する２　点のデータ、が圧力計測器１０ａ及び流量計測器１０ｂによって時々刻々と収集されており、データ取得手段２９において、数時間に渡るオンラインデータ（水流量に関するデータが１　点、圧力に関するデータが２　点）を取得した場合について考えてみる。
【００３５】
この場合、取得したデータのそれぞれをＸ１ｔ，Ｘ２ｔ，Ｘ３ｔ　とする（ここでｔ　は時刻を表す）。まず、Ｘ１ｔ　を式（１ａ）（１ｂ）のｘ_ｉに代入して標準化データｚ　を得て、次にＸ２ｔ　を式（１ａ）（１ｂ）のｘ_ｉに代入して標準化データｚ　を得て、最後にＸ３ｔ　を式（１ａ）（１ｂ）のｘ_ｉにして、標準化データｚ　を得るようになっている。この作業により、オンラインデータ（水流量に関するデータが１　点、圧力に関するデータが２　点）は、平均が０　、標準偏差が１　、に標準化されたオンラインデータ（水流量に関するデータが１　点、圧力に関するデータが２　点）に変換されるようになっている。
【００３６】
また、同様にして、オフラインデータは、平均が０　、標準偏差が１　、に標準化されたオフラインデータに変換されるようになっている。なお、このようにして標準化されたオンラインデータ及びオフラインデータを得る際には、統計値演算手段３０にて演算した値が、式（１ａ）（１ｂ）中の基データの平均値と標準偏差として用いられるようになっている。
【００３７】
クラスタリング手段２３は、オンライン計測データＤＢ２１、データ取得手段２９、統計値演算手段３０、統計値ＤＢ２８及び正規化手段３１を介して、圧力計測器１０ａおよび流量計測器１０ｂから送られてくるオンラインデータと、データ取得手段２９、統計値演算手段３０、統計値ＤＢ２８及び正規化手段３１を介して、オフライン計測データＤＢ２２から送られてくるオフラインデータと、をクラスター分析によって各クラスターに分類する機能を有している。
【００３８】
ここで「クラスター分析」とは、一般には、標本の中から等質なものをグループ化する作業を意味する。当該クラスター分析は、標本がどのようなグループに属するか不明であって、グループ数も分からない状態から始められる。そして、当該クラスター分析の目的は、標本を等質のグループやクラスターに分類することである。
【００３９】
本実施の形態のクラスタリング手段２３による、オンラインデータおよびオフラインデータについてのクラスター分析は、具体的には以下のようにして行われる。なお、本実施の形態においてクラスター分析の対象は「圧力」に関するデータのみであって、「水流量」に関するデータは対象とはならない。
【００４０】
▲１▼　まず、固体間の距離と、クラスター間の距離と、を定義する。ここでいう「固体」とは、オンラインデータ若しくはオフラインデータに含まれる一つの信号のことを指している。そして、この固体間の距離を示す式として、例えば以下の表１に示すような種々の式が提案されており、本実施の形態では、表１に示されている「ユークリッド距離」を用いて固体間の距離を定義する。一方、クラスター間の距離を示す式として、例えば表２に示すような種々の式が提案されており、本実施の形態では、表２に示されているウォード法を用いてクラスター間の距離を定義する。
【００４１】
【表１】

【表２】

なお、表１及び表２において、Ｘａ及びＸｂは、オンラインデータ（圧力）若しくはオフラインデータを表し、ｄ（Ｘａ，Ｘｂ）はＸａとＸｂとの距離を表し、ｄ_ａｂ→ｃは、あるクラスターＡＢと、オンラインデータ若しくはオフラインデータ若しくはクラスターＣと、の距離を表している。
【００４２】
▲２▼　次に、全ての固体間の距離を計算する。
【００４３】
▲３▼　次に、クラスター若しくは固体間の距離が最も近い固体を併合して一つのクラスターとする。
【００４４】
▲４▼　次に、上記の▲３▼で作成したクラスターを新しい固体とみなして、全ての固体間の距離を計算する。
【００４５】
▲５▼　そして、上記の▲１▼〜▲４▼を繰り返して、全ての固体が一つのクラスターに含まれたところで終わる。
【００４６】
本実施の形態では、上記の▲１▼〜▲５▼に従って、例えば図２に示すようなクラスター分析の結果を得ることができる。図２において、Ｘ軸（横軸）は、各オンラインデータ及び各オフラインデータに対応する各オフライン計測ポイント及び各オンライン計測ポイントを示しており、Ｙ軸（縦軸）は、各オンラインデータ及び各オフラインデータに関するクラスター分析における類似度（距離）を示している。また、図２における線は、線が接続されている距離において同一クラスターとして扱うことができるということ表している。
【００４７】
第１圧力推定モデル構築手段２４は、各オンラインデータと同一クラスターに分類される各オフラインデータについて、同一クラスターに分類される各オンラインデータに基づき、当該各オフラインデータに対応するオフライン計測ポイント１６における配水管２内の圧力モデルである第１圧力推定モデルを構築するようになっている。より具体的には、本実施の形態の第１圧力推定モデル構築手段２４は、重回帰分析を用いて第１圧力推定モデルを構築するようになっており、各オフラインデータと同一クラスターに分類されるオンラインデータを、重回帰分析の入力値として用いるようになっている。
【００４８】
以下、「重回帰分析」について説明する。
【００４９】
重回帰分析では、Ｎ組の標本に対して、説明変量｛ｘ_ｉ１，ｘ_ｉ２，…ｘ_ｉｐ｝と目的変量ｙ_ｉ（ｉ＝１，２，…，Ｎ）との間に次のような線形関係が成立すると仮定する。
【００５０】
【数２】

なお、β_ｉ：偏回帰係数、ｅ_ｉ：残差を意味する。
【００５１】
式（２）における各残差ｅ_ｉは、「残差ｅ_ｉは互いに独立で正規分布Ｎ（０，σ^２）に従う」という条件（残差の条件）を満足すると仮定する。そして、式（２）を行列形式で表現すると以下の式（３）のようになる。
【００５２】
ｙ＝ｚβ＋ｅ　………………（３）
なお、式（３）中の行列は以下に示すとおりである。
【００５３】
【数３】

【数４】

そして、ｂ_０，ｂ_１，…，ｂ_Ｍは、ε_λの平方和（以下の式（７）参照）が最小となるように決定される。
【００５４】
【数５】

式（７）では、未知数はｂ_０，ｂ_１，…ｂ_ｐであり、Ｓはｂ_０，ｂ_１，…，ｂ_ｐに関する２次関数であり、関数Ｓを最小にするｂ_０，ｂ_１，…，ｂ_ｐは、Ｓをｂ_０，ｂ_１，…，ｂ_ｐで偏微分し、値を０とおいた連立１次方程式の解として求めることができる。上記を解いて整理すると、以下の式（８）のような連立方程式が得られる。
【００５５】
【数６】

ここで、Ｓ_ｊｊはｘ_ｊの偏差平方和、Ｓ_ｊｋはｘ_ｊとｘ_ｋの偏差積和、Ｓ_ｊｙはｘ_ｊとｙの偏差積和であって、それぞれ以下の式（９）のように表される。
【００５６】
【数７】

従って、以下の式（１１）によって偏回帰係数が求められる。
【００５７】
ｂ＝Ｓ^−１Ｍ　……………（１１）
また、定数項は、以下の式（１２）によって求められる。
【００５８】
【数８】

本実施の形態では、上述の重回帰分析において、説明変量ｘは、オンラインデータ若しくは主成分分析手段で得られた主成分得点に該当し、目的変量ｙは、オフラインデータに該当する。ここで、主成分得点とは、各サンプルの主成分の値を示している。
【００５９】
そして、上述の重回帰分析を用いて構築された第１圧力推定モデルは、第１圧力推定モデル構築手段２４から推定モデルＤＢ２７に送られるようになっている。
【００６０】
主成分演算手段２５は、各オンラインデータと異なるクラスターに分類される各オフラインデータについて、主成分分析を行って、当該各オフラインデータに対応する推定モデル入力値を演算する機能を有している。すなわち、主成分演算手段２５は、クラスタリング手段２３において各オンラインデータと異なるクラスターに分類される各オフラインデータに対して、最も近接するオンラインデータの属するクラスターについての主成分分析を行って、各オンラインデータと異なるクラスターに分類される各オフラインデータについての推定モデル入力値を演算するようになっている。そして、この演算された推定モデル入力値は、各オンラインデータ及びオフラインデータとともに、主成分演算手段２５から第２圧力推定モデル構築手段２６に送られるようになっている。
【００６１】
ここで「主成分分析（Ｐｒｉｎｃｉｐａｌ　Ｃｏｍｐｏｎｅｎｔ　Ａｎａｌｙｓｉｓ）」とは、一般には、互いに相関のある多種類の特性値をもつ情報を、互いに無相関な小数個の総合特性値に要約する方法である。
【００６２】
主成分分析は、一般には、ｐ個の変量ｘ_１，ｘ_２，・・・，ｘ_ｐの有する情報を、以下の条件（ａ）、（ｂ）を満足するｍ個（ｍ≦ｐ）の総合特性値（式（１４））ｚ_１，ｚ_２，・・・，ｚ_ｍに、要約することを意味し、ｚ_１を第１主成分、ｚ_２を第２主成分、ｚ_ｍを第ｍ主成分と呼ぶ。
【００６３】

【数９】

・条件（ａ）　ｚ_ｌとｚ_ｋ（ｋはｌではない；ｋ、ｌ＝１，２，・・・、ｍ）との相関はすべてゼロである。
【００６４】
・条件（ｂ）　ｚ_１の分散（ｘ_１，ｘ_２，・・・，ｘ_ｐ）は、あらゆる１次式のもつ分散のうち最大である。ｚ_２の分散は、ｚ_１の分散と無関係なあらゆる１次式の中で最大である。以下同様にして、ｚ_ｍの分散はｚ_１，ｚ_２，・・・，ｚ_ｍ−１のすべてと無関係な１次式の中で最大である。
【００６５】
上述の条件（ｂ）は、「主成分ｚ_１，ｚ_２，・・・ｚ_ｍは、もとの特性値ｘ_１，ｘ_２，・・・，ｘ_ｐのもつ情報の損失が最小になるように要約した結果である」ということを意味する。
【００６６】
本実施の形態では、上述の主成分分析におけるｘ_１〜ｘ_ｐは、クラスタリング手段２３によってクラスター分析が行われた圧力に関するオンラインデータとオフラインデータとに該当する。
【００６７】
例えば、クラスター分析によって図２に図示される結果が得られた場合、まず、オンライン計測ポイント１５Ａに対応するオンラインデータ（圧力）と、図２においてオンライン計測ポイント１５Ａの両隣に位置する各計測ポイント１６Ｋ、１６Ｌに対応するオフラインデータ（圧力）と、をｘ_１〜ｘ_ｐとする。そして、当該ｘ_１〜ｘ_ｐについての主成分得点を演算して、圧力推定モデルを生成するようになっている。次に、オンライン計測ポイント１５Ａに対応するオンラインデータ（圧力）と図２においてオンライン計測ポイント１５Ａの両隣に位置するオフライン計測ポイントに対応するオフラインデータ（圧力）と、その左の圧力をその両隣の圧力をｘ_１〜ｘ_ｐとして、当該ｘ_１〜ｘ_ｐについての主成分得点を演算して、圧力推定モデルを演算する。このような演算を繰り返すことにより、各オフラインデータに対応する各オフライン計測ポイントにおける圧力推定モデルが順々に演算され、全部のオフライン計測ポイントにおける圧力推定モデルが得られるようになっている。
【００６８】
第２圧力推定モデル構築手段２６は、各オンラインデータと異なるクラスターに分類される各オフラインデータについて、当該各オフラインデータに対応する推定モデル入力値に基づき、当該各オフラインに対応するオフライン計測ポイント１６における配水管２内の圧力モデルである第２圧力推定モデルを構築するようになっている。より具体的には、第２圧力推定モデル構築手段２６は、上述した重回帰分析を用いて第２圧力推定モデルを構築するようになっており、主成分演算手段２５で演算された対応する推定モデル入力値を、重回帰分析の入力値として用いるようになっている。これにより、配水ブロック１に張り巡らされた配水管２のうち、各オンラインデータと異なるクラスターに分類された各オフラインデータに対応するオフライン計測ポイント１６における、配水管２内の圧力モデルである第２の圧力推定モデルが構築される。そして、構築された第２の圧力推定モデルは、第２圧力推定モデル構築手段２６から推定モデルＤＢ２７へ送られるようになっている。
【００６９】
推定モデルＤＢ２７は、第１圧力推定モデル構築手段２４によって構築されて送られてくる第１圧力推定モデルと、第２圧力推定モデル構築手段２６によって構築されて送られてくる第２圧力推定モデルと、から構成される圧力推定モデルを記憶するようになっている。
【００７０】
モデル表示手段３２は、圧力推定モデル記憶手段に記憶されている圧力推定モデルを表示することができるようになっている。
【００７１】
次に、このような構成からなる本実施の形態の作用について説明する。
【００７２】
配水ブロック１の配水管２のうちオンライン計測ポイント１５では、圧力計測器１０ａおよび流量計測器１０ｂによって水圧および水流量が計測される。そして、これらの計測値は、圧力計測器１０ａおよび流量計測器１０ｂからオンラインでオンライン計測データＤＢ２１へ送られて、オンラインデータとして計測日時と併せてオンライン計測データＤＢ２１に記憶される。
【００７３】
一方、配水ブロック１の配水管２のうちオフライン計測ポイント１６では、予め、ハンディータイプの圧力計器等によって水圧が計測されており、この計測された水圧データは、オフライン計測データとして計測日時と併せてオフライン計測データＤＢ２２に記憶される。
【００７４】
そして、各オフライン計測ポイント１６の圧力推定モデルのうちオペレータ等が必要としている所定日時がデータ取得手段２９に入力されると、データ取得手段２９は、入力された所定日時に対応するオンラインデータをオンライン計測データＤＢ２１から取得するとともに、入力された所定日時に対応するオフラインデータをオフライン計測データＤＢ２２から取得する。そして、データ取得手段２９は、取得したオンラインデータ及びオフラインデータを、入力された当該所定日時とともに統計値演算手段３０へ送る。
【００７５】
そして、統計値演算手段３０は、送られてくるオンラインデータを統計化すると共に、送られてくるオフラインデータを統計化する。なお、本実施の形態の統計値演算手段３０によって演算される統計化項目には、正規化手段３１によって用いられる「平均値」および「標準偏差」が含まれている。
【００７６】
統計値演算手段３０によって統計化されたオンラインデータ及びオフラインデータは、統計値ＤＢ２８に記憶され、正規化手段３１に送られる。
【００７７】
正規化手段３１に送られるオンラインデータ及びオフラインデータは、正規化手段３１によって正規化される。この時、正規化手段３１は、統計値ＤＢ２８に記憶されているオンラインデータ及びオフラインデータについての「平均値」及び「標準偏差」と、上記の式（１ａ）（１ｂ）と、に基づいて、オンラインデータ及びオフラインデータを、平均＝０．０、分散＝１．０となるように変換して「正規化」する。
【００７８】
そして、正規化されたオンラインデータ及びオフラインデータは、正規化手段３１から後段に設置されたクラスタリング手段２３へ送られる。
【００７９】
クラスタリング手段２３に送られたオンラインデータ及びオフラインデータは、クラスタリング手段２３によってクラスター分析が行われて、いくつかのクラスターに分類される。これにより、例えば図２に示すようなクラスター分析の結果を得ることができ、オンラインデータおよびオフラインデータは、クラスターＡ、クラスターＢ、クラスターＣ、クラスターＤに分類される。例えばオフライン計測ポイント１６Ａに関するオフラインデータはクラスターＡに分類され、オフライン計測ポイント１６Ｊに関するオフラインデータはクラスターＢに分類され、オフライン計測ポイント１６Ｋに関するオフラインデータ及びオンライン計測ポイント１５Ａに関するオンラインデータはクラスターＣに分類され、オフライン計測ポイント１６Ｎに関するオフラインデータ及びオンライン計測ポイント１５Ｂに関するオンラインデータはクラスターＤに分類される。
【００８０】
そして、各オンラインデータと同一クラスターに分類された各オフラインデータに対応する各オフライン計測ポイント１６における圧力推定モデル（第１圧力推定モデル）が、第１圧力推定モデル構築手段２４によって構築される。この時、第１圧力推定モデル構築手段２４は、上述の重回帰分析を用いて第１圧力推定モデルを構築する。
【００８１】
例えば、クラスター分析によって図２に示す結果が得られている場合には、オンラインデータに対応するオンライン計測ポイント１５Ａ及び１５Ｂが属するクラスターＣ及びＤを対象にして、第１圧力推定モデル構築手段は第１圧力推定モデルを構築する。この時、クラスターＣでは、オンライン計測ポイント１５Ａに対応するオンラインデータ（配水管内の圧力及び水流量）が圧力推定モデルを構築する際の入力値とされ、クラスターＤでは、オンライン計測ポイント１５Ｂに対応するオンラインデータ（配水管内の圧力及び水流量）が圧力推定モデルを構築する際の入力値とされる。
【００８２】
そして、構築されたこれらの第１圧力推定モデルは、推定モデルＤＢ２７に送られて、当該推定モデルＤＢ２７に記憶される。
【００８３】
一方、各オンラインデータと異なるクラスターに分類された各オフラインデータは、主成分演算手段２５によって上述の主成分分析が行われて、各オフラインデータに対応する推定モデル入力値が求められる。そして、各オンラインデータと異なるクラスターに分類された各オフラインデータに対応する各オフライン計測ポイント１６における圧力推定モデル（第２圧力推定モデル）が、第２圧力推定モデル構築手段２６によって構築される。この時、第２圧力推定モデル構築手段２６は、上述の重回帰分析と推定モデル入力値とを用いて圧力推定モデルを構築する。
【００８４】
例えば、クラスター分析によって図２に示す結果が得られている場合、主成分演算手段２５では、各オンラインデータが属していないクラスターＡ及びＢについての推定モデル入力値が求められる。この時、クラスターＢに関して、オンラインデータが属している各クラスターのうち距離の近いクラスターを順次検索する。そして、オンラインデータの属するクラスターＣがクラスターＢに最も近接しているという検索結果が得られた場合には、クラスターＣの主成分が、クラスターＢに関する圧力推定モデルを構築する際の入力値となる。同様に、クラスターＡは、オンラインデータの属するクラスターＣが近接している。この時、クラスターＡから見るとクラスターＢ及びクラスターＣは同一クラスターと見れるので、クラスターＡの圧力推定モデルを構築する際には、クラスターＢ及びクラスターＣの主成分が入力値となる。
【００８５】
そして、構築されたこれらの第２圧力推定モデルは、推定モデルＤＢ２７に送られて、当該推定モデルＤＢ２７に記憶される。
【００８６】
そして、推定モデルＤＢ２７に記憶されている第１圧力推定モデル及び第２圧力推定モデルによって構成された圧力推定モデルが、モデル表示手段３２において表示されて、オペレータ等に知らされる。
【００８７】
以上説明したように、本実施の形態の圧力推定モデル構築システム４によれば、オフライン計測ポイント１６における所定日時の圧力推定モデルが、オンライン計測ポイント１５で計測されているオンラインデータを用いた形式で、統計値演算手段３０、正規化手段３１、クラスタリング手段２３、第１圧力推定モデル構築手段２４、主成分演算手段２５及び第２圧力推定モデル構築手段２６を介して構築される。これにより、オンライン計測ポイントにおける配水管内の圧力分布はオンラインデータとしてオンラインで得ることができ、オフライン計測ポイントにおける配水管内の圧力分布は、オンラインデータと予め計測されていたオフラインデータとに基づいて構築される圧力推定モデルによって得ることができる。これにより、配水ブロックにおけるオンライン計測ポイント及びオフライン計測ポイントにおける配水管内の圧力を精度良く求めることが可能となる。
【００８８】
なお、オンライン計測ポイント１５における配水管２の圧力は、圧力計測器１０ａによって計測され、オンラインでオンライン計測データＤＢに記憶されているので、オンライン計測ポイントにおける圧力推定モデルを構築しなくても、各オンライン計測ポイントにおける配水管２の圧力値を取得することができる。
【００８９】
また、本実施の形態では、従来技術では必要とされていた配水ブロック１に張り巡らされた配水管２に関する複雑な物理情報は不要であり、オンラインで計測されたオンラインデータと、オフラインで計測されたオフライン計測ポイント１６における過去の圧力データであるオフラインデータと、に基づいてオフライン計測ポイント１６における圧力推定モデルが構築される。このように、計測したデータのみに基づいて圧力推定モデルを構築することができるので、圧力推定モデル構築システム４は簡素化され、圧力推定モデル構築時間が大幅に短縮されうる。
【００９０】
また、統計値演算手段３０や正規化手段３１を介して、オンラインデータ及びオフラインデータをクラスター分析することにより、各オンラインデータ及び各オフラインデータを、より安定、正確に各クラスターに分類することができる。
【００９１】
なお、オンライン計測ポイント１５における配水管２内の圧力及び水流量のうち少なくともいずれか一方をオンラインデータとして扱うことも可能である。この場合であっても、上述の本実施の形態と同様の作用・効果を奏しうる。
【００９２】
また、第２圧力推定モデル構築手段２６は、主成分演算手段２５によって演算された主成分のうち、全てを使用する必要はなく、一部のみを使用することも可能である。
【００９３】
次に、本実施の形態の一変形例について説明する。
【００９４】
本変形例による圧力推定モデル構築システムは、統計値演算手段３０や正規化手段３１が設けられていなくてもよい。
【００９５】
この場合、データ取得手段２９によって取得されたオンラインデータ及びオフラインデータは、直接的にクラスタリング手段２３に送られる。クラスタリング手段２３は、オンライン計測データＤＢ２１及びオフライン計測データＤＢ２２からデータ取得手段２９を介して送られてくるオンラインデータ及びオフラインデータをクラスター分析するようになっている。
【００９６】
これにより、各オンラインデータ及び各オフラインデータが各クラスタに分類されるので、上述の第１の実施の形態と同様にして、第１圧力推定モデル構築手段２４、主成分演算手段２５及び第２圧力推定モデル構築手段２６によって、圧力推定モデルが構築される。
【００９７】
従って、本変形例においても、オフライン計測ポイント１６における圧力推定モデルを精度良く構築することができる。
【００９８】
なお、クラスタリング手段では、様々な方に変換したオンラインデータ及びオフラインデータを用いてクラスタリングを行うことが可能である。すなわち、クラスタリング手段は、上述のように統計化・正規化を加えたデータや計測したままのデータの他に、周波数スペクトル等の他の形に変換したデータを用いて、クラスター分析を行うことができる。
【００９９】
第２の実施の形態
図３及び図４は、本発明の第２の実施の形態を示す図である。図３は、ニューラル・ネットワークで用いられる「ユニット」を説明するための図である。図４は、ニューラル・ネットワークで用いられる「入力層」と「中間層」と「出力層」との関係を示す図である。
【０１００】
第２の実施の形態では、第１圧力推定モデル構築手段２４が、重回帰分析の代わりにニューラル・ネットワーク（Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）を用いて第１圧力推定モデルを構築するようになっている。すなわち、第１圧力推定モデル構築手段２４は、ニューラル・ネットワークを用いることにより、各オンラインデータと同一クラスターに分類された各オフラインデータに対応するオフライン計測ポイント１６における配水管２内の圧力モデルである第１の圧力推定モデルを構築するようになっている。そして、構築された第１の圧力推定モデルは、第１圧力推定モデル構築手段２４から推定モデルＤＢ２７へ送られるようになっている。
【０１０１】
一方、第２圧力推定モデル構築手段２６も、重回帰分析の代わりに上述のニューラル・ネットワークを用いて第２の圧力推定モデルを構築するようになっている。すなわち、第２圧力推定モデル構築手段２６は、ニューラル・ネットワークを用いることにより、各オンラインデータと異なるクラスターに分類された各オフラインデータに対応するオフライン計測ポイント１６における配水管２内の圧力モデルである第２圧力推定モデルを構築するようになっている。そして、構築された第２の圧力推定モデルは、第２圧力推定モデル構築手段２６から推定モデルＤＢ２７へ送られるようになっている。
【０１０２】
次に、図３及び図４を用いて、「ニューラル・ネットワーク（Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）」について説明する。
【０１０３】
「ニューラル・ネットワーク（Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）」とは、一般に、人間の神経細胞（ニューロン）をモデルとする人工的なシステムを指し、多入力１出力の「ユニット」の集合体として表現される。「ユニット」を図３に示す。ユニット間は神経繊維に対応する線で結ばれており、信号は、この線上を一方向にだけ伝わるようになっており、「重み（図３のｗ^＊）」を付けられてユニットに入力し、応答関数による変換を経て出力するようになっている。つまり、システム全体としての入力信号が、各ユニットへの結合および変換出力を繰り返しながら次々と伝えられていき、最終的な出力信号が形成されることになる。ユニットの結びつき方、すなわち、ネットワークモデルとしては階層型と相互結合型とが提案されている。
【０１０４】
階層型ネットワークにおける信号は入力層から出力層へ向かう一方通行であり（図４参照）、層内で情報伝達も考えないのが一般的である。
【０１０５】
相互結合型ネットワークは、ある初期状態から出発し、安定状態になるまでネットワークの状態が変化する特性を有している。
【０１０６】
需要予測にＮｅｕｒａｌ　Ｎｅｔｗｏｒｋを用いる場合、入出力が非線形であるため、応答関数にシグモイド関数を用いた３層の階層型ネットワークを採用する。尚、応答関数は中間層のみに用いられ、入力層及び出力層の出力値ｙは、ｙ＝Ｕとする。
【０１０７】
階層型ネットワークのシステム同定は、望ましい入出力が数組用意され（これを教示信号と呼ぶ）、Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋがシステムの入出力関係を十分に近似するように重みを修正していくことによって行われる（これを学習と呼ぶ）。主な学習方法としてバックプロパゲーション法とカルマン・ニューロ法とがあるが、本実施の形態ではバックプロパゲーション法が用いられる。アルゴリズムは以下のようになる。
【０１０８】
〔ステップ１：各層の演算〕
入力層に与えられた信号から、以下の式（１６）（１７）で表されるニューロンモデルに従って、中間層及び出力層を演算する。
【０１０９】
すなわち、中間層の第ｊニューロンの出力Ｈ_ｊは、式（１６）のニューロンモデルを用いることにより得られる。
【０１１０】
【数１０】

なお、Ｉ_ｉ：入力層第ｉニューロンの出力、Ｈ_ｊ：中間層第ｊニューロンの出力、Ｗ_ｊｉ：入力層第ｉニューロンと中間層第ｊニューロンの間の重み係数、１：入力層のニューロン数、ｆ０：応答関数（シグモイド関数を使用）、を意味している。
【０１１１】
一方、出力層第ｋニューロンの出力Ｏ_ｋは、式（１７）のニューロンモデルを用いることにより得られる。
【０１１２】
【数１１】

なお、Ｈｊ：中間第ｊニューロンの出力、Ｏ_ｋ：出力層第ｋニューロンの出力、Ｗｋｊ：中間層第ｊニューロンと出力層第ｋニューロンの間の重み係数、ｍ：中間層のニューロン数、を意味している。
【０１１３】
〔ステップ２：重みＷの演算〕
出力層の第ｋニューロンの出力Ｏ_ｋと出力層の第ｋニューロンの教示信号ｙ_ｋとの自乗誤差の和を最小化するように、ネットワークの重み係数を修正して学習する。中間層と出力層との重み係数の学習は、以下の式（１８）を用いてΔＷ_ｋｊを演算し、Ｗ_ｋｊを修正するようになっている。
【０１１４】
Ｗｋｊ（ｔ＋１）＝Ｗｋｊ（ｔ）＋ΔＷｋｊ（ｔ）
ΔＷｋｊ（ｔ）＝−ε・ｄｋ（ｔ）・Ｈｊ（ｔ）　…………（１８）
ｄｋ（ｔ）＝Ｏｋ（ｔ）−ｙｋ（ｔ）
なお、ｔ：学習回数、ε：１回の修正の大きさを決めるパラメータ、ｄ_ｋ：出力層の誤差、を意味している。
【０１１５】
一方、入力層と中間層との重み係数の学習は、以下の式（１９）を用いてΔｗ_ｊｉを演算し、Ｗ_ｊｉを修正するようになっている。
【０１１６】
【数１２】

なお、ｄｊ：中間層の逆伝搬誤差、ｆ０：ｆ０の微分、を意味している。
【０１１７】
更に、振動を減らし、学習の収束を早めるために、以下の式（２０）を使う。
【０１１８】
ΔＷｋｊ（ｔ）＝−ε・ｄｋ（ｔ）・Ｈｊ（ｔ）＋α・Ｗｋｊ（ｔ−１）
ΔＷｊｉ（ｔ）＝−ε・ｄｊ（ｔ）・Ｉｉ（ｔ）＋α・Ｗｊｉ（ｔ−１）　………（２０）
なお、α：安定のためのパラメータ、ε：１−α、を意味している。
【０１１９】
この学習の結果として得られる重み係数が、予測モデルとして記憶されるようになっている。
【０１２０】
また、ニューラルネットワークを用いた時には、過学習によるモデルのオーバーフィッティングが生じてしまうことが考えられるため、特願２０００−０２１０７４「短気需要予測装置」に記憶されているようなオーバーフィティングを抑制する手段を付加することが好ましい。
【０１２１】
本実施の形態のニューラル・ネットワークにおいて、式（１６）のＩｉは、上述の第１の実施の形態において説明した重回帰分析を用いて圧力推定モデルを構築した際に使用した入力値（オンラインデータ（圧力、流量）及び一部のオフラインデータ）に該当する。また、式（１８）のｙｋ（ｔ）は、圧力推定モデルを構成するオフラインデータ（各オフライン計測ポイントにおける配水管２内の圧力）に対応する。その他の変数は、いわゆる内部変数（入出力以外の変数）に該当する。
【０１２２】
他の構成は図１及び図２に示す第１の実施の形態と略同一である。
【０１２３】
本実施の形態において、図１及び図２に示された第１の実施の形態と同一部分には同一符号を付して詳細な説明は省略する。
【０１２４】
本実施の形態の圧力推定モデル構築システム４においても、上述の第１の実施の形態と同様に、配水ブロック１の配水管２のうちオンライン計測ポイント１５において計測されたオンラインデータと、オフライン計測ポイント１６において計測されたオフラインデータとは、データ取得手段２９、統計値演算手段３０、統計値ＤＢ２８、正規化手段３１及びクラスタリング手段２３によって、いくつかのクラスターに分類される。
【０１２５】
そして、各オンラインデータと同一クラスターに分類された各オフラインデータに対応する各オフライン計測ポイント１６における圧力推定モデル（第１圧力推定モデル）が、第１圧力推定モデル構築手段２４によって構築される。この時、第１圧力推定モデル構築手段２４は、ニューラル・ネットワークを用いて第１圧力推定モデルを構築する。そして、構築されたこれらの第１圧力推定モデルは、推定モデルＤＢ２７に送られて、当該推定モデルＤＢ２７に記憶される。
【０１２６】
一方、各オンラインデータと異なるクラスターに分類された各オフラインデータは、主成分演算手段２５によって上述の主成分分析が行われて、各オフラインデータに対応する推定モデル入力値が求められる。そして、各オンラインデータと異なるクラスターに分類された各オフラインデータに対応する各オフライン計測ポイント１６における圧力推定モデル（第２圧力推定モデル）が、第２圧力推定モデル構築手段２６によって構築される。この時、第２圧力推定モデル構築手段２６は、上述のニューラル・ネットワークと推定モデル入力値とを用いて圧力推定モデルを構築する。そして、構築されたこれらの第２圧力推定モデルは、推定モデルＤＢ２７に送られて、当該推定モデルＤＢ２７に記憶される。
【０１２７】
そして、推定モデルＤＢ２７に記憶されている第１圧力推定モデル及び第２圧力推定モデルによって構成された圧力推定モデルが、モデル表示手段３２において表示されて、オペレータ等に知らされる。
【０１２８】
以上説明したように、本実施の形態の圧力推定モデル構築システム４においても、オフライン計測ポイント１６における所定日時の圧力推定モデルが、オンラインで計測されているオンラインデータを用いた形式で構築される。このため、これにより、オフライン計測ポイント１６における配水管２の圧力分布に関する推定モデルを、精度良く構築することができる。特に、本実施の形態においても、従来技術で必要とされていた配水管網に関する複雑な物理情報は不要なので、圧力推定モデル構築システム４を簡素化することができ、圧力推定モデル構築時間を大幅に短縮することができる。
【０１２９】
また、ニューラル・ネットワークを用いて圧力推定モデルを構築するので、２次以上の高次系の項も考慮して圧力推定モデルを構築することができ、非線形性の高いプロセスに対しても、精度良く圧力推定モデルを構築することができる。
【０１３０】
なお、本実施の一変形例として、統計値演算手段３０や正規化手段３１が設けられておらず、データ取得手段２９によって取得されたオンラインデータ及びオフラインデータを直接的にクラスタリング手段２３に送るような圧力推定モデル構築システム４であっても、上述した第２の実施の形態における場合と同様の作用・効果を奏しうる。
【０１３１】
第３の実施の形態
図５は、本発明の第３の実施の形態を示す図であり、圧力推定モデル構築システム全体の構成を示す概略図である。
【０１３２】
第３の実施の形態の圧力推定モデル構築システム４は、圧力推定装置１１が支援手段３５を更に有しており、当該支援手段３５は、正規化手段３１に接続される共に推定モデルＤＢ２７に接続された消火栓圧力推定手段３６と、消火栓圧力推定手段３６に接続された推定結果表示手段３７と、を有している。
【０１３３】
消火栓圧力推定手段３６は、現在時刻に対応するオンラインデータを正規化手段３１から取得すると共に推定モデル記憶手段から圧力推定モデルを取得するようになっている。そして消火栓圧力推定手段３６は、取得した現在時刻に対応するオンラインデータと圧力推定モデルとに基づいて、取得した圧力推定モデルに対応するオフライン計測ポイント１６の配水管２内における現在時刻の圧力値を演算する機能を有している。
【０１３４】
推定結果表示手段３７は、消火栓圧力推定手段３６によって演算された圧力値を表示して、オペレータ等に当該圧力値を知らせることができるようになっている。
【０１３５】
他の構成は図１及び図２に示す第１の実施の形態と略同一である。
【０１３６】
図５において、図１及び図２に示された第１の実施の形態と同一部分には同一符号を付して詳細な説明は省略する。
【０１３７】
本実施の形態の圧力推定モデル構築システム４においても、上述の第１の実施の形態と同様に、配水ブロック１の配水管２のうちオンライン計測ポイント１５において計測されたオンラインデータと、オフライン計測ポイント１６において計測されたオフラインデータと、データ取得手段２９と、統計値演算手段３０と、統計値ＤＢ２８と、正規化手段３１と、クラスタリング手段２３と、第１モデル構築手段と、主成分演算手段２５と、第２モデル構築手段と、に基づいて、オフライン計測ポイント１６における所定日時の圧力推定モデルが得られ、当該圧力推定モデルは推定モデルＤＢ２７に記憶される。
【０１３８】
その後、消火栓圧力推定手段３６が、現在時刻に対応するオンラインデータを正規化手段３１から取得すると共に、取得したオンラインデータに対応する圧力推定モデルを推定モデルＤＢ２７から取得する。そして、消火栓圧力推定手段３６は、取得した現在時刻に対応するオンラインデータと圧力推定モデルとに基づいて、取得した圧力推定モデルに対応するオフライン計測ポイント１６の配水管２内における現在時刻の圧力値を演算する。
【０１３９】
消火栓圧力推定手段３６によって演算された現在時刻に対応する圧力値は、推定結果表示手段３７に送られて表示され、オペレータ等に知らせられる。
【０１４０】
なお、推定結果表示手段３７における表示方法はどのようなものであってもよい。例えば、推定した圧力の値そのものを表示したり、２Ｄ形式や３Ｄ形式の圧力値の等高線で表示したりすることができるようになっている。また、消火栓圧力推定手段３６によって推定された圧力が、予め設定されている許容可能な圧力範囲（運用圧力範囲）を逸脱する場合であっても、推定結果表示手段３７は当該推定された圧力を表示することができるようになっている。
【０１４１】
以上説明したように、本実施の形態の圧力推定モデル構築システム４は、オンラインで計測されているオンラインデータを用いた形式で、各オフライン計測ポイント１６における圧力推定モデルを構築することができる。
【０１４２】
更に、本実施の形態によれば、消火栓圧力推定手段３６によって各オフライン計測ポイント１６における現在時刻に対応する具体的な圧力値を推定することができる。
【０１４３】
次に、本実施の形態の一変形例について説明する。
【０１４４】
本発明による力推定モデル構築システムは、統計値演算手段３０や正規化手段３１が設けられていなくてもよい。
【０１４５】
この場合、データ取得手段２９によって取得されたオンラインデータ及びオフラインデータは、直接的にクラスタリング手段２３に送られる。クラスタリング手段２３は、オンライン計測データＤＢ２１及びオフライン計測データＤＢ２２からデータ取得手段２９を介して送られてくるオンラインデータ及びオフラインデータをクラスター分析するようになっている。
【０１４６】
また、消火栓圧力推定手段３６は、オンライン計測データＤＢ２１に接続され、当該オンライン計測データＤＢ２１から現在時刻に対応するオンラインデータを取得するようになっている。
【０１４７】
他の構成は、上述した図５に示す第３の実施の形態と略同一であり、上述の第３の実施の形態と同一部分には同一符号を付して詳細な説明は省略する。
【０１４８】
本変形例においても、各オフライン計測ポイント１６における圧力推定モデルが、第１圧力推定モデル構築手段２４及び第２圧力推定モデル構築手段２６によって構築され、推定モデルＤＢ２７に記憶される。
【０１４９】
そして、消火栓圧力推定手段３６は、現在時刻に対応するオンラインデータをオンライン計測データＤＢ２１から取得すると共に、このオンラインデータに対応する圧力推定モデルを推定モデルＤＢ２７から取得する。そして、消火栓圧力推定手段３６は、取得したオンラインデータと圧力推定モデルとに基づいて、現在時刻に対応する各オフライン計測ポイント１６における配水管２内の具体的な圧力値を演算する。
【０１５０】
消火栓圧力推定手段３６によって演算された圧力値は、推定結果表示手段３７に送られて表示される。
【０１５１】
以上説明したように、本変形例においても、圧力推定モデル構築システム４は、オンラインで計測されているオンラインデータを用いた形式で、各オフライン計測ポイント１６における圧力推定モデルを構築することができる。
【０１５２】
また、消火栓圧力推定手段３６によって各オフライン計測ポイント１６における現在時刻に対応する具体的な圧力値を推定することができる。このため、例えば、配水ブロック１の全域に張り巡らされた配水管２の各箇所において、配水管内の圧力が、許容範囲（例えば、許容最低圧力以上であって許容最高圧力以下の範囲）となっているか否かを検証したりすることができる。
【０１５３】
なお、支援手段３５の圧力推定手段３６において必要とされるデータは、第１圧力推定モデル構築手段２４及び第２圧力推定モデル構築手段２６で使用した形式のデータである。従って、各モデル構築手段２４，２６が正規化されたデータを使用している場合には、圧力推定手段３６も正規化されたデータを必要とし、各モデル構築手段２４，２６が計測したそのままのデータを使用している場合には、圧力推定手段３６も計測したそのままのデータを必要とする。
【０１５４】
また、本実施の形態では、圧力推定手段３６に入力されるデータは現在時刻に対応するものが想定されており、圧力推定手段３６は、全てのオンラインデータを用いて圧力を推定するので、圧力計測器１０ａ及び流量計測器１０ｂから送られてくるオンラインデータは、全て圧力推定手段３６に入力されるようになっている。
【０１５５】
第４の実施の形態
図６は、本発明の第４の実施の形態を示す図であり、圧力推定モデル構築システム全体の構成を示す概略図である。
【０１５６】
第４の実施の形態の圧力推定モデル構築システム４は、圧力推定装置１１が検証手段４０を更に備えており、当該検証手段４０は、日時設定手段４１と、日時設定手段４１に接続されると共にオンライン計測データＤＢ２１に接続された日時指定データ取得手段４２と、を有している。
【０１５７】
日時設定手段４１は、各オフライン計測ポイント１６における過去の所定日時の圧力を推定したい場合に、オペレータ等によって当該過去の所定日時が入力されるようになっている。
【０１５８】
なお、一定の検証期間の各オフライン計測ポイント１６における圧力を推定する場合には、検証開始日時と検証終了日時とを設定するという方法が考えられる。検証開始日時と検証開始日時とを同一日とすることにより、特定日時の検証が可能となる。
【０１５９】
日時指定データ取得手段４２は、日時設定手段４１に入力された過去の所定日時に対応するオンラインデータをオンライン計測データ記憶手段から取得して、取得したオンラインデータを正規化手段３１に送るようになっている。
【０１６０】
正規化手段３１は、日時指定データ取得手段４２から送られくるオンラインデータを正規化して、正規化したオンラインデータを消火栓圧力推定手段３６に送る機能を更に有している。
【０１６１】
消火栓圧力推定手段３６は、日時指定データ取得手段４２から正規化手段３１を介して送られくるオンラインデータに対応する圧力推定モデルを圧力推定モデル記憶手段から取得して、日時指定データ取得手段４２から正規化手段３１を介して送られくるオンラインデータと取得した圧力推定モデルとに基づいて、過去の所定日時における圧力推定値を演算する機能を更に有している。
【０１６２】
他の構成は図５に示す第３の実施の形態と略同一である。
【０１６３】
図６において、図５に示された第３の実施の形態と同一部分には同一符号を付して詳細な説明は省略する。
【０１６４】
本実施の形態の圧力推定モデル構築システム４においても、上述の第１の実施の形態と同様に、配水ブロック１の配水管２のうちオンライン計測ポイント１５において計測されたオンラインデータと、オフライン計測ポイント１６において計測されたオフラインデータと、データ取得手段２９と、統計値演算手段３０と、統計値ＤＢ２８と、正規化手段３１と、クラスタリング手段２３と、第１モデル構築手段と、主成分演算手段２５と、第２モデル構築手段と、に基づいて、オフライン計測ポイント１６における所定日時の圧力推定モデルが得られ、当該圧力推定モデルは推定モデルＤＢ２７に記憶される。
【０１６５】
そして、圧力を推定したい過去の所定日時が、オペレータ等によって日時設定手段４１に入力される。日時設定手段４１に入力された所定日時は、日時指定データ取得手段４２に送られる。
【０１６６】
日時指定データ取得手段４２は、日時設定手段４１から送られてきた所定日時に対応するオンラインデータを、オンライン計測データＤＢ２１から取得する。そして、オンライン計測データＤＢ２１取得された当該オンラインデータは、日時指定データ取得手段４２から正規化手段３１に送られる。
【０１６７】
正規化手段３１は、正規化手段３１から送られてくるオンラインデータを正規化する。そして、正規化手段３１は、正規化した当該オンラインデータを消火栓圧力推定手段３６に送る。
【０１６８】
消火栓圧力推定手段３６は、正規化手段３１から送られてくるオンラインデータに対応する圧力推定モデルを推定モデルＤＢ２７から取得する。そして、消火栓圧力推定手段３６は、正規化手段３１から送られくるオンラインデータと、当該オンラインデータに対応する圧力推定モデルと、に基づいて、各オフライン計測ポイント１６の配水管２内における過去の所定日時の圧力値を演算する。
【０１６９】
消火栓圧力推定手段３６によって演算された過去の所定日時に対応する圧力値は、推定結果表示手段３７に送られて表示され、オペレータ等に知らせられる。
【０１７０】
なお、推定結果表示手段３７は、演算した圧力値を様々な手法で表示することが可能であり、例えば、一定の検証期間における圧力値を連続的に表示したり（連続再生表示）、当該検証期間のうちの任意時刻における圧力値を表示したり（任意時刻表示）、予め定められた指定時間前からの圧力偏差（圧力変動）を表示したりすることができる。なお、ここでいう「予め定められた指定時間」は、例えば、日時設定手段４１を介してオペレータ等によって設定可能であるが、これに限定されるものではない。
【０１７１】
以上説明したように、本実施の形態の圧力推定モデル構築システム４では、オンラインで計測されているオンラインデータを用いた形式で、各オフライン計測ポイント１６における圧力推定モデルを構築することができ、更に、消火栓圧力推定手段３６によって各オフライン計測ポイント１６における過去の所定日時に対応する具体的な圧力値を推定することができる。
【０１７２】
【発明の効果】
以上説明したように、本発明の圧力推定モデル構築システムよれば、配水ブロックに張り巡らされた配水管のうち、オンライン計測ポイントにおける配水管内の圧力分布はオンラインデータとしてオンラインで得ることができ、オフライン計測ポイントにおける配水管内の圧力分布は、オンラインデータと予め計測されていたオフラインデータとに基づいて構築される圧力推定モデルによって得ることができる。従って、本発明によれば、配水ブロックにおけるオンライン計測ポイント及びオフライン計測ポイントにおける配水管内の圧力を精度良く求めることが可能となる。
【図面の簡単な説明】
【図１】本発明の第１の実施の形態における圧力推定モデル構築システム全体の構成を示す概略図である。
【図２】クラスター分析によって各クラスターに分類されたオンラインデータ及び各オフラインデータを示す。
【図３】ニューラル・ネットワークで用いられる「ユニット」を説明するための図である。
【図４】ニューラル・ネットワークで用いられる「入力層」と「中間層」と「出力層」との関係を示す図である。
【図５】本発明の第３の実施の形態を示す図であり、圧力推定モデル構築システム全体の構成を示す概略図である。
【図６】本発明の第４の実施の形態を示す図であり、圧力推定モデル構築システム全体の構成を示す概略図である。
【図７】従来の圧力推定モデル構築システム全体の構成を示す概略図である。
【符号の説明】
１　配水ブロック
２　配水管
３　配水注入部
４　圧力推定モデル構築システム
１０ａ　圧力計測器
１０ｂ　流量計測器（オンライン計測手段）
１１　圧力推定装置
１５　オンライン計測ポイント
１６　オフライン計測ポイント
２１　オンライン計測データＤＢ（オンライン計測データ記憶手段）
２２　オフライン計測データＤＢ（オフライン計測データ記憶手段）
２３　クラスタリング手段
２４　第１圧力推定モデル構築手段
２５　主成分演算手段
２６　第２圧力推定モデル構築手段
２７　推定モデルＤＢ（圧力推定モデル記憶手段）
２８　オンライン計測データＤＢ（オンライン計測データ記憶手段）
２９　データ取得手段
３０　統計値演算手段
３１　正規化手段
３２　モデル表示手段[0001]
TECHNICAL FIELD OF THE INVENTION
The present invention relates to a pressure estimation model construction system that constructs an estimation model for a pressure distribution in a water distribution pipe stretched around a water distribution block.
[0002]
[Prior art]
BACKGROUND ART A water distribution network for distributing water such as drinking water to consumers such as ordinary households plays an important role as one of the urban infrastructures. In order to realize stable water supply to consumers, it is required to always maintain an appropriate pressure inside the distribution pipe when managing the distribution pipe network.
[0003]
On the other hand, by grasping the pressure state in the distribution pipe, (1) whether water is being supplied from the water supply point such as a distribution reservoir to the distribution pipe at an appropriate water pressure, or (2) areas where the water pressure is insufficient It is possible to obtain information such as whether or not (3) there is an area where the water pressure is excessive. For this reason, in order to maintain the inside of the water distribution pipe at an appropriate pressure, it is very effective to accurately grasp the pressure state in the water distribution pipe.
[0004]
Various methods have been considered to grasp the pressure state in the water distribution pipe. For example, a pipe network analysis method as shown in FIG. 7 has been widely used.
[0005]
As shown in FIG. 7, the distribution pipe network is stretched so that water can be distributed to a demand point 45 such as a fire hydrant installed in the entire area of the distribution block 1. It is supplied via a section 3. The pressure measuring device 10a and the flow rate measuring device 10b are installed at predetermined positions of the water distribution pipe 2, and the pressure measuring device 10a and the flow rate measuring device 10b sometimes provide data on the pressure and the water flow rate in the water distribution pipe 2. It is being measured every moment. The measured pressure data and flow rate data are sent online from each of the measuring devices 10a and 10b to an online data DB (online data database) 21, and are stored as online data together with the measurement date and time.
[0006]
On the other hand, if the operator or the like wants to know the pressure state in the water distribution pipe 2 at a specific date and time, the operator inputs this specific date and time to the date and time setting means 50. The input date and time are sent from the date and time setting unit 50 to the data acquisition unit 51. The data acquisition means 51 acquires from the online data DB 21 online data whose measurement date and time correspond to the specific date and time sent from the date and time setting means 50, and sends the online data to the data display means 52 and the analysis means 53. To be sent to.
[0007]
The data display means 52 displays the sent online data and presents the online data to an operator or the like.
[0008]
The analysis means 53 is based on the online data sent from the data acquisition means 51 and the physical information sent from a separately provided physical information DB (physical information database) 54 by a pipe network analysis technique. It analyzes the pressure at each point in the distribution network.
[0009]
The physical information stored in the physical information DB 54 is civil engineering information such as the diameter of the water pipe 2 and the length of the pipeline at each location of the water distribution network, and the analysis means 53 determines the pressure at each location of the water distribution network. Contains useful information when analyzing.
[0010]
The pressure and the like at each point of the water distribution network analyzed by the analyzing means 53 are presented to an operator or the like by the analysis result displaying means 55.
[0011]
Then, the operator manages the pressure in the water distribution pipe 2 in consideration of the information presented by the analysis result display means 55. For example, the water distribution block 1 can be controlled without causing a water pressure shortage or water pressure excess area. It is managed whether or not the water is appropriately distributed to each demand point 45.
[0012]
[Problems to be solved by the invention]
Conventionally, the pressure state in the water distribution pipe 2 is grasped by analyzing the pressure and the like at each part of the water distribution pipe network by the pipe network analysis technique as described above.
[0013]
However, in the pipe network analysis method as described above, the pressure or the like at each point of the water distribution pipe network is determined based only on the measurement values of the pressure measuring device 10a and the flow rate measuring instrument 10b installed at a predetermined location of the water distribution pipe network. Analyzing. For this reason, in a case where the water distribution block 1 is wide or the distribution pipe network is formed in a complicated manner, and when an appropriate number of the pressure measuring devices 10a and the flow rate measuring devices 10b are not appropriately arranged, It is difficult to perform highly accurate and reliable analysis.
[0014]
In addition, since the analysis result of the pressure and the like at each point of the water distribution pipe network largely depends on the physical information stored in the physical information DB 54, it is necessary to use appropriate physical information. The physical information is determined according to the size and configuration of the water distribution network, but it is necessary to understand the civil structure of the water distribution network required to determine the physical information, to convert the civil structure into data, A large amount of labor is required for operations such as assigning a demand amount to the system, and a large amount of analysis time is required. In addition, in order to accurately analyze the pressure and the like at each point of the water distribution pipe network, it is necessary to accurately perform operations such as assigning a demand amount to each demand point 45. However, it is very difficult to perform such operations accurately.
[0015]
The present invention has been made in view of such a point, and an object of the present invention is to provide a pressure estimation model building system capable of accurately obtaining a pressure distribution in a water distribution pipe stretched around a water distribution block.
[0016]
[Means for Solving the Problems]
The present invention is a pressure estimation model construction system that constructs an estimation model for a pressure distribution in a water distribution pipe stretched around a water distribution block, and includes a pressure estimation model construction system in an online measurement point provided at one or more locations in the water distribution pipe. Online measurement means having a function of measuring at least one of pressure and water flow rate as online data and sending the online data to a subsequent stage online, and provided at one or more locations different from the online measurement point in the water distribution pipe. Offline measurement data storage means having a function of storing the pressure in the water distribution pipe measured in advance at the measured offline measurement point as offline data, and sending the offline data to a subsequent stage, and online measurement means and offline measurement data storage means at a subsequent stage. Provided, online measurement A clustering unit having a function of classifying online data sent from the stage and offline data sent from the offline measurement data storage unit into each cluster by cluster analysis; and For each offline data classified into the same cluster as the data, based on each online data classified into the same cluster, construct a first pressure estimation model which is a pressure model in the water distribution pipe at an offline measurement point corresponding to the respective offline data. Principal component analysis is performed on each of the offline data classified into a different cluster from each online data, provided at a stage subsequent to the first pressure estimation model building means and the clustering means. A principal component computing unit having a function of computing an input value; and an estimated model input provided at a subsequent stage of the principal component computing unit and corresponding to each offline measurement data for each offline data classified into a cluster different from each online data. Second pressure estimation model construction means for constructing a second pressure estimation model, which is a pressure model in the water distribution pipe at the offline measurement point corresponding to each offline, based on the value, the first pressure estimation model construction means, and the second pressure estimation A pressure estimation model which is connected to the model construction means and comprises a first pressure estimation model constructed by the first pressure estimation model construction means and a second pressure estimation model constructed by the second pressure estimation model construction means Pressure estimation model storage system, comprising: It is a system.
[0017]
According to the pressure estimation model construction system of the present invention, a pressure estimation model relating to the pressure in a water distribution pipe at an offline measurement point is constructed based on online data sent online from an online measurement point.
[0018]
BEST MODE FOR CARRYING OUT THE INVENTION
Hereinafter, embodiments of the present invention will be described with reference to the drawings.
[0019]
First embodiment
FIG. 1 and FIG. 2 are diagrams showing a first embodiment of the present invention. FIG. 1 is a schematic diagram showing the configuration of the entire pressure estimation model construction system. FIG. 2 shows online data and offline data classified into each cluster by the cluster analysis.
[0020]
As shown in FIG. 1, a water distribution pipe 2 is stretched over the entire area of the water distribution block 1 to supply water to a plurality of demand points 45 such as fire hydrants in the water distribution block 1. Thereby, the water sent from the distribution reservoir or the like is supplied to the water distribution pipe 2 in the water distribution block 1 via the water distribution injection unit 3 and sent to each demand point 45.
[0021]
The pressure estimation model construction system 4 for constructing a pressure estimation model at each point of the water distribution pipe 2 includes a pressure measuring device 10a and a flow measuring device 10b (on-line measuring means), and the pressure measuring device 10a and the flow measuring device. And a pressure estimating device 11 connected to the vessel 10b.
[0022]
The pressure measuring device 10a and the flow rate measuring device 10b output the pressure and the water flow rate in the water distribution pipe 2 at one or more locations (three locations in the present embodiment) of the water distribution pipe 2 at online measurement points 15. It has a function to measure as. The pressure measuring device 10a and the flow rate measuring device 10b have a function of transmitting the online data measured in this way to a subsequent stage online.
[0023]
The pressure estimation device 11 includes an online measurement data DB21 (online measurement data storage unit), an offline measurement data DB22 (offline measurement data storage unit) connected to the pressure measurement device 10a and the flow measurement device 10b, and a pressure measurement device 10a Clustering means 23 provided after the flow rate measuring device 10 b and the offline measurement data DB 22, first pressure estimation model construction means 24 provided after the clustering means 23, and a main unit provided after the clustering means 23. The component calculation means 25, the second pressure estimation model construction means 26 provided at a stage subsequent to the principal component calculation means 25, and the estimation models connected to the first pressure estimation model construction means 24 and the second pressure estimation model construction means 26 DB27 (pressure estimation model storage means), pressure measuring device 10a and flow meter Online measurement data DB21 (online measurement data storage means) provided between the device 10b and the clustering means 23, and data acquisition means 29 provided between the online measurement data DB21 and the offline measurement data DB22 and the clustering means 23. A statistical value calculating means 30 provided between the data acquiring means 29 and the clustering means 23; a normalizing means 31 provided between the statistical value calculating means 30 and the clustering means 23; And a model display means 32 connected thereto.
[0024]
The offline measurement data DB 22 is measured in advance by the offline data measurement means 33 at one or more locations (three in this embodiment) different from the online measurement points 15 in the water distribution pipe 2. The pressure inside the distribution pipe 2 is stored as offline data. That is, the offline measurement data DB 22 stores the pressure in the water distribution pipe 2 measured in advance at the offline measurement point 16 such as a fire hydrant as offline data together with the measurement date and time.
[0025]
Note that, for example, a handy-type pressure gauge or the like can be used as the off-line data measurement unit 33. Then, at the offline measurement point 16, the pressure in the water distribution pipe 2 measured in advance at the offline measurement point 16 for a few days is stored in the offline measurement data DB 22 as offline data. The offline measurement data DB 22 can send the stored offline data to a data acquisition unit 29 provided at a subsequent stage. The off-line measurement data DB 22 can store the off-line data of all or a part of the off-line measurement points 16 and send it to the subsequent stage.
[0026]
The online measurement data DB 21 stores the values measured by the pressure measuring device 10a and the flow rate measuring device 10b (online measuring means) together with the measurement date and time.
[0027]
The measurement date and time of the online data stored in the online measurement data DB 21 and the measurement date and time of the offline data stored in the offline measurement data DB 22 correspond to each other.
[0028]
The data acquisition means 29 has a function of acquiring the online data stored in the online measurement data DB 21 and acquiring from the offline measurement data DB 22 offline data corresponding to the measurement time of the online data acquired from the online measurement data DB 21. are doing. The data acquisition means 29 has a function of transmitting the acquired online data and offline data to the subsequent stage.
[0029]
The statistic calculation means 30 has a function of statisticizing the transmitted online data and offline data.
[0030]
In the present embodiment, the "statisticalization" of these online data and offline data includes a total value, a minimum value, a maximum value, a range, a standard deviation, a variance, an average value, a median value, a coefficient of variation, a skewness, a kurtosis, Statistic items such as are basic. However, the statistic calculation means 30 can also "statisticize" the online data and the offline data based on other statistic items.
[0031]
The statistic calculation means 30 has a function of sending the statistical online data and offline data to the subsequent stage. The online data and the offline data sent from the statistical value calculating means 30 are sent to the normalizing means 31 after being stored in the statistical value DB 28.
[0032]
The normalizing means 31 has a function of normalizing the sent online data and offline data and sending the data to the subsequent stage. For this reason, in the present embodiment, the online data and the offline data normalized by the normalizing means 31 are sent to the clustering means 23 provided at the subsequent stage of the normalizing means 31.
[0033]
The normalizing means 31 in the present embodiment normalizes using the online data and the offline data stored in the statistical value DB 28, and “average value” and “average value” stored in the statistical value DB 28. Based on the “standard deviation”, the following formulas (1a) and (1b) are used to convert the online data and the offline data so that the mean = 0.0 and the variance = 1.0, and “normalize”. ing.
[0034]
(Equation 1)

That is, each data item of the online data and the offline data acquired by the data acquisition means 29 is converted by the equations (1a) and (1b). For example, as shown in FIG. 1, as online data, 1 point data relating to the water flow rate in the water distribution pipe 2 and 2 point data relating to the pressure in the water distribution pipe 2 are sometimes referred to by the pressure measuring device 10a and the flow rate measuring device 10b. Consider a case in which the data acquisition unit 29 acquires online data (data on water flow rate is 1 point, data on pressure is 2 point) over a period of several hours.
[0035]
In this case, each of the acquired data is defined as X1t, X2t, X3t (where t represents time). First, X1t is expressed as x in Expressions (1a) and (1b)._iTo obtain the standardized data z, and then X2t is expressed as x in equations (1a) and (1b)._iTo obtain the standardized data z, and finally, X3t is expressed by x in Expressions (1a) and (1b)._iTo obtain the standardized data z. By this work, the online data (water flow rate data 1 point, pressure data 2 point) is standardized online data (average 0, standard deviation 1) online data (water flow rate data 1 point, pressure related data) The data is converted to 2 points).
[0036]
Similarly, the off-line data is converted into off-line data standardized to have an average of 0 ° and a standard deviation of 1 °. When obtaining the standardized online data and offline data in this manner, the values calculated by the statistical value calculating means 30 are calculated as the average value and the standard deviation of the base data in the equations (1a) and (1b). Is being used.
[0037]
The clustering unit 23 includes the online measurement data DB 21, the data acquisition unit 29, the statistic calculation unit 30, the statistic DB 28, and the online data sent from the flow measurement unit 10b via the statistic DB 28 and the normalization unit 31. , A function of classifying the offline data sent from the offline measurement data DB 22 into each cluster via the data acquisition means 29, the statistical value calculation means 30, the statistical value DB 28, and the normalization means 31 by cluster analysis. ing.
[0038]
Here, “cluster analysis” generally means an operation of grouping homogeneous samples from among samples. The cluster analysis is started from a state in which the group to which the sample belongs is unknown and the number of groups is not known. The purpose of the cluster analysis is to classify the sample into homogeneous groups or clusters.
[0039]
The cluster analysis of the online data and the offline data by the clustering means 23 of the present embodiment is specifically performed as follows. Note that, in the present embodiment, the subject of the cluster analysis is only the data related to “pressure”, and the data related to “water flow rate” is not the subject.
[0040]
{Circle around (1)} First, the distance between solids and the distance between clusters are defined. The "solid" here refers to one signal included in online data or offline data. For example, various equations as shown in Table 1 below have been proposed as equations indicating the distance between the solids. In the present embodiment, the “Euclidean distance” shown in Table 1 is used. Define the distance between solids. On the other hand, various equations as shown in Table 2 have been proposed as equations indicating the distance between clusters. In the present embodiment, the distance between clusters is calculated using the Ward method shown in Table 2. Define.
[0041]
[Table 1]

[Table 2]

In Tables 1 and 2, Xa and Xb represent online data (pressure) or offline data, d (Xa, Xb) represents the distance between Xa and Xb, and d_{ab → c}Represents the distance between a certain cluster AB and online data or offline data or cluster C.
[0042]
(2) Next, the distance between all the solids is calculated.
[0043]
{Circle around (3)} Next, the clusters or the solids having the shortest distance between the solids are merged into one cluster.
[0044]
{Circle around (4)} Next, the cluster created in the above paragraph (3) is regarded as a new solid, and the distance between all the solids is calculated.
[0045]
{Circle around (5)} Then, the above steps (1) to (4) are repeated to end when all the solids are included in one cluster.
[0046]
In the present embodiment, for example, a result of cluster analysis as shown in FIG. 2 can be obtained according to the above (1) to (5). In FIG. 2, the X axis (horizontal axis) shows each offline measurement point and each online measurement point corresponding to each online data and each offline data, and the Y axis (vertical axis) shows each online data and each offline data. The similarity (distance) in the cluster analysis on the data is shown. Also, the lines in FIG. 2 indicate that they can be treated as the same cluster at the distance where the lines are connected.
[0047]
The first pressure estimation model constructing unit 24 allocates each of the offline data classified into the same cluster as each online data based on each online data classified into the same cluster at the offline measurement point 16 corresponding to the respective offline data. A first pressure estimation model, which is a pressure model in the water pipe 2, is constructed. More specifically, the first pressure estimation model constructing means 24 of the present embodiment constructs the first pressure estimation model using multiple regression analysis, and is classified into the same cluster as each offline data. Online data is used as input values for multiple regression analysis.
[0048]
Hereinafter, the “multiple regression analysis” will be described.
[0049]
In multiple regression analysis, the explanatory variables ｛x_i1, X_i2, ... x_ip｝ And the objective variable y_iIt is assumed that the following linear relationship holds between (i = 1, 2,..., N).
[0050]
(Equation 2)

Note that β_i: Partial regression coefficient, e_i: Means residual error.
[0051]
Each residual e in equation (2)_iIs "residual e_iAre independent of each other and have a normal distribution N (0, σ²)) (Residual condition). Then, when Expression (2) is expressed in a matrix format, Expression (3) below is obtained.
[0052]
y = zβ + e (3)
The matrix in the equation (3) is as shown below.
[0053]
(Equation 3)

(Equation 4)

And b₀, B₁, ..., b_MIs ε_λ(See equation (7) below) is determined to be a minimum.
[0054]
(Equation 5)

In equation (7), the unknown is b₀, B₁, ... b_pAnd S is b₀, B₁, ..., b_pWhich minimizes the function S₀, B₁, ..., b_pGives b₀, B₁, ..., b_p, And can be obtained as a solution of a system of linear equations with the value set to 0. By solving the above and arranging, a simultaneous equation such as the following equation (8) is obtained.
[0055]
(Equation 6)

Where S_JJIs x_jThe sum of squared deviations of S_jkIs x_jAnd x_kSum of deviation of S_jayIs x_jAnd y, which are represented by the following equation (9).
[0056]
(Equation 7)

Therefore, the partial regression coefficient is obtained by the following equation (11).
[0057]
b = S^-1M …………… (11)
The constant term is obtained by the following equation (12).
[0058]
(Equation 8)

In the present embodiment, in the multiple regression analysis described above, the explanatory variable x corresponds to online data or a principal component score obtained by principal component analysis means, and the objective variable y corresponds to offline data. Here, the principal component score indicates the value of the principal component of each sample.
[0059]
Then, the first pressure estimation model constructed using the multiple regression analysis described above is sent from the first pressure estimation model construction means 24 to the estimation model DB 27.
[0060]
The principal component calculating means 25 has a function of performing a principal component analysis on each offline data classified into a cluster different from each online data, and calculating an estimated model input value corresponding to each offline data. That is, the principal component calculation means 25 performs a principal component analysis on the cluster to which the closest online data belongs to each offline data classified into a different cluster from each online data in the clustering means 23, An estimated model input value is calculated for each offline data classified into a different cluster. Then, the calculated estimated model input value is sent from the principal component calculation means 25 to the second pressure estimation model construction means 26 together with each online data and offline data.
[0061]
Here, "principal component analysis" is a method of summarizing information having various types of characteristic values that are mutually correlated into a small number of general characteristic values that are not correlated with each other.
[0062]
Principal component analysis generally consists of p variables x₁, X₂, ..., x_pIs included in m (m ≦ p) total characteristic values (Equation (14)) z satisfying the following conditions (a) and (b):₁, Z₂, ..., z_mMean to summarize, z₁Is the first principal component, z₂Is the second principal component, z_mIs referred to as an m-th principal component.
[0063]

(Equation 9)

・Condition (a)Z_lAnd z_kThe correlation with (k is not l; k, l = 1, 2,..., M) is all zero.
[0064]
・Condition (b)Z₁Variance (x₁, X₂, ..., x_p) Is the largest of all linear variances. z₂Is the variance of z₁Is the largest of all linear equations independent of the variance of Similarly, z_mThe variance of z₁, Z₂, ..., z_m-1Is the largest of the linear equations independent of
[0065]
The above condition (b) satisfies “principal component z₁, Z₂, ... z_mIs the original characteristic value x₁, X₂, ..., x_pThis is the result of summarizing so that the loss of information possessed is minimized. "
[0066]
In the present embodiment, x in the above-described principal component analysis₁~ X_pCorresponds to the online data and the offline data related to the pressure subjected to the cluster analysis by the clustering means 23.
[0067]
For example, when the result illustrated in FIG. 2 is obtained by the cluster analysis, first, the online data (pressure) corresponding to the online measurement point 15A and the measurement points 16K located on both sides of the online measurement point 15A in FIG. , 16L, the offline data (pressure), and x₁~ X_pAnd And the x₁~ X_pIs calculated to generate a pressure estimation model. Next, the online data (pressure) corresponding to the online measurement point 15A, the offline data (pressure) corresponding to the offline measurement points located on both sides of the online measurement point 15A in FIG. X₁~ X_pAs x₁~ X_pThe pressure estimation model is calculated by calculating the principal component score for. By repeating such calculations, pressure estimation models at each offline measurement point corresponding to each offline data are sequentially calculated, and pressure estimation models at all offline measurement points can be obtained.
[0068]
The second pressure estimation model constructing means 26, for each offline data classified into a different cluster from each online data, based on the estimated model input value corresponding to each offline data, at the offline measurement point 16 corresponding to each offline. A second pressure estimation model, which is a pressure model in the water distribution pipe 2, is constructed. More specifically, the second pressure estimation model construction means 26 constructs a second pressure estimation model using the multiple regression analysis described above, and the corresponding pressure estimation model calculated by the principal component calculation means 25. Model input values are used as input values for multiple regression analysis. As a result, the pressure model in the water distribution pipe 2 at the offline measurement point 16 corresponding to each offline data classified into a cluster different from each online data among the water distribution pipes 2 stretched around the water distribution block 1. Is constructed. Then, the constructed second pressure estimation model is sent from the second pressure estimation model construction means 26 to the estimation model DB 27.
[0069]
The estimation model DB 27 includes a first pressure estimation model constructed and transmitted by the first pressure estimation model construction unit 24 and a second pressure estimation model constructed and transmitted by the second pressure estimation model construction unit 26. , Is stored.
[0070]
The model display means 32 can display the pressure estimation model stored in the pressure estimation model storage means.
[0071]
Next, the operation of the present embodiment having such a configuration will be described.
[0072]
At the online measurement point 15 in the water distribution pipe 2 of the water distribution block 1, the water pressure and the water flow rate are measured by the pressure measuring device 10a and the flow measuring device 10b. These measured values are sent from the pressure measuring device 10a and the flow rate measuring device 10b to the online measurement data DB 21 online, and are stored as online data in the online measurement data DB 21 together with the measurement date and time.
[0073]
On the other hand, at the off-line measurement point 16 in the water distribution pipe 2 of the water distribution block 1, the water pressure is measured in advance by a handy type pressure gauge or the like, and the measured water pressure data is used as offline measurement data together with the measurement date and time. It is stored in the offline measurement data DB 22.
[0074]
Then, when a predetermined date and time required by the operator or the like among the pressure estimation models at each offline measurement point 16 is input to the data acquisition unit 29, the data acquisition unit 29 converts the online data corresponding to the input predetermined date and time into online data. Offline data corresponding to the input predetermined date and time is obtained from the offline measurement data DB 22 while being obtained from the measurement data DB 21. Then, the data acquisition unit 29 sends the acquired online data and offline data to the statistical value calculation unit 30 together with the input predetermined date and time.
[0075]
Then, the statistical value calculation means 30 statisticizes the transmitted online data and quantifies the transmitted offline data. Note that the statistical items calculated by the statistical value calculating means 30 of the present embodiment include the “average value” and the “standard deviation” used by the normalizing means 31.
[0076]
The online data and offline data statistically calculated by the statistical value calculating means 30 are stored in the statistical value DB 28 and sent to the normalizing means 31.
[0077]
The online data and the offline data sent to the normalizing means 31 are normalized by the normalizing means 31. At this time, the normalizing means 31 calculates the “average value” and “standard deviation” of the online data and the offline data stored in the statistical value DB 28 and the above equations (1a) and (1b). The online data and the offline data are converted and “normalized” so that the average = 0.0 and the variance = 1.0.
[0078]
Then, the normalized online data and offline data are sent from the normalizing means 31 to the clustering means 23 provided at the subsequent stage.
[0079]
The online data and the offline data sent to the clustering unit 23 are subjected to cluster analysis by the clustering unit 23 and are classified into several clusters. Thereby, for example, a result of the cluster analysis as shown in FIG. 2 can be obtained, and the online data and the offline data are classified into cluster A, cluster B, cluster C, and cluster D. For example, the offline data related to the offline measurement point 16A is classified into the cluster A, the offline data related to the offline measurement point 16J is classified into the cluster B, and the offline data related to the offline measurement point 16K and the online data related to the online measurement point 15A are classified into the cluster C. , The offline data related to the offline measurement point 16N and the online data related to the online measurement point 15B are classified into the cluster D.
[0080]
Then, the first pressure estimation model construction means 24 constructs a pressure estimation model (first pressure estimation model) at each offline measurement point 16 corresponding to each offline data classified into the same cluster as each online data. At this time, the first pressure estimation model construction means 24 constructs a first pressure estimation model using the multiple regression analysis described above.
[0081]
For example, when the results shown in FIG. 2 are obtained by the cluster analysis, the first pressure estimation model constructing unit performs the first pressure estimation model construction on the clusters C and D to which the online measurement points 15A and 15B corresponding to the online data belong. 1 Build a pressure estimation model. At this time, in the cluster C, the online data (pressure and water flow rate in the water distribution pipe) corresponding to the online measurement point 15A is used as an input value when constructing the pressure estimation model, and in the cluster D, the online data corresponds to the online measurement point 15B. Online data (pressure and water flow in the distribution pipe) is used as an input value when constructing a pressure estimation model.
[0082]
Then, these constructed first pressure estimation models are sent to the estimation model DB 27 and stored in the estimation model DB 27.
[0083]
On the other hand, each offline data classified into a cluster different from each online data is subjected to the above-described principal component analysis by the principal component calculating means 25, and an estimated model input value corresponding to each offline data is obtained. Then, a pressure estimation model (second pressure estimation model) at each offline measurement point 16 corresponding to each offline data classified into a different cluster from each online data is constructed by the second pressure estimation model construction means 26. At this time, the second pressure estimation model construction means 26 constructs a pressure estimation model using the multiple regression analysis described above and the estimation model input value.
[0084]
For example, when the results shown in FIG. 2 are obtained by the cluster analysis, the principal component calculation unit 25 obtains the estimated model input values for the clusters A and B to which each online data does not belong. At this time, with respect to the cluster B, a cluster having a short distance is sequentially searched among the clusters to which the online data belongs. Then, when a search result that the cluster C to which the online data belongs is closest to the cluster B is obtained, the main component of the cluster C is an input value when constructing a pressure estimation model for the cluster B. . Similarly, the cluster A is close to the cluster C to which the online data belongs. At this time, from the viewpoint of the cluster A, the clusters B and C can be regarded as the same cluster. Therefore, when constructing the pressure estimation model of the cluster A, the main components of the clusters B and C are input values.
[0085]
Then, these constructed second pressure estimation models are sent to the estimation model DB 27 and stored in the estimation model DB 27.
[0086]
Then, the pressure estimation model constituted by the first pressure estimation model and the second pressure estimation model stored in the estimation model DB 27 is displayed on the model display means 32 to be notified to the operator or the like.
[0087]
As described above, according to the pressure estimation model construction system 4 of the present embodiment, the pressure estimation model at a predetermined date and time at the offline measurement point 16 is formed in a format using the online data measured at the online measurement point 15. , Statistical value calculation means 30, normalization means 31, clustering means 23, first pressure estimation model construction means 24, principal component calculation means 25, and second pressure estimation model construction means 26. Thereby, the pressure distribution in the water distribution pipe at the online measurement point can be obtained online as online data, and the pressure distribution in the water distribution pipe at the offline measurement point is constructed based on the online data and the offline data measured in advance. Pressure estimation model. Thereby, it is possible to accurately obtain the pressure in the water distribution pipe at the online measurement point and the offline measurement point in the water distribution block.
[0088]
In addition, since the pressure of the water distribution pipe 2 at the online measurement point 15 is measured by the pressure measuring device 10a and stored online in the online measurement data DB, each pressure can be set without building a pressure estimation model at the online measurement point. The pressure value of the water distribution pipe 2 at the online measurement point can be obtained.
[0089]
Further, in the present embodiment, complicated physical information on the water distribution pipe 2 stretched around the water distribution block 1 which is required in the conventional technology is unnecessary, and online data measured online and offline data measured offline A pressure estimation model at the off-line measurement point 16 is constructed based on the off-line data that is the past pressure data at the off-line measurement point 16. As described above, since the pressure estimation model can be constructed based only on the measured data, the pressure estimation model construction system 4 can be simplified, and the pressure estimation model construction time can be significantly reduced.
[0090]
Further, by performing a cluster analysis of the online data and the offline data via the statistical value calculating means 30 and the normalizing means 31, each online data and each offline data can be more stably and accurately classified into each cluster. .
[0091]
Note that at least one of the pressure and the water flow rate in the water distribution pipe 2 at the online measurement point 15 can be treated as online data. Even in this case, the same operation and effect as the above-described embodiment can be obtained.
[0092]
In addition, the second pressure estimation model construction means 26 does not need to use all of the principal components calculated by the principal component calculation means 25, and may use only some of them.
[0093]
Next, a modified example of the present embodiment will be described.
[0094]
In the pressure estimation model construction system according to the present modification, the statistical value calculation means 30 and the normalization means 31 may not be provided.
[0095]
In this case, the online data and the offline data acquired by the data acquisition unit 29 are sent directly to the clustering unit 23. The clustering unit 23 performs a cluster analysis of the online data and the offline data sent from the online measurement data DB 21 and the offline measurement data DB 22 via the data acquisition unit 29.
[0096]
As a result, each online data and each offline data are classified into each cluster. Therefore, similarly to the above-described first embodiment, the first pressure estimation model construction unit 24, the principal component calculation unit 25, and the second pressure The pressure estimation model is constructed by the estimation model construction means 26.
[0097]
Therefore, also in this modification, a pressure estimation model at the offline measurement point 16 can be constructed with high accuracy.
[0098]
Note that the clustering means can perform clustering using online data and offline data converted to various types. That is, the clustering means can perform cluster analysis using data converted into another form such as a frequency spectrum, in addition to the data subjected to the statistic and normalization and the data as measured as described above. it can.
[0099]
Second embodiment
FIG. 3 and FIG. 4 are diagrams showing a second embodiment of the present invention. FIG. 3 is a diagram for explaining “units” used in the neural network. FIG. 4 is a diagram showing the relationship between the “input layer”, “intermediate layer”, and “output layer” used in the neural network.
[0100]
In the second embodiment, the first pressure estimation model constructing means 24 constructs the first pressure estimation model using a neural network (Neural @ Network) instead of the multiple regression analysis. That is, the first pressure estimation model constructing means 24 is a pressure model in the water distribution pipe 2 at the offline measurement point 16 corresponding to each offline data classified into the same cluster as each online data by using a neural network. A first pressure estimation model is constructed. The constructed first pressure estimation model is sent from the first pressure estimation model construction means 24 to the estimation model DB 27.
[0101]
On the other hand, the second pressure estimation model constructing means 26 also constructs a second pressure estimation model using the above-described neural network instead of the multiple regression analysis. That is, the second pressure estimation model construction means 26 is a pressure model in the water distribution pipe 2 at the offline measurement point 16 corresponding to each offline data classified into a different cluster from each online data by using a neural network. A second pressure estimation model is constructed. Then, the constructed second pressure estimation model is sent from the second pressure estimation model construction means 26 to the estimation model DB 27.
[0102]
Next, a “neural network (Neural @ Network)” will be described with reference to FIGS. 3 and 4.
[0103]
The “neural network (Neural @ Network)” generally refers to an artificial system that models human nerve cells (neurons), and is expressed as a set of “units” with multiple inputs and one output. The "unit" is shown in FIG. The units are connected by a line corresponding to the nerve fiber, and the signal is transmitted on this line only in one direction.^*) ”Is input to the unit and output after conversion by a response function. In other words, the input signal of the entire system is successively transmitted while repeating the coupling and conversion output to each unit, and a final output signal is formed. Hierarchy type and mutual connection type are proposed as a method of unit connection, that is, a network model.
[0104]
Signals in a hierarchical network are one-way from the input layer to the output layer (see FIG. 4), and it is general that information transmission is not considered in the layer.
[0105]
An interconnected network has the property that the state of the network changes from a certain initial state to a stable state.
[0106]
When Neural @ Network is used for demand forecasting, a three-layer hierarchical network using a sigmoid function as a response function is adopted because input and output are nonlinear. Note that the response function is used only for the intermediate layer, and the output value y of the input layer and the output layer is y = U.
[0107]
The system identification of the hierarchical network is performed by preparing several sets of desired inputs and outputs (referred to as teaching signals) and modifying the weights so that the Neural @ Network sufficiently approximates the input / output relationship of the system. (This is called learning). There are a back propagation method and a Kalman neuro method as main learning methods, and the back propagation method is used in the present embodiment. The algorithm is as follows.
[0108]
[Step 1: calculation of each layer]
The intermediate layer and the output layer are calculated from the signals supplied to the input layer according to the neuron model represented by the following equations (16) and (17).
[0109]
That is, the output H of the j-th neuron in the intermediate layer_jIs obtained by using the neuron model of Expression (16).
[0110]
(Equation 10)

Note that I_i: Output of the i-th neuron in the input layer, H_j: Output of the jth neuron in the hidden layer, W_ji: Weight coefficient between the i-th neuron in the input layer and the j-th neuron in the intermediate layer, 1: the number of neurons in the input layer, f0: response function (using a sigmoid function).
[0111]
On the other hand, the output O of the k-th neuron in the output layer_kIs obtained by using the neuron model of Expression (17).
[0112]
[Equation 11]

Hj: output of the intermediate j-th neuron, O_k: Output of the k-th neuron in the output layer, Wkj: weight coefficient between the j-th neuron in the intermediate layer and the k-th neuron in the output layer, and m: the number of neurons in the intermediate layer.
[0113]
[Step 2: Calculation of Weight W]
Output O of kth neuron in output layer_kAnd the teaching signal y of the k-th neuron in the output layer_kThe learning is performed by modifying the weighting factors of the network so as to minimize the sum of the square errors of the network. The learning of the weight coefficient between the hidden layer and the output layer is performed by using the following equation (18)._kjAnd calculate W_kjIs to be fixed.
[0114]
Wkj (t + 1) = Wkj (t) + ΔWkj (t)
ΔWkj (t) = − ε · dk (t) · Hj (t) (18)
dk (t) = Ok (t) -yk (t)
Here, t: the number of times of learning, ε: a parameter for determining the magnitude of one correction, d_k: Means an error in the output layer.
[0115]
On the other hand, learning of the weight coefficient between the input layer and the intermediate layer is performed by using the following equation (19)._jiAnd calculate W_jiIs to be fixed.
[0116]
(Equation 12)

Dj: back propagation error of the intermediate layer, f0: differentiation of f0.
[0117]
Further, the following equation (20) is used in order to reduce oscillation and speed up convergence of learning.
[0118]
ΔWkj (t) = − ε · dk (t) · Hj (t) + α · Wkj (t−1)
ΔWji (t) = − ε · dj (t) · Ii (t) + α · Wji (t−1) (20)
Note that α: a parameter for stability, ε: 1−α.
[0119]
The weight coefficient obtained as a result of this learning is stored as a prediction model.
[0120]
In addition, when a neural network is used, overfitting of the model due to over-learning may occur. Therefore, overfitting stored in Japanese Patent Application No. 2000-021074 “short-term demand forecasting device” is suppressed. It is preferable to add means.
[0121]
In the neural network according to the present embodiment, Ii in Expression (16) is an input value (on-line data) used when the pressure estimation model is constructed using the multiple regression analysis described in the first embodiment. (Pressure, flow rate) and some offline data). Further, yk (t) in the equation (18) corresponds to offline data (pressure in the water distribution pipe 2 at each offline measurement point) constituting the pressure estimation model. Other variables correspond to so-called internal variables (variables other than input / output).
[0122]
Other configurations are substantially the same as those of the first embodiment shown in FIGS.
[0123]
In this embodiment, the same parts as those in the first embodiment shown in FIGS. 1 and 2 are denoted by the same reference numerals, and detailed description thereof will be omitted.
[0124]
Also in the pressure estimation model construction system 4 of the present embodiment, as in the first embodiment described above, the online data measured at the online measurement point 15 in the water distribution pipe 2 of the water distribution block 1 and the offline measurement point The offline data measured in 16 is classified into several clusters by a data acquisition unit 29, a statistical value calculation unit 30, a statistical value DB 28, a normalization unit 31, and a clustering unit 23.
[0125]
Then, the first pressure estimation model construction means 24 constructs a pressure estimation model (first pressure estimation model) at each offline measurement point 16 corresponding to each offline data classified into the same cluster as each online data. At this time, the first pressure estimation model construction means 24 constructs a first pressure estimation model using a neural network. Then, these constructed first pressure estimation models are sent to the estimation model DB 27 and stored in the estimation model DB 27.
[0126]
On the other hand, each offline data classified into a cluster different from each online data is subjected to the above-described principal component analysis by the principal component calculating means 25, and an estimated model input value corresponding to each offline data is obtained. Then, a pressure estimation model (second pressure estimation model) at each offline measurement point 16 corresponding to each offline data classified into a different cluster from each online data is constructed by the second pressure estimation model construction means 26. At this time, the second pressure estimation model construction means 26 constructs a pressure estimation model using the above-described neural network and the estimation model input value. Then, these constructed second pressure estimation models are sent to the estimation model DB 27 and stored in the estimation model DB 27.
[0127]
Then, the pressure estimation model constituted by the first pressure estimation model and the second pressure estimation model stored in the estimation model DB 27 is displayed on the model display means 32 to be notified to the operator or the like.
[0128]
As described above, also in the pressure estimation model construction system 4 of the present embodiment, the pressure estimation model at a predetermined date and time at the offline measurement point 16 is constructed in a format using online data measured online. Therefore, an estimation model relating to the pressure distribution of the water distribution pipe 2 at the off-line measurement point 16 can be accurately constructed. In particular, also in the present embodiment, since the complicated physical information on the water distribution network required in the prior art is unnecessary, the pressure estimation model construction system 4 can be simplified, and the time required for constructing the pressure estimation model is greatly reduced. Can be shortened.
[0129]
In addition, since the pressure estimation model is constructed using a neural network, the pressure estimation model can be constructed in consideration of the terms of the second-order and higher-order systems. A pressure estimation model can be constructed well.
[0130]
As a modification of the present embodiment, the statistical data calculating means 30 and the normalizing means 31 are not provided, and the online data and the offline data obtained by the data obtaining means 29 are directly sent to the clustering means 23. Even the pressure estimation model construction system 4 can provide the same operation and effect as those in the above-described second embodiment.
[0131]
Third embodiment
FIG. 5 is a diagram showing the third embodiment of the present invention, and is a schematic diagram showing the configuration of the entire pressure estimation model construction system.
[0132]
In the pressure estimation model construction system 4 according to the third embodiment, the pressure estimation device 11 further includes a support unit 35, and the support unit 35 is connected to the normalization unit 31 and connected to the estimation model DB 27. Hydrant pressure estimating means 36 and an estimation result display means 37 connected to the hydrant pressure estimating means 36.
[0133]
The hydrant pressure estimation means 36 acquires online data corresponding to the current time from the normalization means 31 and acquires a pressure estimation model from the estimation model storage means. Then, the hydrant pressure estimating means 36 calculates the pressure value at the current time in the water distribution pipe 2 of the offline measurement point 16 corresponding to the obtained pressure estimation model based on the online data and the pressure estimation model corresponding to the obtained current time. It has the function of calculating.
[0134]
The estimation result display means 37 is configured to display the pressure value calculated by the fire hydrant pressure estimation means 36 so as to notify an operator or the like of the pressure value.
[0135]
Other configurations are substantially the same as those of the first embodiment shown in FIGS.
[0136]
In FIG. 5, the same parts as those in the first embodiment shown in FIGS. 1 and 2 are denoted by the same reference numerals, and detailed description thereof will be omitted.
[0137]
In the pressure estimation model construction system 4 of the present embodiment, the online data measured at the online measurement point 15 in the water distribution pipe 2 of the water distribution block 1 and the offline measurement point are also similar to the first embodiment. 16, the data acquisition means 29, the statistical value calculating means 30, the statistical value DB 28, the normalizing means 31, the clustering means 23, the first model building means, and the principal component calculating means 25 And a second model construction means, a pressure estimation model at a predetermined date and time at the offline measurement point 16 is obtained, and the pressure estimation model is stored in the estimation model DB 27.
[0138]
Thereafter, the hydrant pressure estimating means 36 acquires the online data corresponding to the current time from the normalizing means 31 and acquires the pressure estimation model corresponding to the acquired online data from the estimation model DB 27. Then, the hydrant pressure estimating means 36 calculates the pressure value at the current time in the water distribution pipe 2 at the offline measurement point 16 corresponding to the obtained pressure estimation model based on the online data and the pressure estimation model corresponding to the obtained current time. Is calculated.
[0139]
The pressure value corresponding to the current time calculated by the hydrant pressure estimating means 36 is sent to the estimation result displaying means 37 and displayed, and is notified to an operator or the like.
[0140]
The display method of the estimation result display means 37 may be any method. For example, it is possible to display the estimated pressure value itself, or to display the pressure value in a 2D format or a 3D format by contour lines. Further, even when the pressure estimated by the hydrant pressure estimating means 36 deviates from a preset allowable pressure range (operating pressure range), the estimation result displaying means 37 displays the estimated pressure. It can be displayed.
[0141]
As described above, the pressure estimation model construction system 4 of the present embodiment can construct a pressure estimation model at each offline measurement point 16 in a format using online data measured online.
[0142]
Further, according to the present embodiment, a specific pressure value corresponding to the current time at each off-line measurement point 16 can be estimated by the fire hydrant pressure estimating means 36.
[0143]
Next, a modified example of the present embodiment will be described.
[0144]
In the force estimation model construction system according to the present invention, the statistical value calculation means 30 and the normalization means 31 may not be provided.
[0145]
In this case, the online data and the offline data acquired by the data acquisition unit 29 are sent directly to the clustering unit 23. The clustering unit 23 performs a cluster analysis of the online data and the offline data sent from the online measurement data DB 21 and the offline measurement data DB 22 via the data acquisition unit 29.
[0146]
The fire hydrant pressure estimating means 36 is connected to the online measurement data DB 21 and acquires online data corresponding to the current time from the online measurement data DB 21.
[0147]
The other configuration is substantially the same as that of the above-described third embodiment shown in FIG. 5, and the same parts as those of the above-described third embodiment are denoted by the same reference numerals, and detailed description is omitted.
[0148]
Also in the present modification, the pressure estimation model at each offline measurement point 16 is constructed by the first pressure estimation model construction means 24 and the second pressure estimation model construction means 26 and stored in the estimation model DB 27.
[0149]
Then, the hydrant pressure estimating means 36 acquires online data corresponding to the current time from the online measurement data DB 21 and acquires a pressure estimation model corresponding to the online data from the estimation model DB 27. Then, the hydrant pressure estimating means 36 calculates a specific pressure value in the water distribution pipe 2 at each offline measurement point 16 corresponding to the current time based on the acquired online data and the pressure estimation model.
[0150]
The pressure value calculated by the hydrant pressure estimation means 36 is sent to the estimation result display means 37 and displayed.
[0151]
As described above, also in the present modification, the pressure estimation model construction system 4 can construct a pressure estimation model at each offline measurement point 16 in a format using online data measured online.
[0152]
Further, a specific pressure value corresponding to the current time at each offline measurement point 16 can be estimated by the fire hydrant pressure estimating means 36. For this reason, for example, in each location of the water distribution pipe 2 stretched over the entire area of the water distribution block 1, the pressure in the water distribution pipe becomes an allowable range (for example, a range of not less than an allowable minimum pressure and not more than an allowable maximum pressure). Can be verified.
[0153]
The data required by the pressure estimating means 36 of the support means 35 is data in the format used by the first pressure estimating model building means 24 and the second pressure estimating model building means 26. Therefore, when each of the model construction means 24 and 26 uses the normalized data, the pressure estimating means 36 also needs the normalized data, and If the data is used, the pressure estimation means 36 also needs the measured data as it is.
[0154]
In the present embodiment, it is assumed that the data input to the pressure estimating means 36 corresponds to the current time, and the pressure estimating means 36 estimates the pressure using all the online data. All the online data sent from the measuring device 10a and the flow measuring device 10b are input to the pressure estimating means 36.
[0155]
Fourth embodiment
FIG. 6 is a diagram showing the fourth embodiment of the present invention, and is a schematic diagram showing the configuration of the entire pressure estimation model construction system.
[0156]
In the pressure estimation model construction system 4 according to the fourth embodiment, the pressure estimation device 11 further includes a verification unit 40, and the verification unit 40 is connected to the date / time setting unit 41 and the date / time setting unit 41. And date / time designation data acquisition means 42 connected to the online measurement data DB 21.
[0157]
The date and time setting means 41 is configured to input the past predetermined date and time by an operator or the like when estimating the pressure at the past predetermined date and time at each offline measurement point 16.
[0158]
When estimating the pressure at each offline measurement point 16 during a certain verification period, a method of setting a verification start date and time and a verification end date and time is conceivable. By setting the verification start date and time and the verification start date and time to be the same day, it is possible to verify the specific date and time.
[0159]
The date / time designation data acquiring unit 42 acquires online data corresponding to a past predetermined date and time input from the date / time setting unit 41 from the online measurement data storage unit, and sends the acquired online data to the normalization unit 31. ing.
[0160]
The normalizing means 31 further has a function of normalizing the online data sent from the date / time designation data obtaining means 42 and sending the normalized online data to the hydrant pressure estimating means 36.
[0161]
The fire hydrant pressure estimating means 36 acquires a pressure estimation model corresponding to the online data sent from the date / time designation data acquisition means 42 via the normalization means 31 from the pressure estimation model storage means, and It further has a function of calculating an estimated pressure value at a predetermined date and time in the past based on the online data sent via the normalizing means 31 and the acquired pressure estimation model.
[0162]
Other configurations are substantially the same as those of the third embodiment shown in FIG.
[0163]
6, the same parts as those in the third embodiment shown in FIG. 5 are denoted by the same reference numerals, and detailed description is omitted.
[0164]
In the pressure estimation model construction system 4 of the present embodiment, the online data measured at the online measurement point 15 in the water distribution pipe 2 of the water distribution block 1 and the offline measurement point are also similar to the first embodiment. 16, the data acquisition means 29, the statistical value calculating means 30, the statistical value DB 28, the normalizing means 31, the clustering means 23, the first model building means, and the principal component calculating means 25 And a second model construction means, a pressure estimation model at a predetermined date and time at the offline measurement point 16 is obtained, and the pressure estimation model is stored in the estimation model DB 27.
[0165]
Then, a predetermined date and time in the past for which pressure is to be estimated is input to the date and time setting means 41 by an operator or the like. The predetermined date and time input to the date and time setting unit 41 is sent to the date and time designation data acquisition unit 42.
[0166]
The date and time designation data acquisition unit 42 acquires the online data corresponding to the predetermined date and time sent from the date and time setting unit 41 from the online measurement data DB 21. Then, the online data acquired by the online measurement data DB 21 is sent from the date / time designation data acquiring unit 42 to the normalizing unit 31.
[0167]
The normalization unit 31 normalizes the online data sent from the normalization unit 31. Then, the normalizing means 31 sends the normalized online data to the hydrant pressure estimating means 36.
[0168]
The fire hydrant pressure estimating means 36 acquires a pressure estimating model corresponding to the online data sent from the normalizing means 31 from the estimating model DB 27. Then, the hydrant pressure estimating means 36 determines a past predetermined value in the water distribution pipe 2 of each offline measuring point 16 based on the online data sent from the normalizing means 31 and a pressure estimation model corresponding to the online data. Calculate the date and time pressure value.
[0169]
The pressure value corresponding to the past predetermined date and time calculated by the hydrant pressure estimating means 36 is sent to the estimation result display means 37 and displayed, and is notified to an operator or the like.
[0170]
The estimation result display means 37 can display the calculated pressure value by various methods. For example, the estimation result display means 37 continuously displays the pressure value in a certain verification period (continuous reproduction display), It is possible to display a pressure value at an arbitrary time in the period (arbitrary time display) or to display a pressure deviation (pressure fluctuation) from a predetermined time before a predetermined time. The “predetermined designated time” here can be set by, for example, an operator via the date and time setting unit 41, but is not limited to this.
[0171]
As described above, the pressure estimation model construction system 4 of the present embodiment can construct a pressure estimation model at each offline measurement point 16 in a format using online data measured online. The hydrant pressure estimating means 36 can estimate a specific pressure value corresponding to a predetermined date and time in the past at each offline measurement point 16.
[0172]
【The invention's effect】
As described above, according to the pressure estimation model building system of the present invention, among the distribution pipes stretched around the distribution block, the pressure distribution in the distribution pipe at the online measurement point can be obtained online as online data, and the offline The pressure distribution in the distribution pipe at the measurement point can be obtained by a pressure estimation model constructed based on online data and offline data measured in advance. Therefore, according to the present invention, it is possible to accurately obtain the pressure in the water distribution pipe at the online measurement point and the offline measurement point in the water distribution block.
[Brief description of the drawings]
FIG. 1 is a schematic diagram showing a configuration of an entire pressure estimation model construction system according to a first embodiment of the present invention.
FIG. 2 shows online data and offline data classified into each cluster by cluster analysis.
FIG. 3 is a diagram for explaining “units” used in a neural network.
FIG. 4 is a diagram showing a relationship between an “input layer”, an “intermediate layer”, and an “output layer” used in a neural network.
FIG. 5 is a diagram illustrating a third embodiment of the present invention, and is a schematic diagram illustrating a configuration of an entire pressure estimation model construction system.
FIG. 6 is a diagram illustrating a fourth embodiment of the present invention, and is a schematic diagram illustrating a configuration of an entire pressure estimation model construction system.
FIG. 7 is a schematic diagram showing the configuration of the entire conventional pressure estimation model construction system.
[Explanation of symbols]
1 Water distribution block
2 Water pipe
3) Water distribution injection section
4 Pressure estimation model construction system
10a pressure measuring instrument
10b flow meter (online measuring means)
11 Pressure estimation device
15 Online measurement point
16 Offline measurement point
21. Online measurement data DB (online measurement data storage means)
22 Offline measurement data DB (offline measurement data storage means)
23 clustering means
24. Means for constructing first pressure estimation model
25 Principal component calculation means
26 Second pressure estimation model construction means
27 ° estimation model DB (pressure estimation model storage means)
28 Online measurement data DB (Online measurement data storage means)
29 Data acquisition means
30 Statistical value calculation means
31 normalization means
32 model display means

Claims (12)

A pressure estimation model construction system for constructing an estimation model for a pressure distribution in a water distribution pipe stretched around a water distribution block,
Online measurement having a function of measuring at least one of pressure and water flow rate in a water distribution pipe at online measurement points provided at one or more locations in a water distribution pipe as online data, and sending the online data to a subsequent stage online. Means,
Off-line measurement data having a function of storing, as offline data, the pressure in the water distribution pipe previously measured at an offline measurement point provided at one or more points different from the online measurement point in the water distribution pipe, and sending the offline data to a subsequent stage. Storage means;
Provided after the online measurement means and the offline measurement data storage means, the online data sent from the online measurement means and the offline data sent from the offline measurement data storage means are classified into clusters by cluster analysis. Clustering means having a function;
The pressure in the water distribution pipe at the offline measurement point corresponding to each offline data, based on each online data classified into the same cluster, for each offline data classified into the same cluster, provided at the subsequent stage of the clustering means. First pressure estimation model construction means for constructing a first pressure estimation model as a model;
Principal component calculation provided at the subsequent stage of the clustering means and having a function of performing principal component analysis on each offline data classified into a different cluster from each online data and calculating an estimated model input value corresponding to each offline data Means,
Provided at the subsequent stage of the principal component calculation means, for each offline data classified into a different cluster from each online data, based on an estimated model input value corresponding to each offline measurement data, at an offline measurement point corresponding to each offline Second pressure estimation model construction means for constructing a second pressure estimation model that is a pressure model in the water distribution pipe;
A first pressure estimation model connected to the first pressure estimation model construction means and the second pressure estimation model construction means and constructed by the first pressure estimation model construction means and a second pressure estimation model constructed by the second pressure estimation model construction means. Pressure estimation model, pressure estimation model storage means for storing a pressure estimation model composed of,
A pressure estimation model construction system comprising: The first pressure estimation model construction means constructs a first pressure estimation model using multiple regression analysis,
The pressure estimation model construction system according to claim 1, wherein the second pressure estimation model construction means constructs the second pressure estimation model using multiple regression analysis. The first pressure estimation model construction means constructs a first pressure estimation model using a neural network,
The pressure estimation model construction system according to claim 1, wherein the second pressure estimation model construction means constructs the second pressure estimation model using a neural network. An online measurement data storage unit provided between the online measurement unit and the clustering unit, and storing a measurement value by the online measurement unit;
The online measurement data storage means and the offline measurement data storage means are provided between the clustering means and acquire online data stored in the online measurement data storage means and measure the online data acquired from the online measurement data storage means. Data acquisition means having a function of acquiring offline data corresponding to time from the offline measurement data storage means, and sending the acquired online data and offline data to a subsequent stage,
The pressure estimation model construction system according to any one of claims 1 to 3, further comprising: Further provided is a statistic calculation means provided between the data acquisition means and the clustering means, which has a function of statisticizing the transmitted online data and offline data and transmitting the statisticized online data and offline data to the subsequent stage. The pressure estimation model construction system according to claim 4, characterized in that: 5. The apparatus according to claim 4, further comprising a normalizing unit provided between the data acquiring unit and the clustering unit, the normalizing unit having a function of normalizing the transmitted online data and offline data and transmitting the data to a subsequent stage. Pressure estimation model construction system. 6. The apparatus according to claim 5, further comprising a normalizing means provided between the statistical value calculating means and the clustering means and having a function of normalizing the sent online data and offline data and sending the data to a subsequent stage. Pressure estimation model construction system. Connected to the online measurement data storage means and connected to the estimation model storage means, obtains online data corresponding to the current time from the online measurement data storage means, and obtains a pressure estimation model corresponding to the online data from the estimation model storage means. Fire hydrant pressure estimation having a function of calculating the pressure value at the current time in the water pipe of the offline measurement point corresponding to the acquired pressure estimation model based on the acquired online data and the pressure estimation model corresponding to the acquired current time The pressure estimation model construction system according to any one of claims 4 to 7, further comprising means. Connected to the normalization means and connected to the estimation model storage means, acquires online data corresponding to the current time from the normalization means, acquires a pressure estimation model from the estimation model storage means, and corresponds to the acquired current time. A hydrant pressure estimating means having a function of calculating a pressure value at a current time in a water distribution pipe of an offline measurement point corresponding to the obtained pressure estimation model based on the online data and the pressure estimation model, is further provided. The pressure estimation model construction system according to claim 6. Date and time setting means for inputting a predetermined date and time in the past;
Connected to the date and time setting means and connected to the online measurement data storage means, the online data corresponding to the past predetermined date and time input to the date and time setting means is acquired from the online measurement data storage means, and the acquired online data is normalized. Date and time designation data acquisition means to be sent to the conversion means,
The normalizing means normalizes the online data sent from the date and time designation data acquiring means, and further has a function of sending the normalized online data to the hydrant pressure estimating means.
The hydrant pressure estimating means acquires the pressure estimation model corresponding to the online data sent from the date / time designation data acquisition means via the normalization means from the pressure estimation model storage means, and executes the normalization means from the date / time designation data acquisition means. The pressure estimation model construction system according to claim 9, further comprising a function of calculating a pressure estimation value at a predetermined date and time in the past based on the online data sent via the PC and the acquired pressure estimation model. The pressure estimation model construction system according to any one of claims 8 to 10, further comprising estimation result display means connected to the hydrant pressure estimation means and displaying the pressure value calculated by the hydrant pressure estimation means. . The pressure estimation according to any one of claims 1 to 11, further comprising model display means connected to the pressure estimation model storage means and displaying the pressure estimation model stored in the pressure estimation model storage means. Model building system.

Images