JP2013161336A

JP2013161336A - 監視対象量予測方法及び監視対象量予測装置

Info

Publication number: JP2013161336A
Application number: JP2012023981A
Authority: JP
Inventors: Ko Nanbu; 耕南部; Hiroshi Shimizu; 浩清水
Original assignee: Metawater Co Ltd
Current assignee: Metawater Co Ltd
Priority date: 2012-02-07
Filing date: 2012-02-07
Publication date: 2013-08-19
Anticipated expiration: 2032-02-07
Also published as: JP5859866B2

Abstract

【課題】予測を実行するタイミングに関係なく、プラント設備の監視対象量を精度高く予測すること。
【解決手段】一次予測部１０３ａが、互いに異なる複数の予測モデルと、プラント設備の稼働実績データ、現在の稼働状況に関するデータ、気象観測データ、及び天気予報に関するデータとを用いて、下水処理場の監視対象量の一次予測値を複数算出する。二次予測部１０３ｂが、各一次予測値に二次予測ステップの実行タイミングに応じた重みを付与し、重みが付与された複数の一次予測値を用いて下水処理場の監視対象量の二次予測値を下水処理場の監視対象量の予測値として算出する。これにより、予測を実行するタイミングに関係なく、下水処理場の監視対象量を精度高く予測できる。
【選択図】図２

Description

本発明は、水処理設備等のプラント設備の監視対象量を予測する監視対象量予測方法及び監視対象量予測装置に関する。

一般に、汚水処理（下水道）、浄水処理（上水道）、及び産業用工業排水処理等を行う水処理設備では、監視対象設備（例えば構造物や機器類等）や処理状況（例えば処理水質や汚泥の状態等）の将来の状態を予測し、予測結果に基づいて制御対象設備を制御している（例えば特許文献１参照）。具体的には、従来の監視対象量予測方法では、固定的な設備が一定の規則に基づき動作する水処理設備の将来の状態予測が主体であることから、対象とする水処理設備に適した１つの予測手法を用いた１つの予測モデルを利用して監視対象量を予測し、予測結果に基づいて制御対象設備を制御している。

特開２０１０−２３１４５７号公報

しかしながら、実際の水処理設備の状態は時々刻々と変化しているために、固定した１つの予測モデルを利用して従来の監視対象量予測方法では、状態予測を実行するタイミングに応じて状態予測の精度が変化し、水処理設備の状態を精度高く予測することが困難になる。このため、状態予測を実行するタイミングに関係なく、水処理設備の状態を精度高く予測可能な技術の提供が期待されていた。

本発明は、上記課題に鑑みてなされたものであって、その目的は、予測を実行するタイミングに関係なく、プラント設備の監視対象量を精度高く予測可能な監視対象量予測方法及び監視対象量予測装置を提供することにある。

上記課題を解決し、目的を達成するために、本発明に係る監視対象量予測方法は、互いに異なる複数の予測モデルと、プラント設備の稼働実績データ、現在の稼働状況に関するデータ、気象観測データ、及び天気予報に関するデータとを用いて、プラント設備の監視対象量の一次予測値を複数算出する一次予測ステップと、前記一次予測ステップにおいて予測された各一次予測値に二次予測ステップの実行タイミングに応じた重みを付与し、重みが付与された複数の一次予測値を用いてプラント設備の監視対象量の二次予測値をプラント設備の監視対象量の予測値として算出する二次予測ステップと、を含むことを特徴とする。

本発明に係る監視対象量予測方法は、上記発明において、前記一次予測ステップが、プラント設備の稼働実績データ、プラント設備の現在の稼働状況に関するデータ、気象観測データ、及び天気予報に関するデータに基づいて、複数の予測モデルを再生成又は補正するステップを含むことを特徴とする。

本発明に係る監視対象量予測方法は、上記発明において、前記複数の予測モデルが、ニューラルネットワークモデル、重回帰モデル、又はクラスタリングモデルを含むことを特徴とする。

本発明に係る監視対象量予測方法は、上記発明において、前記二次予測モデルが、重みが付与された複数の一次予測値をノードとするニューラルネットワークを利用してプラント設備の監視対象量の二次予測値を算出するステップを含むことを特徴とする。

本発明に係る監視対象量予測方法は、上記発明において、前記二次予測ステップが、所定期間内における所定時間毎の前記監視対象量の予測値を算出するステップを含むことを特徴とする。

上記課題を解決し、目的を達成するために、本発明に係る監視対象量予測装置は、互いに異なる複数の予測モデルとプラント設備の稼働実績データ及び現在の稼働状況に関するデータとを用いて、プラント設備の監視対象量の一次予測値を複数算出する一次予測手段と、前記一次予測手段によって予測された各一次予測値に二次予測の実行タイミングに応じた重みを付与し、重みが付与された複数の一次予測値を用いてプラント設備の監視対象量の二次予測値をプラント設備の監視対象量の予測値として算出する二次予測手段と、を備えることを特徴とする。

本発明に係る監視対象量予測方法及び監視対象量予測装置によれば、予測を実行するタイミングに関係なく、プラント設備の監視対象量を精度高く予測できる。

図１は、本発明の一実施形態である監視対象量予測システムが適用される下水処理場の一構成例を示す模式図である。図２は、本発明の一実施形態である監視対象量予測システムの構成を示すブロック図である。図３は、本発明の一実施形態である監視対象量予測処理の流れを示すフローチャートである。図４は、図３に示すステップＳ２〜ステップＳ４の処理を説明するための概念図である。図５は、所定期間内における監視対象量の変化の予測方法を説明するための概念図である。図６は、所定期間内における監視対象量の変化の予測方法を説明するための概念図である。図７は、所定期間内における監視対象量の変化の予測方法を説明するための概念図である。図８は、所定期間内における監視対象量の変化の予測方法を説明するための概念図である。図９は、図３に示すステップＳ５の処理を説明するための概念図である。

以下、図面を参照して、本発明の一実施形態である監視対象量予測システムについて説明する。なお、本実施形態は、本発明を下水処理場の運転制御に用いられる監視対象量の予測処理に適用したものであるが、本発明は、本実施形態に限定されることはなく、汚水処理、浄水処理、及び産業用工業排水処理を行う水処理設備等の下水処理場以外のプラント設備の運転制御に用いられる監視対象量の予測処理にも適用できる。

〔下水処理場の構成〕
始めに、図１を参照して、本発明の一実施形態である監視対象量予測システムが適用される下水処理場の構成について説明する。但し、下水処理場の構成は図１に示す構成に限定されることはない。

図１は、本発明の一実施形態である監視対象量予測システムが適用される下水処理場の一構成例を示す模式図である。図１に示すように、本発明の一実施形態である監視対象量予測システムが適用される下水処理場は、下水を処理する下水処理設備１と、下水処理設備１で発生した余剰汚泥を処理する汚泥処理設備２と、を備えている。

下水処理設備１は、沈砂池１１と、最初沈殿池１２と、反応槽１３と、最終沈殿池１４と、薬注槽１５と、を備えている。沈砂池１１は、下水中の土砂等の非腐敗性無機物質を沈殿除去するための設備であり、非腐敗性無機物質が除去された下水は汚水ポンプ１６によって最初沈殿池１２に供給される。最初沈殿池１２は、下水を緩やかに流して重力沈降によって下水中の沈殿性有機物を沈殿除去するための設備である。最初沈殿池１２の上澄み水は反応槽１３に供給される。最初沈殿池１２内の沈殿物は、汚泥掻寄機１７ａによって集められ、汚泥引き抜きポンプ１８によって余剰汚泥として汚泥処理設備２に供給される。

反応槽１３は、ＤＯ（溶存酸素濃度），ＭＬＳＳ（槽内の活性汚泥濃度），下水流量，ＯＲＰ（酸化還元電位）等の指標に従って送風機１９から反応槽１３に供給される空気量を制御することによって、微生物を利用して下水中の有機物、窒素、リンを中心とする汚濁物質を処理する設備である。反応槽１３に供給される空気量は圧力計２０を利用して検出される。汚濁物質が除去された下水は最終沈殿池１４に供給され、反応槽１３内の沈殿物の一部は汚泥引き抜きポンプ１８によって余剰汚泥として汚泥処理設備２に供給される。

最終沈殿池１４は、反応槽１３から供給された下水を処理水と活性汚泥とに分離する設備である。処理水は薬注槽１５に供給される。活性汚泥は、汚泥掻寄機１７ｂによって集められ、反応槽１３に返送又は汚泥引き抜きポンプ１８によって余剰汚泥として汚泥処理設備２に供給される。薬注槽１５は、薬注ポンプ２１を利用して最終沈殿池１４から供給された処理水に薬品を注入することによって処理水を消毒した後、消毒された処理水を河川等に放流する設備である。

汚泥処理設備２は、濃縮タンク３１と、消化タンク３２と、脱水機３３と、焼却炉３４と、を備えている。濃縮タンク３１は、汚泥引き抜きポンプ１８から供給された余剰汚泥中の水分を除去することによって余剰汚泥を濃縮する設備である。濃縮タンク３１内で濃縮された余剰汚泥は、図示しない汚泥掻寄機によって集められ、消化タンク３２に供給される。

消化タンク３２は、余剰汚泥内の有機物を分解して消化汚泥とする設備である。消化タンク３２において生成された消化汚泥は脱水機３３に供給される。脱水機３３は、消化タンク３２から供給された消化汚泥を脱水することによって消化汚泥の含水率を低下させる設備である。焼却炉３４は、脱水機３３によって含水率が低下した消化汚泥を焼却する設備である。

〔監視対象量予測システムの構成〕
次に、図２を参照して、本発明の一実施形態である監視対象量予測システムの構成について説明する。

図２は、本発明の一実施形態である監視対象量予測システムの構成を示すブロック図である。図２に示すように、本発明の一実施形態である監視対象量予測システム１００は、実績データデータベース１０１、入力情報取得装置１０２、監視対象量予測装置１０３、及び出力装置１０４を備えている。

実績データデータベース１０１は、監視対象量の予測処理に用いられる各種情報の実績値を稼働実績データとして格納している。具体的には、実績データベース１０１には、天気（快晴、晴、曇、雨（雨の強さ））、雨量、風速、日照量、処理水の貯水池の水位、汚水ポンプ１６等のポンプの吐き出し量、汚水流入量、電力需要量、発電電力量、汚泥ガス発生量、及び汚泥生成量等の実績値が年月日及び時間帯毎に稼働実績データとして格納されている。稼働実績データは、監視対象量予測装置１０３が電気通信回線を介して参照可能な形態で実績データデータベース１０１内に格納されている。

入力情報取得装置１０２は、下水処理場の各種機器に接続され、天気、雨量、風速、日照量、処理水の貯水池の水位、ポンプの吐き出し量、汚水流入量、電力需要量、発電電力量、汚泥ガス発生量、及び汚泥生成量等の現在値を取得する。また、入力情報取得装置１０２は、天気、雨量、風速、及び日照量の予報に関する情報も取得する。入力情報取得装置１０２は、取得した情報を下水処理場の現在の稼働状況に関するデータとして監視対象量予測装置１０３に出力する。

監視対象量予測装置１０３は、パーソナルコンピュータ等のワークステーションや、プロセスコンピュータ等の情報処理装置によって構成されている。監視対象量予測装置１０３は、情報処理装置内部のＣＰＵ等の演算処理装置がコンピュータプログラムを実行することによって、一次予測部１０３ａ及び二次予測部１０３ｂとして機能する。これら各部の機能については後述する。

出力装置１０４は、監視対象量予測装置１０３からの各種情報を下水処理場の制御装置、表示装置、及び印刷装置に出力するためのものである。

〔監視対象量予測処理〕
このような構成を有する監視対象量予測システム１００では、監視対象量予測装置１０３が以下に示す監視対象量予測処理を実行することによって、図１に示す下水処理場の監視対象量を予測する。以下、図３に示すフローチャートを参照して、この監視対象量予測処理を実行する際の監視対象量予測装置１０３の動作について説明する。

図３は、本発明の一実施形態である監視対象量予測処理の流れを示すフローチャートである。図３に示すフローチャートは、所定の制御周期毎に開始され、監視対象量予測処理はステップＳ１の処理に進む。

ステップＳ１の処理では、一次予測部１０３ａが、実績データデータベース１０１内に格納されている稼働実績データ及び入力情報取得装置１０２から出力された下水処理場の現在の稼働状況に関するデータを取得する。これにより、ステップＳ１の処理は完了し、監視対象量予測処理はステップＳ２の処理に進む。

ステップＳ２の処理では、一次予測部１０３ａが、ステップＳ１の処理で取得したデータを用いて、監視対象量を予測するための複数の一次モデルを生成する。具体的には、図４に一次予測手法としてニューラルネットワークモデル、重回帰分析モデル、及びクラスタリングモデルを活用した例を示すように、始めに、一次予測部１０３ａは、下水処理場の特徴を予測モデルに反映するため、実績データデータベース１０１内に格納されている稼働実績データ（年間実績データＢ及び季節別実績データＣ）に対し主成分分析や相関解析等の多変量解析や設備や機器の起動停止等の動作タイミング等の分析を行うことによって、稼働実績データと監視対象量との関係を記述した基準予測モデルＡを生成する。なお、基準予測モデルＡには、ニューラルネットワークモデル、重回帰分析モデル、及びクラスタリングモデルの基準モデルが含まれている。また、監視対象量としては、電力需要量、電力供給量、汚水流入量、及び汚泥ガス発生量、処理水質（ＢＯＤ、ＣＯＤ、濁度、ｐＨ、アンモニア含有量等）、その他監視が必要な対象量が含まれる。但し、監視対象量は任意に選択、設定できる。

次に、一次予測部１０３ａは、実績データデータベース１０１内に格納されている年間実績データＢと基準予測モデルＡとを用いて、監視対象量の年間の平均値を予測するための基準年間平均モデルＤを生成する。この基準年間平均モデルＤには、図４の例としてニューラルネットワークモデル、重回帰分析モデル、及びクラスタリングモデルの年間の基準モデルが含まれている。また、一次予測部１０３ａは、実績データデータベース１０１内に格納されている季節別実績データＣと基準予測モデルＡとを用いて、監視対象量の季節毎の平均値を予測するための基準季節別平均モデルＥを生成する。この基準季節別平均モデルＥには、図４の例としてニューラルネットワークモデル、重回帰分析モデル、及びクラスタリングモデルの季節別の基準モデルが含まれている。

なお、ここまでの処理は予め実行しておくようにし、また所定期間毎や監視対象量予測処理が終了する度毎に各モデルを再生成又は補正するようにするとよい。予測制御に基づき機器類の起動停止が行われた時、季節の変わり目、及び異常気象（例えばゲリラ豪雨等）発生時には、下水処理場を構成する設備の稼動状態が急変することがある。このため、時々刻々と変化するプラントの状態を直前の予測時の状態と比較し、差異が規定値を超えた場合に、複数の予測モデルを再生成又は補正することによって、予測を実行するタイミングに関係なく、下水処理場の監視対象量をより精度高く予測することができる。

次に、一次予測部１０３ａは、監視対象量予測処理の実行日時及び時刻に基づいて、予測実行の当日及び前日の実績データと、下水処理場の状態が予測実行の日における下水処理場の状態に類似する日の実績データと、電力の需給比予測モデルから算出された予測実行の当日の電力の需要比のデータとを含むデータ群Ｆを取得する。なお、需要比のデータとは、予測当日のある時刻（例えば朝８時）における需要と過去数ヵ年の同月・同曜日・同一時刻の平均需要との関係から予測された電力需要量のことを意味する。そして、一次予測部１０３ａは、取得したデータ群Ｆと基準年間平均モデルＤ及び基準季節別平均モデルＥとを用いて、図４の例としてニューラルモデル（適用手法：ニューラルネットワーク）、重回帰モデル（適用手法：重回帰分析）、代表日前日モデル（適用手法：ニューラルネットワーク及び重回帰分析）、代表日類似日モデル（適用手法：クラスタリングモデル）、及び需給比モデル（適用手法：クラスタリングモデル）を含む年間平均一次予測モデル群Ｇ及び季節別平均一次予測モデル群Ｈを生成する。すなわち、一次予測部１０３ａは、プラント設備の稼働実績データとプラント設備の現在の稼働状況に関するデータとを用いて、監視対象量を予測するための複数の予測モデルを再生成又は補正する。

なお、ニューラルモデルは、ニューラルネットワークモデルの年間及び季節別の基準モデルから生成されるモデルであり、稼働実績データをノードとするニューラルネットワークを用いて監視対象量の年間又は季節別の平均値を予測するモデルである。重回帰モデルは、重回帰分析モデルの年間及び季節別の基準モデルから生成されるモデルであり、重回帰分析手法を利用して監視対象量の年間又は季節別の平均値を予測するモデルである。代表日前日モデルは、ニューラルネットワークモデル及び重回帰分析モデルの年間及び季節別の基準モデルから生成されるモデルであり、予測実行の前日の稼働実績データを補修学習させたモデルである。代表日類似日モデルは、クラスタリングモデルの年間及び季節別の基準モデルから生成されるモデルであり、下水処理場の状態が予測実行の日における下水処理場の状態に類似する日の実績データを補修学習させたモデルである。需給比モデルは、クラスタリングモデルの年間及び季節別の基準モデルから生成されるモデルであり、既述の通り予測実行の当日の電力の需給比のデータを補修学習させたモデルである。これにより、ステップＳ２の処理は完了し、監視対象量予測処理はステップＳ３の処理に進む。

ステップＳ３の処理では、一次予測部１０３ａが、ステップＳ２の処理によって生成された年間平均一次予測モデル群Ｇ及び季節別平均一次予測モデル群Ｈを用いて各予測モデルの監視対象量の予測値を予測結果データＪとして算出する。なお、ある時刻から２４時間分の監視対象量の予測方法としては、以下に示すような幾つかの方法を例示できる。すなわち、ニューラルモデル又は重回帰モデルを用いる場合、一次予測部１０３ａは、図５に示すように、現在から５分先の監視対象量を予測し、予測された監視対象量を用いて１０分先の監視対象量を予測し、さらにこの操作を２８８回繰り返することによって、現在から２４時間先の監視対象量を５分間隔で予測してもよい。但し、この場合、５分先の監視対象量の予測精度がｎである際、２４時間先の監視対象量の予測精度はｎの２８８乗となり、予測精度が徐々に悪くなる。

また、一次予測部１０３ａは、図６に示すように、現在から２４時間先の監視対象量を予測し、５分経過後にその時刻から２４時間先の監視対象量を予測し、さらにこの操作を２８６回繰り返することによって、現在から２４時間先の監視対象量を予測してもよい。この場合、２４時間分の予測結果を得るための予測処理が完了するまでに２４時間必要になるが、２４時間先の監視対象量の予測精度を維持することができる。また、一次予測部１０３ａは、図７に示すように、ある予測モデルを利用して現在から５分先の監視対象量を予測し、別の予測モデルを利用して１０分先の監視対象量を予測し、さらにこの操作を２８６回繰り返することによって、現在から２４時間先の監視対象量を予測してもよい。但し、この場合、予測モデルが２８８通り必要になると共に、予測精度にばらつきが発生する可能性がある。また、クラスタリングモデルを用いる場合、一次予測部１０３ａは、図８に示すように、過去の２４時間内の監視対象量の変化をパターン化し、現在の情報から類似パターンを選択し、ゲイン（倍率）又はレシオ（乗率）とバイアス（付加定数）によって現在から２４時間先の監視対象量を予測してもよい。但し、この場合、パターン数が莫大になる恐れがある。これにより、ステップＳ３の処理は完了し、監視対象量予測処理はステップＳ４の処理に進む。

ステップＳ４の処理では、二次予測部１０３ｂが、ステップＳ３の処理によって算出された予測結果データＪと実績データデータベース１０１に格納されている稼働実績データＫとを用いて、監視対象量を予測するための二次予測モデルを生成する。具体的には、図４に示すように、始めに、二次予測部１０３ｂは、実績データデータベース１０１内に格納されている稼働実績データ（年間実績データＢ及び季節別実績データＣ）を用いて基準二次予測モデルＩを生成する。なお、基準二次予測モデルＩは、稼働実績データと監視対象量との対応関係を定義したニューラルネットワーク用の予測モデルである。そして、二次予測部１０３ｂは、ステップＳ３の処理によって算出された予測結果データＪと基準二次予測モデルＩとを用いて、監視対象量の年間及び季節別の平均値を予測する二次予測モデルＬを生成する。これにより、ステップＳ４の処理は完了し、監視対象量予測処理はステップＳ５の処理に進む。

ステップＳ５の処理では、二次予測部１０３ｂが、ステップＳ４の処理によって生成された二次予測モデルＬを用いて監視対象量の予測値を算出する。具体的には、二次予測モデル１０３ｂは、図９に示すように、年間平均一次予測モデル群Ｇ及び季節別平均一次予測モデル群Ｈを用いて算出された監視対象量の予測値に二次予測の実行タイミングに応じた重みを付与し、重みが付与された複数の監視対象量をノードとするニューラルネットワークを利用して監視対象量の予測値を算出する。これにより、ステップＳ５の処理は完了し、一連の監視対象量予測処理は終了する。

以上の説明から明らかなように、本発明の一実施形態である監視対象量予測処理では、一次予測部１０３ａが、互いに異なる複数の予測モデルと、下水処理場の稼働実績データ及び現在の稼働状況に関するデータ、気象観測データ、及び天気予報に関するデータとを用いて、下水処理場の監視対象量の一次予測値を複数算出し、二次予測部１０３ｂが、各一次予測値に二次予測ステップの実行タイミングに応じた重みを付与し、重みが付与された複数の一次予測値を用いて下水処理場の監視対象量の二次予測値を下水処理場の監視対象量の予測値として算出するので、予測を実行するタイミングに関係なく、下水処理場の監視対象量を精度高く予測することができる。

以上、本発明者によってなされた発明を適用した実施の形態について説明したが、本実施形態による本発明の開示の一部をなす記述及び図面によって本発明は限定されることはない。例えば、本実施形態では、ニューラルネットワーク手法、重回帰分析手法、及びクラスタリングモデル手法を用いて一次予測を行ったが、クラスタリングモデル手法を利用して実績データを傾向別の小集合に分類しそれぞれの傾向を明確にした後、ニューラルネットワーク手法と重回帰分析手法とを利用して各小集合に適した予測モデルを生成し、生成された予測モデルを用いて一次予測を行ってもよい。これにより、実績データ全体の集合では過去の傾向がつかみ辛い状況であっても、その傾向を明確にして精度高く一次予測を行うことができる。このように、本実施形態に基づいて当業者等によってなされる他の実施の形態、実施例、及び運用技術等は全て本発明の範疇に含まれる。

１下水処理設備
２汚泥処理設備
１１沈砂池
１２最初沈殿池
１３反応槽
１４最終沈殿池
１５薬注槽
１６汚水ポンプ
１７ａ，１７ｂ汚泥掻寄機
１８汚泥引き抜きポンプ
１９送風機
２０圧力計
２１薬注ポンプ
３１濃縮タンク
３２消化タンク
３３脱水機
３４焼却炉
１００監視対象量予測システム
１０１実績データデータベース
１０２入力情報取得装置
１０３監視対象量予測装置
１０３ａ一次予測部
１０３ｂ二次予測部
１０４出力装置

Claims

互いに異なる複数の予測モデルと、プラント設備の稼働実績データ、現在の稼働状況に関するデータ、気象観測データ、及び天気予報に関するデータとを用いて、プラント設備の監視対象量の一次予測値を複数算出する一次予測ステップと、
前記一次予測ステップにおいて予測された各一次予測値に二次予測ステップの実行タイミングに応じた重みを付与し、重みが付与された複数の一次予測値を用いてプラント設備の監視対象量の二次予測値をプラント設備の監視対象量の予測値として算出する二次予測ステップと、
を含むことを特徴とする監視対象量予測方法。
前記一次予測ステップは、プラント設備の稼働実績データ、プラント設備の現在の稼働状況に関するデータ、気象観測データ、及び天気予報に関するデータに基づいて、複数の予測モデルを再生成又は補正するステップを含むことを特徴とする請求項１に記載の監視対象量予測方法。
前記複数の予測モデルは、ニューラルネットワークモデル、重回帰モデル、又はクラスタリングモデルを含むことを特徴とする請求項１又は２に記載の監視対象量予測方法。
前記二次予測モデルは、重みが付与された複数の一次予測値をノードとするニューラルネットワークを利用してプラント設備の監視対象量の二次予測値を算出するステップを含むことを特徴とする請求項１〜３のうち、いずれか１項に記載の監視対象量予測方法。
前記二次予測ステップは、所定期間内における所定時間毎の前記監視対象量の予測値を算出するステップを含むことを特徴とする請求項１〜４のうち、いずれか１項に記載の監視対象量予測方法。
互いに異なる複数の予測モデルとプラント設備の稼働実績データ及び現在の稼働状況に関するデータとを用いて、プラント設備の監視対象量の一次予測値を複数算出する一次予測手段と、
前記一次予測手段によって予測された各一次予測値に二次予測の実行タイミングに応じた重みを付与し、重みが付与された複数の一次予測値を用いてプラント設備の監視対象量の二次予測値をプラント設備の監視対象量の予測値として算出する二次予測手段と、
を備えることを特徴とする監視対象量予測装置。