JP2021149472A - 放流水質予測装置および放流水質予測方法 - Google Patents
放流水質予測装置および放流水質予測方法 Download PDFInfo
- Publication number
- JP2021149472A JP2021149472A JP2020048360A JP2020048360A JP2021149472A JP 2021149472 A JP2021149472 A JP 2021149472A JP 2020048360 A JP2020048360 A JP 2020048360A JP 2020048360 A JP2020048360 A JP 2020048360A JP 2021149472 A JP2021149472 A JP 2021149472A
- Authority
- JP
- Japan
- Prior art keywords
- data
- prediction
- prediction model
- water quality
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims description 48
- 238000012549 training Methods 0.000 claims description 54
- 239000010865 sewage Substances 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 19
- 238000007781 pre-processing Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 16
- 230000002159 abnormal effect Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000001932 seasonal effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
図1は、本発明の一実施形態に係る放流水質予測装置100の概略構成を示す機能ブロック図である。放流水質予測装置100は、センサ情報取得部101と、学習データデータベース102と、予測モデル生成部103と、直近データデータベース104と、放流水質予測部105と、出力部106とを含む。
図3は、予測モデル生成部103の処理手順を説明するためのフローチャートである。まず、前処理部103aは、学習データデータベース102に蓄積されている学習データを取得する(ステップS1)。前処理部103aは、学習データの前処理を行う。より具体的には、前処理部103aは、学習データ内に欠測値または異常値がある場合には、当該欠測値または異常値を補間する(ステップS2)。
図6は、放流水質予測部105の処理手順を説明するためのフローチャートである。まず、前処理部105aは、所定の予測周期毎に直近データデータベース104に蓄積されている直近データを取得する(ステップS21)。前処理部103aは、学習データの前処理を行う。より具体的には、前処理部103aは、学習データ内に欠測値または異常値がある場合には、当該欠測値または異常値を補間する(ステップS22)。なお、欠測値、異常値およびそれらの値の補間方法については、予測モデル生成部103の前処理部103aにおいて説明したものと同様である。
ある下水処理場において放流水質の予測を行った。データ数は4年8か月の1分データ(約245万データ)とし、入力データ種は20項目とし、出力データ種は3項目(COD、TNおよびTP)とした。また、学習データセットは、23項目(入力データ種(時間情報データを含む)+出力データ種)×12時間とした。機械学習手法としては、LSTM法を用いた。
以上説明したように、放流水質予測装置100によれば、モデル生成部103bが、学習データセットから所定時間後の放流水質データの実測値を検証データとして学習し、予測モデル204を作成するようにしたので、所定時間後の放流水質データを正確に予測することが可能となった。図8〜図10のグラフに示すように、放流水質データ(COD、TN、TP)の実測値と予測値とがほぼ一致している。
放流水質予測装置100の制御ブロック(特に予測モデル生成部103および放流水質予測部105)は、集積回路(ICチップ)等に形成された論理回路(ハードウェア)によって実現してもよいし、ソフトウェアによって実現してもよい。
図11は、本発明の一態様に係る放流水質予測装置(例:放流水質予測装置100)を実現するためのコンピュータの構成例を示す図である。このコンピュータは、コンピュータ本体300と、ディスプレイ401と、キーボード40と、マウス403とを含む。使用者は、ディスプレイ401に表示された画面を見ながらキーボード402およびマウス403を操作することにより、コンピュータ本体300を放流水質予測装置として機能させるためのプログラム(以下、放流水質予測プログラムと呼ぶ。)を起動する。
本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。
101 センサ情報取得部
102 学習データデータベース
103 予測モデル生成部
104 直近データデータベース
105 放流水質予測部
201 学習データ
204 予測モデル
205 直近データ
Claims (4)
- 下水処理場に設置された複数のセンサから、前記下水処理場の放流水質を示す検出値の時系列データを取得するセンサ情報取得部と、
前記センサ情報取得部によって取得された前記時系列データを学習データとして記憶する学習データデータベースと、
前記センサ情報取得部によって取得された前記時系列データを直近データとして記憶する直近データデータベースと、
前記学習データデータベースに記憶される第1の所定時間分の学習データを学習データセットとし、第2の所定時間後の、前記複数のセンサの中の少なくとも1つの値を予測するための予測モデルを、前記学習データセットから生成する予測モデル生成部と、
前記直近データに、前記予測モデルを適用することにより、前記少なくとも1つの値を予測する放流水質予測部とを備える、放流水質予測装置。 - 前記予測モデル生成部は、
前記学習データセットをトレーニングデータとし、
前記第2の所定時間後の、前記複数のセンサの中の少なくとも1つの実測値を検証データとし、
前記トレーニングデータおよび前記検証データを用いてリカレントニューラルネットワークに学習させることにより予測モデルを生成する、請求項1に記載の放流水質予測装置。 - 前記予測モデル生成部は、
前記リカレントニューラルネットワークのハイパーパラメータを変更しながら予測モデルを生成し、
前記学習データセットの少なくとも一部の学習データを評価データとし、
前記評価データを前記予測モデルに入力することによって得られる予測値と、前記検証データと、の誤差が所定値以下の予測モデルを、前記放流水質予測部に設定する、請求項2に記載の放流水質予測装置。 - 下水処理場に設置された複数のセンサから、前記下水処理場の放流水質を示す検出値の時系列データを取得するステップと、
前記取得された時系列データを学習データとして記憶するステップと、
前記取得された時系列データを直近データとして記憶するステップと、
第1の所定時間分の前記学習データを学習データセットとし、第2の所定時間後の、前記複数のセンサの中の少なくとも1つの値を予測するための予測モデルを、前記学習データセットから生成するステップと、
前記直近データに、前記生成された予測モデルを適用することにより前記少なくとも1つの値を予測するステップとを含む、放流水質予測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020048360A JP2021149472A (ja) | 2020-03-18 | 2020-03-18 | 放流水質予測装置および放流水質予測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020048360A JP2021149472A (ja) | 2020-03-18 | 2020-03-18 | 放流水質予測装置および放流水質予測方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021149472A true JP2021149472A (ja) | 2021-09-27 |
Family
ID=77848909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020048360A Pending JP2021149472A (ja) | 2020-03-18 | 2020-03-18 | 放流水質予測装置および放流水質予測方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021149472A (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114380379A (zh) * | 2022-02-22 | 2022-04-22 | 太原理工大学 | 一种煤泥水的加药控制方法及系统 |
CN115403222A (zh) * | 2022-09-16 | 2022-11-29 | 广东海洋大学 | 一种养殖尾水处理系统及方法 |
-
2020
- 2020-03-18 JP JP2020048360A patent/JP2021149472A/ja active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114380379A (zh) * | 2022-02-22 | 2022-04-22 | 太原理工大学 | 一种煤泥水的加药控制方法及系统 |
CN115403222A (zh) * | 2022-09-16 | 2022-11-29 | 广东海洋大学 | 一种养殖尾水处理系统及方法 |
CN115403222B (zh) * | 2022-09-16 | 2023-11-14 | 广东海洋大学 | 一种养殖尾水处理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3809220B1 (en) | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data | |
Khosravi et al. | Lower upper bound estimation method for construction of neural network-based prediction intervals | |
CN111143989B (zh) | 频率调整量计算方法、模块、系统、存储介质和设备 | |
KR101919076B1 (ko) | 시계열 데이터 예측 시스템 | |
CN104392274B (zh) | 基于用电负荷与温度趋势的城市短期用电负荷预测方法 | |
Rattray et al. | Noisy fitness evaluation in genetic algorithms and the dynamics of learning | |
TW202329188A (zh) | 用於校正離子注入半導體製造工具中的部件故障的方法及系統 | |
JP2021149472A (ja) | 放流水質予測装置および放流水質予測方法 | |
JP7298494B2 (ja) | 学習装置、学習方法、学習プログラム、判定装置、判定方法、および判定プログラム | |
JPWO2020021688A1 (ja) | 水処理プラントおよび水処理プラントの運転方法 | |
JP2021108121A (ja) | 様々な空間解像度および時間解像度の予報を組み合わせる方法、装置、及び、プログラム | |
CN107885967A (zh) | 一种回归模型超参数优化方法 | |
Zanfei et al. | An ensemble neural network model to forecast drinking water consumption | |
JPWO2020021687A1 (ja) | 水処理プラント | |
CN116865251A (zh) | 一种短期负荷概率预测方法及系统 | |
JP2022015249A (ja) | 放流水質予測装置および放流水質予測方法 | |
CN114154753A (zh) | 一种负荷预测方法及系统 | |
JP2022015250A (ja) | 放流水質予測装置および放流水質予測方法 | |
US7359842B1 (en) | Soft sensor device and device for evaluating the same | |
CN111932042B (zh) | 自适应排程方法、设备及计算机存储介质 | |
US20220138552A1 (en) | Adapting ai models from one domain to another | |
Chiachío et al. | Integration of prognostics at a system level: A Petri net approach | |
Etxegarai et al. | Virtual sensors for smart data generation and processing in ai-driven industrial applications | |
WO2021124861A1 (ja) | 情報処理装置、情報処理方法、および情報処理プログラム | |
Chen et al. | A novel interval estimation framework for wind power forecasting using multi-objective gradient descent optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230306 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240116 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240123 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240311 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20240625 |