JP2698692B2 - 配水流量予測システム - Google Patents
配水流量予測システムInfo
- Publication number
- JP2698692B2 JP2698692B2 JP18687390A JP18687390A JP2698692B2 JP 2698692 B2 JP2698692 B2 JP 2698692B2 JP 18687390 A JP18687390 A JP 18687390A JP 18687390 A JP18687390 A JP 18687390A JP 2698692 B2 JP2698692 B2 JP 2698692B2
- Authority
- JP
- Japan
- Prior art keywords
- flow rate
- distribution flow
- distribution
- pattern
- day
- 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.)
- Expired - Lifetime
Links
Description
【発明の詳細な説明】 ［発明の目的］ （産業上の利用分野） 本発明は上水道施設における例えば翌日の配水流量を
予測するシステムに係り、特に人手による演算を必要と
することなく、ニューラルネットワークモデルを用いて
翌日の配水流量を極めて精度よく推定し得るようにした
配水流量予測システムに関するものである。
予測するシステムに係り、特に人手による演算を必要と
することなく、ニューラルネットワークモデルを用いて
翌日の配水流量を極めて精度よく推定し得るようにした
配水流量予測システムに関するものである。
（従来の技術） 上水道施設は、原水を山間部のダム式貯水池や河川か
ら取水し、浄水場まで導水路によって導いている。従来
の上水道施設では、この取水場から浄水場までの導水遅
れが大きいことや、浄水場内での上水プロセスが凝集，
沈殿という原理的に時間遅れが大きいこと等により、配
水流量の変動に対応して、取水場および洗水場を迅速に
運用することが困難であった。従って、先１日（翌日）
分の配水流量をあらかじめ予測し、取水場、浄水場、配
水場等の日間運用計画を立てることが必要となる。
ら取水し、浄水場まで導水路によって導いている。従来
の上水道施設では、この取水場から浄水場までの導水遅
れが大きいことや、浄水場内での上水プロセスが凝集，
沈殿という原理的に時間遅れが大きいこと等により、配
水流量の変動に対応して、取水場および洗水場を迅速に
運用することが困難であった。従って、先１日（翌日）
分の配水流量をあらかじめ予測し、取水場、浄水場、配
水場等の日間運用計画を立てることが必要となる。
一方、配水流量は、天候や、曜日，祝祭日，五月連
休，夏休み，正月休み等の特異日による社会生活条件
等、気温、降雪、日照時間等の気象条件によって影響を
受ける人間活動により変動する。このため、最近では、
曜日等の生活条件別に１時間毎先１日分の配水流量パタ
ーンを記憶しておくか、あるいは気象条件を考慮した日
配水流量の統計モデルによる補正（例えば、気温が高い
日は日配水流量も多い）を加える方式により予測されて
いる。
休，夏休み，正月休み等の特異日による社会生活条件
等、気温、降雪、日照時間等の気象条件によって影響を
受ける人間活動により変動する。このため、最近では、
曜日等の生活条件別に１時間毎先１日分の配水流量パタ
ーンを記憶しておくか、あるいは気象条件を考慮した日
配水流量の統計モデルによる補正（例えば、気温が高い
日は日配水流量も多い）を加える方式により予測されて
いる。
しかしながら、このような方式においては、記憶して
いる１時間毎先１日分の配水流量パターンによる予測モ
デルが固定的であり、日々得られる実績データを教示信
号とする学習能力がなく、人口移動や配管工事等による
長期的な構造変動に追従することができず、実用的では
なかった。このため、結局はパターンの登録等を通じ
て、専門家や現場のオペレータに依存してしまうことに
もなり、無人化を図る上での支障となっている。
いる１時間毎先１日分の配水流量パターンによる予測モ
デルが固定的であり、日々得られる実績データを教示信
号とする学習能力がなく、人口移動や配管工事等による
長期的な構造変動に追従することができず、実用的では
なかった。このため、結局はパターンの登録等を通じ
て、専門家や現場のオペレータに依存してしまうことに
もなり、無人化を図る上での支障となっている。
（発明が解決しようとする課題） 以上のように、従来による配水流量予測においては、
配水流量の予測精度が悪いばかりでなく、無人化が図れ
ないという問題があった。
配水流量の予測精度が悪いばかりでなく、無人化が図れ
ないという問題があった。
本発明の目的とするところは、人手による演算を必要
とすることなく、ニューラルネットワークモデルを用い
て先所定日の配水流量を精度よく推定することができ、
無人化を図ることが可能な極めて信頼性の高い配水流量
予測システムを提供することにある。
とすることなく、ニューラルネットワークモデルを用い
て先所定日の配水流量を精度よく推定することができ、
無人化を図ることが可能な極めて信頼性の高い配水流量
予測システムを提供することにある。
［発明の構成］ （課題を解決するための手段） 上記の目的を達成するために本発明では、上水道施設
における配水流量を予測するシステムを、上水道施設に
おける配水流量データを検出する配水流量検出手段と、
上水道施設における配水流量を変動させる天候，気温，
曜日等の要因データを入力する入力手段と、配水流量検
出手段にて検出された過去の配水流量データである配水
流量実績、および入力手段にて入力される要因データに
基づいて、配水流量パターンを特定するための特徴を定
義し、かつ当該特徴により配水流量パターンを分類する
配水流量パターン分類手段と、配水流量パターン分類手
段にてパターン分類された配水流量実績に基づいて、過
去の気象データおよび曜日を入力とし配水流量パターン
を出力するニューラルネットワークの重み係数を学習す
ることにより予測モデルを作成する予測モデル作成手段
と、入力手段にて入力される先所定日における要因デー
タに基づいて、予測モデル作成手段にて作成された予測
モデルを用いて、先所定日における配水流量パターンを
予測する配水流量パターン予測手段とを備えて構成して
いる。
における配水流量を予測するシステムを、上水道施設に
おける配水流量データを検出する配水流量検出手段と、
上水道施設における配水流量を変動させる天候，気温，
曜日等の要因データを入力する入力手段と、配水流量検
出手段にて検出された過去の配水流量データである配水
流量実績、および入力手段にて入力される要因データに
基づいて、配水流量パターンを特定するための特徴を定
義し、かつ当該特徴により配水流量パターンを分類する
配水流量パターン分類手段と、配水流量パターン分類手
段にてパターン分類された配水流量実績に基づいて、過
去の気象データおよび曜日を入力とし配水流量パターン
を出力するニューラルネットワークの重み係数を学習す
ることにより予測モデルを作成する予測モデル作成手段
と、入力手段にて入力される先所定日における要因デー
タに基づいて、予測モデル作成手段にて作成された予測
モデルを用いて、先所定日における配水流量パターンを
予測する配水流量パターン予測手段とを備えて構成して
いる。
（作用） 従って、本発明の配水流量予測システムにおいては、
上水道施設における配水流量データが配水流量検出手段
によって検出され、また入力手段からオペレータによっ
て、天候，気温，曜日等の、上水道施設における配水流
量を変動させる要因データが入力される。
上水道施設における配水流量データが配水流量検出手段
によって検出され、また入力手段からオペレータによっ
て、天候，気温，曜日等の、上水道施設における配水流
量を変動させる要因データが入力される。
次に、配水流量パターン分類手段では、過去の配水流
量実績、および要因データに基づいて、配水流量パター
ンを特定するための特徴が定義され、この特徴により配
水流量パターンが分類される。さらに、予測モデル作成
手段では、過去の気象データおよび曜日を入力とし配水
流量パターンを出力するニューラルネットワークの重み
係数を学習することにより、パターン分類された配水流
量実績に基づいて、予測モデルが作成される。そして、
配水流量パターン予測手段では、先所定日における要因
データに基づき、この予測モデルを用いて先所定日にお
ける配水流量パターン（例えば、翌日における１時間毎
の配水流量）が予測される。
量実績、および要因データに基づいて、配水流量パター
ンを特定するための特徴が定義され、この特徴により配
水流量パターンが分類される。さらに、予測モデル作成
手段では、過去の気象データおよび曜日を入力とし配水
流量パターンを出力するニューラルネットワークの重み
係数を学習することにより、パターン分類された配水流
量実績に基づいて、予測モデルが作成される。そして、
配水流量パターン予測手段では、先所定日における要因
データに基づき、この予測モデルを用いて先所定日にお
ける配水流量パターン（例えば、翌日における１時間毎
の配水流量）が予測される。
これにより、人手による演算を必要としないで、しか
も極めて精度の高い配水流量予測を行なうことができ
る。
も極めて精度の高い配水流量予測を行なうことができ
る。
（実施例） 以下、本発明の一実施例について図面を参照して詳細
に説明する。
に説明する。
第１図は、本発明による配水流量予測システムの構成
例を示すブロック図である。第１図において、上水は、
配水池１より配水管２を介して、自然流下で配水管網３
に配水される。そして、この配水管２内の配水流量を、
配水流量検出器４にて検出するようにしている。また、
このこの配水流量検出器４にて検出された配水流量検出
値を、入力装置（プロセスインターフェース）５を介し
て、演算装置６へ入力するようにしている。さらに、入
出力装置（マンマシンインターフェース）７から、上水
道施設における配水流量を変動させる要因データであ
る、気象実績および気象予報の情報（天候，気温，曜日
等）を演算装置６へ入力し、演算装置６で演算された配
水流量パターンを出力装置（CRT）８へ出力するように
している。
例を示すブロック図である。第１図において、上水は、
配水池１より配水管２を介して、自然流下で配水管網３
に配水される。そして、この配水管２内の配水流量を、
配水流量検出器４にて検出するようにしている。また、
このこの配水流量検出器４にて検出された配水流量検出
値を、入力装置（プロセスインターフェース）５を介し
て、演算装置６へ入力するようにしている。さらに、入
出力装置（マンマシンインターフェース）７から、上水
道施設における配水流量を変動させる要因データであ
る、気象実績および気象予報の情報（天候，気温，曜日
等）を演算装置６へ入力し、演算装置６で演算された配
水流量パターンを出力装置（CRT）８へ出力するように
している。
また、演算装置６は、配水流量パターン分類手段12
と、予測モデル作成手段13と、配水流量パターン予測手
段14とからなっている。
と、予測モデル作成手段13と、配水流量パターン予測手
段14とからなっている。
ここで、配水流量パターン分類手段12は、配水流量検
出器４にて検出された過去の配水流量データである配水
流量実績、および入出力装置７にて入力される要因デー
タに基づいて、配水流量パターンを特定するための特徴
を定義し、この特徴により配水流量パターンを分類する
ものである。また、予測モデル作成手段13は、配水流量
パターン分類手段12にてパターン分類された配水流量実
績に基づいて、過去の気象データ（天候、気温、湿度
等）および曜日を入力とし配水流量パターンを出力する
ニューラルネットワークの重み係数を学習することによ
り予測モデルを作成するものである。さらに、配水流量
パターン予測手段14は、入出力装置７にて入力される先
所定日（例えば、翌日）における要因データ（天候、曜
日等）に基づいて、予測モデル作成手段にて作成された
予測モデルを用いて、先所定日（例えば、翌日）におけ
る配水流量パターンを予測するものである。
出器４にて検出された過去の配水流量データである配水
流量実績、および入出力装置７にて入力される要因デー
タに基づいて、配水流量パターンを特定するための特徴
を定義し、この特徴により配水流量パターンを分類する
ものである。また、予測モデル作成手段13は、配水流量
パターン分類手段12にてパターン分類された配水流量実
績に基づいて、過去の気象データ（天候、気温、湿度
等）および曜日を入力とし配水流量パターンを出力する
ニューラルネットワークの重み係数を学習することによ
り予測モデルを作成するものである。さらに、配水流量
パターン予測手段14は、入出力装置７にて入力される先
所定日（例えば、翌日）における要因データ（天候、曜
日等）に基づいて、予測モデル作成手段にて作成された
予測モデルを用いて、先所定日（例えば、翌日）におけ
る配水流量パターンを予測するものである。
次に、以上のように構成した配水流量予測システムの
作用について、第２図および第３図を用いて説明する。
作用について、第２図および第３図を用いて説明する。
なお、第２図は演算装置６の上記各手段12,13,14の機
能と情報の関連図、第３図は分類された配水流量パター
ンの一例を示す図である。
能と情報の関連図、第３図は分類された配水流量パター
ンの一例を示す図である。
図において、配水流量検出器４にて検出された配水流
量検出値は、入力装置５を介して演算装置６の配水流量
のパターン分類手段12に入力され、配水流量実績手段21
に蓄えられる。また、この配水流量実績手段21に蓄えら
れた配水流量実績と関連づけて、入出力装置７を介して
入力された気象実績が、気象実績手段22に蓄えられる。
量検出値は、入力装置５を介して演算装置６の配水流量
のパターン分類手段12に入力され、配水流量実績手段21
に蓄えられる。また、この配水流量実績手段21に蓄えら
れた配水流量実績と関連づけて、入出力装置７を介して
入力された気象実績が、気象実績手段22に蓄えられる。
次に、この配水流量実績手段21に蓄えられた配水流量
実績、および気象実績手段22に蓄えられた気象実績に基
づいて、ニューラルネットワークへの入力信号となる気
象実績が分類されて気象実績手段24へ、また教示（出
力）信号となる配水量実績が分類されて配水流量実績手
段23へ蓄えられる。
実績、および気象実績手段22に蓄えられた気象実績に基
づいて、ニューラルネットワークへの入力信号となる気
象実績が分類されて気象実績手段24へ、また教示（出
力）信号となる配水量実績が分類されて配水流量実績手
段23へ蓄えられる。
まず、ニューラルネットワークの入力信号となる気象
実績および曜日に関する情報について説明する。
実績および曜日に関する情報について説明する。
気象実績および曜日に関する情報は、以下のような方
法でニューラルネットワークの入力信号に変換される。
法でニューラルネットワークの入力信号に変換される。
（ａ）曜日に関する情報 曜日に関する情報は、次のような分類で表現される。
・平日（火〜金） ・休み明けの平日（月曜含む） ・土曜 ・日祭日 ・特異日（正月、盆、５月連休） （ｂ）最高気温に関する情報 最高気温に関する情報は、以下のような方法で分類さ
れて表現される。
れて表現される。
最高気温の実績から平均と分散が演算される。
ここで、 θmax(i):i日の最高気温実績［℃］ max :平均最高気温［℃］ σθmax :最高気温の分散［℃］ ｎ :データ数 次に、平均最高気温からの偏りが次式により演算され
る。
る。
ｉ日の最高気温の平均からの偏り この により、ｉ日の最高気温の偏りの度合いが以下のように
分類され、最高気温に関する情報が表現される。
分類され、最高気温に関する情報が表現される。
Δθ１、Δθ２、Δθ3:気温に関する情報の分類のた
めのしきい値 （ｃ）最低気温に関する情報 最低気温に関する情報は、上述の最高気温の場合と同
じ方法で分類されて表現される。
めのしきい値 （ｃ）最低気温に関する情報 最低気温に関する情報は、上述の最高気温の場合と同
じ方法で分類されて表現される。
最低気温の実績から平均と分散が演算される。
ここで、 θmin(i):i日の最低気温実績［℃］ min :平均最低気温［℃］ σθmin :最低気温の分散［℃］ ｎ :データ数 次に、平均最低気温からの偏りが次式により演算され
る。
る。
この により、ｉ日の最低気温の偏りの度合いが以下のように
７種類に分けられて、最低気温に関する情報が表現され
る。
７種類に分けられて、最低気温に関する情報が表現され
る。
（ｄ）天候に関する情報 天候に関する情報は、前々日、前日、当日の３日分の
それぞれの午前と午後の天候が晴、曇、雨で表現され
る。従って、ある１日の天候に関する情報は、晴、曇、
雨という情報で表現される。
それぞれの午前と午後の天候が晴、曇、雨で表現され
る。従って、ある１日の天候に関する情報は、晴、曇、
雨という情報で表現される。
・前々日の午前の天候 ・前々日の午後の天候 ・前日の午前の天候 ・前日の午後の天候 ・当日の午前の天候 ・当日の午後の天候 次に、ニューラルネットワークの教示（出力）信号と
なる配水流量実績について説明する。
なる配水流量実績について説明する。
まず、配水流量のパターン変化の特徴を基に、パター
ン分類するための特徴指標について述べる。
ン分類するための特徴指標について述べる。
（ａ）日配水流量に関する特徴 日配水流量の特徴に関する情報は、以下のような方法
で分類されて表現される。
で分類されて表現される。
日配水流量実績から平均と分散が演算される。
ここで、 Q(i):i日の日配水流量実績［m3/日］ :平均日配水量［m3/日］ σQ :日配水量の分散［m3/日］ ｎ :データ数 次に、平均日配水流量からの偏りが次式により演算さ
れる。
れる。
(i)＝（Q(i)-）／σＱ …（23） (i):i日の日配水量の偏り この(i)により、ｉ日の配水量の偏りの度合いが以
下のように分類されて、日配水量の特徴に関する情報が
得られる。
下のように分類されて、日配水量の特徴に関する情報が
得られる。
Δθ1,Δθ2,Δθ3:日配水流量に関する情報の分類の
ためのしきい値。
ためのしきい値。
（ｂ）朝の配水流量パターンの特徴に関する情報 （b1）ピーク時刻に関する情報 朝のピーク時刻に関する情報は、７時,8時,9時等の時
刻別種類で表現される。
刻別種類で表現される。
（b2）ピーク時刻付近の配水流量に関する情報 朝のピーク時刻付近の配水流量に関する情報は、以下
のような方法で分類される。
のような方法で分類される。
時間配水量実績からｊ時の平均と分散が演算される。
ここで、 qj(i):i日のｊ時の配水流量実績［％］で、この配水
流量実績は日配水流量に対する割合である。
流量実績は日配水流量に対する割合である。
j :j時の平均配水流量［％］ σqj:j時の配水流量の分散［％］ 次に、平均配水流量からの偏りが次式により演算され
る。
る。
j(i)＝（qj(i)−ｊ）／σqj …（33） j(i):i日のｊ時の配水流量の偏り このj(i)により、ｉ日のｊ時の日配水流量の偏りの
度合いが以下のように分類されて、朝のピーク時刻の配
水流量の特徴に関する情報が得られる。
度合いが以下のように分類されて、朝のピーク時刻の配
水流量の特徴に関する情報が得られる。
j(i)−Δq3 …（34） −Δq3 j(i)−Δq2 …（35） −Δq2 j(i)−Δq1 …（36） −Δq1 j(i)Δq1 …（37） Δq1 j(i)＜Δq2 …（38） Δq2 j(i)Δq3 …（39） Δq3 j(i) …（40） （b3）配水流量ピークからの変化の特徴に関する情報 配水量ピーク時刻からの配水量変化の特徴は、配水流
量パターンの継続性と減衰性で表現される。
量パターンの継続性と減衰性で表現される。
dqj(i)＝（qj(i)−qj+1(i)/qj(i) …（41） dqj(i):i日のｊ時の流量変化率 次に、流量変化率の大きさが以下のように判定され
る。
る。
流量変化が小さい:dqj(i)ε …（42） 流量変化が小さい:dqj(i)＞ε …（43） ε：流量変化のしきい値 継続性に関する特徴は、この流量変化の大きさにより
以下のように表現される。
以下のように表現される。
ピーク時刻から２時間継続して変化が小さい。
ピーク時刻から１時間継続して変化が小さい。
ピーク時刻の次の時刻の変化が大きい。
また、減衰性に関する特徴は、先の流量変化の大きさ
により以下のように表現される。
により以下のように表現される。
ピーク時刻の次の時刻の流量変化が大きい。
ピーク時刻の次の時刻の流量変化が小さい。
（ｃ）配水流量パターンの分類 以上のようにして得られた配水流量パターンの特徴か
ら、配水流量パターンが数十種類に分類される。
ら、配水流量パターンが数十種類に分類される。
分類するための手順は、以下に示すようになる。
（ステップ１）：配水流量のピーク時刻に関する特徴
で分類される。
で分類される。
（ステップ２）：配水流量のピーク時刻の配水流量に
関する特徴で分類される。
関する特徴で分類される。
（ステップ３）：分類された数がｍ個以下の時はステ
ップ10へ、ｍ個以上の時は次ステップへ。
ップ10へ、ｍ個以上の時は次ステップへ。
（ステップ４）：配水流量のピーク時刻付近の配水流
量に関する特徴で分類される。
量に関する特徴で分類される。
（ステップ５）：分類された数がｍ個以下の時はステ
ップ10へ、ｍ個以上の時は次ステップへ （ステップ６）：配水流量ピークから配水量変化の継
続性に関する特徴で分類する。
ップ10へ、ｍ個以上の時は次ステップへ （ステップ６）：配水流量ピークから配水量変化の継
続性に関する特徴で分類する。
（ステップ７）：分類された数がｍ個以下の時はステ
ップ10へ、ｍ個以上の時は次ステップへ。
ップ10へ、ｍ個以上の時は次ステップへ。
（ステップ８）：配水流量ピークからの配水量変化の
減衰性に関する特徴で分類される。
減衰性に関する特徴で分類される。
（ステップ９）：分類された数がｍ個以下の時はステ
ップ10へ、ｍ個以上の時は最終分類数をＭとして終了。
ップ10へ、ｍ個以上の時は最終分類数をＭとして終了。
（ステップ10）:1ステップ前の分類数をＭとして終
了。
了。
全ての配水流量実績を分類するまで上記ステップを繰
返す。
返す。
M:ある配水流量パターンの分類された数 m:最大分類数（１パターンあたり） このようにして、配水量実績をｍ個以上のパターンへ
分類することができる。
分類することができる。
また、この分類により得られたパターン毎に、配水流
量パターンを平均して、各分類毎の代表パターンとな
り、このパターン番号（シーケンシャルにつけられる）
がニューラルネットワークの教示信号となる。
量パターンを平均して、各分類毎の代表パターンとな
り、このパターン番号（シーケンシャルにつけられる）
がニューラルネットワークの教示信号となる。
第３図は、分類された配水流量パターンの一例を示す
図である。
図である。
次に、配水流量のパターン分類手段31により得られた
配水流量パターン23および気象、曜日に関する気象実績
パターン24を基に、ニューラルネットワークによる予測
モデル作成手段13にて、予測モデルを学習する方法につ
いて説明する。
配水流量パターン23および気象、曜日に関する気象実績
パターン24を基に、ニューラルネットワークによる予測
モデル作成手段13にて、予測モデルを学習する方法につ
いて説明する。
まず、ニューラルネットワークの構造は、気象実績お
よび曜日に関するパターンを入力層のニューロンとし、
分類された配水流量パターンに対応したパターン番号を
出力層のニューロンとする。また、入力層と出力層の間
に中間層をもつ３層のニューラルネットワークとする。
よび曜日に関するパターンを入力層のニューロンとし、
分類された配水流量パターンに対応したパターン番号を
出力層のニューロンとする。また、入力層と出力層の間
に中間層をもつ３層のニューラルネットワークとする。
ニューラルネットワークの各層各ニューロン間の重み
係数の学習は、バックプロパゲーション法を使用して行
なう。この学習の結果、得られる重み係数が予測モデル
25として記憶される。
係数の学習は、バックプロパゲーション法を使用して行
なう。この学習の結果、得られる重み係数が予測モデル
25として記憶される。
配水流量のパターン分類手段31により得られた配水流
量パターン23および気象、曜日パターン24を基に、ニュ
ーラルネットワークによる予測モデル作成手段13にて、
予測モデルを学習する方法について説明する。
量パターン23および気象、曜日パターン24を基に、ニュ
ーラルネットワークによる予測モデル作成手段13にて、
予測モデルを学習する方法について説明する。
まず、ニューラルネットワークの構造は、気象実績お
よび曜日に関する情報を入力層のニューロンとし、分類
された配水流量パターンに対応したパターン番号を出力
層のニューロンとする。また、入力層出力層の間に中間
層をもつ３層のニューラルネットワークとする。
よび曜日に関する情報を入力層のニューロンとし、分類
された配水流量パターンに対応したパターン番号を出力
層のニューロンとする。また、入力層出力層の間に中間
層をもつ３層のニューラルネットワークとする。
ニューラルネットワークの各層各ニューロン間の重み
係数の学習は、以下に示すバックプロパゲーション法を
使用して行なう。バックプロパゲーション法とは、階層
型の構造をしたニューラルネットワークに対して、ネッ
トワークの誤差が、出力層から入力層へ逆伝播していく
学習方式である。
係数の学習は、以下に示すバックプロパゲーション法を
使用して行なう。バックプロパゲーション法とは、階層
型の構造をしたニューラルネットワークに対して、ネッ
トワークの誤差が、出力層から入力層へ逆伝播していく
学習方式である。
以下に、学習の手順を示す。
（ステップ１）：入力層に、気象実績および曜日に関
するパターン情報を入力信号として入力し、中間層およ
び出力層が以下のニューロンモデルに従って演算され
る。
するパターン情報を入力信号として入力し、中間層およ
び出力層が以下のニューロンモデルに従って演算され
る。
中間層の第ｊニューロンの出力Hjは、 ここで、 Ii ：入力層第ｉニューロンの出力 Wij ：入力層第ｉニューロンと中間層第ｊニュー
ロンの重み係数 ｌ ：入力層の数 ｍ ：中間層の数 ｆ（ ）：中間層のしきい値関数 また、出力層の第ｋニューロンの出力Okは ここで、 wjk:中間層第ｊニューロンと出力層第ｋニューロンと
の重み係数 m:中間層の数 n:出力層の数 （ステップ２）：出力層の第ｋニューロンの出力Okと
出力層第ｋニューロンの教示信号ykとの二乗誤差の和を
最小化するように、ネットワークの重み係数が修正して
学習される。中間層と出力層との重み係数の学習は、次
式のΔWjkを演算し、Wjkが修正される。
ロンの重み係数 ｌ ：入力層の数 ｍ ：中間層の数 ｆ（ ）：中間層のしきい値関数 また、出力層の第ｋニューロンの出力Okは ここで、 wjk:中間層第ｊニューロンと出力層第ｋニューロンと
の重み係数 m:中間層の数 n:出力層の数 （ステップ２）：出力層の第ｋニューロンの出力Okと
出力層第ｋニューロンの教示信号ykとの二乗誤差の和を
最小化するように、ネットワークの重み係数が修正して
学習される。中間層と出力層との重み係数の学習は、次
式のΔWjkを演算し、Wjkが修正される。
Wjk（ｔ＋１）＝Wjk（ｔ）＋ΔWjk（ｔ） …（46） ΔWjk（ｔ） ＝−ε・dk（ｔ）・Hj（ｔ） …（47） dk（ｔ） ＝Ok（ｔ）−yk（ｔ） …（48） ここで、 t :学習回数 ε:1回の修正の大きさを決めるパラメータ dk:出力層の誤差 入力層と中間層との重み係数の学習は、次式のΔWij
を演算し、Wijが修正される。
を演算し、Wijが修正される。
Wij（ｔ＋１）＝Wij（ｔ）＋ΔWij（ｔ） …（49） ΔWij（ｔ） ＝−ε・dj（ｔ）・Hi（ｔ） …（50） di:中間層の逆伝播誤差 ｆ′（ ）:f（ ）の微分 さらに、振動を減らし、学習の収束を早めるために、
（47），（50）式の代わりに次式を用いることも有効で
ある。
（47），（50）式の代わりに次式を用いることも有効で
ある。
ΔWjk（ｔ）＝−ε・dk（ｔ）・Hj（ｔ） ＋α・ΔWjk（ｔ−１） …（52） ΔWij（ｔ）＝−ε・dj（ｔ）・Ii（ｔ） ＋α・ΔWij（ｔ−１） …（53） ここで、αは安定のためのパラメータである。
そして、以上のような学習の結果得られた重み係数
が、予測モデル25として記憶される。
が、予測モデル25として記憶される。
次に、配水流量パターン予測手段14にて、翌日の配水
流量パターンを予測する方法について説明する。
流量パターンを予測する方法について説明する。
すなわち、翌日の配水流量パターンは、入出力装置７
により入力された気象予報26と、予測モデル25に記憶さ
れた重み係数とから、ニューラルネットワークの演算に
したがって出力層の各パターン（各ニューロン）の値を
演算し、出力層の各ニューロンの値の最大値を示すパタ
ーンが、翌日の配水流量予測パターンとして選択され
る。そして、この予測された配水量パターン27は、入出
力装置７を介して出力装置８へ出力される。
により入力された気象予報26と、予測モデル25に記憶さ
れた重み係数とから、ニューラルネットワークの演算に
したがって出力層の各パターン（各ニューロン）の値を
演算し、出力層の各ニューロンの値の最大値を示すパタ
ーンが、翌日の配水流量予測パターンとして選択され
る。そして、この予測された配水量パターン27は、入出
力装置７を介して出力装置８へ出力される。
上述したように、本実施例の配水流量予測システムに
おいては、上水道施設における配水流量を、ニューラル
ネットワークモデルに基づいて予測している。また、こ
のニューラルネットワークモデルにおけるパラメータ
は、過去の配水流量データと、気象予測値および実績値
と、曜日予測値および実績値とに基づいて推定している
ので、極めて精度の高い配水流量予測を行なうことが可
能となる。さらに、配水流量を変動させる要因データと
して、翌日の気象予報値を採用しており、これらのデー
タは、天気予報等で容易に入手することができる。さら
にまた、予測後に蓄積された配水流量実績に基づいて配
水流量パターンを分類し、学習するようにしているの
で、新しい配水流量実績に基づいて予測モデル25を更新
することができ、蓄積されてデータを有効に活用して、
予測モデル25の精度向上を簡単に図ることが可能とな
る。従って、中・長期変動に対応できる予測モデル25を
得ることができ、蓄積された配水流量実績を有効に活用
した精度の良好な配水流量パターンの予測を行なうこと
ができるという効果が得られるものである。
おいては、上水道施設における配水流量を、ニューラル
ネットワークモデルに基づいて予測している。また、こ
のニューラルネットワークモデルにおけるパラメータ
は、過去の配水流量データと、気象予測値および実績値
と、曜日予測値および実績値とに基づいて推定している
ので、極めて精度の高い配水流量予測を行なうことが可
能となる。さらに、配水流量を変動させる要因データと
して、翌日の気象予報値を採用しており、これらのデー
タは、天気予報等で容易に入手することができる。さら
にまた、予測後に蓄積された配水流量実績に基づいて配
水流量パターンを分類し、学習するようにしているの
で、新しい配水流量実績に基づいて予測モデル25を更新
することができ、蓄積されてデータを有効に活用して、
予測モデル25の精度向上を簡単に図ることが可能とな
る。従って、中・長期変動に対応できる予測モデル25を
得ることができ、蓄積された配水流量実績を有効に活用
した精度の良好な配水流量パターンの予測を行なうこと
ができるという効果が得られるものである。
尚、本発明は上記実施例に限定されるものではなく、
次のようにして実施することができるものである。
次のようにして実施することができるものである。
（ａ）上記実施例においては、１日の時間配水流量の変
化パターンを学習させて、翌日の時間配水流量パターン
を予測するシステムについて説明したが、日配水流量の
習慣変化、旬月変化、日変化の予測についても、全く同
様の手法で配水流量変化パターンを予測することができ
る。
化パターンを学習させて、翌日の時間配水流量パターン
を予測するシステムについて説明したが、日配水流量の
習慣変化、旬月変化、日変化の予測についても、全く同
様の手法で配水流量変化パターンを予測することができ
る。
（ｂ）上記実施例においては、パターン分類の一例につ
いて説明したが、他の特徴についても同様に分類クライ
ラリアを与えることにより、他のパターン分類を行なう
ことも可能である。例えば、第２ピークの形状につい
て、同様な手法を適用すればよい。また、分類が多岐に
わたる場合には、エキスパートシステムによる定式化を
行なうことによって解決することができる。
いて説明したが、他の特徴についても同様に分類クライ
ラリアを与えることにより、他のパターン分類を行なう
ことも可能である。例えば、第２ピークの形状につい
て、同様な手法を適用すればよい。また、分類が多岐に
わたる場合には、エキスパートシステムによる定式化を
行なうことによって解決することができる。
（ｃ）中間層のニューロン数については、モデル作成時
に種々の数のモデルを発生させ、正答率の高いモデルを
選定すればよい。
に種々の数のモデルを発生させ、正答率の高いモデルを
選定すればよい。
（ｄ）中間層のニューロン数が大きくなる場合には、特
徴分類をいくつかのカテゴリーに分け、各々別のモデル
とすることにより、演算時間を現実のものとすることが
できる。例えば、朝のピークと夕方のピークを別のモデ
ルで予測することが可能である。
徴分類をいくつかのカテゴリーに分け、各々別のモデル
とすることにより、演算時間を現実のものとすることが
できる。例えば、朝のピークと夕方のピークを別のモデ
ルで予測することが可能である。
（ｅ）上記実施例では、配水流量パターン名を出力とし
ているが、この配水流量パターン名に加えて他の特徴
（例えば、気温が少し高い、気温が少し低い等）を出力
することにより、特徴の合成を行なうことができる。例
えば、あるパターンに近いが、ピークが若干高目のパタ
ーンになる等の予測を行なうことができる。これによ
り、より一層極めの細かい配水流量予測を行なうことが
可能である。
ているが、この配水流量パターン名に加えて他の特徴
（例えば、気温が少し高い、気温が少し低い等）を出力
することにより、特徴の合成を行なうことができる。例
えば、あるパターンに近いが、ピークが若干高目のパタ
ーンになる等の予測を行なうことができる。これによ
り、より一層極めの細かい配水流量予測を行なうことが
可能である。
［発明の効果］ 以上説明したように本発明によれば、人手による演算
を必要とすることなく、ニューラルネットワークモデル
を用いて先所定日の配水流量を精度よく推定することが
でき、無人化を図ることが可能な極めて信頼性の高い配
水流量予測システムが提供できる。
を必要とすることなく、ニューラルネットワークモデル
を用いて先所定日の配水流量を精度よく推定することが
でき、無人化を図ることが可能な極めて信頼性の高い配
水流量予測システムが提供できる。
第１図は本発明による配水流量予測システムの一実施例
を示すブロック図、第２図は同実施例における作用を説
明するための図、第３図は分類された配水流量パターン
の一例を説明するための図である。 １……配水池、２……配水管、３……配水管網、４……
配水流量検出器、５……入力装置（プロセスインターフ
ェース）、６……演算装置、７……入力装置（マンマシ
ンインターフェース）、８……出力装置（CRT）、12…
…配水流量パターン分類手段、13……予測モデル作成手
段、14……配水流量パターン予測手段、21……配水流量
実績手段、22……気象実績手段、23……分類された配水
流量実績、24……分類された気象実績、25……予測モデ
ル、26……気象予報、27……予測された配水流量パター
ン、31……配水流量のパターン分類手段、32……ニュー
ラルネットワークによる予測モデルの学習手段、33……
配水流量のパターン予測手段。
を示すブロック図、第２図は同実施例における作用を説
明するための図、第３図は分類された配水流量パターン
の一例を説明するための図である。 １……配水池、２……配水管、３……配水管網、４……
配水流量検出器、５……入力装置（プロセスインターフ
ェース）、６……演算装置、７……入力装置（マンマシ
ンインターフェース）、８……出力装置（CRT）、12…
…配水流量パターン分類手段、13……予測モデル作成手
段、14……配水流量パターン予測手段、21……配水流量
実績手段、22……気象実績手段、23……分類された配水
流量実績、24……分類された気象実績、25……予測モデ
ル、26……気象予報、27……予測された配水流量パター
ン、31……配水流量のパターン分類手段、32……ニュー
ラルネットワークによる予測モデルの学習手段、33……
配水流量のパターン予測手段。
Claims (2)
- 【請求項１】上水道施設における配水流量を予測するシ
ステムにおいて、 前記上水道施設における配水流量データを検出する配水
流量検出手段と、 前記上水道施設における配水流量を変動させる天候，気
温，曜日等の要因データを入力する入力手段と、 前記配水流量検出手段にて検出された過去の配水流量デ
ータである配水流量実績、および前記入力手段にて入力
される要因データに基づいて、配水流量パターンを特定
するための特徴を定義し、かつ当該特徴により配水流量
パターンを分類する配水流量パターン分類手段と、 前記配水流量パターン分類手段にてパターン分類された
配水流量実績に基づいて、過去の気象データおよび曜日
を入力とし前記配水流量パターンを出力するニューラル
ネットワークの重み係数を学習することにより予測モデ
ルを作成する予測モデル作成手段と、 前記入力手段にて入力される先所定日における要因デー
タに基づいて、前記予測モデル作成手段にて作成された
予測モデルを用いて、前記先所定日における配水流量パ
ターンを予測する配水流量パターン予測手段と、 を備えて成ることを特徴とする配水流量予測システム。 - 【請求項２】前記配水流量パターン予測手段としては、
前記入力手段にて入力される翌日の気象データおよび曜
日に基づいて、翌日における１時間毎の配水流量を配水
流量パターンとして予測するようにしたことを特徴とす
る請求項（１）項に記載の配水流量予測システム。 を備えて成ることを特徴とする配水流量予測システム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18687390A JP2698692B2 (ja) | 1990-07-13 | 1990-07-13 | 配水流量予測システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18687390A JP2698692B2 (ja) | 1990-07-13 | 1990-07-13 | 配水流量予測システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0473332A JPH0473332A (ja) | 1992-03-09 |
| JP2698692B2 true JP2698692B2 (ja) | 1998-01-19 |
Family
ID=16196172
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP18687390A Expired - Lifetime JP2698692B2 (ja) | 1990-07-13 | 1990-07-13 | 配水流量予測システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2698692B2 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112580260B (zh) * | 2020-12-22 | 2024-09-17 | 广州杰赛科技股份有限公司 | 管网水流量的预测方法、装置以及计算机可读存储介质 |
| WO2024029453A1 (ja) * | 2022-08-03 | 2024-02-08 | サントリーホールディングス株式会社 | 情報処理装置、情報処理方法、及びプログラム |
-
1990
- 1990-07-13 JP JP18687390A patent/JP2698692B2/ja not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| JPH0473332A (ja) | 1992-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112241814B (zh) | 一种基于强化时空图神经网络的交通预测方法 | |
| JP3352153B2 (ja) | 配水流量予測装置 | |
| CN108280551B (zh) | 一种利用长短期记忆网络的光伏发电功率预测方法 | |
| CN111612243B (zh) | 交通速度预测方法、系统及存储介质 | |
| Essien et al. | Improving urban traffic speed prediction using data source fusion and deep learning | |
| CN111626518A (zh) | 基于深度学习神经网络的城市天级需水量在线预测方法 | |
| CN105956690A (zh) | 一种供水预测方法及系统 | |
| CN110222888A (zh) | 一种基于bp神经网络的日平均电力负荷预测方法 | |
| CN110443417A (zh) | 基于小波变换的多模型集成负荷预测方法 | |
| CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
| Massaoudi et al. | Performance evaluation of deep recurrent neural networks architectures: Application to PV power forecasting | |
| CN115410372B (zh) | 基于贝叶斯lstm的高速公路交通流量可靠预测方法 | |
| CN111815075B (zh) | 一种重大公共卫生事件下交通出行需求的预测方法 | |
| CN118296569B (zh) | 一种基于人工智能算法的城市街区能耗预测方法 | |
| Faruq et al. | Deep Learning-Based Forecast and Warning of Floods in Klang River, Malaysia. | |
| Sahoo et al. | Multi-step ahead urban water demand forecasting using deep learning models | |
| CN117688438A (zh) | 一种公共综合设施燃气供气安全监测预警系统及方法 | |
| Priatna et al. | Precipitation prediction using recurrent neural networks and long short-term memory | |
| JP2704026B2 (ja) | 熱負荷予測システム | |
| CN117787551A (zh) | 基于光伏发电量和光照辐射量的光伏组件清洁决策方法及系统 | |
| JP2698692B2 (ja) | 配水流量予測システム | |
| CN117370813A (zh) | 一种基于k线模式匹配算法的大气污染深度学习预测方法 | |
| JPH0949884A (ja) | ニューラルネットワークを用いた局地的気象予測方法 | |
| JP2001245432A (ja) | 需要予測装置 | |
| CN111797981B (zh) | 一种基于双向长短期记忆神经网络的单日光伏发电量预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20070919 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080919 Year of fee payment: 11 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Year of fee payment: 11 Free format text: PAYMENT UNTIL: 20080919 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Year of fee payment: 12 Free format text: PAYMENT UNTIL: 20090919 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090919 Year of fee payment: 12 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Year of fee payment: 13 Free format text: PAYMENT UNTIL: 20100919 |
|
| EXPY | Cancellation because of completion of term |