JP2971276B2 - 配水量パターン予測装置 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、上水道施設の取水から
配水までの上水道プロセスを計画的に運用するために用
いる配水量パターンを予測する配水量パターン予測装置
に係り、とりわけ精度良く配水量パターンを予測するこ
とができる配水量パターン予測装置に関する。

【０００２】

【従来の技術】一般に上水道施設において、原水を山間
部のダム式貯水池や河川等の取水場から取水し、浄水場
まで導水路によって導いている。取水場から浄水場まで
の導水遅れが大きいことや、浄水場内での浄水プロセス
が凝集および沈澱を伴ない原理的に時間遅れが大きいた
め、取水から配水までのプロセスを配水流量の変動に対
応してフィードバック的に運用することはむずかしい。
従って、当日の配水量パターンを予め予測し、上水施設
での取水から配水までの水運用計画を立てることが必要
となる。

【０００３】配水流量は、１）天候，気温等の気象条
件、２）曜日，祝祭日，五月連休，夏休み，正月休み等
の特異日等による社会生活条件、によって影響を受けて
変動する。

【０００４】このため、従来では同定能力を有するＧＭ
ＤＨ（Group Method of Data Handring ）を用いて配水
量の実績データを同定し、逐次時間単位で配水流量を予
測している。

【０００５】

【発明が解決しようとする課題】このような予測方法に
おいては、逐次予測方式をとっているため１日を通した
水運用計画が立てられない。またこの予測方法によれ
ば、日々得られる実績データを教示信号とする学習能力
がないために、過去の配水量の実績データを有効に利用
することができず、人口移動や配管工事等による長期的
な構造変動にも追従できないという問題がある。このた
め、結局は日々の運用が専門家や職場オペレータに依存
してしまうことにもなっていた。

【０００６】本発明は、このような点を考慮してなされ
たものであり、曜日や気象条件により時間単位の配水量
を精度良く予測することができ、これにより経済的に安
定した水供給を計画的に行うことができる配水量パター
ン予測装置を提供することを目的とする。

【０００７】

【課題を解決するための手段】本発明は、過去の気象実
績データおよびこれに対応する平日か休日かのデータか
ら予測モデル同定のための入力情報を求めるとともに、
過去の配水量パターンから入力情報に対応する予測モデ
ル同定のための出力情報を求めるデータ処理手段と、予
測モデル同定のための入力情報および出力情報に基づい
て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、配水量パターンを予測する予測モデルを同定する
予測モデル同定手段と、予測モデル同定手段からの予測
モデルに気象予報データおよび平日か休日かのデータを
入力して配水量パターンを演算するとともに、データ処
理手段から入力される実績配水量パターンの中から演算
後の配水量パターンに最も類似する実績配水量パターン
を選択する配水量パターン予測手段と、を備えたことを
特徴とする上水道施設における配水量パターン予測装置
である。

【０００８】

【作用】データ処理手段において、過去の気象実績デー
タおよび過去の平日か休日かのデータから予測モデル同
定のための入力情報が求められ、これに対応する過去の
配水量パターンから予測モデル同定のための出力情報が
求められる。予測モデル同定手段において入力情報と出
力情報に基づいてニューラルネットワークの重み係数を
学習して予測モデルが同定され、配水量パターン予測手
段において予測モデルに気象予報データおよび平日か休
日かのデータが入力されて配水量パターンが演算され、
演算後の配水量パターンに最も類似する実績配水量パタ
ーンが選択される。

【０００９】

【実施例】以下、図面を参照して本発明の実施例につい
て説明する。図１乃至図４は、本発明による配水量パタ
ーン予測装置の一実施例を示す図である。

【００１０】図１において、上水は配水池１より配水管
７を介して自然流下で需要家へ配水される。前記配水管
７には配水流量を検出する配水流量検出器２が設置され
ている。この配水流量検出器２で検出された配水流量検
出値は、プロセスインターフェイス３を介して、本発明
による配水量パターン予測装置６へ入力される。

【００１１】また、配水量パターン予測装置６にはＣＲ
Ｔ４およびマンマシンインタフェイス５が接続され、マ
ンマシンインターフェイス５から、天候・気温実績デー
タ及び天候・気温予測データ、平日か休日かのデータ、
パラメータ設定値等（類似度指標に用いるパラメータ
等）が入力され、配水量パターン予測装置６で演算され
た時間配水量パターンをＣＲＴ４へ出力されるようにな
っている。

【００１２】図１に示すように、配水量パターン予測装
置６は、過去の気象実績データおよび対応する平日か休
日かのデータを処理して入力情報を求めるとともに、こ
の入力情報に対応する過去の配水量パターンの特徴を抽
出して予測モデル同定のための出力情報を求めるデータ
処理手段１１と、この入力情報および出力情報に基づい
て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、配水量パターンを予測する予測モデルを同定する
予測モデル同定手段１２と、予測モデル同定手段１２か
らの予測モデルに気象予報データおよび平日か休日かの
データを入力して配水量パターンを予測するとともに、
データ処理手段から入力される実績配水量パターンの中
から予測配水量パターンに最も類似する実績配水量パタ
ーンを選択する配水量パターン予測手段１３とを備えて
いる。

【００１３】このうち、データ処理手段１１はマンマシ
ンインターフェイス５から入力される天候・気温実績デ
ータを蓄積する天候・気温実績データ蓄積手段３１と、
天候・気温データ処理手段２１と、処理データ蓄積手段
３３とを有している。さらにデータ処理手段１１はプロ
セスインターフェイス３から入力される時間単位配水量
データを蓄積する時間単位配水量実績データ蓄積手段３
２と、正規化処理手段２２と、パターン特徴抽出手段２
３と、パターン特徴蓄積手段３４と、実績配水量パター
ン蓄積手段３５とを有している。

【００１４】また、予測モデル同定手段１２は、ニュー
ラルネットワークの重み係数を学習するニューラルワー
クの学習手段２４と、重み係数蓄積手段３６とを有して
いる。

【００１５】さらに、時間排水量パターン予測手段１３
は、重み係数蓄積手段からの予測モデルに気象予報デー
タ等を入力して配水量パターンを予測する時間配水量パ
ターン特徴予測手段２５と、類似パターンを検索する類
似パターン検索手段２６と、時間単位の配水量を求める
時間単位の配水量変換手段２７とを有している。

【００１６】次にこのような構成からなる本実施例の作
用について説明する。

【００１７】（データ処理手段の作用）図１において、
まずマンマシンインターフェイス５を介して入力された
天候・気温実績データが天候・気温実績データ蓄積手段
３１に蓄えられる。また、プロセスインターフェイス３
を介して時間単位の配水流量検出値が入力され、この配
水流量検出値は時間単位配水量実績データ蓄積手段３２
に蓄えられる。次に、予測モデル同定のためのニューラ
ルネットワークの入力信号とするため、天候・気温実績
データ蓄積手段３１に蓄積された天候・気温実績データ
を天候・気温データ処理手段２１で処理し、処理データ
蓄積手段３３に蓄える。このとき、平日か休日かのデー
タも同時に処理データ蓄積手段３３に蓄える。

【００１８】予測モデル同定のためのニューラルネット
ワークの教示信号（出力信号）となる配水量パターンに
ついては、時間単位配水量実績データ蓄積手段３２に蓄
積された時間単位配水量実績データを正規化処理手段２
２で処理した後、パターン特徴抽出手段２３でパターン
特徴抽出を行い、抽出した配水量パターンの特徴をパタ
ーン特徴蓄積手段３４に蓄える。また、パターン特徴抽
出手段２３で抽出された実績配水量パターンの特徴は、
実績配水量パターン蓄積手段３５に蓄えられる。同時
に、正規化処理された後の配水量実績データは、実績配
水量パターンとして実績配水量パターン蓄積手段３５に
蓄えられる。

【００１９】次にニューラルネットワークの教示信号
（出力信号）となる配水量パターンの特徴の処理につい
て以下詳述する。

【００２０】時間単位配水量実績データ蓄積手段３２の
時間単位配水量実績データは正規化処理手段２２におい
て、（１）式のように正規化される。

【００２１】

【数１】 ここで、 Ｑhour（ｉ，ｊ） ：ｉ日ｊ時の時間配水量実績 ［ｍ³ ／hour］ Ｑn-hour（ｉ，ｊ）：正規化されたｉ日ｊ時の時間配水量 ［％］ 次に、ｉ日の配水量パターンの特徴をパターン特徴抽出
手段２３において抽出する作用について、図２を参照し
て説明する。

【００２２】図２はｉ日の正規化された配水量パターン
を示している。図２において、配水量パターンの午前中
のピーク値及び午後のピーク値、午前中の配水量の立ち
上がりの傾き及び午後の配水量の立ち上がりの傾きを次
のように求める。

【００２３】 Ｐam（ｉ）＝Ｑn-hour（ｉ，ｔ1 ） （２） Ｐpm（ｉ）＝Ｑn-hour（ｉ，ｔ2 ） （３） ここで、 Ｑn-hour（ｉ，ｔ1 ）：ｉ日ｔ1 時の正規化された時間配水量 ［％］ Ｑn-hour（ｉ，ｔ2 ）：ｉ日ｔ2 時の正規化された時間配水量 ［％］ Ｑn-hour（ｉ，ｔ3 ）：ｉ日ｔ3 時の正規化された時間配水量 ［％］ Ｑn-hour（ｉ，ｔ4 ）：ｉ日ｔ4 時の正規化された時間配水量 ［％］ Ｑn-hour（ｉ，ｔ5 ）：ｉ日ｔ5 時の正規化された時間配水量 ［％］ Ｑn-hour（ｉ，ｔ6 ）：ｉ日ｔ6 時の正規化された時間配水量 ［％］ Ｐam（ｉ） ：ｉ日の午前のピーク値 ［％］ Ｐpm（ｉ） ：ｉ日の午後のピーク値 ［％］ Ｋam（ｉ） ：ｉ日の午前の配水量の立ち上がりの傾き ［％］ Ｋpm（ｉ） ：ｉ日の午後の配水量の立ち上がりの傾き ［％］ 以上のような計算を、正規化された時間単位配水量実績
データ全てに対して行い、抽出した配水量パターンの特
徴をパターン特徴蓄積手段３４に蓄える。

【００２４】また、このように抽出した配水量パターン
の特徴及び正規化処理した実績配水量パターンについて
は、実績配水量パターン蓄積手段３５に蓄積し、類似パ
ターン検索を行う際に用いる。

【００２５】次にニューラルネットワークの入力信号と
なる天候・気温実績データの処理と平日か休日かに関す
るデータの処理について説明する。

【００２６】天候・気温実績データ蓄積手段３１に蓄積
された天候・気温実績データと平日か休日かに関するデ
ータは、以下のようにしてニューラルネットワークの入
力信号として処理される。

【００２７】まず天候に関する情報はｉ日およびその前
日の２日分のそれぞれの午前と午後の天候を用いて表現
する。表現法は晴、曇、雨をアナログ値に変換し、ニュ
ーラルネットワークへの入力情報とする。

【００２８】晴 → ａ 曇 → ｂ 雨 → ｃ ただし、ａ，ｂ，ｃは、−１〜１のアナログ値である。

【００２９】また最高気温に関する情報を以下の方法で
処理する。

【００３０】最高気温の実績から平均と分散を演算す
る。

【００３１】

【数２】 ここで、 Θmax （ｉ）：ｉ日の最高気温実績 ［℃］ 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を次式で演算する。

【００３２】 ここで、 他方、最低気温に関する情報を最高気温と同じ方法で処
理する。

【００３３】最低気温の実績から平均と分散を演算す
る。

【００３４】

【数３】 ここで、 Θmin （ｉ）：ｉ日の最低気温実績 ［℃］ 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を次式で演算する。

【００３５】 ここで、 また、平日か休日かに関する情報を次に示すアナログ値
により表現する。

【００３６】平日 ｄ 休日 ｅ ただし、ｄ，ｅは、−１〜１のアナログ値である。

【００３７】以上のようにして、得られた天候・気温実
績データによる入力信号は処理データ蓄積手段３３に蓄
えられ、ニューラルネットワークによる予測モデル同定
のための入力情報として用いられる。

【００３８】（予測モデル同定手段の作用）次にパター
ン特徴蓄積手段３４に蓄積された配水量パターンの特徴
と処理データ蓄積手段３３に蓄積された天候・気温実績
データをもとに、予測モデル同定手段１２でニューラル
ネットワークの重み係数の学習を行う。

【００３９】まず、ニューラルネットワークの構造は図
３に示すように、入力層、中間層および出力層の３層構
造からなっている。ｉ日およびその前日の午前・午後の
天候、当日の最高・最低気温、平日か休日かの入力情報
を入力層のニューロンとし、教示データの配水量パター
ンの特徴を出力層のニューロンとする。

【００４０】ニューラルネットワークのニューロン間の
重み係数の学習は、バックプロパゲーション法を用いて
行う。この学習の結果、得られる重み係数が重み係数蓄
積手段３６として蓄えられる。

【００４１】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搬していく学習
方式である。

【００４２】以下にその学習の手順を示す。 ステップ１：入力層に、天候・気温実績および平日か休
日かのデータを入力し、中間層および出力層を以下のニ
ューロンモデルに従って演算する。中間層の第ｊニュー
ロンの出力Ｈj は、

【００４３】

【数４】 ここで、 Ｉf ：入力層第ｉニューロンの出力 Ｗfj：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 出力層の第ｋニューロンの出力Ｏk は、

【００４４】

【数５】 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
層の第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、次式の
ΔＷjkを演算し、Ｗjkを修正する。

【００４５】 Ｗjk(t+1) ＝Ｗjk(t) ＋ΔＷjk(t) （１４） ΔＷjk(t) ＝−ε・ｄk(t)・Ｈj(t) （１５） ｄk(t)＝Ｏk(t)−ｙk(t) （１６） 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ΔＷfkを演
算し、Ｗfjを修正する。

【００４６】 Ｗfk(t+1) ＝Ｗfj(t) ＋ΔＷfk(t) （１７） ΔＷfj(t) ＝−ε・ｄj(t)・Ｉf(t) （１８）

【００４７】

【数６】 ｄj ：中間層の逆伝搬誤差 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、次
式を使う。

【００４８】 ΔＷjk(t) ＝−ε・ｄk(t)・Ｈj(t)＋α・ΔＷjk(t-1) （２０） ΔＷfj(t) ＝−ε・ｄj(t)・Ｉf(t)＋α・ΔＷfj(t-1) （２１） ここで、αは、安定のためのパラメータである。

【００４９】この学習の結果、得られる重み係数が上述
のように重み係数蓄積手段３６に蓄えられる予測モデル
が同定される。

【００５０】（配水量パターン予測手段の作用）次に、
当日の配水量パターンを予測する時間配水量パターン予
測手段１３について説明する。時間配水量パターン特徴
予測手段２５において、マンマシンインターフェイス５
から入力された当日の天候・気温の予報値および平日か
休日かのデータを、重み係数蓄積手段３６からの予測モ
デルに入力して、ニューラルネットワークの演算に従っ
て配水量パターンの特徴が出力層の値として演算され
る。

【００５１】演算の結果得られた配水量パターンの特徴
と、過去の実績配水量パターンとから、類似パターン検
索手段２６において次式に従って最も類似する配水量パ
ターンの検索が行われる（図４）。

【００５２】 Ｉ(i) ＝Ｗ1*｜Ｐam' −Ｐam(i) ｜＋Ｗ2*｜Ｐpm' −Ｐpm(i) ｜ ＋Ｗ3*｜ｋam' −ｋam(i) ｜＋Ｗ4*｜ｋpm' −ｋpm(i) ｜ （２２） （ｉ＝１，……，ｎ） ここで、 Ｐam' ：午前の配水量のピーク値（ニューラルネットワ
ークの予測値） Ｐpm' ：午後の配水量のピーク値（ニューラルネットワ
ークの予測値） ｋam' ：午前の配水量の立ち上がりの傾き（ニューラル
ネットワークの予測値） ｋpm' ：午後の配水量の立ち上がりの傾き（ニューラル
ネットワークの予測値） Ｐam(i) ：ｉ日の午前の配水量のピーク値 Ｐpm(i) ：ｉ日の午後の配水量のピーク値 ｋam(i) ：ｉ日の午前の配水量の立ち上がりの傾き ｋpm(i) ：ｉ日の午後の配水量の立ち上がりの傾き Ｗ1 ：午前の配水量のピーク値に対する重みを表すパラ
メータ Ｗ2 ：午後の配水量のピーク値に対する重みを表すパラ
メータ Ｗ3 ：午前の配水量の立ち上がりの傾きに対する重みを
表すパラメータ Ｗ4 ：午後の配水量の立ち上がりの傾きに対する重みを
表すパラメータ Ｉ(i) ：予測値と過去のｉ日の実績値との類似値 ここでＷ1 、Ｗ2 、Ｗ3 、Ｗ4 は各配水量パターンの特
徴に対し、どの情報を重要視するかを表現するパラメー
タで０〜１のアナログ値である。このパラメータは、マ
ンマシンインターフェイス５および時間配水量パターン
特徴予測手段を介して、類似パターン検索手段２６にオ
ペレータより入力される。

【００５３】演算された予測値とｉ日の配水パターン実
績値とのそれぞれの特徴の偏差の絶対値の和（類似値）
が（２２）式によって求められ、この類似値が最も小さ
くなる日の配水量パターンが当日の配水量パターンとし
て選択される（図４）。このように選択された配水量パ
ターンが当日の配水量パターンとして予測される。この
予測された当日の配水量パターンに対して、別個独立し
て予測された日単位水需要予測値を時間単位の配水量変
換手段２７において乗ずることにより、時間単位の配水
量が求められ、この結果がＣＲＴ４へ出力される。

【００５４】なお、日単位水需要予測値は、例えば特公
昭５９−２９４５に開示された予測方法により求めるこ
とができる。この予測方法は上水道施設の短期間におけ
る水需要を予測する場合、気象情報（天候最高気温、最
低気温、降雪量等）の実績値〔ｘｉ（ｔ），ｉ＝１，…
ｎ；ｔ＝１，…Ｎ〕と水需要の実績値〔ｙ^＊（ｔ）；ｔ
＝１，…Ｎ〕とを用いて、ＧＭＤＨ（Ｇｒｏｕｐ Ｍｅ
ｔｈｏｄ ｏｆ Ｄａｔａ Ｈａｎｄｌｉｎｇ）の部分
表現式 ｙ（ｔ）＝ａ₀ ＋ａ₁ ｘｉ（ｔ）＋ａ₂ ｘｊ（ｔ） ｙ（ｔ）＝ａ₀ ＋ａ₃ ｘｉ² （ｔ）＋ａ₄ ｘｊ² （ｔ） ｙ（ｔ）＝ａ₀ ＋ａ₅ ｘｉ（ｔ）ｘｊ（ｔ） ｙ（ｔ）＝ａ₀ ＋ａ₁ ｘｉ（ｔ）＋ａ₂ ｘｊ（ｔ） ＋ａ₃ ｘｉ² （ｔ）＋ａ₄ ｘｊ² （ｔ） ｙ（ｔ）＝ａ₀ ＋ａ₃ ｘｉ² （ｔ）＋ａ₄ ｘｊ² （ｔ） ＋ａ₅ ｘｉ（ｔ）ｘｊ（ｔ） ｙ（ｔ）＝ａ₀ ＋ａ₁ ｘｉ（ｔ）＋ａ₂ ｘｊ（ｔ） ＋ａ₅ ｘｉ（ｔ）ｘｊ（ｔ） ｙ（ｔ）＝ａ₀ ＋ａ₁ ｘｉ（ｔ）ａ₂ ｘｊ（ｔ） ＋ａ₃ ｘｉ² （ｔ）＋ａ₄ ｘｊ² （ｔ） ＋ａ₅ ｘｉ（ｔ）ｘｊ（ｔ） の選択と、情報量基準をＡＩＣ、データ数をＮ、定数を
Ｃ（パラメータ数に無関係なデータ数Ｎの関数）とした
とき から水需要変動予測モデルを得、予測タイミング毎に前
記気象情報と１予測期間前の水需要実績値から前記水需
要変動予測モデルを演算して水需要予測値を得るように
した水需要予測方法である。

【００５５】以上のように本実施例によれば、実績配水
量パターンをもとに配水量パターンの特徴を抽出し、配
水量パターンの特徴を予測する予測モデルを同定でき、
過去の実績配水量パターンと類似する時間単位の配水量
パターンを類似値により検索することにより、過去の配
水量の実績値を有効に利用できる。また日々蓄積される
実績配水量データを学習することにより、配水量の中・
長期変動にも対応できる予測モデルを提供できる。ま
た、１日を通じた配水池または浄水場の運用計画を立て
ることができ効率の良い配水池または浄水場の運用が可
能となる。

【００５６】なお、上記実施例において配水量実績より
時間配水量パターンを学習させて、当日の時間配水量パ
ターンを予測したが、ニューラルネットワークの出力情
報となる配水量パターンの特徴については、上記実施例
に示した特徴以外の他の特徴を抽出することも考えられ
る。また時間配水量パターンを予測する例について説明
したが、３０分単位の配水量パターン等、さらに時間を
短く区切った配水パターンを予測することもできる。

【００５７】

【発明の効果】以上説明したように、本発明によれば、
過去の気象実績データおよび過去の平日か休日かのデー
タと、これに対応する過去の配水量パターンとを用いて
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、配水量パターンを予測する予測モデルを精度良く同
定することができる。また予測モデルに気象予報データ
および平日か休日かのデータを入力して配水量パターン
を演算し、演算後の配水量パターンに最も類似する実績
配水量パターンを選択することにより、過去の実績配水
量パターンを用いて実情に沿った運転計画を立てること
ができる。

【図面の簡単な説明】

【図１】本発明による配水量パターン予測装置の一実施
例を示す概略系統図

【図２】配水量パターンの特徴を抽出するための図

【図３】ニューラルネットワークの構造図

【図４】類似する配水量パターンを検索する図

【符号の説明】

６ 配水量パターン予測装置 １１ データ処理手段 １２ 予測モデル同定手段 １３ 配水量パターン予測手段

───────────────────────────────────────────────────── フロントページの続き (58)調査した分野(Int.Cl.⁶，ＤＢ名) E03B 1/00 E03B 5/00

Claims (2)

(57)【特許請求の範囲】
1. 【請求項１】過去の気象実績データおよびこれに対応す
   る平日か休日かのデータから予測モデル同定のための入
   力情報を求めるとともに、過去の配水量パターンから入
   力情報に対応する予測モデル同定のための出力情報を求
   めるデータ処理手段と、 予測モデル同定のための入力情報および出力情報に基づ
   いて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、配水量パターンを予測する予測モデルを同定す
   る予測モデル同定手段と、 予測モデル同定手段からの予測モデルに気象予報データ
   および平日か休日かのデータを入力して配水量パターン
   を演算するとともに、データ処理手段から入力される実
   績配水量パターンの中から演算後の配水量パターンに最
   も類似する実績配水量パターンを選択する配水量パター
   ン予測手段と、 を備えたことを特徴とする上水道施設における配水量パ
   ターン予測装置。
2. 【請求項２】配水量パターン予測手段は、選択された実
   績配水量パターンに対し、予め求められた当日分の水需
   要予測値を乗じて単位時間当り配水量を求めることを特
   徴とする請求項１記載の配水量パターン予測装置。