JP3247407B2 - 配水量パタン予測装置 - Google Patents
配水量パタン予測装置Info
- Publication number
- JP3247407B2 JP3247407B2 JP27997991A JP27997991A JP3247407B2 JP 3247407 B2 JP3247407 B2 JP 3247407B2 JP 27997991 A JP27997991 A JP 27997991A JP 27997991 A JP27997991 A JP 27997991A JP 3247407 B2 JP3247407 B2 JP 3247407B2
- Authority
- JP
- Japan
- Prior art keywords
- pattern
- water distribution
- output
- input
- information
- 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
Landscapes
- Feedback Control In General (AREA)
- Flow Control (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
【０００１】
【産業上の利用分野】本発明は、上水道施設の取水から
配水までの浄水プロセスを計画的に運用するために必要
となる時間配水量パタンを予測する時間配水量パタン予
測装置に関する。
配水までの浄水プロセスを計画的に運用するために必要
となる時間配水量パタンを予測する時間配水量パタン予
測装置に関する。
【０００２】
【従来の技術】上水道系では、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。一般に取水場から浄水場までの導水遅れは大き
くなっており、また浄水場内での浄水プロセスは、凝
集、沈澱という原理的に時間遅れが大きい処理工程を有
するので配水流量の変動に対応して取水から配水までの
プロセスをフィードバック的に運用することはむずかし
い。このため、当日の配水量パタンを予め予測し、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
求められている。
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。一般に取水場から浄水場までの導水遅れは大き
くなっており、また浄水場内での浄水プロセスは、凝
集、沈澱という原理的に時間遅れが大きい処理工程を有
するので配水流量の変動に対応して取水から配水までの
プロセスをフィードバック的に運用することはむずかし
い。このため、当日の配水量パタンを予め予測し、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
求められている。
【０００３】配水量は、天候、気温等の気象条件、
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変動する。こ
のため、従来では同定能力を有するＧＭＤＨ（Group Me
thod of Date Handling ）により配水量の実績データを
同定し、逐次時間単位で配水量を予測する方式を用いて
いる。
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変動する。こ
のため、従来では同定能力を有するＧＭＤＨ（Group Me
thod of Date Handling ）により配水量の実績データを
同定し、逐次時間単位で配水量を予測する方式を用いて
いる。
【０００４】
【発明が解決しようとする問題点】しかしながら、ＧＭ
ＤＨを用いて配水量を予測する方式では、逐次予測方式
なので１日を通した水運用計画が立てられないという問
題がある。また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、人口移動や配管工事等による
長期的な構造変動に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る。
ＤＨを用いて配水量を予測する方式では、逐次予測方式
なので１日を通した水運用計画が立てられないという問
題がある。また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、人口移動や配管工事等による
長期的な構造変動に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る。
【０００５】本発明は、このような点を考慮してなされ
たものであり、経済的に安定した水供給を計画的に行う
ために必要な配水量パタンを精度良く予測することがで
きる配水量パタン予測装置を提供することを目的とす
る。
たものであり、経済的に安定した水供給を計画的に行う
ために必要な配水量パタンを精度良く予測することがで
きる配水量パタン予測装置を提供することを目的とす
る。
【０００６】本発明は、配水量実績に基づいて配水量に
関する出力パタンを分類するとともに、この出力パタン
を統計値の多い順に所定数だけ選定し、前記選定された
出力パタンに対応する気象および平日、休日の情報に関
する入力パタンを選定するパタン分類手段と、前記出力
パタンおよび前記入力パタンに基づいて、ニュートラル
ネットワークの重み係数を学習して出力パタンを予測す
る予測モデルを作成する予測モデル学習手段と、当日の
気象予報および平日、休日の情報を入力情報とし、前記
予測モデルにより当日の配水量パタンを予測するパタン
予測手段とを備え、前記パタン分類手段は配水量実績に
基づいて、配水量に関する少なくとも朝のピーク値と、
夕方のピーク値と、朝のピークまでの立ち上がりの傾き
と、朝のピークの継続性と、夕方のピークまでの立ち上
がりの傾きとを含む複数の出力パタンを求め、各出力パ
タン間の類似度により出力パタンの分類を行なうことを
特徴とする配水量パタン予測装置である。
関する出力パタンを分類するとともに、この出力パタン
を統計値の多い順に所定数だけ選定し、前記選定された
出力パタンに対応する気象および平日、休日の情報に関
する入力パタンを選定するパタン分類手段と、前記出力
パタンおよび前記入力パタンに基づいて、ニュートラル
ネットワークの重み係数を学習して出力パタンを予測す
る予測モデルを作成する予測モデル学習手段と、当日の
気象予報および平日、休日の情報を入力情報とし、前記
予測モデルにより当日の配水量パタンを予測するパタン
予測手段とを備え、前記パタン分類手段は配水量実績に
基づいて、配水量に関する少なくとも朝のピーク値と、
夕方のピーク値と、朝のピークまでの立ち上がりの傾き
と、朝のピークの継続性と、夕方のピークまでの立ち上
がりの傾きとを含む複数の出力パタンを求め、各出力パ
タン間の類似度により出力パタンの分類を行なうことを
特徴とする配水量パタン予測装置である。
【０００７】しかして本願発明によれば、パタン分類手
段により朝のピーク値と、夕方のピーク値と、朝のピー
クまでの立ち上がりの傾きと、朝のピークの継続性と、
夕方のピークまでの立ち上がりの傾きとを含む出力パタ
ンを求め、各出力パタン間の類似度により出力パタンの
分類を行なうので、容易に出力パタンを求めることがで
きる。また各出力パタン間の類似度により出力パタンの
分類を行ない、かつ出力パタンを統計値の多い順に所定
数だけ選定し、選定された出力パタンに対応する気象お
よび平日、休日の情報に関する入力パタンを選定するの
で、出力パタンの分類を容易かつ精度良く行なうことが
できる。
段により朝のピーク値と、夕方のピーク値と、朝のピー
クまでの立ち上がりの傾きと、朝のピークの継続性と、
夕方のピークまでの立ち上がりの傾きとを含む出力パタ
ンを求め、各出力パタン間の類似度により出力パタンの
分類を行なうので、容易に出力パタンを求めることがで
きる。また各出力パタン間の類似度により出力パタンの
分類を行ない、かつ出力パタンを統計値の多い順に所定
数だけ選定し、選定された出力パタンに対応する気象お
よび平日、休日の情報に関する入力パタンを選定するの
で、出力パタンの分類を容易かつ精度良く行なうことが
できる。
【０００８】
【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３は本発明による配水量パタン
予測装置の一実施例を示す図である。
て説明する。図１乃至図３は本発明による配水量パタン
予測装置の一実施例を示す図である。
【０００９】図１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需要家へ配水され、配水管２には
配水流量を検出する配水流量検出器３が設置されてい
る。この配水流量検出器３で検出された配水流量検出値
は、入力装置（プロセスインターフェイス）４を介し
て、本発明による配水量パタン予測装置１１へ入力され
る。また、入出力装置（マンマシンインターフェイス）
５から、気象予報、平日か休日か、パラメータ設定値
（類似度指標に用いるパラメータ、パターン数）が配水
量パタン予測装１１へ入力され、時間配水量パタン予測
装置１１で演算された当日の時間配水量パタンが入出力
装置５を介してＣＲＴ６へ出力される。
２を介して自然流下で需要家へ配水され、配水管２には
配水流量を検出する配水流量検出器３が設置されてい
る。この配水流量検出器３で検出された配水流量検出値
は、入力装置（プロセスインターフェイス）４を介し
て、本発明による配水量パタン予測装置１１へ入力され
る。また、入出力装置（マンマシンインターフェイス）
５から、気象予報、平日か休日か、パラメータ設定値
（類似度指標に用いるパラメータ、パターン数）が配水
量パタン予測装１１へ入力され、時間配水量パタン予測
装置１１で演算された当日の時間配水量パタンが入出力
装置５を介してＣＲＴ６へ出力される。
【００１０】配水量パタン予測装置１１は、配水量実績
に基づいて配水量に関する出力パタンを分類するととも
に出力パタンを統計値の多い順に選定し、選定された出
力パタンに対応する気象および平日、休日の情報に関す
る入力パタンを選定するパタン分類手段１２を備えてい
る。またパタン分類手段１２には、出力パタンおよび入
力パタンに基づいて、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を作成する予測モデル学習手段
１３が接続されている。さらに予測モデル学習手段１３
には、当日の気象予報および平日、休日の情報を入力情
報とし、予測モデルにより当日の配水量パタンを予測す
るパタン予測手段１４が接続されている。次に、配水量
パタン予測装置１１の各構成部分について、以下詳述す
る。
に基づいて配水量に関する出力パタンを分類するととも
に出力パタンを統計値の多い順に選定し、選定された出
力パタンに対応する気象および平日、休日の情報に関す
る入力パタンを選定するパタン分類手段１２を備えてい
る。またパタン分類手段１２には、出力パタンおよび入
力パタンに基づいて、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を作成する予測モデル学習手段
１３が接続されている。さらに予測モデル学習手段１３
には、当日の気象予報および平日、休日の情報を入力情
報とし、予測モデルにより当日の配水量パタンを予測す
るパタン予測手段１４が接続されている。次に、配水量
パタン予測装置１１の各構成部分について、以下詳述す
る。
【００１１】まずパタン分類手段１２により説明する。
パタン分類手段１２において、入出力装置（マンマシン
インターフェイス）５を介して入力された気象実績は、
気象実績記憶装置２１に蓄えられる。また、入力装置
（プロセスインターフェイス）４を介して入力された配
水量検出値は、配水量実績記憶装置２２に蓄えられる。
次に、気象実績記憶装置２１および配水量実績記憶装置
２２からの情報を基に、ニューラルネットワークへの入
力信号となる気象実績と平日か休日かの情報が入力パタ
ンとして選別され、入力パタン記憶装置２３に蓄えら
れ、また、教示信号（出力）となる配水量パタンが出力
パタンとして分類選別され、出力パタン記憶装置２４に
蓄えられる。
パタン分類手段１２において、入出力装置（マンマシン
インターフェイス）５を介して入力された気象実績は、
気象実績記憶装置２１に蓄えられる。また、入力装置
（プロセスインターフェイス）４を介して入力された配
水量検出値は、配水量実績記憶装置２２に蓄えられる。
次に、気象実績記憶装置２１および配水量実績記憶装置
２２からの情報を基に、ニューラルネットワークへの入
力信号となる気象実績と平日か休日かの情報が入力パタ
ンとして選別され、入力パタン記憶装置２３に蓄えら
れ、また、教示信号（出力）となる配水量パタンが出力
パタンとして分類選別され、出力パタン記憶装置２４に
蓄えられる。
【００１２】以下、配水量に関する出力パタンの分類お
よび選別について詳述する。
よび選別について詳述する。
【００１３】まず、配水量実績記憶装置２２の配水量実
績からデータを正規化手段３３により（１）式で正規化
する。
績からデータを正規化手段３３により（１）式で正規化
する。
【００１４】 ここで、 Ｑhour（ｉ，ｊ） ：ｉ日ｊ時の時間配水量実績
［ｍ3 ／時］ Ｑn-hour（ｉ，ｊ）：正規化されたｉ日ｊ時の時間配水
量 ［％］ 次に、ｉ日と（ｉ＋１）日の配水量パタンを分類手段３
４により類似度の指標によって分類する。これを図２を
参照して説明する。
［ｍ3 ／時］ Ｑn-hour（ｉ，ｊ）：正規化されたｉ日ｊ時の時間配水
量 ［％］ 次に、ｉ日と（ｉ＋１）日の配水量パタンを分類手段３
４により類似度の指標によって分類する。これを図２を
参照して説明する。
【００１５】図２はｉ日の配水量パタンを示している。
図２において、朝のピーク時までの立ち上がりの傾きを
次のように求める。
図２において、朝のピーク時までの立ち上がりの傾きを
次のように求める。
【００１６】 （２）式において、 Ｑ（ｉ，ｔ1 ）：ｉ日ｔ1 時の正規化された時間配水量
［％］ Ｑ（ｉ，ｔ2 ）：ｉ日ｔ2 時の正規化された時間配水量
［％］ ａ ：朝のピーク時までの立ち上がりの傾き である。
［％］ Ｑ（ｉ，ｔ2 ）：ｉ日ｔ2 時の正規化された時間配水量
［％］ ａ ：朝のピーク時までの立ち上がりの傾き である。
【００１７】次に、朝のピークの継続性を次のように求
める。
める。
【００１８】 ｃ＝Ｑ（ｉ，ｔ2 ）−Ｑ（ｉ，ｔ3 ） （３） 次に、朝のピーク値を次のように求める。
【００１９】 Ｐam＝Ｑ（ｔ2 ） （４） 次に、夕方のピーク値を次のように求める。
【００２０】 Ｐpm＝Ｑ（ｔ5 ） （５） 次に夕方ピーク時までの立ち上がりの傾きをそれぞれ次
のように求める。
のように求める。
【００２１】 以上のような計算を（ｉ；１）日の配水量パターンにつ
いても行い、計算された値についは、それぞれａ’，
ｃ’，Ｐam’，ｂ’とする。
いても行い、計算された値についは、それぞれａ’，
ｃ’，Ｐam’，ｂ’とする。
【００２２】 Ｉ＝｜Ｗ1 （ａ−ａ’）｜＋｜Ｗ2 （ｃ−ｃ’）｜ ＋｜Ｗ3 （Ｐam−Ｐam’）｜＋｜Ｗ4 （Ｐpm−Ｐpm’）｜ ＋｜Ｗ5 （ｂ−ｂ’）｜ （７） ここで、 Ｗ1 〜Ｗ5 ：それぞれの計算値に対する重み（０〜１の
値） Ｉ ：配水量パタンの類似度を表す類似度の指標 計算された（７）式の値を基に次の判定基準を設ける。
値） Ｉ ：配水量パタンの類似度を表す類似度の指標 計算された（７）式の値を基に次の判定基準を設ける。
【００２３】 Ｉ＜ε （８） ここで、 ε ：配水量パタンの類似度を判定するパラメー
タ （８）式の判定基準を満たす場合、２つの流量パタンは
同一とみなし、それ以外の場合は異なるパタンとみな
す。
タ （８）式の判定基準を満たす場合、２つの流量パタンは
同一とみなし、それ以外の場合は異なるパタンとみな
す。
【００２４】以上の手法により、配水量パタンの分類を
配水量実績につい随時行い、配水量パタンを分類する。
配水量実績につい随時行い、配水量パタンを分類する。
【００２５】この分類を行うことにより、数種類の配水
量パタンが得られる。すでに蓄えられた配水量パタンと
新たな配水量パタンを比較して類似度を判定する場合
は、すでに蓄えられた配水量パタンについてその平均値
をとり、新たな配水量パタンとの比較して類似度を判定
する。
量パタンが得られる。すでに蓄えられた配水量パタンと
新たな配水量パタンを比較して類似度を判定する場合
は、すでに蓄えられた配水量パタンについてその平均値
をとり、新たな配水量パタンとの比較して類似度を判定
する。
【００２６】次に得られた数種類のパタンの中から、出
力パタン選定手段３５により配水量パタンを選定する。
配水量パタンの選定方法は、表１に示すように、得られ
た配水量パタン毎に統計値を取り、統計値の多い順から
予め設定しておくパタン数までのパタンを選定すること
により行なわれる。
力パタン選定手段３５により配水量パタンを選定する。
配水量パタンの選定方法は、表１に示すように、得られ
た配水量パタン毎に統計値を取り、統計値の多い順から
予め設定しておくパタン数までのパタンを選定すること
により行なわれる。
【００２７】 次に気象（天候・気温）と平日、休日の情報に関する
入力パタンの分類および選別について詳述する。
入力パタンの分類および選別について詳述する。
【００２８】天候に関する情報はｉ日、ｉ−１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、雨を次に示すような３ビットの０、１の
パタンで表現し入力情報として、出力装置５および気象
実績記憶装置２１に入力される。
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、雨を次に示すような３ビットの０、１の
パタンで表現し入力情報として、出力装置５および気象
実績記憶装置２１に入力される。
【００２９】 晴 → １ ０ ０ 曇 → ０ １ ０ 雨 → ０ ０ １ その後、気象実績記憶装置２１からの情報が気象実績処
理手段３１に入力される。
理手段３１に入力される。
【００３０】同時に、最高気温に関する情報が入出力装
置５から気象実績記憶装置２１および気象実績処理手段
３１に入力され、気象実績処理手段３１によって以下の
ように最高気温に関する情報が分類される。
置５から気象実績記憶装置２１および気象実績処理手段
３１に入力され、気象実績処理手段３１によって以下の
ように最高気温に関する情報が分類される。
【００３１】まず、最高気温の実績から平均と分散を演
算する。
算する。
【００３２】 ここで、 Θmax （ｉ）：ｉ日最高気温実績 ［℃］ Θmax ：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を次式で演算する。
【００３３】 また最低気温に関する情報が入出力装置５から気象実績
記憶装置２１および気象実績処理手段３１に入力され、
最高気温と同じ方法で分類される。
記憶装置２１および気象実績処理手段３１に入力され、
最高気温と同じ方法で分類される。
【００３４】すなわち、まずはじめに最低気温の実績か
ら平均と分散を演算する。
ら平均と分散を演算する。
【００３５】 ここで、 Θmin （ｉ）：ｉ日最低気温実績 ［℃］ θmin ：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を次式で演算する。
【００３６】 Θmin （ｉ）：ｉ日の最低気温の平均からの偏り 次に平日か休日かに関する情報が次に示す０、１の１ビ
ットの情報で表現され、入出力装置５から気象実績記憶
装置２１および気象実績処理手段３１に入力される。
ットの情報で表現され、入出力装置５から気象実績記憶
装置２１および気象実績処理手段３１に入力される。
【００３７】 平日 ０ 休日 １ このようにして、入力パタンが気象実績処理手段３１で
得られる。次にこれら入力パタンのうち、出力パタン選
定手段３５で選定された出力パタン（教示信号）に対応
する入力パタンが入力パタン選定手段３２で選定され
る。同時に入力パタン選定手段３２において、各配水量
のパタン毎に入力パタンの成分について表２に示すよう
に統計値をとり、各成分毎の平均を計算し、これを、各
配水量パタンに関する入力パタンとして入力パタン記憶
装置２３に蓄積する。
得られる。次にこれら入力パタンのうち、出力パタン選
定手段３５で選定された出力パタン（教示信号）に対応
する入力パタンが入力パタン選定手段３２で選定され
る。同時に入力パタン選定手段３２において、各配水量
のパタン毎に入力パタンの成分について表２に示すよう
に統計値をとり、各成分毎の平均を計算し、これを、各
配水量パタンに関する入力パタンとして入力パタン記憶
装置２３に蓄積する。
【００３８】 次にこれらの方法で出力パタン記憶装置２４および入力
パタン記憶装置２３に蓄えられた出力パタンおよび入力
パタンを基に、予測モデル学習機能１３でニューラルネ
ットワークの重み係数の学習を行う。
パタン記憶装置２３に蓄えられた出力パタンおよび入力
パタンを基に、予測モデル学習機能１３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入
力層、中間層および出力層の３層構造とする。ｉ−１日
およびｉ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パタンを入力層のニューロンと
し、教示データの配水量に関する出力パタンを出力層の
ニューロンとする。
力層、中間層および出力層の３層構造とする。ｉ−１日
およびｉ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パタンを入力層のニューロンと
し、教示データの配水量に関する出力パタンを出力層の
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、予測モデル学習機能１３の学習手段
３６においてバックプロパゲーション法を用いて行なわ
れる。この学習の結果、得られる重み係数が予測モデル
として予測モデル記憶装置２５に記憶される。
重み係数の学習は、予測モデル学習機能１３の学習手段
３６においてバックプロパゲーション法を用いて行なわ
れる。この学習の結果、得られる重み係数が予測モデル
として予測モデル記憶装置２５に記憶される。
【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
方式をいう。
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
方式をいう。
【００４２】以下にバックプロパゲーション法を用いた
学習の手順を示す。
学習の手順を示す。
【００４３】ステップ１：入力層に、気象実績および平
日か休日かに関する入力パタンを入力し、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。
日か休日かに関する入力パタンを入力し、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。
【００４４】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 １ ：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、 ここで、 Ｗik ：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、次の△
Ｗjkを演算し、Ｗjkを修正する。
の重み係数 １ ：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、 ここで、 Ｗik ：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、次の△
Ｗjkを演算し、Ｗjkを修正する。
【００４５】Ｗjk（ｔ＋１）＝ｗjk（ｔ）＋△Ｗ
jk（ｔ） △Ｗjk（ｔ）＝−ε・ｄk （ｔ）・Ｈj （ｔ） ｄk （ｔ）＝Ｏk （ｔ）−ｙk （ｔ） 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△Ｗikを演
算し、Ｗijを修正する。 Ｗij（ｔ＋１）＝ｗij（ｔ）＋△Ｗik（ｔ） △Ｗij（ｔ）＝−ε・ｄj （ｔ）・Ｉi （ｔ） 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。
jk（ｔ） △Ｗjk（ｔ）＝−ε・ｄk （ｔ）・Ｈj （ｔ） ｄk （ｔ）＝Ｏk （ｔ）−ｙk （ｔ） 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△Ｗikを演
算し、Ｗijを修正する。 Ｗij（ｔ＋１）＝ｗij（ｔ）＋△Ｗik（ｔ） △Ｗij（ｔ）＝−ε・ｄj （ｔ）・Ｉi （ｔ） 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。
【００４６】 △Ｗjk（ｔ）＝−ε・ｄk （ｔ）・Ｈj （ｔ）＋α・△Ｗjk（ｔ−１） △Ｗij（ｔ）＝−ε・ｄj （ｔ）・Ｉi （ｔ）＋α・△Ｗij（ｔ−１） ここで、αは、安定のためのパラメータである。
【００４７】この学習の結果、得られる重み係数が予測
モデルとして予測モデル記憶装置２５に記憶される。
モデルとして予測モデル記憶装置２５に記憶される。
【００４８】次に当日の配水量に関する出力パタンを予
測するパタン予測手段１４について説明する。当日の配
水量に関する出力パタンを求める場合は、パタン予測手
段１４の予測演算器３７において、入力された当日の気
象予報と平日か休日かの入力パタンと、予測モデル記憶
装置２５に記憶された予測モデルから、ニューラルネッ
トワークの演算に従って出力層の値を演算し、その値を
配水量パタンに変換する。次にこの配水量パタンが配水
量パタン記憶装置２６に蓄えられる。
測するパタン予測手段１４について説明する。当日の配
水量に関する出力パタンを求める場合は、パタン予測手
段１４の予測演算器３７において、入力された当日の気
象予報と平日か休日かの入力パタンと、予測モデル記憶
装置２５に記憶された予測モデルから、ニューラルネッ
トワークの演算に従って出力層の値を演算し、その値を
配水量パタンに変換する。次にこの配水量パタンが配水
量パタン記憶装置２６に蓄えられる。
【００４９】このように予測された当日の配水量パタン
は、配水量パタン記憶装置２６から入出力装置（マンマ
シンインターフェイス）５を介して出力装置（ＣＲＴ）
６へ出力される。出力装置（ＣＲＴ）６に出力される配
水量パタンの例を図３に示す。以上のように、本実施例
によれば、安定した水供給を計画的に行なうために必要
な配水パタンを精度良く予測することができる。
は、配水量パタン記憶装置２６から入出力装置（マンマ
シンインターフェイス）５を介して出力装置（ＣＲＴ）
６へ出力される。出力装置（ＣＲＴ）６に出力される配
水量パタンの例を図３に示す。以上のように、本実施例
によれば、安定した水供給を計画的に行なうために必要
な配水パタンを精度良く予測することができる。
【００５０】本実施例は、配水量実績より時間配水量に
関する出力パタンを学習させて、当日の時間配水量パタ
ンを予測する装置について説明したが、これに限らず次
のような変形システムを容易に提供できる。
関する出力パタンを学習させて、当日の時間配水量パタ
ンを予測する装置について説明したが、これに限らず次
のような変形システムを容易に提供できる。
【００５１】 ニューラルネットワークの中間層のニ
ューロンの数については、予測モデル作成時に種々の数
のモデルを構築し、正当率の高いモデルを選定すること
ができる。
ューロンの数については、予測モデル作成時に種々の数
のモデルを構築し、正当率の高いモデルを選定すること
ができる。
【００５２】 時間配水量パタンの予測について説明
したが、３０分単位の配水量パタンあるいはより時間を
区切った配水量パタンの予測を行なうこともできる。
したが、３０分単位の配水量パタンあるいはより時間を
区切った配水量パタンの予測を行なうこともできる。
【００５３】
【発明の効果】以上説明したように、本発明によれば、
当日の配水量パタンを精度良く予測することができる。
このため、一日を通じた浄水場の日間運用計画を容易か
つ確実に立てることができる。
当日の配水量パタンを精度良く予測することができる。
このため、一日を通じた浄水場の日間運用計画を容易か
つ確実に立てることができる。
【図１】本発明による配水量パタン予測装置の一実施例
に示す概略系統図。
に示す概略系統図。
【図２】配水量実績に基づいて得られた配水量に関する
出力パタンを示す図。
出力パタンを示す図。
【図３】ＣＲＴに出力された当日の予測配水量パタンを
示す図。
示す図。
１１ 配水量パタン予測装置 １２ パタン分類手段 １３ 予測モデル学習手段 １４ パタン予測手段
───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 平３−134703（ＪＰ，Ａ) 特開 昭60−106325（ＪＰ，Ａ) 特開 平５−73706（ＪＰ，Ａ) 特開 平５−88714（ＪＰ，Ａ) 特開 平５−98675（ＪＰ，Ａ) Ｄ．Ｃ．Ｐａｒｋ 外４名、「Ｅｌｅ ｃｔｒｉｃ Ｌｏａｄ Ｆｏｒｅｃａｓ ｔｉｎｇ Ｕｓｉｎｇ Ａｎ Ａ (58)調査した分野(Int.Cl.7，ＤＢ名) G05B 13/02 G05B 17/02 G05D 7/06 G06F 17/00
Claims (1)
- 【請求項１】配水量実績に基づいて配水量に関する出力
パタンを分類するとともに、この出力パタンを統計値の
多い順に所定数だけ選定し、前記選定された出力パタン
に対応する気象および平日、休日の情報に関する入力パ
タンを選定するパタン分類手段と、 前記出力パタンおよび前記入力パタンに基づいて、ニュ
ートラルネットワークの重み係数を学習して出力パタン
を予測する予測モデルを作成する予測モデル学習手段
と、 当日の気象予報および平日、休日の情報を入力情報と
し、前記予測モデルにより当日の配水量パタンを予測す
るパタン予測手段とを備え、 前記パタン分類手段は配水量実績に基づいて、配水量に
関する少なくとも朝のピーク値と、夕方のピーク値と、
朝のピークまでの立ち上がりの傾きと、朝のピークの継
続性と、夕方のピークまでの立ち上がりの傾きとを含む
複数の出力パタンを求め、各出力パタン間の類似度によ
り出力パタンの分類を行なうことを特徴とする配水量パ
タン予測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP27997991A JP3247407B2 (ja) | 1991-10-25 | 1991-10-25 | 配水量パタン予測装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP27997991A JP3247407B2 (ja) | 1991-10-25 | 1991-10-25 | 配水量パタン予測装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH05119808A JPH05119808A (ja) | 1993-05-18 |
| JP3247407B2 true JP3247407B2 (ja) | 2002-01-15 |
Family
ID=17618617
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP27997991A Expired - Lifetime JP3247407B2 (ja) | 1991-10-25 | 1991-10-25 | 配水量パタン予測装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3247407B2 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6112137A (en) * | 1998-02-04 | 2000-08-29 | Gas Research Institute | Adaptive system for predictive control of district pressure regulators |
| US11769085B2 (en) * | 2018-05-25 | 2023-09-26 | University Of Johannesburg | System and method for real time prediction of water level and hazard level of a dam |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS60106325A (ja) * | 1983-11-11 | 1985-06-11 | 株式会社日立製作所 | 負荷予想方法 |
| JPH03134703A (ja) * | 1989-10-20 | 1991-06-07 | Hitachi Ltd | 需要パターン予測方法及びプラント運転方法 |
| JPH0573706A (ja) * | 1991-09-17 | 1993-03-26 | Hitachi Ltd | ニユーラルネツトワークによる時系列データの予測方法および予測装置 |
| JPH0588714A (ja) * | 1991-09-25 | 1993-04-09 | Hitachi Ltd | 広域需要予測方法および需要予測装置 |
| JP2864810B2 (ja) * | 1991-10-11 | 1999-03-08 | 株式会社明電舎 | 配水池水位管理による濾水機の自動運転制御方法 |
-
1991
- 1991-10-25 JP JP27997991A patent/JP3247407B2/ja not_active Expired - Lifetime
Non-Patent Citations (1)
| Title |
|---|
| Ｄ．Ｃ．Ｐａｒｋ 外４名、「Ｅｌｅｃｔｒｉｃ Ｌｏａｄ Ｆｏｒｅｃａｓｔｉｎｇ Ｕｓｉｎｇ Ａｎ Ａ |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH05119808A (ja) | 1993-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110298501B (zh) | 基于长短时记忆神经网络的电负荷预测方法 | |
| JP3352153B2 (ja) | 配水流量予測装置 | |
| Lamedica et al. | A neural network based technique for short-term forecasting of anomalous load periods | |
| CN109558975B (zh) | 一种电力负荷概率密度多种预测结果的集成方法 | |
| Kapoor et al. | Weather forecasting using sliding window algorithm | |
| CN109685240A (zh) | 一种基于lstm深度学习的95598话务工单预测与异动预警方法 | |
| CN109784471A (zh) | 一种基于多预测模型的95598话务工单预测与异动预警方法 | |
| CN111241755A (zh) | 电力负荷预测方法 | |
| CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
| Faruq et al. | Deep Learning-Based Forecast and Warning of Floods in Klang River, Malaysia. | |
| CN112288140A (zh) | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 | |
| CN114648176A (zh) | 一种基于数据驱动的风光电源消纳优化方法 | |
| JP3247407B2 (ja) | 配水量パタン予測装置 | |
| JP2704026B2 (ja) | 熱負荷予測システム | |
| Sharma et al. | Autoregressive techniques for forecasting applications | |
| JP3650304B2 (ja) | 需要予測装置 | |
| CN113268929B (zh) | 短期负荷区间预测方法及装置 | |
| CN110009132A (zh) | 一种基于lstm深度神经网络的短期电力负荷精细化预测方法 | |
| JPH0887303A (ja) | プラント予測制御装置 | |
| JP2000305606A (ja) | 配水需要量予測方法 | |
| CN114759579A (zh) | 一种基于数据驱动的电网有功优化控制系统、方法和介质 | |
| JP2698692B2 (ja) | 配水流量予測システム | |
| JP2971276B2 (ja) | 配水量パターン予測装置 | |
| Barzamini et al. | Short term load forecasting for iran national power system and its regions using multi layer perceptron and fuzzy inference systems | |
| JP2001288782A (ja) | 配水量予測システム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20071102 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081102 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081102 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091102 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101102 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101102 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111102 Year of fee payment: 10 |
|
| EXPY | Cancellation because of completion of term |