JP3352153B2 - 配水流量予測装置 - Google Patents
配水流量予測装置Info
- Publication number
- JP3352153B2 JP3352153B2 JP14649493A JP14649493A JP3352153B2 JP 3352153 B2 JP3352153 B2 JP 3352153B2 JP 14649493 A JP14649493 A JP 14649493A JP 14649493 A JP14649493 A JP 14649493A JP 3352153 B2 JP3352153 B2 JP 3352153B2
- Authority
- JP
- Japan
- Prior art keywords
- distribution
- water
- flow rate
- distribution flow
- hourly
- 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
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D7/00—Control of flow
- G05D7/06—Control of flow characterised by the use of electric means
-
- 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
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S706/00—Data processing: artificial intelligence
- Y10S706/902—Application using ai with detail of the ai system
- Y10S706/911—Nonmedical diagnostics
- Y10S706/914—Process plant
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Automation & Control Theory (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
水場または配水池から配水される配水流量を予測する配
水流量予測装置に係り、特に、ニューラルネットワーク
モデルを用いた配水流量予測装置に関する。
水池や河川から原水を取水し、この取水した水を浄水場
まで導水路によって導くことが行われる。取水場から浄
水場まで導水するのには長い時間を要する。また、浄水
場内における浄水プロセスにおける凝集、沈殿あるいは
ろ過により原理的に大きな時間遅れが生じる。このた
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困難である。
従って、当日の配水流量を予め予測して、上水道施設で
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。
の気象条件、3)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等によって影響
を受け変動する。
から配水までの水運用計画を立てるために、統計的手法
により配水流量の実績データを同定し、逐次時間単位で
配水流量を予測することが行われていた。
おいては、言わば逐次予測方式によるので1日を通した
水運用計画を予め立てられない。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、過去
の配水流量の実績データを有効に利用することができ
ず、季節による需要変動や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。このため、結局は
日々の運用を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。
する問題を解消し、配水流量の実績データを学習する能
力を有し、季節毎に日単位の配水流量および1日を通じ
た時間単位の配水流量を予測することができる配水流量
予測装置を提供することである。
に、本発明による配水流量予測装置は、上水道施設にお
ける浄水場等から配水される当日の時間単位の配水流量
を予測する配水流量予測装置であって、蓄積した過去の
気象実績データを基に季節毎に気象実績を処理する季節
毎気象実績データ処理手段と、日々得られる時間単位の
配水流量実績を基に季節毎に配水流量実績を処理する季
節毎配水流量データ処理手段と、前記季節毎気象実績デ
ータ処理手段および前記季節毎配水流量データ処理手段
により得られた処理データを基に季節毎に日単位配水流
量と時間単位配水流量推移パターンの特徴量とを予測す
るニューラルネットワークモデルを用い、バックプロパ
ゲーション法により重み係数を学習することで季節毎に
日単位の配水流量と時間単位の配水流量推移パターンの
特徴量とを予測する予測モデルを同定する季節毎予測モ
デル学習手段と、天候、気温、平日か休日か等の当日の
情報を入力することにより、該当する季節の日単位の配
水流量と時間単位の配水流量推移パターンの特徴量とを
予測する予測モデルを選択し、この選択した予測モデル
により日単位の配水流量を予測する一方、この選択した
予測モデルにより得られた時間単位の配水流量推移パタ
ーンの特徴量を過去の実績配水流量推移パターンの特徴
量と比較することにより最も類似する時間単位の配水流
量推移パターンを過去の実績配水流量推移パターンから
検索しそれを時間単位配水流量推移パターン予測として
予測し、予測された前記日単位の配水流量の値と前記時
間単位配水流量推移パターン予測の値のこれら2つの予
測値を乗じることにより、時間単位の配水流量を予測す
る季節毎配水流量予測手段と、を備え、前記季節毎配水
流量予測手段における前記時間単位配水流量推移パター
ンの特徴量は、午前および午後の配水流量のピーク値、
午前および午後の配水流量の立ち上がりの傾き、午前お
よび午後のピーク値の比、あるいは午前中のピーク値の
出る時刻および午後のピーク値の出る時刻、またはこれ
らのピーク値、傾き、比あるいは時刻の組み合わせであ
ることを特徴とする。
位配水流量実績データを基に季節毎に気象実績データを
処理すると共に、日単位の配水流量および時間単位の配
水流量推移パターンの特徴量を抽出し蓄える。
間単位の配水流量推移パターンの特徴量とを教示信号
(出力)とするとともにそれぞれに対応する日の天候や
気温等の気象実績や平日か休日か等の情報を入力とする
ニューラルネットワークを用い、バックプロパゲーショ
ン法により重み係数を学習することにより、日単位配水
流量と時間単位配水流量推移パターンの特徴量とを予測
するニューラルネットワークの予測モデルを得る。
を入力することにより、該当する季節の日単位の配水流
量と時間単位の配水流量推移パターンの特徴量とを予測
する予測モデルを選択し、この選択した予測モデルによ
り日単位の配水流量を予測する一方、この選択した予測
モデルにより得られた時間単位の配水流量推移パターン
の特徴量を過去の実績配水流量推移パターンの特徴量と
比較することにより最も類似する時間単位の配水流量推
移パターンを過去の実績配水流量推移パターンから検索
しそれを時間単位配水流量推移パターン予測として予測
する。予測された時間単位配水流量推移パターン予測
は、時間単位配水流量推移パターンを規格化して示すの
みであるので、実際の時間単位の配水流量を求めるため
に、日単位の配水流量の値と時間単位配水流量推移パタ
ーン予測の値のこれら2つの予測値を乗じることによ
り、当日の時間単位の配水流量を予測する。
細に説明する。図1は、本発明の一実施例の概略構成を
示すブロック図である。図1において、浄水場より送水
された上水は配水池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によって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(入力装置)3を介して、演算装置
6へ入力される。
力装置)5から、気象予報、気象実績、平日か休日か、
パラメータ設定値(類似推移パターン検索に用いるパラ
メータ等)を入力し演算装置6で演算された当日の時間
単位配水流量予測結果をCRT4へ出力する。また、入
力された当日の気象実績は、気象実績データ11に蓄え
る。
タ12を処理する季節毎配水流量データ処理手段22、
気象実績データ11を処理する季節毎気象実績データ処
理手段21、ニューラルネットワークによる予測モデル
を同定する季節毎予測モデル学習手段23と当日の時間
配水流量を予測する季節毎時間配水流量予測手段24と
を備えている。
段について図1、図2、図3、図4及び図5を参照して
説明し、ニューラルネットワークによる需要予測がどの
ようにして行われるかを説明する。
置)5を介して入力された例えば、当日の午前・午後の
天候および最高気温、最低気温等の気象実績、および平
日/休日等の情報は、気象実績データ11に蓄積され
る。
ように季節毎気象実績データ処理手段21に取り込ま
れ、ニューラルネットワークの入力として季節毎に季節
毎気象実績データ処理31で以下に示すように処理され
る。
に示す様に区切る。
するサフィックスは、式が煩雑になるため省略する。
それぞれの午前と午後の天候をニューラルネットワーク
の入力情報とし、表現法は晴、曇、雨を次のようにアナ
ログ値に変換する。
すようにアナログ値に変換する。
る。
る。
る。
象実績処理データ41に蓄えられ、ニューラルネットワ
ーク予測モデルを同定する際の入力情報として用いる。
された時間単位配水流量検出値は、時間単位配水流量実
績データ12に蓄えられる。予測モデルの教示信号(出
力)は、時間単位配水流量実績データ12を日単位デー
タ処理32で処理した後、日単位配水流量正規化値42
に蓄積する。また、時間単位配水流量推移パターン特徴
量予測モデルの教示信号(出力)は、時間単位配水流量
実績データ12を時間単位データ処理33で処理した
後、時間単位配水流量推移パターン特徴量抽出34で特
徴量を抽出し、抽出した特徴量を推移パターン特徴量4
3で蓄積する。また、時間単位データ処理33で正規化
した時間単位配水流量推移パターンと時間単位配水流量
推移パターン特徴量抽出34で抽出された時間単位配水
流量推移パターンの特徴量は推移パターン44に蓄えら
れる。
タの処理方法を示す。
クの教示信号となる日単位配水流量正規化値42を季節
毎に日単位データ処理32で、以下に示すように処理す
る。
[m3 /時] Q(i) :i日の日配水流量実績 [m3 /日] Qmax :最大日配水流量 [m3 /日] Qmin :最小日配水流量 [m3 /日] Qt(i):正規化されたi日の配水流量 (11)式により正規化された日配水流量は、季節毎に
日単位配水流量正規化値42に蓄積される。
力)信号となる時間単位配水流量推移パターンの特徴量
について説明する。
ータ処理33で、次式に示すように正規化する。
[m3 /時] Qh−n(i,j):i日j時の時間単位配水流量正規
化値 [%] 計算により得られた時間単位配水流量正規化値は、推移
パターン44に蓄積される。
おいて、抽出する時間単位配水流量推移パターンの特徴
量を図3を参照して説明する。
量推移パターンを示している。図3において、時間単位
配水流量推移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。
単位配水流量[%] Qh−n(i,t2 ):i日t2 時の正規化された時間
配水量 [%] Qh−n(i,t3 ):i日t3 時の正規化された時間
配水量 [%] Qh−n(i,t4 ):i日t4 時の正規化された時間
配水量 [%] Qh−n(i,t5 ):i日t5 時の正規化された時間
配水量 [%] Qh−n(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季節毎に行い、抽出した特徴量につ
いては、推移パターン蓄積44および推移パターン特徴
量43に蓄える。
および推移パターン特徴量43をもとに、季節毎予測モ
デル学習手段23で季節毎に、日単位配水流量予測モデ
ルおよび時間単位配水流量推移パターン特徴量予測モデ
ルのニューラルネットワークの重み係数の学習を行う。
4に示すように、入力層、中間層および出力層の3層構
造とする。入力は、日単位配水流量および時間単位配水
流量推移パターン予測モデルともに、前日および当日の
午前・午後の天候、当日の最高・最低気温、平日か休日
かを入力情報として入力層のニューロンとする。
教示データは日単位配水流量正規化値42とし、これを
出力層のニューロンとする。時間単位配水流量推移パタ
ーン予測モデルの場合、教示データは推移パターン特徴
量43とし、これを出力層のニューロンとする。
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、得られる日単位配水流量予測モ
デルおよび時間単位配水流量推移パターン予測モデルの
重み係数は日単位予測重み係数45および推移パターン
特徴量予測重み係数46としてそれぞれ蓄えられる。
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。
こでは、式の煩雑さを避けるために、日単位および時間
単位の区別と季節毎の区別を示すサフィックスを省略す
る。
よび平日か休日かの情報を入力し、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、 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、 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。
算し、wijを修正する。
式を使う。
位予測重み係数45および推移パターン特徴量予測重み
係数46に蓄えられる。
量予測手段24について説明する。入力された前日の午
前・午後の天候実績および当日の天候・気温の予報値と
平日か休日かの情報により、前記日単位予測重み係数4
5および推移パターン特徴量予測重み係数46に蓄えら
れた重み係数を用いて、ニューラルネットワークの演算
に従って、季節毎日単位配水流量予測36および季節毎
時間単位配水流量推移パターン特徴量予測で日単位配水
流量予測モデルおよび時間単位配水流量推移パターン予
測モデルの出力層の値を演算する。
予測値は、正規化値であるので、季節毎日単位配水流量
予測36で当日の配水流量に変換される。
流量推移パターンの特徴量を表す出力情報は、類似推移
パターン検索38の中で、最も類似する特徴量を有する
推移パターンを推移パターン44から次式に従って検索
する。
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 n :検索データ数 I(i) :予測値と過去のi日の実績値との類似値 (27)式によって、計算された予測値とi日の実績値
とのそれぞれの特徴量の偏差の絶対値の和(類似値)
が、最も小さくなる日の時間単位配水流量推移パターン
を当日の時間単位配水流量推移パターンとして予測する
(図5)。
ンは、前記予測した日単位配水流量予測値を乗ずること
で、時間単位配水流量への変換39で処理し、CRT4
へ出力される。
ピーク値の比を付加することでさらに精度良く時間単位
配水流量推移パターンを予測することが可能である。こ
の時、類似値を計算する式は、次式に示すようになる。
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) Cap′:午前・午後のピーク値の比(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 Cap(i):i日の午前・午後のピーク値の比 n :検索データ数 I(i) :予測値と過去のi日の実績値との類似値 (28)式によって、計算された予測値とi日の実績値
とのそれぞれの特徴量の偏差の絶対値の和(類似値)
が、最も小さくなる日の時間単位配水流量推移パターン
を当日の時間単位配水流量推移パターンとして予測す
る。
ンは、前記予測した日単位配水流量予測値を乗ずること
で、時間単位配水流量への変換39で処理し、CRT4
へ出力される。
のピーク値の出る時間および午後のピーク値の出る時間
を付加することでより精度良く時間単位配水流量推移パ
ターンを予測することが可能である。この時、類似値を
計算する式は、次式に示すようになる。
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) Cap′:午前・午後のピーク値の比(ニューラルネット
ワークの予測値) Pamt ′:午前中のピーク値のでる時間(−1〜1に変
換した値)(ニューラルネットワークの予測値) Ppmt ′:午後のピーク値のでる時間(−1〜1に変換
した値)(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 Cap(i):i日の午前・午後のピーク値の比 Pamt (i):i日の午前中のピーク値のでる時間(−
1〜1に変換した値) Ppmt (i):i日の午後のピーク値のでる時間(−1
〜1に変換した値) n :検索データ数 I(i) :予測値と過去のi日の実績値との類似値 (29)式によって、計算された予測値とi日の実績値
とのそれぞれの特徴量の偏差の絶対値の和(類似値)
が、最も小さくなる日の時間単位配水流量推移パターン
を当日の時間単位配水流量推移パターンとして予測す
る。
ンは、前記予測した日単位配水流量予測値を乗ずること
で、時間単位配水流量への変換39で処理し、CRT4
へ出力される。
特徴量の偏差の絶対値に対し、重みを掛けることによ
り、重要視したい特徴量を明確にでき、より柔軟性のあ
る指標値の計算が行える。この時の類似値の計算式は、
次式に示すようになる。 I(i)=W1*|Pam′−Pam(i)|+W2*|Ppm′−Ppm(i)| +W3*|kam′−kam(i)|+W4*|kpm′−kpm(i)| +W5*|Cap′−Cap(i)|+W6*|Pamt ′−Pamt (i)| +W7*|Ppmt ′−Ppmt (i)| (30) (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) Cap′:午前・午後のピーク値の比(ニューラルネット
ワークの予測値) Pamt ′:午前中のピーク値のでる時間(−1〜1に変
換した値)(ニューラルネットワークの予測値) Ppmt ′:午後のピーク値のでる時間(−1〜1に変換
した値)(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 Cap(i):i日の午前・午後のピーク値の比 Pamt (i):i日の午前中のピーク値のでる時間(−
1〜1に変換した値) Ppmt (i):i日の午後のピーク値のでる時間(−1
〜1に変換した値) 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 W5 :午前・午後のピーク値の比に対する重みを表すパ
ラメータ W6 :午前中のピーク値のでる時間に対する重みを表す
パラメータ W7 :午後のピーク値のでる時間に対する重みを表すパ
ラメータ n :検索データ数 I(i):予測値と過去のi日の実績値との類似値 W1 ,W2 ,W3 ,W4 ,W5 ,W6 ,W7 は各配水流
量推移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(入出力
装置)5を介して、オペレータより入力されるものであ
る。
過去の気象実績データ11及び時間単位配水流量実績デ
ータ12を基に季節毎に気象実績データを処理すると共
に、日単位の配水流量および時間単位の配水流量推移パ
ターンの特徴量を抽出し蓄える。
間単位の配水流量推移パターンの特徴量とを教示信号
(出力)とするとともにそれぞれに対応する日の天候や
気温等の気象実績や平日か休日か等の情報を入力とする
ニューラルネットワークを用い、バックプロパゲーショ
ン法により重み係数を学習することにより、日単位配水
流量と時間単位配水流量推移パターンの特徴量とを予測
するニューラルネットワークの予測モデルを季節毎予測
モデル学習手段23によって得る。
を入力することにより、該当する季節の日単位の配水流
量と時間単位の配水流量推移パターンの特徴量とを予測
する予測モデルを選択し、この選択した予測モデルによ
り日単位の配水流量を予測する一方、この選択した予測
モデルにより得られた時間単位の配水流量推移パターン
の特徴量を過去の実績配水流量推移パターンの特徴量と
比較することにより最も類似する時間単位の配水流量推
移パターンを過去の実績配水流量推移パターンから検索
しそれを時間単位配水流量推移パターン予測として予測
する。予測された時間単位配水流量推移パターン予測
は、時間単位配水流量推移パターンを規格化して示すの
みであるので、実際の時間単位の配水流量を求めるため
に、日単位の配水流量の値と時間単位配水流量推移パタ
ーン予測の値のこれら2つの予測値を乗じることによ
り、当日の時間単位の配水流量を予測する。
データを学習する能力を有し、季節毎に日単位の配水流
量および1日を通じた時間単位の配水流量を予測するこ
とができるので、季節、曜日、気象条件等に依存して経
済的に安定した水供給を計画的に行うことができる。
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する装置について説明したが、本
発明はこれに限らず例えば次のような変形システムの可
能である。すなわち、時間単位配水流量推移パターンを
予測する場合に時間単位での推移パターンを予測する代
わりに、短い単位期間であればよく、例えば30分単位
の推移パターン等、さらに時間を短く区切った推移パタ
ーンの予測することも可能である。また、季節は、四季
における実際の季節である必要はなく、短い単位期間に
対比される長い単位期間、例えば月であってもよい。
間単位の配水流量実績をもとに日単位の配水流量を予測
する予測モデルを同定することができるとともに、時間
単位の配水流量推移パターンの特徴量を抽出し推移パタ
ーンの特徴を予測する予測モデルを同定することがで
き、過去の実績配水流量推移パターンと類似する時間単
位の配水流量推移パターンを類似値により検索すること
で、過去の配水流量の実績値を有効に利用した予測モデ
ルを提供することができる。また、日々蓄積される配水
流量の実績データを季節毎に学習することで、季節によ
る需要変動や配水流量の中・長期変動にも対応できる予
測モデルを提供できると共に、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。
すブロック図。
図。
図。
Claims (2)
- 【請求項1】上水道施設における浄水場等から配水され
る当日の時間単位の配水流量を予測する配水流量予測装
置であって、 蓄積した過去の気象実績データを基に季節毎に気象実績
を処理する季節毎気象実績データ処理手段と、 日々得られる時間単位の配水流量実績を基に季節毎に配
水流量実績を処理する季節毎配水流量データ処理手段
と、 前記季節毎気象実績データ処理手段および前記季節毎配
水流量データ処理手段により得られた処理データを基に
季節毎に日単位配水流量と時間単位配水流量推移パター
ンの特徴量とを予測するニューラルネットワークモデル
を用い、バックプロパゲーション法により重み係数を学
習することで季節毎に日単位の配水流量と時間単位の配
水流量推移パターンの特徴量とを予測する予測モデルを
同定する季節毎予測モデル学習手段と、 天候、気温、平日か休日か等の当日の情報を入力するこ
とにより、該当する季節の日単位の配水流量と時間単位
の配水流量推移パターンの特徴量とを予測する予測モデ
ルを選択し、この選択した予測モデルにより日単位の配
水流量を予測する一方、この選択した予測モデルにより
得られた時間単位の配水流量推移パターンの特徴量を過
去の実績配水流量推移パターンの特徴量と比較すること
により最も類似する時間単位の配水流量推移パターンを
過去の実績配水流量推移パターンから検索しそれを時間
単位配水流量推移パターン予測として予測し、予測され
た前記日単位の配水流量の値と前記時間単位配水流量推
移パターン予測の値のこれら2つの予測値を乗じること
により、時間単位の配水流量を予測する季節毎配水流量
予測手段と、 を備え、 前記季節毎配水流量予測手段における前記時間単位配水
流量推移パターンの特徴量は、午前および午後の配水流
量のピーク値、午前および午後の配水流量の立ち上がり
の傾き、午前および午後のピーク値の比、あるいは午前
中のピーク値の出る時刻および午後のピーク値の出る時
刻、またはこれらのピーク値、傾き、比 あるいは時刻の
組み合わせである ことを特徴とする配水流量予測装置。 - 【請求項2】前記時間単位配水流量推移パターン予測手
段は、選択した予測モデルにより得られた時間単位の配
水流量推移パターンの特徴量を重要性の度合いに応じて
重みづけをして過去の実績配水流量推移パターンの特徴
量と比較することにより最も類似する時間単位の配水流
量推移パターンを過去の実績配水流量推移パターンから
検索することを特徴とする請求項1に記載の配水流量予
測装置。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP14649493A JP3352153B2 (ja) | 1993-06-17 | 1993-06-17 | 配水流量予測装置 |
CN94106038A CN1053247C (zh) | 1993-06-17 | 1994-06-17 | 配水流量预测装置 |
US08/262,070 US5448476A (en) | 1993-06-17 | 1994-06-17 | Distributed water flow predicting device |
KR1019940013673A KR0148039B1 (ko) | 1993-06-17 | 1994-06-17 | 배수유량예측장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP14649493A JP3352153B2 (ja) | 1993-06-17 | 1993-06-17 | 配水流量予測装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH073848A JPH073848A (ja) | 1995-01-06 |
JP3352153B2 true JP3352153B2 (ja) | 2002-12-03 |
Family
ID=15408900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP14649493A Expired - Lifetime JP3352153B2 (ja) | 1993-06-17 | 1993-06-17 | 配水流量予測装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US5448476A (ja) |
JP (1) | JP3352153B2 (ja) |
KR (1) | KR0148039B1 (ja) |
CN (1) | CN1053247C (ja) |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3800713B2 (ja) * | 1996-09-12 | 2006-07-26 | 株式会社明電舎 | 配水施設制御装置 |
US6112137A (en) * | 1998-02-04 | 2000-08-29 | Gas Research Institute | Adaptive system for predictive control of district pressure regulators |
US6449749B1 (en) | 1999-11-18 | 2002-09-10 | Pdf Solutions, Inc. | System and method for product yield prediction |
AU2001267716A1 (en) * | 2000-06-29 | 2002-01-08 | Glaxo Group Limited | Method for predicting flow properties of powders |
US6757623B2 (en) | 2001-04-20 | 2004-06-29 | Ads Corporation | Flow transport analysis method and system |
JP3795775B2 (ja) * | 2001-07-16 | 2006-07-12 | 株式会社山武 | 下水流入量予測装置および方法、サーバ装置 |
US7457735B2 (en) * | 2001-11-14 | 2008-11-25 | Bentley Systems, Incorporated | Method and system for automatic water distribution model calibration |
KR100456413B1 (ko) * | 2002-06-21 | 2004-11-10 | 에치투엘 주식회사 | 신경회로망 및 역전파 알고리즘에 의한 하폐수처리인공지능제어 시스템 및 방법 |
JP4365598B2 (ja) * | 2003-02-19 | 2009-11-18 | 株式会社東芝 | 広域プラントの最適運用制御装置 |
CN1298458C (zh) * | 2003-09-29 | 2007-02-07 | 宝山钢铁股份有限公司 | 一种rh精炼炉钢液温度实时预测方法 |
US7103479B2 (en) * | 2004-04-30 | 2006-09-05 | Ch2M Hill, Inc. | Method and system for evaluating water usage |
US7792126B1 (en) | 2005-05-19 | 2010-09-07 | EmNet, LLC | Distributed monitoring and control system |
US20080255760A1 (en) * | 2007-04-16 | 2008-10-16 | Honeywell International, Inc. | Forecasting system |
JP5698576B2 (ja) * | 2010-03-23 | 2015-04-08 | メタウォーター株式会社 | グラフ編集型シミュレーション装置、グラフ編集型シミュレーションプログラム、及びプラント維持管理システム |
US9015093B1 (en) | 2010-10-26 | 2015-04-21 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
US8775341B1 (en) | 2010-10-26 | 2014-07-08 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
JP5672114B2 (ja) * | 2011-03-31 | 2015-02-18 | シンフォニアテクノロジー株式会社 | 水需要予測システム |
WO2017073012A1 (ja) * | 2015-10-26 | 2017-05-04 | 日本電気株式会社 | 配水計画システム、配水計画方法及びプログラム記録媒体 |
US10885461B2 (en) | 2016-02-29 | 2021-01-05 | Oracle International Corporation | Unsupervised method for classifying seasonal patterns |
US11113852B2 (en) | 2016-02-29 | 2021-09-07 | Oracle International Corporation | Systems and methods for trending patterns within time-series data |
US10331802B2 (en) * | 2016-02-29 | 2019-06-25 | Oracle International Corporation | System for detecting and characterizing seasons |
CN107643686A (zh) * | 2017-09-27 | 2018-01-30 | 上海深研智能科技有限公司 | 净水器加热功率优化配置的控制系统与方法 |
US10565149B2 (en) * | 2018-04-06 | 2020-02-18 | Embrionix Design Inc. | Standardized hot-pluggable transceiving unit, hosting unit and method for applying delays based on port positions |
US12001926B2 (en) | 2018-10-23 | 2024-06-04 | Oracle International Corporation | Systems and methods for detecting long term seasons |
EP3699700A1 (de) * | 2019-02-25 | 2020-08-26 | Siemens Aktiengesellschaft | Druckregelung in einem versorgungsnetz |
CN110319900B (zh) * | 2019-04-26 | 2021-09-07 | 珠海格力电器股份有限公司 | 一种洗衣机耗水量的确定方法、装置、存储介质及洗衣机 |
US11887015B2 (en) | 2019-09-13 | 2024-01-30 | Oracle International Corporation | Automatically-generated labels for time series data and numerical lists to use in analytic and machine learning systems |
CN111764469A (zh) * | 2020-09-03 | 2020-10-13 | 成都同飞科技有限责任公司 | 一种远距离智能恒压供水系统 |
US11999640B2 (en) * | 2020-09-10 | 2024-06-04 | Intellihot, Inc. | Method for sanitizing water supply system |
CN114529815A (zh) * | 2022-02-10 | 2022-05-24 | 中山大学 | 一种基于深度学习的流量检测方法、装置、介质及终端 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5351386A (en) * | 1976-10-20 | 1978-05-10 | Hitachi Ltd | Operation of fluid transportation system |
JPS5350863A (en) * | 1976-10-20 | 1978-05-09 | Hitachi Ltd | Demand quantity estimating apparatus for flow rate pressure controlling in piping network |
JPS5952448B2 (ja) * | 1979-06-27 | 1984-12-19 | 株式会社日立製作所 | 上水道システムの運用制御方法 |
JPS58700A (ja) * | 1981-06-26 | 1983-01-05 | Hitachi Ltd | 流体輸送システムの制御方式 |
US5229937A (en) * | 1988-02-01 | 1993-07-20 | Clemar Manufacturing Corp. | Irrigation control and flow management system |
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 |
JPH04220758A (ja) * | 1990-12-20 | 1992-08-11 | Fujitsu Ltd | 時系列データの予測及び予測認識方法 |
JPH04330502A (ja) * | 1991-02-22 | 1992-11-18 | Yokogawa Electric Corp | 上水道需要予測システム |
-
1993
- 1993-06-17 JP JP14649493A patent/JP3352153B2/ja not_active Expired - Lifetime
-
1994
- 1994-06-17 CN CN94106038A patent/CN1053247C/zh not_active Expired - Lifetime
- 1994-06-17 US US08/262,070 patent/US5448476A/en not_active Expired - Lifetime
- 1994-06-17 KR KR1019940013673A patent/KR0148039B1/ko not_active IP Right Cessation
Also Published As
Publication number | Publication date |
---|---|
US5448476A (en) | 1995-09-05 |
CN1053247C (zh) | 2000-06-07 |
JPH073848A (ja) | 1995-01-06 |
KR0148039B1 (ko) | 1998-09-15 |
KR950001283A (ko) | 1995-01-03 |
CN1097829A (zh) | 1995-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3352153B2 (ja) | 配水流量予測装置 | |
Kariniotakis et al. | Wind power forecasting using advanced neural networks models | |
CN111415752B (zh) | 一种融合气象因素和搜索指数的手足口病预测方法 | |
CN108491982A (zh) | 一种基于回声状态网络的短期负荷预测方法及系统 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN115796915A (zh) | 一种面向电力交易市场的电价预测方法及系统 | |
CN117422165A (zh) | 一种基于低碳排放的城市输水系统水量预测方法及系统 | |
CN114037138A (zh) | 基于双层分解和深度学习的地铁短时进站客流预测系统及实施方法 | |
KR100540009B1 (ko) | 신경망을 이용한 물수요 예측 방법 | |
CN117277304A (zh) | 考虑日出日落时间的光伏发电超短期功率预测方法、系统 | |
JP3650304B2 (ja) | 需要予測装置 | |
CN109146191B (zh) | 一种基于泛蕴涵模型的短期电力负荷预测方法及系统 | |
JP2971276B2 (ja) | 配水量パターン予測装置 | |
JP3321308B2 (ja) | プラント予測制御装置 | |
JP2001288782A (ja) | 配水量予測システム | |
JP3268520B2 (ja) | ガス需要量の予測方法 | |
JP2698692B2 (ja) | 配水流量予測システム | |
JP3247407B2 (ja) | 配水量パタン予測装置 | |
JP4326408B2 (ja) | 下水流入量予測装置 | |
KR20000056762A (ko) | 상수도 시스템의 용수 수요 예측 방법 | |
Liu et al. | SFCL: electricity consumption forecasting of CNN-LSTM based on similar filter | |
JPH0849266A (ja) | 配水需要予測装置 | |
JPS592945B2 (ja) | 水需要予測方法 | |
JPH03134703A (ja) | 需要パターン予測方法及びプラント運転方法 | |
JP2795997B2 (ja) | 配水量予測装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20020830 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20070920 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080920 Year of fee payment: 6 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080920 Year of fee payment: 6 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090920 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090920 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100920 Year of fee payment: 8 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110920 Year of fee payment: 9 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110920 Year of fee payment: 9 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120920 Year of fee payment: 10 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120920 Year of fee payment: 10 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130920 Year of fee payment: 11 |
|
EXPY | Cancellation because of completion of term |