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
【０００１】
【産業上の利用分野】本発明は、上水道施設における浄
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。
【０００２】
【従来の技術】上水道系においては、山間部のダム式貯
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。
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。
【０００３】配水流量は、１）季節、２）天候、気温等
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。
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。
【０００４】このため、従来では、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。
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。
【０００５】
【発明が解決しようとする課題】しかしながら、従来に
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。
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。
【０００６】そこで本発明の目的は、上記従来技術の有
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。
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。
【０００７】
【課題を解決するための手段】上記目的を達成するため
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。
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。
【０００８】
【作用】本発明では、過去の気象実績データ及び時間単
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。
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。
【０００９】季節毎に蓄えられた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。
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。
【００１０】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
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。
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。
【００１１】
【実施例】以下、本発明の一実施例を図面を参照して詳
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。
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。
【００１２】また、マンマシンインターフェイス（入出
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。
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。
【００１３】演算装置６は、時間単位配水流量実績デー
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。
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。
【００１４】以下に、演算装置６に内蔵される４つの手
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。
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。
【００１５】［Ａ］季節毎気象実績データ処理手段２１ 図１において、マンマシンインターフェイス（入出力装
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。
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。
【００１６】蓄積された気象実績データは、図２に示す
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。
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。
【００１７】季節は、過去ｋ年間のデータを年毎に以下
に示す様に区切る。
に示す様に区切る。
【００１８】 ＜季節１＞………１月〜３月 ＜季節２＞………４月〜６月 （１） ＜季節３＞………７月〜９月 ＜季節４＞………１０月〜１２月 以下に示す処理は、全て季節毎に行うが、季節毎を表現
するサフィックスは、式が煩雑になるため省略する。
するサフィックスは、式が煩雑になるため省略する。
【００１９】天候に関する情報は前日、当日の２日分の
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。
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。
【００２０】 晴 → ａ 曇 → ｂ （２） 雨 → ｃ ただし、ａ，ｂ，ｃは、−１〜１のアナログ値である。
【００２１】最高気温・最低気温に関しては、以下に示
す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。
【００２２】最高気温の実績から平均と分散を演算す
る。
る。
【００２３】
【数１】 ここで、〜 Θmax （ｉ）：ｉ日の最高気温の平均からの偏り 最低気温に関する情報も最高気温と同じ方法で処理す
る。
る。
【００２４】最低気温の実績から平均と分散を演算す
る。
る。
【００２５】
【数２】
【００２６】 平日 ｄ （９） 休日 ｅ ただし、ｄ，ｅは、−１〜１のアナログ値である。
【００２７】以上のようにして、得られた入力情報は気
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。
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。
【００２８】［Ｂ］季節毎配水流量データ処理手段２２ プロセスインターフェイス（入力装置）３を介して入力
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。
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。
【００２９】次に、日単位および時間単位配水流量デー
タの処理方法を示す。
タの処理方法を示す。
【００３０】図２に示すように、ニューラルネットワー
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。
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。
【００３１】 Ｑｔ（ｉ）＝（Ｑ（ｉ）−Ｑmin ）／（Ｑmax −Ｑmin ） （11） ここで、 Ｑｈ（ｉ，ｊ）：ｉ日ｊの時の時間単位配水流量実績
［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。
［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。
【００３２】次に、ニューラルネットワークの教示（出
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。
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。
【００３３】時間単位配水流量実績データを時間単位デ
ータ処理３３で、次式に示すように正規化する。
ータ処理３３で、次式に示すように正規化する。
【００３４】
【数３】 ここで、 Ｑｈ（ｉ，ｊ）：ｉ日ｊ時の時間単位配水量実績
［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。
［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。
【００３５】次に、ｉ日の時間単位配水流量パターンに
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。
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。
【００３６】図３はｉ日の正規化された時間単位配水流
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。
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。
【００３７】
【数４】 ここで、 Ｑｈ−ｎ（ｉ，ｔ1 ）：ｉ日ｔ1 時の正規化された時間
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。
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。
【００３８】［Ｃ］季節毎予測モデル学習手段２３ これらの方法で蓄えられた日単位配水流量正規化値４２
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。
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。
【００３９】まず、ニューラルネットワークの構造は図
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。
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。
【００４０】また、日単位配水流量予測モデルの場合、
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。
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。
【００４１】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。
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。
【００４２】ここで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。
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。
【００４３】以下にその学習の手順を示す。ただし、こ
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。
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。
【００４４】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。
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。
【００４５】 ｗjk（ｔ＋１）＝ｗjk（ｔ）＋Δｗjk（ｔ） （19） Δｗjk（ｔ）＝−ε・ｄk （ｔ）・Ｈj （ｔ） （20） ｄk （ｔ）＝Ｏk （ｔ）−ｙk （ｔ） （21） 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Δｗikを演
算し、ｗijを修正する。
算し、ｗijを修正する。
【００４６】
【数５】 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。
式を使う。
【００４７】 Δｗjk（ｔ）＝−ε・ｄk （ｔ）・Ｈj （ｔ） ＋α・Δｗjk（ｔ−１） （25） Δｗij（ｔ）＝−ε・ｄj （ｔ）・Ｉi （ｔ） ＋α・Δｗij（ｔ−１） （26） ここで、αは、安定のためのパラメータである。
【００４８】この学習の結果、得られる重み係数が日単
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に蓄えられる。
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。
【００４９】［Ｄ］季節毎配水流量予測手段２４ 次に、当日の時間単位配水流量を予測する季節毎配水流
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。
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。
【００５０】演算の結果、得られた日単位時間配水流量
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。
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。
【００５１】また、演算の結果、得られた時間単位配水
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。
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。
【００５２】 Ｉ（ｉ）＝｜ Ｐam′−Ｐam（ｉ）｜ ＋｜ Ｐpm′−Ｐpm（ｉ）｜ ＋｜ ｋam′−ｋam（ｉ）｜ ＋｜ ｋpm′−ｋpm（ｉ）｜ （27） （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 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）。
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）。
【００５３】この予測された当日の配水流量推移パター
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。
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。
【００５４】前記特徴量の抽出において、午前・午後の
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。
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。
【００５５】 Ｉ（ｉ）＝｜ Ｐam′−Ｐam（ｉ）｜ ＋｜ Ｐpm′−Ｐpm（ｉ）｜ ＋｜ ｋam′−ｋam（ｉ）｜ ＋｜ ｋpm′−ｋpm（ｉ）｜ ＋｜ Ｃap′−Ｃap（ｉ）｜ （28） （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） 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。
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。
【００５６】この予測された当日の配水流量推移パター
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。
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。
【００５７】前記特徴量の抽出において、さらに午前中
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。
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。
【００５８】 Ｉ（ｉ）＝｜ Ｐam′−Ｐam（ｉ）｜ ＋｜ Ｐpm′−Ｐpm（ｉ）｜ ＋｜ ｋam′−ｋam（ｉ）｜ ＋｜ ｋpm′−ｋpm（ｉ）｜ ＋｜ Ｃap′−Ｃap（ｉ）｜ ＋｜ Ｐamt ′−Ｐamt （ｉ）｜ ＋｜ Ｐpmt ′−Ｐpmt （ｉ）｜ （29） （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） 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。
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。
【００５９】この予測された当日の配水流量推移パター
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。
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。
【００６０】前記類似値を計算する式において、各々の
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。
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。
【００６１】次に、本実施例の作用について説明する。
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。
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。
【００６２】季節毎に蓄えられた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。
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。
【００６３】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
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。
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。
【００６４】本実施例の構成によれば、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。
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。
【００６５】なお、上述した実施例においては、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。
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。
【００６６】
【発明の効果】以上のように本発明の構成によれば、時
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。
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。
【図１】本発明による配水流量予測装置の概略構成を示
すブロック図。
すブロック図。
【図２】図１における主要な構成を詳細に示すブロック
図。
図。
【図３】推移パターンの特徴量を示す図。
【図４】ニューラルネットワークの構造を説明する図。
【図５】類似配水量パターンの検索の仕方を説明する
図。
図。
【符号の説明】 １ 配水池 ２ 配水流量検出器 ３ プロセスインターフェイス（入力装置） ４ ＣＲＴ ５ マンマシンインターフェイス（入出力装置） ６ 演算装置 ２１ 季節毎気象実績データ処理手段 ２２ 季節毎予測モデル学習手段季節 ２３ 季節毎予測モデル学習手段 ２４ 季節毎配水流量予測手段
───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 平６−193100（ＪＰ，Ａ) (58)調査した分野(Int.Cl.7，ＤＢ名) E03B 1/00
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 |