JP4291992B2 - Pressure estimation model construction system - Google Patents

Description

すなわち、データ取得手段２９で取得したオンラインデータおよびオフラインデータの各データ項目のそれぞれが、式(１ａ)（１ｂ）によって変換されるようになっている。例えば図１ に示すように、オンラインデータとして配水管２内の水流量に関する１ 点のデータ、及び、配水管２内の圧力に関する２ 点のデータ、が圧力計測器１０ａ及び流量計測器１０ｂによって時々刻々と収集されており、データ取得手段２９において、数時間に渡るオンラインデータ(水流量に関するデータが１ 点、圧力に関するデータが２ 点)を取得した場合について考えてみる。
【００３５】
この場合、取得したデータのそれぞれをX1t,X2t,X3t とする（ここでt は時刻を表す）。まず、X1t を式(１ａ)（１ｂ）のｘ_ｉに代入して標準化データｚ を得て、次にX2t を式(１ａ)（１ｂ）のｘ_ｉに代入して標準化データｚ を得て、最後にX3t を式(１ａ)（１ｂ）のｘ_ｉにして、標準化データｚ を得るようになっている。この作業により、オンラインデータ(水流量に関するデータが１ 点、圧力に関するデータが２ 点)は、平均が0 、標準偏差が1 、に標準化されたオンラインデータ(水流量に関するデータが１ 点、圧力に関するデータが２ 点)に変換されるようになっている。
【００３６】
また、同様にして、オフラインデータは、平均が0 、標準偏差が1 、に標準化されたオフラインデータに変換されるようになっている。なお、このようにして標準化されたオンラインデータ及びオフラインデータを得る際には、統計値演算手段３０にて演算した値が、式(１ａ)（１ｂ）中の基データの平均値と標準偏差として用いられるようになっている。
【００３７】
クラスタリング手段２３は、オンライン計測データＤＢ２１、データ取得手段２９、統計値演算手段３０、統計値ＤＢ２８及び正規化手段３１を介して、圧力計測器１０ａおよび流量計測器１０ｂから送られてくるオンラインデータと、データ取得手段２９、統計値演算手段３０、統計値ＤＢ２８及び正規化手段３１を介して、オフライン計測データＤＢ２２から送られてくるオフラインデータと、をクラスター分析によって各クラスターに分類する機能を有している。
【００３８】
ここで「クラスター分析」とは、一般には、標本の中から等質なものをグループ化する作業を意味する。当該クラスター分析は、標本がどのようなグループに属するか不明であって、グループ数も分からない状態から始められる。そして、当該クラスター分析の目的は、標本を等質のグループやクラスターに分類することである。
【００３９】
本実施の形態のクラスタリング手段２３による、オンラインデータおよびオフラインデータについてのクラスター分析は、具体的には以下のようにして行われる。なお、本実施の形態においてクラスター分析の対象は「圧力」に関するデータのみであって、「水流量」に関するデータは対象とはならない。
【００４０】
▲１▼ まず、固体間の距離と、クラスター間の距離と、を定義する。ここでいう「固体」とは、オンラインデータ若しくはオフラインデータに含まれる一つの信号のことを指している。そして、この固体間の距離を示す式として、例えば以下の表１に示すような種々の式が提案されており、本実施の形態では、表１に示されている「ユークリッド距離」を用いて固体間の距離を定義する。一方、クラスター間の距離を示す式として、例えば表２に示すような種々の式が提案されており、本実施の形態では、表２に示されているウォード法を用いてクラスター間の距離を定義する。
【００４１】
【表１】

【表２】

なお、表１及び表２において、Ｘａ及びＸｂは、オンラインデータ（圧力）若しくはオフラインデータを表し、ｄ（Ｘａ，Ｘｂ）はＸａとＸｂとの距離を表し、ｄ_ａｂ→ｃは、あるクラスターＡＢと、オンラインデータ若しくはオフラインデータ若しくはクラスターＣと、の距離を表している。
【００４２】
▲２▼ 次に、全ての固体間の距離を計算する。
【００４３】
▲３▼ 次に、クラスター若しくは固体間の距離が最も近い固体を併合して一つのクラスターとする。
【００４４】
▲４▼ 次に、上記の▲３▼で作成したクラスターを新しい固体とみなして、全ての固体間の距離を計算する。
【００４５】
▲５▼ そして、上記の▲１▼〜▲４▼を繰り返して、全ての固体が一つのクラスターに含まれたところで終わる。
【００４６】
本実施の形態では、上記の▲１▼〜▲５▼に従って、例えば図２に示すようなクラスター分析の結果を得ることができる。図２において、Ｘ軸（横軸）は、各オンラインデータ及び各オフラインデータに対応する各オフライン計測ポイント及び各オンライン計測ポイントを示しており、Ｙ軸（縦軸）は、各オンラインデータ及び各オフラインデータに関するクラスター分析における類似度（距離）を示している。また、図２における線は、線が接続されている距離において同一クラスターとして扱うことができるということ表している。
【００４７】
第１圧力推定モデル構築手段２４は、各オンラインデータと同一クラスターに分類される各オフラインデータについて、同一クラスターに分類される各オンラインデータに基づき、当該各オフラインデータに対応するオフライン計測ポイント１６における配水管２内の圧力モデルである第１圧力推定モデルを構築するようになっている。より具体的には、本実施の形態の第１圧力推定モデル構築手段２４は、重回帰分析を用いて第１圧力推定モデルを構築するようになっており、各オフラインデータと同一クラスターに分類されるオンラインデータを、重回帰分析の入力値として用いるようになっている。
【００４８】
以下、「重回帰分析」について説明する。
【００４９】
重回帰分析では、Ｎ組の標本に対して、説明変量｛ｘ_ｉ１，ｘ_ｉ２，…ｘ_ｉｐ｝と目的変量ｙ_ｉ（ｉ＝１，２，…，Ｎ）との間に次のような線形関係が成立すると仮定する。
【００５０】
【数２】

なお、β_ｉ：偏回帰係数、ｅ_ｉ：残差を意味する。
【００５１】
式（２）における各残差ｅ_ｉは、「残差ｅ_ｉは互いに独立で正規分布Ｎ（０，σ^２）に従う」という条件（残差の条件）を満足すると仮定する。そして、式（２）を行列形式で表現すると以下の式（３）のようになる。
【００５２】
ｙ＝ｚβ＋ｅ ………………（３）
なお、式（３）中の行列は以下に示すとおりである。
【００５３】
【数３】

【数４】

そして、ｂ_０，ｂ_１，…，ｂ_Ｍは、ε_λの平方和（以下の式（７）参照）が最小となるように決定される。
【００５４】
【数５】

式（７）では、未知数はｂ_０，ｂ_１，…ｂ_ｐであり、Ｓはｂ_０，ｂ_１，…，ｂ_ｐに関する２次関数であり、関数Ｓを最小にするｂ_０，ｂ_１，…，ｂ_ｐは、Ｓをｂ_０，ｂ_１，…，ｂ_ｐで偏微分し、値を０とおいた連立１次方程式の解として求めることができる。上記を解いて整理すると、以下の式（８）のような連立方程式が得られる。
【００５５】
【数６】

ここで、Ｓ_ｊｊはｘ_ｊの偏差平方和、Ｓ_ｊｋはｘ_ｊとｘ_ｋの偏差積和、Ｓ_ｊｙはｘ_ｊとｙの偏差積和であって、それぞれ以下の式（９）のように表される。
【００５６】
【数７】

従って、以下の式（１１）によって偏回帰係数が求められる。
【００５７】
ｂ＝Ｓ^−１Ｍ ……………（１１）
また、定数項は、以下の式（１２）によって求められる。
【００５８】
【数８】

本実施の形態では、上述の重回帰分析において、説明変量ｘは、オンラインデータ若しくは主成分分析手段で得られた主成分得点に該当し、目的変量ｙは、オフラインデータに該当する。ここで、主成分得点とは、各サンプルの主成分の値を示している。
【００５９】
そして、上述の重回帰分析を用いて構築された第１圧力推定モデルは、第１圧力推定モデル構築手段２４から推定モデルＤＢ２７に送られるようになっている。
【００６０】
主成分演算手段２５は、各オンラインデータと異なるクラスターに分類される各オフラインデータについて、主成分分析を行って、当該各オフラインデータに対応する推定モデル入力値を演算する機能を有している。すなわち、主成分演算手段２５は、クラスタリング手段２３において各オンラインデータと異なるクラスターに分類される各オフラインデータに対して、最も近接するオンラインデータの属するクラスターについての主成分分析を行って、各オンラインデータと異なるクラスターに分類される各オフラインデータについての推定モデル入力値を演算するようになっている。そして、この演算された推定モデル入力値は、各オンラインデータ及びオフラインデータとともに、主成分演算手段２５から第２圧力推定モデル構築手段２６に送られるようになっている。
【００６１】
ここで「主成分分析(Principal Component Analysis)」とは、一般には、互いに相関のある多種類の特性値をもつ情報を、互いに無相関な小数個の総合特性値に要約する方法である。
【００６２】
主成分分析は、一般には、ｐ個の変量ｘ_１，ｘ_２，・・・，ｘ_ｐの有する情報を、以下の条件（ａ）、（ｂ）を満足するｍ個（ｍ≦ｐ）の総合特性値（式（１４））ｚ_１，ｚ_２，・・・，ｚ_ｍに、要約することを意味し、ｚ_１を第１主成分、ｚ_２を第２主成分、ｚ_ｍを第ｍ主成分と呼ぶ。
【００６３】
ｚ_１＝ｌ_１１ｘ_１＋ｌ_１２ｘ_２＋・・・＋ｌ_１ｐｘ_ｐ
ｚ_２＝ｌ_２１ｘ_１＋ｌ_２２ｘ_２＋・・・＋ｌ_２ｐｘ_ｐ
・・・・・・・・ ……………（１４）
ｚ_ｍ＝ｌ_ｍ１ｘ_１＋ｌ_ｍ２ｘ_２＋・・・＋ｌ_ｍｐｘ_ｐ
【数９】

・条件（ａ） ｚ_ｌとｚ_ｋ（ｋはｌではない；ｋ、ｌ＝１，２，・・・、ｍ）との相関はすべてゼロである。
【００６４】
・条件（ｂ） ｚ_１の分散（ｘ_１，ｘ_２，・・・，ｘ_ｐ）は、あらゆる１次式のもつ分散のうち最大である。ｚ_２の分散は、ｚ_１の分散と無関係なあらゆる１次式の中で最大である。以下同様にして、ｚ_ｍの分散はｚ_１，ｚ_２，・・・，ｚ_ｍ−１のすべてと無関係な１次式の中で最大である。
【００６５】
上述の条件（ｂ）は、「主成分ｚ_１，ｚ_２，・・・ｚ_ｍは、もとの特性値ｘ_１，ｘ_２，・・・，ｘ_ｐのもつ情報の損失が最小になるように要約した結果である」ということを意味する。
【００６６】
本実施の形態では、上述の主成分分析におけるｘ_１〜ｘ_ｐは、クラスタリング手段２３によってクラスター分析が行われた圧力に関するオンラインデータとオフラインデータとに該当する。
【００６７】
例えば、クラスター分析によって図２に図示される結果が得られた場合、まず、オンライン計測ポイント１５Ａに対応するオンラインデータ（圧力）と、図２においてオンライン計測ポイント１５Ａの両隣に位置する各計測ポイント１６Ｋ、１６Ｌに対応するオフラインデータ（圧力）と、をｘ_１〜ｘ_ｐとする。そして、当該ｘ_１〜ｘ_ｐについての主成分得点を演算して、圧力推定モデルを生成するようになっている。次に、オンライン計測ポイント１５Ａに対応するオンラインデータ（圧力）と図２においてオンライン計測ポイント１５Ａの両隣に位置するオフライン計測ポイントに対応するオフラインデータ（圧力）と、その左の圧力をその両隣の圧力をｘ_１〜ｘ_ｐとして、当該ｘ_１〜ｘ_ｐについての主成分得点を演算して、圧力推定モデルを演算する。このような演算を繰り返すことにより、各オフラインデータに対応する各オフライン計測ポイントにおける圧力推定モデルが順々に演算され、全部のオフライン計測ポイントにおける圧力推定モデルが得られるようになっている。
【００６８】
第２圧力推定モデル構築手段２６は、各オンラインデータと異なるクラスターに分類される各オフラインデータについて、当該各オフラインデータに対応する推定モデル入力値に基づき、当該各オフラインに対応するオフライン計測ポイント１６における配水管２内の圧力モデルである第２圧力推定モデルを構築するようになっている。より具体的には、第２圧力推定モデル構築手段２６は、上述した重回帰分析を用いて第２圧力推定モデルを構築するようになっており、主成分演算手段２５で演算された対応する推定モデル入力値を、重回帰分析の入力値として用いるようになっている。これにより、配水ブロック１に張り巡らされた配水管２のうち、各オンラインデータと異なるクラスターに分類された各オフラインデータに対応するオフライン計測ポイント１６における、配水管２内の圧力モデルである第２の圧力推定モデルが構築される。そして、構築された第２の圧力推定モデルは、第２圧力推定モデル構築手段２６から推定モデルＤＢ２７へ送られるようになっている。
【００６９】
推定モデルＤＢ２７は、第１圧力推定モデル構築手段２４によって構築されて送られてくる第１圧力推定モデルと、第２圧力推定モデル構築手段２６によって構築されて送られてくる第２圧力推定モデルと、から構成される圧力推定モデルを記憶するようになっている。
【００７０】
モデル表示手段３２は、圧力推定モデル記憶手段に記憶されている圧力推定モデルを表示することができるようになっている。
【００７１】
次に、このような構成からなる本実施の形態の作用について説明する。
【００７２】
配水ブロック１の配水管２のうちオンライン計測ポイント１５では、圧力計測器１０ａおよび流量計測器１０ｂによって水圧および水流量が計測される。そして、これらの計測値は、圧力計測器１０ａおよび流量計測器１０ｂからオンラインでオンライン計測データＤＢ２１へ送られて、オンラインデータとして計測日時と併せてオンライン計測データＤＢ２１に記憶される。
【００７３】
一方、配水ブロック１の配水管２のうちオフライン計測ポイント１６では、予め、ハンディータイプの圧力計器等によって水圧が計測されており、この計測された水圧データは、オフライン計測データとして計測日時と併せてオフライン計測データＤＢ２２に記憶される。
【００７４】
そして、各オフライン計測ポイント１６の圧力推定モデルのうちオペレータ等が必要としている所定日時がデータ取得手段２９に入力されると、データ取得手段２９は、入力された所定日時に対応するオンラインデータをオンライン計測データＤＢ２１から取得するとともに、入力された所定日時に対応するオフラインデータをオフライン計測データＤＢ２２から取得する。そして、データ取得手段２９は、取得したオンラインデータ及びオフラインデータを、入力された当該所定日時とともに統計値演算手段３０へ送る。
【００７５】
そして、統計値演算手段３０は、送られてくるオンラインデータを統計化すると共に、送られてくるオフラインデータを統計化する。なお、本実施の形態の統計値演算手段３０によって演算される統計化項目には、正規化手段３１によって用いられる「平均値」および「標準偏差」が含まれている。
【００７６】
統計値演算手段３０によって統計化されたオンラインデータ及びオフラインデータは、統計値ＤＢ２８に記憶され、正規化手段３１に送られる。
【００７７】
正規化手段３１に送られるオンラインデータ及びオフラインデータは、正規化手段３１によって正規化される。この時、正規化手段３１は、統計値ＤＢ２８に記憶されているオンラインデータ及びオフラインデータについての「平均値」及び「標準偏差」と、上記の式（１ａ）（１ｂ）と、に基づいて、オンラインデータ及びオフラインデータを、平均＝０．０、分散＝１．０となるように変換して「正規化」する。
【００７８】
そして、正規化されたオンラインデータ及びオフラインデータは、正規化手段３１から後段に設置されたクラスタリング手段２３へ送られる。
【００７９】
クラスタリング手段２３に送られたオンラインデータ及びオフラインデータは、クラスタリング手段２３によってクラスター分析が行われて、いくつかのクラスターに分類される。これにより、例えば図２に示すようなクラスター分析の結果を得ることができ、オンラインデータおよびオフラインデータは、クラスターＡ、クラスターＢ、クラスターＣ、クラスターＤに分類される。例えばオフライン計測ポイント１６Ａに関するオフラインデータはクラスターＡに分類され、オフライン計測ポイント１６Ｊに関するオフラインデータはクラスターＢに分類され、オフライン計測ポイント１６Ｋに関するオフラインデータ及びオンライン計測ポイント１５Ａに関するオンラインデータはクラスターＣに分類され、オフライン計測ポイント１６Ｎに関するオフラインデータ及びオンライン計測ポイント１５Ｂに関するオンラインデータはクラスターＤに分類される。
【００８０】
そして、各オンラインデータと同一クラスターに分類された各オフラインデータに対応する各オフライン計測ポイント１６における圧力推定モデル（第１圧力推定モデル）が、第１圧力推定モデル構築手段２４によって構築される。この時、第１圧力推定モデル構築手段２４は、上述の重回帰分析を用いて第１圧力推定モデルを構築する。
【００８１】
例えば、クラスター分析によって図２に示す結果が得られている場合には、オンラインデータに対応するオンライン計測ポイント１５Ａ及び１５Ｂが属するクラスターＣ及びＤを対象にして、第１圧力推定モデル構築手段は第１圧力推定モデルを構築する。この時、クラスターＣでは、オンライン計測ポイント１５Ａに対応するオンラインデータ（配水管内の圧力及び水流量）が圧力推定モデルを構築する際の入力値とされ、クラスターＤでは、オンライン計測ポイント１５Ｂに対応するオンラインデータ（配水管内の圧力及び水流量）が圧力推定モデルを構築する際の入力値とされる。
【００８２】
そして、構築されたこれらの第１圧力推定モデルは、推定モデルＤＢ２７に送られて、当該推定モデルＤＢ２７に記憶される。
【００８３】
一方、各オンラインデータと異なるクラスターに分類された各オフラインデータは、主成分演算手段２５によって上述の主成分分析が行われて、各オフラインデータに対応する推定モデル入力値が求められる。そして、各オンラインデータと異なるクラスターに分類された各オフラインデータに対応する各オフライン計測ポイント１６における圧力推定モデル（第２圧力推定モデル）が、第２圧力推定モデル構築手段２６によって構築される。この時、第２圧力推定モデル構築手段２６は、上述の重回帰分析と推定モデル入力値とを用いて圧力推定モデルを構築する。
【００８４】
例えば、クラスター分析によって図２に示す結果が得られている場合、主成分演算手段２５では、各オンラインデータが属していないクラスターＡ及びＢについての推定モデル入力値が求められる。この時、クラスターＢに関して、オンラインデータが属している各クラスターのうち距離の近いクラスターを順次検索する。そして、オンラインデータの属するクラスターＣがクラスターＢに最も近接しているという検索結果が得られた場合には、クラスターＣの主成分が、クラスターＢに関する圧力推定モデルを構築する際の入力値となる。同様に、クラスターＡは、オンラインデータの属するクラスターＣが近接している。この時、クラスターＡから見るとクラスターＢ及びクラスターＣは同一クラスターと見れるので、クラスターＡの圧力推定モデルを構築する際には、クラスターＢ及びクラスターＣの主成分が入力値となる。
【００８５】
そして、構築されたこれらの第２圧力推定モデルは、推定モデルＤＢ２７に送られて、当該推定モデルＤＢ２７に記憶される。
【００８６】
そして、推定モデルＤＢ２７に記憶されている第１圧力推定モデル及び第２圧力推定モデルによって構成された圧力推定モデルが、モデル表示手段３２において表示されて、オペレータ等に知らされる。
【００８７】
以上説明したように、本実施の形態の圧力推定モデル構築システム４によれば、オフライン計測ポイント１６における所定日時の圧力推定モデルが、オンライン計測ポイント１５で計測されているオンラインデータを用いた形式で、統計値演算手段３０、正規化手段３１、クラスタリング手段２３、第１圧力推定モデル構築手段２４、主成分演算手段２５及び第２圧力推定モデル構築手段２６を介して構築される。これにより、オンライン計測ポイントにおける配水管内の圧力分布はオンラインデータとしてオンラインで得ることができ、オフライン計測ポイントにおける配水管内の圧力分布は、オンラインデータと予め計測されていたオフラインデータとに基づいて構築される圧力推定モデルによって得ることができる。これにより、配水ブロックにおけるオンライン計測ポイント及びオフライン計測ポイントにおける配水管内の圧力を精度良く求めることが可能となる。
【００８８】
なお、オンライン計測ポイント１５における配水管２の圧力は、圧力計測器１０ａによって計測され、オンラインでオンライン計測データＤＢに記憶されているので、オンライン計測ポイントにおける圧力推定モデルを構築しなくても、各オンライン計測ポイントにおける配水管２の圧力値を取得することができる。
【００８９】
また、本実施の形態では、従来技術では必要とされていた配水ブロック１に張り巡らされた配水管２に関する複雑な物理情報は不要であり、オンラインで計測されたオンラインデータと、オフラインで計測されたオフライン計測ポイント１６における過去の圧力データであるオフラインデータと、に基づいてオフライン計測ポイント１６における圧力推定モデルが構築される。このように、計測したデータのみに基づいて圧力推定モデルを構築することができるので、圧力推定モデル構築システム４は簡素化され、圧力推定モデル構築時間が大幅に短縮されうる。
【００９０】
また、統計値演算手段３０や正規化手段３１を介して、オンラインデータ及びオフラインデータをクラスター分析することにより、各オンラインデータ及び各オフラインデータを、より安定、正確に各クラスターに分類することができる。
【００９１】
なお、オンライン計測ポイント１５における配水管２内の圧力及び水流量のうち少なくともいずれか一方をオンラインデータとして扱うことも可能である。この場合であっても、上述の本実施の形態と同様の作用・効果を奏しうる。
【００９２】
また、第２圧力推定モデル構築手段２６は、主成分演算手段２５によって演算された主成分のうち、全てを使用する必要はなく、一部のみを使用することも可能である。
【００９３】
次に、本実施の形態の一変形例について説明する。
【００９４】
本変形例による圧力推定モデル構築システムは、統計値演算手段３０や正規化手段３１が設けられていなくてもよい。
【００９５】
この場合、データ取得手段２９によって取得されたオンラインデータ及びオフラインデータは、直接的にクラスタリング手段２３に送られる。クラスタリング手段２３は、オンライン計測データＤＢ２１及びオフライン計測データＤＢ２２からデータ取得手段２９を介して送られてくるオンラインデータ及びオフラインデータをクラスター分析するようになっている。
【００９６】
これにより、各オンラインデータ及び各オフラインデータが各クラスタに分類されるので、上述の第１の実施の形態と同様にして、第１圧力推定モデル構築手段２４、主成分演算手段２５及び第２圧力推定モデル構築手段２６によって、圧力推定モデルが構築される。
【００９７】
従って、本変形例においても、オフライン計測ポイント１６における圧力推定モデルを精度良く構築することができる。
【００９８】
なお、クラスタリング手段では、様々な方に変換したオンラインデータ及びオフラインデータを用いてクラスタリングを行うことが可能である。すなわち、クラスタリング手段は、上述のように統計化・正規化を加えたデータや計測したままのデータの他に、周波数スペクトル等の他の形に変換したデータを用いて、クラスター分析を行うことができる。
【００９９】
第２の実施の形態
図３及び図４は、本発明の第２の実施の形態を示す図である。図３は、ニューラル・ネットワークで用いられる「ユニット」を説明するための図である。図４は、ニューラル・ネットワークで用いられる「入力層」と「中間層」と「出力層」との関係を示す図である。
【０１００】
第２の実施の形態では、第１圧力推定モデル構築手段２４が、重回帰分析の代わりにニューラル・ネットワーク(Neural Network)を用いて第１圧力推定モデルを構築するようになっている。すなわち、第１圧力推定モデル構築手段２４は、ニューラル・ネットワークを用いることにより、各オンラインデータと同一クラスターに分類された各オフラインデータに対応するオフライン計測ポイント１６における配水管２内の圧力モデルである第１の圧力推定モデルを構築するようになっている。そして、構築された第１の圧力推定モデルは、第１圧力推定モデル構築手段２４から推定モデルＤＢ２７へ送られるようになっている。
【０１０１】
一方、第２圧力推定モデル構築手段２６も、重回帰分析の代わりに上述のニューラル・ネットワークを用いて第２の圧力推定モデルを構築するようになっている。すなわち、第２圧力推定モデル構築手段２６は、ニューラル・ネットワークを用いることにより、各オンラインデータと異なるクラスターに分類された各オフラインデータに対応するオフライン計測ポイント１６における配水管２内の圧力モデルである第２圧力推定モデルを構築するようになっている。そして、構築された第２の圧力推定モデルは、第２圧力推定モデル構築手段２６から推定モデルＤＢ２７へ送られるようになっている。
【０１０２】
次に、図３及び図４を用いて、「ニューラル・ネットワーク（Neural Network）」について説明する。
【０１０３】
「ニューラル・ネットワーク（Neural Network）」とは、一般に、人間の神経細胞（ニューロン）をモデルとする人工的なシステムを指し、多入力１出力の「ユニット」の集合体として表現される。「ユニット」を図３に示す。ユニット間は神経繊維に対応する線で結ばれており、信号は、この線上を一方向にだけ伝わるようになっており、「重み（図３のｗ^＊）」を付けられてユニットに入力し、応答関数による変換を経て出力するようになっている。つまり、システム全体としての入力信号が、各ユニットへの結合および変換出力を繰り返しながら次々と伝えられていき、最終的な出力信号が形成されることになる。ユニットの結びつき方、すなわち、ネットワークモデルとしては階層型と相互結合型とが提案されている。
【０１０４】
階層型ネットワークにおける信号は入力層から出力層へ向かう一方通行であり（図４参照）、層内で情報伝達も考えないのが一般的である。
【０１０５】
相互結合型ネットワークは、ある初期状態から出発し、安定状態になるまでネットワークの状態が変化する特性を有している。
【０１０６】
需要予測にNeural Networkを用いる場合、入出力が非線形であるため、応答関数にシグモイド関数を用いた３層の階層型ネットワークを採用する。尚、応答関数は中間層のみに用いられ、入力層及び出力層の出力値ｙは、ｙ＝Ｕとする。
【０１０７】
階層型ネットワークのシステム同定は、望ましい入出力が数組用意され（これを教示信号と呼ぶ）、Neural Networkがシステムの入出力関係を十分に近似するように重みを修正していくことによって行われる（これを学習と呼ぶ）。主な学習方法としてバックプロパゲーション法とカルマン・ニューロ法とがあるが、本実施の形態ではバックプロパゲーション法が用いられる。アルゴリズムは以下のようになる。
【０１０８】
〔ステップ１：各層の演算〕
入力層に与えられた信号から、以下の式（１６）（１７）で表されるニューロンモデルに従って、中間層及び出力層を演算する。
【０１０９】
すなわち、中間層の第ｊニューロンの出力Ｈ_ｊは、式（１６）のニューロンモデルを用いることにより得られる。
【０１１０】
【数１０】

なお、Ｉ_ｉ：入力層第ｉニューロンの出力、Ｈ_ｊ：中間層第ｊニューロンの出力、Ｗ_ｊｉ：入力層第ｉニューロンと中間層第ｊニューロンの間の重み係数、１：入力層のニューロン数、ｆ０：応答関数（シグモイド関数を使用）、を意味している。
【０１１１】
一方、出力層第ｋニューロンの出力Ｏ_ｋは、式（１７）のニューロンモデルを用いることにより得られる。
【０１１２】
【数１１】

なお、Ｈｊ：中間第ｊニューロンの出力、Ｏ_ｋ：出力層第ｋニューロンの出力、Ｗkj：中間層第ｊニューロンと出力層第ｋニューロンの間の重み係数、ｍ：中間層のニューロン数、を意味している。
【０１１３】
〔ステップ２：重みＷの演算〕
出力層の第ｋニューロンの出力Ｏ_ｋと出力層の第ｋニューロンの教示信号ｙ_ｋとの自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、以下の式（１８）を用いてΔＷ_ｋｊを演算し、Ｗ_ｋｊを修正するようになっている。
【０１１４】
Ｗkj(t+1)＝Ｗkj(t)＋ΔＷkj(t)
ΔＷkj(t)＝−ε・dk(t)・Ｈj(t) …………（１８）
dk(t)＝Ｏk(t)−yk(t)
なお、ｔ：学習回数、ε：１回の修正の大きさを決めるパラメータ、ｄ_ｋ：出力層の誤差、を意味している。
【０１１５】
一方、入力層と中間層との重み係数の学習は、以下の式（１９）を用いてΔｗ_ｊｉを演算し、Ｗ_ｊｉを修正するようになっている。
【０１１６】
【数１２】

なお、ｄｊ：中間層の逆伝搬誤差、ｆ０：ｆ０の微分、を意味している。
【０１１７】
更に、振動を減らし、学習の収束を早めるために、以下の式（２０）を使う。
【０１１８】
ΔＷkj(t)＝−ε・dk(t)・Ｈj(t)＋α・Ｗkj(t-1)
ΔＷji(t)＝−ε・dj(t)・Ｉi(t)＋α・Ｗji(t-1) ………（２０）
なお、α：安定のためのパラメータ、ε：１−α、を意味している。
【０１１９】
この学習の結果として得られる重み係数が、予測モデルとして記憶されるようになっている。
【０１２０】
また、ニューラルネットワークを用いた時には、過学習によるモデルのオーバーフィッティングが生じてしまうことが考えられるため、特願２０００−０２１０７４「短気需要予測装置」に記憶されているようなオーバーフィティングを抑制する手段を付加することが好ましい。
【０１２１】
本実施の形態のニューラル・ネットワークにおいて、式（１６）のＩｉは、上述の第１の実施の形態において説明した重回帰分析を用いて圧力推定モデルを構築した際に使用した入力値（オンラインデータ（圧力、流量）及び一部のオフラインデータ）に該当する。また、式（１８）のｙｋ（ｔ）は、圧力推定モデルを構成するオフラインデータ（各オフライン計測ポイントにおける配水管２内の圧力）に対応する。その他の変数は、いわゆる内部変数（入出力以外の変数）に該当する。
【０１２２】
他の構成は図１及び図２に示す第１の実施の形態と略同一である。
【０１２３】
本実施の形態において、図１及び図２に示された第１の実施の形態と同一部分には同一符号を付して詳細な説明は省略する。
【０１２４】
本実施の形態の圧力推定モデル構築システム４においても、上述の第１の実施の形態と同様に、配水ブロック１の配水管２のうちオンライン計測ポイント１５において計測されたオンラインデータと、オフライン計測ポイント１６において計測されたオフラインデータとは、データ取得手段２９、統計値演算手段３０、統計値ＤＢ２８、正規化手段３１及びクラスタリング手段２３によって、いくつかのクラスターに分類される。
【０１２５】
そして、各オンラインデータと同一クラスターに分類された各オフラインデータに対応する各オフライン計測ポイント１６における圧力推定モデル（第１圧力推定モデル）が、第１圧力推定モデル構築手段２４によって構築される。この時、第１圧力推定モデル構築手段２４は、ニューラル・ネットワークを用いて第１圧力推定モデルを構築する。そして、構築されたこれらの第１圧力推定モデルは、推定モデルＤＢ２７に送られて、当該推定モデルＤＢ２７に記憶される。
【０１２６】
一方、各オンラインデータと異なるクラスターに分類された各オフラインデータは、主成分演算手段２５によって上述の主成分分析が行われて、各オフラインデータに対応する推定モデル入力値が求められる。そして、各オンラインデータと異なるクラスターに分類された各オフラインデータに対応する各オフライン計測ポイント１６における圧力推定モデル（第２圧力推定モデル）が、第２圧力推定モデル構築手段２６によって構築される。この時、第２圧力推定モデル構築手段２６は、上述のニューラル・ネットワークと推定モデル入力値とを用いて圧力推定モデルを構築する。そして、構築されたこれらの第２圧力推定モデルは、推定モデルＤＢ２７に送られて、当該推定モデルＤＢ２７に記憶される。
【０１２７】
そして、推定モデルＤＢ２７に記憶されている第１圧力推定モデル及び第２圧力推定モデルによって構成された圧力推定モデルが、モデル表示手段３２において表示されて、オペレータ等に知らされる。
【０１２８】
以上説明したように、本実施の形態の圧力推定モデル構築システム４においても、オフライン計測ポイント１６における所定日時の圧力推定モデルが、オンラインで計測されているオンラインデータを用いた形式で構築される。このため、これにより、オフライン計測ポイント１６における配水管２の圧力分布に関する推定モデルを、精度良く構築することができる。特に、本実施の形態においても、従来技術で必要とされていた配水管網に関する複雑な物理情報は不要なので、圧力推定モデル構築システム４を簡素化することができ、圧力推定モデル構築時間を大幅に短縮することができる。
【０１２９】
また、ニューラル・ネットワークを用いて圧力推定モデルを構築するので、２次以上の高次系の項も考慮して圧力推定モデルを構築することができ、非線形性の高いプロセスに対しても、精度良く圧力推定モデルを構築することができる。
【０１３０】
なお、本実施の一変形例として、統計値演算手段３０や正規化手段３１が設けられておらず、データ取得手段２９によって取得されたオンラインデータ及びオフラインデータを直接的にクラスタリング手段２３に送るような圧力推定モデル構築システム４であっても、上述した第２の実施の形態における場合と同様の作用・効果を奏しうる。
【０１３１】
第３の実施の形態
図５は、本発明の第３の実施の形態を示す図であり、圧力推定モデル構築システム全体の構成を示す概略図である。
【０１３２】
第３の実施の形態の圧力推定モデル構築システム４は、圧力推定装置１１が支援手段３５を更に有しており、当該支援手段３５は、正規化手段３１に接続される共に推定モデルＤＢ２７に接続された消火栓圧力推定手段３６と、消火栓圧力推定手段３６に接続された推定結果表示手段３７と、を有している。
【０１３３】
消火栓圧力推定手段３６は、現在時刻に対応するオンラインデータを正規化手段３１から取得すると共に推定モデル記憶手段から圧力推定モデルを取得するようになっている。そして消火栓圧力推定手段３６は、取得した現在時刻に対応するオンラインデータと圧力推定モデルとに基づいて、取得した圧力推定モデルに対応するオフライン計測ポイント１６の配水管２内における現在時刻の圧力値を演算する機能を有している。
【０１３４】
推定結果表示手段３７は、消火栓圧力推定手段３６によって演算された圧力値を表示して、オペレータ等に当該圧力値を知らせることができるようになっている。
【０１３５】
他の構成は図１及び図２に示す第１の実施の形態と略同一である。
【０１３６】
図５において、図１及び図２に示された第１の実施の形態と同一部分には同一符号を付して詳細な説明は省略する。
【０１３７】
本実施の形態の圧力推定モデル構築システム４においても、上述の第１の実施の形態と同様に、配水ブロック１の配水管２のうちオンライン計測ポイント１５において計測されたオンラインデータと、オフライン計測ポイント１６において計測されたオフラインデータと、データ取得手段２９と、統計値演算手段３０と、統計値ＤＢ２８と、正規化手段３１と、クラスタリング手段２３と、第１モデル構築手段と、主成分演算手段２５と、第２モデル構築手段と、に基づいて、オフライン計測ポイント１６における所定日時の圧力推定モデルが得られ、当該圧力推定モデルは推定モデルＤＢ２７に記憶される。
【０１３８】
その後、消火栓圧力推定手段３６が、現在時刻に対応するオンラインデータを正規化手段３１から取得すると共に、取得したオンラインデータに対応する圧力推定モデルを推定モデルＤＢ２７から取得する。そして、消火栓圧力推定手段３６は、取得した現在時刻に対応するオンラインデータと圧力推定モデルとに基づいて、取得した圧力推定モデルに対応するオフライン計測ポイント１６の配水管２内における現在時刻の圧力値を演算する。
【０１３９】
消火栓圧力推定手段３６によって演算された現在時刻に対応する圧力値は、推定結果表示手段３７に送られて表示され、オペレータ等に知らせられる。
【０１４０】
なお、推定結果表示手段３７における表示方法はどのようなものであってもよい。例えば、推定した圧力の値そのものを表示したり、２Ｄ形式や３Ｄ形式の圧力値の等高線で表示したりすることができるようになっている。また、消火栓圧力推定手段３６によって推定された圧力が、予め設定されている許容可能な圧力範囲（運用圧力範囲）を逸脱する場合であっても、推定結果表示手段３７は当該推定された圧力を表示することができるようになっている。
【０１４１】
以上説明したように、本実施の形態の圧力推定モデル構築システム４は、オンラインで計測されているオンラインデータを用いた形式で、各オフライン計測ポイント１６における圧力推定モデルを構築することができる。
【０１４２】
更に、本実施の形態によれば、消火栓圧力推定手段３６によって各オフライン計測ポイント１６における現在時刻に対応する具体的な圧力値を推定することができる。
【０１４３】
次に、本実施の形態の一変形例について説明する。
【０１４４】
本発明による力推定モデル構築システムは、統計値演算手段３０や正規化手段３１が設けられていなくてもよい。
【０１４５】
この場合、データ取得手段２９によって取得されたオンラインデータ及びオフラインデータは、直接的にクラスタリング手段２３に送られる。クラスタリング手段２３は、オンライン計測データＤＢ２１及びオフライン計測データＤＢ２２からデータ取得手段２９を介して送られてくるオンラインデータ及びオフラインデータをクラスター分析するようになっている。
【０１４６】
また、消火栓圧力推定手段３６は、オンライン計測データＤＢ２１に接続され、当該オンライン計測データＤＢ２１から現在時刻に対応するオンラインデータを取得するようになっている。
【０１４７】
他の構成は、上述した図５に示す第３の実施の形態と略同一であり、上述の第３の実施の形態と同一部分には同一符号を付して詳細な説明は省略する。
【０１４８】
本変形例においても、各オフライン計測ポイント１６における圧力推定モデルが、第１圧力推定モデル構築手段２４及び第２圧力推定モデル構築手段２６によって構築され、推定モデルＤＢ２７に記憶される。
【０１４９】
そして、消火栓圧力推定手段３６は、現在時刻に対応するオンラインデータをオンライン計測データＤＢ２１から取得すると共に、このオンラインデータに対応する圧力推定モデルを推定モデルＤＢ２７から取得する。そして、消火栓圧力推定手段３６は、取得したオンラインデータと圧力推定モデルとに基づいて、現在時刻に対応する各オフライン計測ポイント１６における配水管２内の具体的な圧力値を演算する。
【０１５０】
消火栓圧力推定手段３６によって演算された圧力値は、推定結果表示手段３７に送られて表示される。
【０１５１】
以上説明したように、本変形例においても、圧力推定モデル構築システム４は、オンラインで計測されているオンラインデータを用いた形式で、各オフライン計測ポイント１６における圧力推定モデルを構築することができる。
【０１５２】
また、消火栓圧力推定手段３６によって各オフライン計測ポイント１６における現在時刻に対応する具体的な圧力値を推定することができる。このため、例えば、配水ブロック１の全域に張り巡らされた配水管２の各箇所において、配水管内の圧力が、許容範囲（例えば、許容最低圧力以上であって許容最高圧力以下の範囲）となっているか否かを検証したりすることができる。
【０１５３】
なお、支援手段３５の圧力推定手段３６において必要とされるデータは、第１圧力推定モデル構築手段２４及び第２圧力推定モデル構築手段２６で使用した形式のデータである。従って、各モデル構築手段２４，２６が正規化されたデータを使用している場合には、圧力推定手段３６も正規化されたデータを必要とし、各モデル構築手段２４，２６が計測したそのままのデータを使用している場合には、圧力推定手段３６も計測したそのままのデータを必要とする。
【０１５４】
また、本実施の形態では、圧力推定手段３６に入力されるデータは現在時刻に対応するものが想定されており、圧力推定手段３６は、全てのオンラインデータを用いて圧力を推定するので、圧力計測器１０ａ及び流量計測器１０ｂから送られてくるオンラインデータは、全て圧力推定手段３６に入力されるようになっている。
【０１５５】
第４の実施の形態
図６は、本発明の第４の実施の形態を示す図であり、圧力推定モデル構築システム全体の構成を示す概略図である。
【０１５６】
第４の実施の形態の圧力推定モデル構築システム４は、圧力推定装置１１が検証手段４０を更に備えており、当該検証手段４０は、日時設定手段４１と、日時設定手段４１に接続されると共にオンライン計測データＤＢ２１に接続された日時指定データ取得手段４２と、を有している。
【０１５７】
日時設定手段４１は、各オフライン計測ポイント１６における過去の所定日時の圧力を推定したい場合に、オペレータ等によって当該過去の所定日時が入力されるようになっている。
【０１５８】
なお、一定の検証期間の各オフライン計測ポイント１６における圧力を推定する場合には、検証開始日時と検証終了日時とを設定するという方法が考えられる。検証開始日時と検証開始日時とを同一日とすることにより、特定日時の検証が可能となる。
【０１５９】
日時指定データ取得手段４２は、日時設定手段４１に入力された過去の所定日時に対応するオンラインデータをオンライン計測データ記憶手段から取得して、取得したオンラインデータを正規化手段３１に送るようになっている。
【０１６０】
正規化手段３１は、日時指定データ取得手段４２から送られくるオンラインデータを正規化して、正規化したオンラインデータを消火栓圧力推定手段３６に送る機能を更に有している。
【０１６１】
消火栓圧力推定手段３６は、日時指定データ取得手段４２から正規化手段３１を介して送られくるオンラインデータに対応する圧力推定モデルを圧力推定モデル記憶手段から取得して、日時指定データ取得手段４２から正規化手段３１を介して送られくるオンラインデータと取得した圧力推定モデルとに基づいて、過去の所定日時における圧力推定値を演算する機能を更に有している。
【０１６２】
他の構成は図５に示す第３の実施の形態と略同一である。
【０１６３】
図６において、図５に示された第３の実施の形態と同一部分には同一符号を付して詳細な説明は省略する。
【０１６４】
本実施の形態の圧力推定モデル構築システム４においても、上述の第１の実施の形態と同様に、配水ブロック１の配水管２のうちオンライン計測ポイント１５において計測されたオンラインデータと、オフライン計測ポイント１６において計測されたオフラインデータと、データ取得手段２９と、統計値演算手段３０と、統計値ＤＢ２８と、正規化手段３１と、クラスタリング手段２３と、第１モデル構築手段と、主成分演算手段２５と、第２モデル構築手段と、に基づいて、オフライン計測ポイント１６における所定日時の圧力推定モデルが得られ、当該圧力推定モデルは推定モデルＤＢ２７に記憶される。
【０１６５】
そして、圧力を推定したい過去の所定日時が、オペレータ等によって日時設定手段４１に入力される。日時設定手段４１に入力された所定日時は、日時指定データ取得手段４２に送られる。
【０１６６】
日時指定データ取得手段４２は、日時設定手段４１から送られてきた所定日時に対応するオンラインデータを、オンライン計測データＤＢ２１から取得する。そして、オンライン計測データＤＢ２１取得された当該オンラインデータは、日時指定データ取得手段４２から正規化手段３１に送られる。
【０１６７】
正規化手段３１は、正規化手段３１から送られてくるオンラインデータを正規化する。そして、正規化手段３１は、正規化した当該オンラインデータを消火栓圧力推定手段３６に送る。
【０１６８】
消火栓圧力推定手段３６は、正規化手段３１から送られてくるオンラインデータに対応する圧力推定モデルを推定モデルＤＢ２７から取得する。そして、消火栓圧力推定手段３６は、正規化手段３１から送られくるオンラインデータと、当該オンラインデータに対応する圧力推定モデルと、に基づいて、各オフライン計測ポイント１６の配水管２内における過去の所定日時の圧力値を演算する。
【０１６９】
消火栓圧力推定手段３６によって演算された過去の所定日時に対応する圧力値は、推定結果表示手段３７に送られて表示され、オペレータ等に知らせられる。
【０１７０】
なお、推定結果表示手段３７は、演算した圧力値を様々な手法で表示することが可能であり、例えば、一定の検証期間における圧力値を連続的に表示したり（連続再生表示）、当該検証期間のうちの任意時刻における圧力値を表示したり（任意時刻表示）、予め定められた指定時間前からの圧力偏差（圧力変動）を表示したりすることができる。なお、ここでいう「予め定められた指定時間」は、例えば、日時設定手段４１を介してオペレータ等によって設定可能であるが、これに限定されるものではない。
【０１７１】
以上説明したように、本実施の形態の圧力推定モデル構築システム４では、オンラインで計測されているオンラインデータを用いた形式で、各オフライン計測ポイント１６における圧力推定モデルを構築することができ、更に、消火栓圧力推定手段３６によって各オフライン計測ポイント１６における過去の所定日時に対応する具体的な圧力値を推定することができる。
【０１７２】
【発明の効果】
以上説明したように、本発明の圧力推定モデル構築システムよれば、配水ブロックに張り巡らされた配水管のうち、オンライン計測ポイントにおける配水管内の圧力分布はオンラインデータとしてオンラインで得ることができ、オフライン計測ポイントにおける配水管内の圧力分布は、オンラインデータと予め計測されていたオフラインデータとに基づいて構築される圧力推定モデルによって得ることができる。従って、本発明によれば、配水ブロックにおけるオンライン計測ポイント及びオフライン計測ポイントにおける配水管内の圧力を精度良く求めることが可能となる。
【図面の簡単な説明】
【図１】本発明の第１の実施の形態における圧力推定モデル構築システム全体の構成を示す概略図である。
【図２】クラスター分析によって各クラスターに分類されたオンラインデータ及び各オフラインデータを示す。
【図３】ニューラル・ネットワークで用いられる「ユニット」を説明するための図である。
【図４】ニューラル・ネットワークで用いられる「入力層」と「中間層」と「出力層」との関係を示す図である。
【図５】本発明の第３の実施の形態を示す図であり、圧力推定モデル構築システム全体の構成を示す概略図である。
【図６】本発明の第４の実施の形態を示す図であり、圧力推定モデル構築システム全体の構成を示す概略図である。
【図７】従来の圧力推定モデル構築システム全体の構成を示す概略図である。
【符号の説明】
１ 配水ブロック
２ 配水管
３ 配水注入部
４ 圧力推定モデル構築システム
１０ａ 圧力計測器
１０ｂ 流量計測器（オンライン計測手段）
１１ 圧力推定装置
１５ オンライン計測ポイント
１６ オフライン計測ポイント
２１ オンライン計測データＤＢ（オンライン計測データ記憶手段）
２２ オフライン計測データＤＢ（オフライン計測データ記憶手段）
２３ クラスタリング手段
２４ 第１圧力推定モデル構築手段
２５ 主成分演算手段
２６ 第２圧力推定モデル構築手段
２７ 推定モデルＤＢ（圧力推定モデル記憶手段）
２８ オンライン計測データＤＢ（オンライン計測データ記憶手段）
２９ データ取得手段
３０ 統計値演算手段
３１ 正規化手段
３２ モデル表示手段[0001]
BACKGROUND OF THE INVENTION
The present invention relates to a pressure estimation model construction system that constructs an estimation model related to a pressure distribution in a water distribution pipe stretched around a water distribution block.
[0002]
[Prior art]
A distribution pipe network for distributing drinking water to consumers such as ordinary households plays an important role as one of the urban infrastructures. In order to realize a stable water supply to consumers, it is required to always maintain an appropriate pressure in the distribution pipe when managing the distribution pipe network.
[0003]
On the other hand, by grasping the pressure state in the water distribution pipe, (1) whether water is being supplied from the water supply point such as a water reservoir to the water distribution pipe at an appropriate water pressure, or (2) where the water pressure is insufficient It is possible to obtain information such as whether or not there is (3) an area where the water pressure is excessive. For this reason, in order to keep the inside of the water pipe at an appropriate pressure, it is very effective to accurately grasp the pressure state in the water pipe.
[0004]
Various methods have been considered for grasping the pressure state in the water distribution pipe. For example, a pipe network analysis method as shown in FIG. 7 has been widely used.
[0005]
As shown in FIG. 7, the distribution pipe network is stretched so that water can be distributed to the demand point 45 such as a fire hydrant installed in the entire area of the distribution block 1, and water from the distribution reservoir is injected into the distribution pipe. It is supplied via the section 3. And the pressure measuring instrument 10a and the flow measuring instrument 10b are installed in the predetermined location of the water distribution pipe 2, The data about the pressure in the water distributing pipe 2 and the water flow rate are sometimes obtained by this pressure measuring instrument 10a and the flow measuring instrument 10b. It is measured every moment. The measured pressure data and flow rate data are sent online from the measuring instruments 10a and 10b to the online data DB (online data database) 21 and stored as online data together with the measurement date and time.
[0006]
On the other hand, when an operator or the like wants to know the pressure state in the water pipe 2 at a specific date and time, the specific date and time is input to the date and time setting means 50. The input date / time is sent from the date / time setting means 50 to the data acquisition means 51. The data acquisition means 51 acquires from the online data DB 21 online data whose measurement date corresponds to the specific date sent from the date setting means 50, sends this online data to the data display means 52, and also analyzes 53. To send to.
[0007]
The data display means 52 displays the sent online data and presents the online data to an operator or the like.
[0008]
The analysis means 53 is based on online data sent from the data acquisition means 51 and physical information sent from a separately provided physical information DB (physical information database) 54 by pipe network analysis technology. It is designed to analyze the pressure at each location of the water distribution network.
[0009]
The physical information stored in the physical information DB 54 is civil engineering information such as the diameter and pipe length of the water pipe 2 at each location of the water distribution network, and the analysis means 53 determines the pressure at each location of the water distribution network. Contains useful information when analyzing.
[0010]
The pressure and the like at each location of the water distribution pipe network analyzed by the analysis means 53 are presented to the operator or the like by the analysis result display means 55.
[0011]
Then, the operator manages the pressure in the water distribution pipe 2 in consideration of the information presented by the analysis result display means 55. For example, the water distribution block 1 does not cause an area with insufficient water pressure or excessive water pressure. Whether or not water is appropriately distributed to each demand point 45 is managed.
[0012]
[Problems to be solved by the invention]
Conventionally, the pressure state in the water distribution pipe 2 is grasped by analyzing the pressure and the like at each location of the water distribution pipe network by the pipe network analysis method as described above.
[0013]
However, in the pipe network analysis method as described above, the pressure or the like at each location of the water distribution pipe network is determined based only on the measured values of the pressure measuring device 10a or the flow rate measuring device 10b installed at a predetermined location of the water distribution pipe network. Analyzing. For this reason, when the water distribution block 1 is wide or the water distribution pipe network is formed in a complicated manner, and the appropriate number of pressure measuring instruments 10a and flow measuring instruments 10b are not properly arranged. It is difficult to perform an accurate and reliable analysis.
[0014]
Moreover, analysis results such as pressure at each location of the distribution pipe network are greatly influenced by physical information stored in the physical information DB 54, and therefore it is necessary to use appropriate physical information. The physical information is determined according to the size and configuration of the water distribution pipe network. However, it is necessary to grasp the civil engineering structure of the water distribution pipe network necessary for determining the physical information, to convert the civil engineering structure into data, and to obtain each demand point 45. The work such as the allocation of the demand amount for a large amount of labor requires a lot of labor and a lot of analysis time. Further, in order to accurately analyze the pressure and the like at each location of the water distribution pipe network, it is necessary to accurately perform operations such as allocation of the demand amount to each demand point 45. However, it is very difficult to perform such work accurately.
[0015]
The present invention has been made in consideration of such points, and an object of the present invention is to provide a pressure estimation model construction system capable of accurately obtaining a pressure distribution in a distribution pipe stretched around a distribution block.
[0016]
[Means for Solving the Problems]
The present invention is a pressure estimation model construction system for constructing an estimation model relating to a pressure distribution in a water distribution pipe stretched around a water distribution block, and in the water distribution pipe at an online measurement point provided at one or more locations in the water distribution pipe. Online measurement means that measures at least one of pressure and water flow rate as online data, and sends the online data to the subsequent stage, and one or more locations different from the online measurement point in the water distribution pipe The pressure in the distribution pipe measured in advance at the offline measurement point is stored as offline data, and the offline measurement data storage means having a function of sending the offline data to the subsequent stage, and the subsequent stage of the online measurement means and the offline measurement data storage means Online measurement provided Clustering means having a function of classifying online data sent from the stage and offline data sent from the offline measurement data storage means into each cluster by cluster analysis, and provided on the subsequent stage of the clustering means. For each offline data classified into the same cluster as the data, a first pressure estimation model that is a pressure model in the distribution pipe at the offline measurement point corresponding to each offline data is constructed based on each online data classified into the same cluster The first pressure estimation model constructing means and the clustering means are provided at a subsequent stage, and principal component analysis is performed on each offline data classified into a cluster different from each online data, and an estimation model corresponding to each offline data is obtained. A principal component calculation means having a function for calculating an input value and an estimated model input corresponding to each offline measurement data for each offline data provided in the subsequent stage of the principal component calculation means and classified into a cluster different from each online data A second pressure estimation model construction means for constructing a second pressure estimation model that is a pressure model in the distribution pipe at an offline measurement point corresponding to each offline, a first pressure estimation model construction means, and a second pressure estimation. A pressure estimation model connected to the model construction means and configured by a first pressure estimation model constructed by the first pressure estimation model construction means and a second pressure estimation model constructed by the second pressure estimation model construction means And a pressure estimation model storage means for storing the pressure estimation model storage system System.
[0017]
According to the pressure estimation model construction system of the present invention, a pressure estimation model related to the pressure in the distribution pipe at the offline measurement point is constructed based on online data sent online from the online measurement point.
[0018]
DETAILED DESCRIPTION OF THE INVENTION
Embodiments of the present invention will be described below with reference to the drawings.
[0019]
First embodiment
1 and 2 are diagrams showing a first embodiment of the present invention. FIG. 1 is a schematic diagram showing a configuration of the entire pressure estimation model construction system. FIG. 2 shows online data and each offline data classified into each cluster by cluster analysis.
[0020]
As shown in FIG. 1, in order to supply water to a plurality of demand points 45 such as fire hydrants in the water distribution block 1, a water distribution pipe 2 is stretched over the entire area of the water distribution block 1. Thereby, the water sent from the distribution reservoir etc. is supplied to the water distribution pipe 2 in the water distribution block 1 via the water distribution injection | pouring part 3, and is sent to each demand point 45. FIG.
[0021]
A pressure estimation model construction system 4 for constructing a pressure estimation model at each location of such a water pipe 2 includes a pressure measuring instrument 10a and a flow measuring instrument 10b (online measuring means), and the pressure measuring instrument 10a and the flow measuring instrument. And a pressure estimation device 11 connected to the vessel 10b.
[0022]
The pressure measuring instrument 10a and the flow measuring instrument 10b are online data on the pressure and water flow rate in the distribution pipe 2 at the online measurement point 15 provided in one or more places (three places in the present embodiment) of the distribution pipe 2. It has the function to measure as. The pressure measuring device 10a and the flow rate measuring device 10b have a function of sending online data measured in this way to a subsequent stage.
[0023]
The pressure estimation device 11 includes an online measurement data DB 21 (online measurement data storage means), an offline measurement data DB 22 (offline measurement data storage means), a pressure measurement instrument 10a, and an pressure measurement instrument 10a and a flow measurement instrument 10b. Clustering means 23 provided in the subsequent stage of the flow rate measuring device 10b and the offline measurement data DB 22, a first pressure estimation model construction means 24 provided in the subsequent stage of the clustering means 23, and a main part provided in the subsequent stage of the clustering means 23 The component calculation means 25, the second pressure estimation model construction means 26 provided in the subsequent stage of the principal component calculation means 25, the estimation model connected to the first pressure estimation model construction means 24 and the second pressure estimation model construction means 26 DB27 (pressure estimation model storage means), pressure measuring instrument 10a and flow meter Online measurement data DB 21 (online measurement data storage means) provided between the device 10 b and the clustering means 23, and data acquisition means 29 provided between the online measurement data DB 21 and offline measurement data DB 22 and the clustering means 23. The statistical value calculating means 30 provided between the data acquisition means 29 and the clustering means 23, the normalizing means 31 provided between the statistical value calculating means 30 and the clustering means 23, and the estimated model DB 27. Connected model display means 32.
[0024]
The offline measurement data DB 22 is preliminarily measured by the offline data measurement means 33 at the offline measurement points 16 provided at one or more locations (three locations in the present embodiment) different from the online measurement points 15 in the distribution pipe 2. The pressure in the distribution pipe 2 is stored as offline data. That is, the offline measurement data DB 22 stores the pressure in the water distribution pipe 2 measured in advance at the offline measurement point 16 such as a fire hydrant together with the measurement date and time as offline data.
[0025]
As the offline data measuring means 33, for example, a handy type pressure gauge or the like can be used. Then, the pressure in the distribution pipe 2 measured for several days in advance at the offline measurement point 16 by the pressure gauge or the like is stored in the offline measurement data DB 22 as offline data. The offline measurement data DB 22 can send the stored offline data to the data acquisition means 29 provided in the subsequent stage. The offline measurement data DB 22 stores offline data at all or a part of the offline measurement points 16 and can send it to the subsequent stage.
[0026]
The online measurement data DB 21 stores measurement values obtained by the pressure measuring instrument 10a and the flow rate measuring instrument 10b (online measuring means) together with the measurement date and time.
[0027]
Note that the measurement date / time of online data stored in the online measurement data DB 21 and the measurement date / time of offline data stored in the offline measurement data DB 22 correspond to each other.
[0028]
The data acquisition means 29 has a function of acquiring online data stored in the online measurement data DB 21 and acquiring offline data corresponding to the measurement time of the online data acquired from the online measurement data DB 21 from the offline measurement data DB 22. is doing. The data acquisition unit 29 has a function of sending the acquired online data and offline data to the subsequent stage.
[0029]
The statistical value calculation means 30 has a function of statisticalizing the online data and offline data that are sent.
[0030]
In this embodiment, the “statistication” of these online data and offline data is the sum, minimum, maximum, range, standard deviation, variance, average, median, coefficient of variation, skewness, kurtosis, Such statistical items are basically used. However, the statistical value calculation means 30 can also “statistically” the online data and offline data based on other statistical items.
[0031]
The statistical value calculation means 30 has a function of sending statisticalized online data and offline data to the subsequent stage. Online data and offline data sent from the statistical value calculation means 30 are stored in the statistical value DB 28 and then sent to the normalization means 31.
[0032]
The normalizing means 31 has a function of normalizing the sent online data and offline data and sending them to the subsequent stage. For this reason, in the present embodiment, the online data and offline data normalized by the normalizing means 31 are sent to the clustering means 23 provided at the subsequent stage of the normalizing means 31.
[0033]
The normalizing means 31 in the present embodiment normalizes using online data and offline data stored in the statistical value DB 28, and the “average value” and “ Based on the “standard deviation”, the following formulas (1a) and (1b) are used to convert and normalize the online data and offline data so that the average = 0.0 and the variance = 1.0. ing.
[0034]
[Expression 1]

That is, each data item of online data and offline data acquired by the data acquisition means 29 is converted by the equations (1a) and (1b). For example, as shown in FIG. 1, as the online data, one point of data regarding the water flow rate in the distribution pipe 2 and two points of data regarding the pressure in the distribution pipe 2 are sometimes obtained by the pressure measuring instrument 10a and the flow measuring instrument 10b. Consider the case where data is collected every moment and the data acquisition means 29 acquires online data for several hours (one point for water flow rate data and two points for pressure data).
[0035]
In this case, the acquired data is assumed to be X1t, X2t, and X3t (where t represents time). First, X1t is changed to x in the equations (1a) and (1b)._iTo obtain standardized data z, and then X2t is replaced by x in equations (1a) and (1b)._iTo obtain standardized data z, and finally X3t is replaced with x in equations (1a) and (1b)._iThus, the standardized data z is obtained. As a result of this work, online data (water flow data is 1 point, pressure data is 2 points), average data is 0 and standard deviation is 1 standard data (water flow data is 1 point, pressure data is 1 point) Data is converted to 2 points).
[0036]
Similarly, offline data is converted into offline data that is standardized with an average of 0 and a standard deviation of 1. When the online data and the offline data thus standardized are obtained, the values calculated by the statistical value calculation means 30 are the average value and standard deviation of the base data in the equations (1a) and (1b). It has come to be used.
[0037]
The clustering means 23 includes online data sent from the pressure measuring instrument 10a and the flow measuring instrument 10b via the online measuring data DB 21, the data acquiring means 29, the statistical value calculating means 30, the statistical value DB 28, and the normalizing means 31. , Offline data sent from the offline measurement data DB 22 via the data acquisition means 29, the statistical value calculation means 30, the statistical value DB 28, and the normalization means 31, and has a function of classifying each cluster by cluster analysis. ing.
[0038]
Here, “cluster analysis” generally means an operation of grouping homogeneous samples from a sample. The cluster analysis is started from a state in which the sample belongs to an unknown group and the number of groups is unknown. The purpose of the cluster analysis is to classify specimens into homogeneous groups and clusters.
[0039]
Specifically, the cluster analysis of online data and offline data by the clustering means 23 of the present embodiment is performed as follows. In the present embodiment, the target of cluster analysis is only data related to “pressure”, and data related to “water flow rate” is not the target.
[0040]
(1) First, the distance between solids and the distance between clusters are defined. Here, “solid” refers to one signal included in online data or offline data. For example, various formulas as shown in Table 1 below have been proposed as formulas for indicating the distances between the solids. In this embodiment, the “Euclidean distance” shown in Table 1 is used. Define the distance between solids. On the other hand, for example, various formulas as shown in Table 2 have been proposed as formulas for indicating the distance between clusters. In this embodiment, the distance between clusters is calculated using the Ward method shown in Table 2. Define.
[0041]
[Table 1]

[Table 2]

In Tables 1 and 2, Xa and Xb represent online data (pressure) or offline data, d (Xa, Xb) represents the distance between Xa and Xb, and d_{ab → c}Represents a distance between a certain cluster AB and online data or offline data or cluster C.
[0042]
(2) Next, the distance between all the solids is calculated.
[0043]
(3) Next, the clusters or solids having the shortest distance between the solids are merged into one cluster.
[0044]
(4) Next, the clusters created in (3) above are regarded as new solids, and the distances between all the solids are calculated.
[0045]
{Circle around (5)} Then, the above steps {circle around (1)} to {circle around (4)} are repeated to finish when all the solids are included in one cluster.
[0046]
In the present embodiment, according to the above (1) to (5), for example, the result of cluster analysis as shown in FIG. 2 can be obtained. In FIG. 2, the X axis (horizontal axis) indicates each offline measurement point and each online measurement point corresponding to each online data and each offline data, and the Y axis (vertical axis) indicates each online data and each offline data. It shows the similarity (distance) in cluster analysis for data. Also, the lines in FIG. 2 represent that they can be treated as the same cluster at the distance to which the lines are connected.
[0047]
The first pressure estimation model construction means 24 assigns each offline data classified into the same cluster as each online data, based on each online data classified into the same cluster, at the offline measurement point 16 corresponding to each offline data. A first pressure estimation model that is a pressure model in the water pipe 2 is constructed. More specifically, the first pressure estimation model construction means 24 of the present embodiment constructs the first pressure estimation model using multiple regression analysis, and is classified into the same cluster as each offline data. Online data is used as an input value for multiple regression analysis.
[0048]
Hereinafter, “multiple regression analysis” will be described.
[0049]
In the multiple regression analysis, explanatory variables {x_i1, X_i2, ... x_ip} And the objective variable y_iIt is assumed that the following linear relationship is established between (i = 1, 2,..., N).
[0050]
[Expression 2]

Β_i: Partial regression coefficient, e_i: Indicates a residual.
[0051]
Each residual e in equation (2)_i"Residual e_iAre independent of each other and normal distribution N (0, σ²) ”(Residual condition). Then, when Expression (2) is expressed in matrix form, the following Expression (3) is obtained.
[0052]
y = zβ + e (3)
The matrix in equation (3) is as shown below.
[0053]
[Equation 3]

[Expression 4]

And b₀, B₁, ..., b_MIs ε_λIs determined so as to minimize the sum of squares (see Expression (7) below).
[0054]
[Equation 5]

In equation (7), the unknown is b₀, B₁, ... b_pAnd S is b₀, B₁, ..., b_pIs a quadratic function for b that minimizes the function S₀, B₁, ..., b_pB S₀, B₁, ..., b_pAnd can be obtained as a solution of simultaneous linear equations with a value of 0. When the above is solved and arranged, simultaneous equations such as the following equation (8) are obtained.
[0055]
[Formula 6]

Where S_jjIs x_jDeviation sum of squares, S_jkIs x_jAnd x_kDeviation product sum, S_jyIs x_jAnd the product of the deviations of y and are expressed as in the following equation (9).
[0056]
[Expression 7]

Therefore, the partial regression coefficient is obtained by the following equation (11).
[0057]
b = S^-1M …………… (11)
The constant term is obtained by the following equation (12).
[0058]
[Equation 8]

In the present embodiment, in the above-described multiple regression analysis, the explanatory variable x corresponds to the principal component score obtained by online data or principal component analysis means, and the target variable y corresponds to offline data. Here, the main component score indicates the value of the main component of each sample.
[0059]
Then, the first pressure estimation model constructed using the multiple regression analysis described above is sent from the first pressure estimation model construction means 24 to the estimation model DB 27.
[0060]
The principal component calculation means 25 has a function of performing principal component analysis on each offline data classified into a cluster different from each online data, and calculating an estimated model input value corresponding to each offline data. That is, the principal component calculation means 25 performs principal component analysis on the cluster to which the closest online data belongs for each offline data classified into a cluster different from each online data in the clustering means 23, and each online data The estimated model input value for each offline data classified into different clusters is calculated. The calculated estimated model input value is sent from the principal component calculation means 25 to the second pressure estimation model construction means 26 together with each online data and offline data.
[0061]
Here, “principal component analysis” is generally a method of summarizing information having multiple types of characteristic values that are correlated with each other into a small number of general characteristic values that are uncorrelated with each other.
[0062]
Principal component analysis generally involves p variables x₁, X₂, ..., x_pInformation (m) satisfying the following conditions (a) and (b) (m ≦ p) total characteristic value (formula (14)) z₁, Z₂, ..., z_mMeans to summarize, z₁Is the first principal component, z₂Is the second principal component, z_mIs called the m-th principal component.
[0063]
z₁= L₁₁x₁+ L₁₂x₂+ ... + l_1px_p
z₂= L₂₁x₁+ L₂₂x₂+ ... + l_2px_p
………………………… (14)
z_m= L_m1x₁+ L_m2x₂+ ... + l_mpx_p
[Equation 9]

・Condition (a)  z_lAnd z_kThe correlation with (k is not l; k, l = 1, 2,..., M) is all zero.
[0064]
・Condition (b)  z₁Variance (x₁, X₂, ..., x_p) Is the maximum of the variances of any linear expression. z₂The variance of is z₁It is the largest of all linear equations unrelated to the variance of. Similarly, z_mThe variance of z is₁, Z₂, ..., z_m-1It is the largest among the linear equations unrelated to all of the above.
[0065]
The above condition (b) is “main component z₁, Z₂, ... z_mIs the original characteristic value x₁, X₂, ..., x_pIt is the result of summarizing so that the loss of information of is minimized.
[0066]
In the present embodiment, x in the above-described principal component analysis.₁~ X_pCorresponds to on-line data and off-line data relating to the pressure subjected to cluster analysis by the clustering means 23.
[0067]
For example, when the result shown in FIG. 2 is obtained by the cluster analysis, first, the online data (pressure) corresponding to the online measurement point 15A and the measurement points 16K located on both sides of the online measurement point 15A in FIG. , Off-line data (pressure) corresponding to 16L, and x₁~ X_pAnd And the x₁~ X_pA pressure estimation model is generated by calculating a principal component score for. Next, the online data (pressure) corresponding to the online measurement point 15A, the offline data (pressure) corresponding to the offline measurement point located on both sides of the online measurement point 15A in FIG. X₁~ X_pX₁~ X_pThe principal component score for is calculated, and the pressure estimation model is calculated. By repeating such calculation, the pressure estimation models at the respective offline measurement points corresponding to the respective offline data are sequentially calculated, and the pressure estimation models at all the offline measurement points are obtained.
[0068]
The second pressure estimation model construction means 26 uses the offline measurement point 16 corresponding to each offline based on the estimated model input value corresponding to each offline data for each offline data classified into a cluster different from each online data. A second pressure estimation model that is a pressure model in the water distribution pipe 2 is constructed. More specifically, the second pressure estimation model construction unit 26 constructs the second pressure estimation model using the multiple regression analysis described above, and the corresponding estimation calculated by the principal component calculation unit 25. Model input values are used as input values for multiple regression analysis. Thereby, the 2nd pressure model in the distribution pipe 2 in the offline measurement point 16 corresponding to each offline data classified into a cluster different from each online data among the distribution pipes 2 stretched around the distribution block 1. A pressure estimation model is constructed. Then, the constructed second pressure estimation model is sent from the second pressure estimation model construction means 26 to the estimation model DB 27.
[0069]
The estimation model DB 27 includes a first pressure estimation model constructed and sent by the first pressure estimation model construction unit 24, and a second pressure estimation model constructed and sent by the second pressure estimation model construction unit 26. Are stored in the pressure estimation model.
[0070]
The model display means 32 can display the pressure estimation model stored in the pressure estimation model storage means.
[0071]
Next, the operation of the present embodiment having such a configuration will be described.
[0072]
At the online measurement point 15 in the water distribution pipe 2 of the water distribution block 1, the water pressure and the water flow rate are measured by the pressure measuring device 10a and the flow rate measuring device 10b. These measured values are sent online from the pressure measuring device 10a and the flow rate measuring device 10b to the online measurement data DB 21 and stored as online data together with the measurement date and time in the online measurement data DB 21.
[0073]
On the other hand, in the offline measurement point 16 of the distribution pipe 2 of the distribution block 1, the water pressure is measured in advance by a handy type pressure gauge or the like, and the measured water pressure data is combined with the measurement date and time as offline measurement data. Stored in the offline measurement data DB 22.
[0074]
When a predetermined date and time required by an operator or the like among the pressure estimation models at each offline measurement point 16 is input to the data acquisition unit 29, the data acquisition unit 29 stores online data corresponding to the input predetermined date and time online. While acquiring from measurement data DB21, the offline data corresponding to the input predetermined date is acquired from offline measurement data DB22. Then, the data acquisition unit 29 sends the acquired online data and offline data to the statistical value calculation unit 30 together with the input predetermined date and time.
[0075]
Then, the statistical value calculation means 30 statisticizes the sent online data and statistics the sent offline data. Note that the statistical items calculated by the statistical value calculation means 30 of the present embodiment include “average value” and “standard deviation” used by the normalization means 31.
[0076]
The online data and offline data statisticalized by the statistical value calculating means 30 are stored in the statistical value DB 28 and sent to the normalizing means 31.
[0077]
The online data and offline data sent to the normalizing means 31 are normalized by the normalizing means 31. At this time, the normalizing means 31 is based on the “average value” and “standard deviation” for the online data and offline data stored in the statistical value DB 28 and the above formulas (1a) and (1b). Online data and offline data are converted and “normalized” so that the average = 0.0 and the variance = 1.0.
[0078]
Then, the normalized online data and offline data are sent from the normalizing means 31 to the clustering means 23 installed at the subsequent stage.
[0079]
The online data and offline data sent to the clustering means 23 are subjected to cluster analysis by the clustering means 23 and classified into several clusters. Thereby, for example, a result of cluster analysis as shown in FIG. 2 can be obtained, and online data and offline data are classified into cluster A, cluster B, cluster C, and cluster D. For example, offline data related to the offline measurement point 16A is classified into cluster A, offline data related to the offline measurement point 16J is classified into cluster B, offline data related to the offline measurement point 16K and online data related to the online measurement point 15A are classified into cluster C. The offline data regarding the offline measurement point 16N and the online data regarding the online measurement point 15B are classified into the cluster D.
[0080]
Then, the first pressure estimation model construction means 24 constructs a pressure estimation model (first pressure estimation model) at each offline measurement point 16 corresponding to each offline data classified into the same cluster as each online data. At this time, the first pressure estimation model construction means 24 constructs the first pressure estimation model using the above-described multiple regression analysis.
[0081]
For example, when the result shown in FIG. 2 is obtained by the cluster analysis, the first pressure estimation model construction means applies to the clusters C and D to which the online measurement points 15A and 15B corresponding to the online data belong. 1 Build a pressure estimation model. At this time, in the cluster C, online data (pressure and water flow rate in the distribution pipe) corresponding to the online measurement point 15A is used as an input value when constructing the pressure estimation model, and in the cluster D, it corresponds to the online measurement point 15B. Online data (pressure in the distribution pipe and water flow rate) are used as input values when constructing the pressure estimation model.
[0082]
Then, these constructed first pressure estimation models are sent to the estimation model DB 27 and stored in the estimation model DB 27.
[0083]
On the other hand, each offline data classified into a cluster different from each online data is subjected to the above-described principal component analysis by the principal component calculation means 25, and an estimated model input value corresponding to each offline data is obtained. Then, a pressure estimation model (second pressure estimation model) at each offline measurement point 16 corresponding to each offline data classified into a cluster different from each online data is constructed by the second pressure estimation model construction means 26. At this time, the second pressure estimation model construction means 26 constructs a pressure estimation model using the above-described multiple regression analysis and the estimated model input value.
[0084]
For example, when the result shown in FIG. 2 is obtained by cluster analysis, the principal component calculation means 25 obtains estimated model input values for clusters A and B to which each online data does not belong. At this time, with respect to the cluster B, a cluster having a short distance among the clusters to which the online data belongs is sequentially searched. When a search result indicating that the cluster C to which the online data belongs is closest to the cluster B is obtained, the principal component of the cluster C becomes an input value when the pressure estimation model for the cluster B is constructed. . Similarly, cluster A is close to cluster C to which online data belongs. At this time, when viewed from the cluster A, the cluster B and the cluster C can be seen as the same cluster. Therefore, when the pressure estimation model of the cluster A is constructed, the main components of the cluster B and the cluster C are input values.
[0085]
And these constructed | assembled 2nd pressure estimation models are sent to estimation model DB27, and are memorize | stored in the said estimation model DB27.
[0086]
And the pressure estimation model comprised by the 1st pressure estimation model and the 2nd pressure estimation model memorize | stored in estimation model DB27 is displayed in the model display means 32, and an operator etc. are notified.
[0087]
As described above, according to the pressure estimation model construction system 4 of the present embodiment, the pressure estimation model at a predetermined date and time at the offline measurement point 16 is in a format using online data measured at the online measurement point 15. The statistical value calculation means 30, normalization means 31, clustering means 23, first pressure estimation model construction means 24, principal component calculation means 25, and second pressure estimation model construction means 26 are constructed. As a result, the pressure distribution in the distribution pipe at the online measurement point can be obtained online as online data, and the pressure distribution in the distribution pipe at the offline measurement point is constructed based on the online data and the offline data measured in advance. Can be obtained by a pressure estimation model. Thereby, it becomes possible to obtain | require accurately the pressure in the water distribution pipe in the online measurement point in a water distribution block, and an offline measurement point.
[0088]
In addition, since the pressure of the water distribution pipe 2 at the online measurement point 15 is measured by the pressure measuring instrument 10a and stored online in the online measurement data DB, each pressure measurement model at the online measurement point is not constructed. The pressure value of the water distribution pipe 2 at the online measurement point can be acquired.
[0089]
Further, in the present embodiment, complicated physical information about the water pipe 2 laid around the water distribution block 1 that is required in the prior art is unnecessary, and online data measured online and offline measured. The pressure estimation model at the offline measurement point 16 is constructed based on the offline data that is past pressure data at the offline measurement point 16. As described above, since the pressure estimation model can be constructed based only on the measured data, the pressure estimation model construction system 4 can be simplified, and the pressure estimation model construction time can be greatly shortened.
[0090]
In addition, by performing cluster analysis of online data and offline data via the statistical value calculation means 30 and normalization means 31, it is possible to classify each online data and each offline data into each cluster more stably and accurately. .
[0091]
In addition, it is also possible to handle at least one of the pressure and water flow rate in the water distribution pipe 2 at the online measurement point 15 as online data. Even in this case, the same operation and effect as the above-described embodiment can be obtained.
[0092]
Further, the second pressure estimation model construction unit 26 does not need to use all of the principal components calculated by the principal component calculation unit 25, and may use only a part.
[0093]
Next, a modification of the present embodiment will be described.
[0094]
In the pressure estimation model construction system according to this modification, the statistical value calculation means 30 and the normalization means 31 may not be provided.
[0095]
In this case, the online data and offline data acquired by the data acquisition unit 29 are sent directly to the clustering unit 23. The clustering means 23 performs cluster analysis on online data and offline data sent from the online measurement data DB 21 and offline measurement data DB 22 via the data acquisition means 29.
[0096]
As a result, each online data and each offline data is classified into each cluster, so that the first pressure estimation model construction means 24, the principal component calculation means 25, and the second pressure are the same as in the first embodiment described above. A pressure estimation model is constructed by the estimation model construction means 26.
[0097]
Therefore, also in this modification, the pressure estimation model at the off-line measurement point 16 can be constructed with high accuracy.
[0098]
Note that the clustering means can perform clustering using online data and offline data converted into various ways. In other words, the clustering means can perform cluster analysis using data converted into other forms such as a frequency spectrum in addition to data that has been statistically and normalized as described above and data that has been measured. it can.
[0099]
Second embodiment
3 and 4 are diagrams showing a second embodiment of the present invention. FIG. 3 is a diagram for explaining “units” used in the neural network. FIG. 4 is a diagram showing the relationship among the “input layer”, “intermediate layer”, and “output layer” used in the neural network.
[0100]
In the second embodiment, the first pressure estimation model construction means 24 constructs a first pressure estimation model using a neural network instead of multiple regression analysis. That is, the first pressure estimation model construction means 24 is a pressure model in the distribution pipe 2 at the offline measurement point 16 corresponding to each offline data classified into the same cluster as each online data by using a neural network. A first pressure estimation model is constructed. Then, the constructed first pressure estimation model is sent from the first pressure estimation model construction means 24 to the estimation model DB 27.
[0101]
On the other hand, the second pressure estimation model construction means 26 constructs the second pressure estimation model using the above-described neural network instead of the multiple regression analysis. That is, the second pressure estimation model construction means 26 is a pressure model in the distribution pipe 2 at the offline measurement point 16 corresponding to each offline data classified into a cluster different from each online data by using a neural network. A second pressure estimation model is constructed. The constructed second pressure estimation model is sent from the second pressure estimation model construction means 26 to the estimation model DB 27.
[0102]
Next, a “neural network” will be described with reference to FIGS. 3 and 4.
[0103]
A “neural network” generally refers to an artificial system that models a human nerve cell (neuron), and is expressed as an aggregate of “units” having multiple inputs and one output. The “unit” is shown in FIG. The units are connected by a line corresponding to the nerve fiber, and the signal is transmitted only in one direction on this line.^*) ”Is input to the unit, and output after being converted by the response function. That is, the input signal as a whole system is successively transmitted while repeating the coupling and conversion output to each unit, and a final output signal is formed. Hierarchical and interconnected types have been proposed as unit connections, that is, network models.
[0104]
Signals in a hierarchical network are one-way traffic from the input layer to the output layer (see FIG. 4), and in general, information transmission is not considered within the layer.
[0105]
The interconnected network has a characteristic that the state of the network changes from an initial state to a stable state.
[0106]
When Neural Network is used for demand forecasting, input / output is nonlinear, so a three-layer hierarchical network using a sigmoid function as the response function is adopted. The response function is used only for the intermediate layer, and the output value y of the input layer and the output layer is y = U.
[0107]
Hierarchical network system identification is performed by modifying the weights so that Neural Network sufficiently approximates the input / output relationship of the system, and several sets of desirable input / outputs are prepared (called teaching signals). (This is called learning). As main learning methods, there are a back-propagation method and a Kalman-neuro method. In this embodiment, the back-propagation method is used. The algorithm is as follows.
[0108]
[Step 1: Calculation of each layer]
From the signal given to the input layer, the intermediate layer and the output layer are calculated according to the neuron model expressed by the following equations (16) and (17).
[0109]
That is, the output H of the j-th neuron in the intermediate layer_jIs obtained by using the neuron model of equation (16).
[0110]
[Expression 10]

I_i: Output of input layer i-th neuron, H_j: Output of the middle layer jth neuron, W_ji: Weighting factor between input layer i-th neuron and intermediate layer j-th neuron, 1: number of neurons in input layer, f0: response function (using sigmoid function).
[0111]
On the other hand, the output O of the output layer kth neuron_kIs obtained by using the neuron model of equation (17).
[0112]
## EQU11 ##

Hj: output of intermediate jth neuron, O_k: An output of the output layer k-th neuron, Wkj: a weighting coefficient between the intermediate layer j-th neuron and the output layer k-th neuron, m: the number of neurons in the intermediate layer.
[0113]
[Step 2: Calculation of weight W]
Output O of the kth neuron in the output layer_kAnd the teaching signal y of the k-th neuron in the output layer_kIn order to minimize the sum of the square errors with, the weighting factor of the network is corrected and learning is performed. The weighting coefficient learning between the intermediate layer and the output layer is performed using ΔW using the following equation (18)._kjAnd W_kjHas been fixed.
[0114]
Wkj (t + 1) = Wkj (t) + ΔWkj (t)
ΔWkj (t) =-ε ・ dk (t) ・ Hj (t) (18)
dk (t) = Ok (t) −yk (t)
T: number of learning times, ε: parameter for determining the magnitude of correction once, d_k: Indicates an error in the output layer.
[0115]
On the other hand, learning of the weighting coefficient between the input layer and the intermediate layer is performed by using the following equation (19) and Δw_jiAnd W_jiHas been fixed.
[0116]
[Expression 12]

Note that dj: intermediate layer back-propagation error, f0: differentiation of f0.
[0117]
Furthermore, in order to reduce vibration and speed up learning convergence, the following equation (20) is used.
[0118]
ΔWkj (t) =-ε ・ dk (t) ・ Hj (t) + α ・ Wkj (t-1)
ΔWji (t) = − ε · dj (t) · Ii (t) + α · Wji (t-1) ……… (20)
Note that α: a parameter for stability, ε: 1-α.
[0119]
The weighting coefficient obtained as a result of this learning is stored as a prediction model.
[0120]
In addition, when a neural network is used, overfitting of the model due to over-learning may occur. Therefore, overfitting as stored in Japanese Patent Application No. 2000-021074 “Short Demand Forecasting Device” is suppressed. It is preferable to add means.
[0121]
In the neural network of this embodiment, Ii in Expression (16) is an input value (online data) used when the pressure estimation model is constructed using the multiple regression analysis described in the first embodiment. (Pressure, flow rate) and some offline data). Moreover, yk (t) in Expression (18) corresponds to offline data (pressure in the distribution pipe 2 at each offline measurement point) constituting the pressure estimation model. Other variables correspond to so-called internal variables (variables other than input / output).
[0122]
Other configurations are substantially the same as those of the first embodiment shown in FIGS.
[0123]
In the present embodiment, the same parts as those in the first embodiment shown in FIGS. 1 and 2 are denoted by the same reference numerals, and detailed description thereof is omitted.
[0124]
Also in the pressure estimation model construction system 4 of the present embodiment, the online data measured at the online measurement point 15 in the distribution pipe 2 of the distribution block 1 and the offline measurement point, as in the first embodiment described above. The offline data measured in 16 is classified into several clusters by the data acquisition unit 29, the statistical value calculation unit 30, the statistical value DB 28, the normalization unit 31, and the clustering unit 23.
[0125]
Then, the first pressure estimation model construction means 24 constructs a pressure estimation model (first pressure estimation model) at each offline measurement point 16 corresponding to each offline data classified into the same cluster as each online data. At this time, the first pressure estimation model construction means 24 constructs a first pressure estimation model using a neural network. Then, these constructed first pressure estimation models are sent to the estimation model DB 27 and stored in the estimation model DB 27.
[0126]
On the other hand, each offline data classified into a cluster different from each online data is subjected to the above-described principal component analysis by the principal component calculation means 25, and an estimated model input value corresponding to each offline data is obtained. Then, a pressure estimation model (second pressure estimation model) at each offline measurement point 16 corresponding to each offline data classified into a cluster different from each online data is constructed by the second pressure estimation model construction means 26. At this time, the second pressure estimation model construction means 26 constructs a pressure estimation model using the above-described neural network and the estimated model input value. And these constructed | assembled 2nd pressure estimation models are sent to estimation model DB27, and are memorize | stored in the said estimation model DB27.
[0127]
And the pressure estimation model comprised by the 1st pressure estimation model and the 2nd pressure estimation model memorize | stored in estimation model DB27 is displayed in the model display means 32, and an operator etc. are notified.
[0128]
As described above, also in the pressure estimation model construction system 4 of the present embodiment, the pressure estimation model at the predetermined date and time at the offline measurement point 16 is constructed in a format using online data measured online. For this reason, the estimation model regarding the pressure distribution of the water distribution pipe 2 at the offline measurement point 16 can thereby be constructed with high accuracy. In particular, in this embodiment, the complicated physical information related to the water distribution pipe network that is required in the prior art is unnecessary, so the pressure estimation model construction system 4 can be simplified and the pressure estimation model construction time can be greatly increased. Can be shortened.
[0129]
In addition, since a pressure estimation model is constructed using a neural network, it is possible to construct a pressure estimation model in consideration of terms of second and higher order systems. A pressure estimation model can be constructed well.
[0130]
As a modification of the present embodiment, the statistical value calculation means 30 and the normalization means 31 are not provided, and the online data and offline data acquired by the data acquisition means 29 are sent directly to the clustering means 23. Even the pressure estimation model construction system 4 can provide the same operations and effects as in the second embodiment described above.
[0131]
Third embodiment
FIG. 5 is a diagram showing a third embodiment of the present invention, and is a schematic diagram showing a configuration of the entire pressure estimation model construction system.
[0132]
In the pressure estimation model construction system 4 according to the third embodiment, the pressure estimation device 11 further includes support means 35, which is connected to the normalization means 31 and connected to the estimation model DB 27. The fire hydrant pressure estimating means 36 and the estimation result display means 37 connected to the fire hydrant pressure estimating means 36 are provided.
[0133]
The fire hydrant pressure estimation means 36 acquires online data corresponding to the current time from the normalization means 31 and acquires a pressure estimation model from the estimation model storage means. And the fire hydrant pressure estimation means 36 calculates the pressure value of the present time in the distribution pipe 2 of the offline measurement point 16 corresponding to the acquired pressure estimation model based on the online data and pressure estimation model corresponding to the acquired current time. It has a function to calculate.
[0134]
The estimation result display means 37 can display the pressure value calculated by the fire hydrant pressure estimation means 36 and inform the operator or the like of the pressure value.
[0135]
Other configurations are substantially the same as those of the first embodiment shown in FIGS.
[0136]
In FIG. 5, the same parts as those of the first embodiment shown in FIGS. 1 and 2 are denoted by the same reference numerals, and detailed description thereof is omitted.
[0137]
Also in the pressure estimation model construction system 4 of the present embodiment, the online data measured at the online measurement point 15 in the distribution pipe 2 of the distribution block 1 and the offline measurement point, as in the first embodiment described above. 16, offline data measured in 16, data acquisition means 29, statistical value calculation means 30, statistical value DB 28, normalization means 31, clustering means 23, first model construction means, and principal component calculation means 25. Based on the second model construction means, a pressure estimation model at a predetermined date and time at the offline measurement point 16 is obtained, and the pressure estimation model is stored in the estimation model DB 27.
[0138]
Thereafter, the fire hydrant pressure estimating means 36 obtains online data corresponding to the current time from the normalizing means 31 and obtains a pressure estimation model corresponding to the obtained online data from the estimation model DB 27. And the fire hydrant pressure estimation means 36 is the pressure value of the present time in the distribution pipe 2 of the offline measurement point 16 corresponding to the acquired pressure estimation model based on the online data and pressure estimation model corresponding to the acquired current time. Is calculated.
[0139]
The pressure value corresponding to the current time calculated by the fire hydrant pressure estimating means 36 is sent to and displayed on the estimation result display means 37 to notify the operator or the like.
[0140]
Note that any display method may be used in the estimation result display unit 37. For example, the estimated pressure value itself can be displayed, or can be displayed by a contour line of the pressure value in 2D format or 3D format. Even if the pressure estimated by the fire hydrant pressure estimating means 36 deviates from a preset allowable pressure range (operating pressure range), the estimation result display means 37 indicates the estimated pressure. It can be displayed.
[0141]
As described above, the pressure estimation model construction system 4 according to the present embodiment can construct a pressure estimation model at each offline measurement point 16 in a format using online data measured online.
[0142]
Furthermore, according to the present embodiment, a specific pressure value corresponding to the current time at each offline measurement point 16 can be estimated by the fire hydrant pressure estimating means 36.
[0143]
Next, a modification of the present embodiment will be described.
[0144]
In the force estimation model construction system according to the present invention, the statistical value calculation means 30 and the normalization means 31 may not be provided.
[0145]
In this case, the online data and offline data acquired by the data acquisition unit 29 are sent directly to the clustering unit 23. The clustering means 23 performs cluster analysis on online data and offline data sent from the online measurement data DB 21 and offline measurement data DB 22 via the data acquisition means 29.
[0146]
The hydrant pressure estimating means 36 is connected to the online measurement data DB 21 and acquires online data corresponding to the current time from the online measurement data DB 21.
[0147]
Other configurations are substantially the same as those of the third embodiment shown in FIG. 5 described above, and the same parts as those of the third embodiment are denoted by the same reference numerals and detailed description thereof is omitted.
[0148]
Also in this modification, the pressure estimation model at each offline measurement point 16 is constructed by the first pressure estimation model construction unit 24 and the second pressure estimation model construction unit 26 and is stored in the estimation model DB 27.
[0149]
The fire hydrant pressure estimating means 36 acquires online data corresponding to the current time from the online measurement data DB 21 and acquires a pressure estimation model corresponding to the online data from the estimation model DB 27. And the fire hydrant pressure estimation means 36 calculates the specific pressure value in the distribution pipe 2 in each offline measurement point 16 corresponding to the present time based on the acquired online data and the pressure estimation model.
[0150]
The pressure value calculated by the fire hydrant pressure estimating means 36 is sent to the estimation result display means 37 and displayed.
[0151]
As described above, also in this modification, the pressure estimation model construction system 4 can construct a pressure estimation model at each offline measurement point 16 in a format using online data measured online.
[0152]
In addition, a specific pressure value corresponding to the current time at each offline measurement point 16 can be estimated by the fire hydrant pressure estimating means 36. For this reason, for example, in each location of the water distribution pipe 2 stretched over the entire area of the water distribution block 1, the pressure in the water distribution pipe becomes an allowable range (for example, a range that is equal to or higher than the allowable minimum pressure and equal to or lower than the allowable maximum pressure). It can be verified whether or not.
[0153]
The data required in the pressure estimation means 36 of the support means 35 is data in the format used by the first pressure estimation model construction means 24 and the second pressure estimation model construction means 26. Therefore, when each model construction means 24, 26 uses normalized data, the pressure estimation means 36 also requires normalized data, and the model construction means 24, 26 measured as it is. When data is used, the data as measured by the pressure estimation means 36 is required.
[0154]
Further, in the present embodiment, it is assumed that the data input to the pressure estimation unit 36 corresponds to the current time, and the pressure estimation unit 36 estimates the pressure using all online data. All the online data sent from the measuring instrument 10a and the flow rate measuring instrument 10b are inputted to the pressure estimating means 36.
[0155]
Fourth embodiment
FIG. 6 is a diagram showing a fourth embodiment of the present invention, and is a schematic diagram showing a configuration of the entire pressure estimation model construction system.
[0156]
In the pressure estimation model construction system 4 of the fourth embodiment, the pressure estimation device 11 further includes a verification unit 40, and the verification unit 40 is connected to the date / time setting unit 41 and the date / time setting unit 41. And date / time designation data acquisition means 42 connected to the online measurement data DB 21.
[0157]
The date and time setting means 41 is configured to input the past predetermined date and time by an operator or the like when it is desired to estimate the pressure of the past predetermined date and time at each offline measurement point 16.
[0158]
Note that when estimating the pressure at each offline measurement point 16 in a certain verification period, a method of setting a verification start date and a verification end date and time can be considered. By setting the verification start date and time and the verification start date and time to the same date, the specific date and time can be verified.
[0159]
The date designation data acquisition unit 42 acquires online data corresponding to the past predetermined date and time input to the date setting unit 41 from the online measurement data storage unit, and sends the acquired online data to the normalization unit 31. ing.
[0160]
The normalizing means 31 further has a function of normalizing the online data sent from the date / time designation data acquiring means 42 and sending the normalized online data to the fire hydrant pressure estimating means 36.
[0161]
The fire hydrant pressure estimating means 36 acquires a pressure estimation model corresponding to the online data sent from the date / time designation data acquisition means 42 via the normalization means 31 from the pressure estimation model storage means, and from the date / time designation data acquisition means 42. Based on the online data sent via the normalization means 31 and the acquired pressure estimation model, it further has a function of calculating a pressure estimation value at a predetermined date and time in the past.
[0162]
Other configurations are substantially the same as those of the third embodiment shown in FIG.
[0163]
In FIG. 6, the same parts as those of the third embodiment shown in FIG.
[0164]
Also in the pressure estimation model construction system 4 of the present embodiment, the online data measured at the online measurement point 15 in the distribution pipe 2 of the distribution block 1 and the offline measurement point, as in the first embodiment described above. 16, offline data measured in 16, data acquisition means 29, statistical value calculation means 30, statistical value DB 28, normalization means 31, clustering means 23, first model construction means, and principal component calculation means 25. Based on the second model construction means, a pressure estimation model at a predetermined date and time at the offline measurement point 16 is obtained, and the pressure estimation model is stored in the estimation model DB 27.
[0165]
Then, a past predetermined date and time for which pressure is to be estimated is input to the date and time setting means 41 by an operator or the like. The predetermined date and time input to the date and time setting means 41 is sent to the date and time designation data acquisition means 42.
[0166]
The date / time designation data acquisition unit 42 acquires online data corresponding to the predetermined date / time sent from the date / time setting unit 41 from the online measurement data DB 21. Then, the online data acquired by the online measurement data DB 21 is sent from the date / time designation data acquisition means 42 to the normalization means 31.
[0167]
The normalizing unit 31 normalizes the online data sent from the normalizing unit 31. Then, the normalizing means 31 sends the normalized online data to the fire hydrant pressure estimating means 36.
[0168]
The fire hydrant pressure estimation means 36 acquires a pressure estimation model corresponding to the online data sent from the normalization means 31 from the estimation model DB 27. And the fire hydrant pressure estimation means 36 is based on the online data sent from the normalization means 31 and the pressure estimation model corresponding to the online data. Calculate the pressure value of date and time.
[0169]
The pressure value corresponding to the past predetermined date and time calculated by the fire hydrant pressure estimating means 36 is sent to and displayed on the estimation result display means 37 to notify the operator or the like.
[0170]
The estimation result display unit 37 can display the calculated pressure value by various methods. For example, the estimation result display unit 37 can continuously display the pressure value in a certain verification period (continuous reproduction display), or perform the verification. A pressure value at an arbitrary time in the period can be displayed (arbitrary time display), or a pressure deviation (pressure fluctuation) from a predetermined time before can be displayed. Here, the “predetermined designated time” can be set by an operator or the like via the date and time setting means 41, but is not limited to this.
[0171]
As described above, in the pressure estimation model construction system 4 according to the present embodiment, it is possible to construct a pressure estimation model at each offline measurement point 16 in a format using online data measured online. The fire hydrant pressure estimating means 36 can estimate a specific pressure value corresponding to the past predetermined date and time at each offline measurement point 16.
[0172]
【The invention's effect】
As described above, according to the pressure estimation model construction system of the present invention, among the distribution pipes stretched around the distribution block, the pressure distribution in the distribution pipe at the online measurement point can be obtained online as online data, and offline. The pressure distribution in the distribution pipe at the measurement point can be obtained by a pressure estimation model constructed based on online data and offline data that has been measured in advance. Therefore, according to this invention, it becomes possible to obtain | require accurately the pressure in the water distribution pipe in the online measurement point in a water distribution block, and an offline measurement point.
[Brief description of the drawings]
FIG. 1 is a schematic diagram showing the overall configuration of a pressure estimation model construction system according to a first embodiment of the present invention.
FIG. 2 shows online data and offline data classified into clusters by cluster analysis.
FIG. 3 is a diagram for explaining “units” used in a neural network;
FIG. 4 is a diagram illustrating a relationship between an “input layer”, an “intermediate layer”, and an “output layer” used in a neural network.
FIG. 5 is a diagram showing a third embodiment of the present invention, and is a schematic diagram showing a configuration of the entire pressure estimation model construction system.
FIG. 6 is a diagram showing a fourth embodiment of the present invention, and is a schematic diagram showing a configuration of an entire pressure estimation model construction system.
FIG. 7 is a schematic diagram showing the overall configuration of a conventional pressure estimation model construction system.
[Explanation of symbols]
1 Water distribution block
2 Water distribution pipe
3 Water distribution injection parts
4 Pressure estimation model construction system
10a Pressure measuring instrument
10b Flow rate measuring device (online measuring means)
11 Pressure estimation device
15 Online measurement points
16 Offline measurement points
21 Online measurement data DB (Online measurement data storage means)
22 Offline measurement data DB (offline measurement data storage means)
23 Clustering means
24 First pressure estimation model construction means
25 Principal component calculation means
26 Second pressure estimation model construction means
27 Estimation model DB (pressure estimation model storage means)
28 Online measurement data DB (Online measurement data storage means)
29 Data acquisition means
30 Statistical value calculation means
31 Normalization means
32 Model display means

Claims (12)

A pressure estimation model construction system for constructing an estimation model for pressure distribution in a distribution pipe stretched around a distribution block,
Online measuring means having a function of measuring the pressure in the distribution pipe at an online measurement point provided at one or more locations in the distribution pipe as online data and sending the online data to the subsequent stage;
Offline measurement data that has the function of storing the pressure in the distribution pipe measured in advance at offline measurement points provided at one or more places different from the online measurement point in the distribution pipe as offline data and sending the offline data to the subsequent stage Storage means;
Provided after the online measurement means and the offline measurement data storage means, the online data sent from the online measurement means and the offline data sent from the offline measurement data storage means are classified into clusters by cluster analysis. A clustering means having a function;
For each offline data that is provided after the clustering means and is classified into the same cluster as each online data, the pressure in the distribution pipe at the offline measurement point corresponding to each offline data based on each online data classified into the same cluster First pressure estimation model construction means for constructing a first pressure estimation model as a model;
Principal component calculation that is provided after the clustering means and has the function of performing principal component analysis on each offline data classified into a cluster different from each online data and calculating the estimated model input value corresponding to each offline data Means,
Based on the estimated model input value corresponding to each offline measurement data, the offline measurement points corresponding to each offline data are provided for each offline data that is provided in the subsequent stage of the principal component calculation means and is classified into a cluster different from each online data. A second pressure estimation model construction means for constructing a second pressure estimation model that is a pressure model in the water pipe;
The first pressure estimation model construction unit and the second pressure estimation model construction unit are connected to the first pressure estimation model construction unit and the second pressure estimation model construction unit, and the second pressure estimation model construction unit constructs the second pressure estimation model construction unit. A pressure estimation model storage means for storing a pressure estimation model composed of a pressure estimation model;
A pressure estimation model construction system characterized by comprising: The first pressure estimation model construction means constructs a first pressure estimation model using multiple regression analysis,
The pressure estimation model construction system according to claim 1, wherein the second pressure estimation model construction means constructs a second pressure estimation model using multiple regression analysis. The first pressure estimation model construction means constructs a first pressure estimation model using a neural network,
The pressure estimation model construction system according to claim 1, wherein the second pressure estimation model construction means constructs a second pressure estimation model using a neural network. Online measurement data storage means that is provided between the online measurement means and the clustering means, and stores the measurement values by the online measurement means;
Online measurement data storage means, offline measurement data storage means, and clustering means are provided between the online measurement data storage means and the online measurement data storage means and the online measurement data storage means Data acquisition means having a function of acquiring offline data corresponding to time from the offline measurement data storage means, and sending the acquired online data and offline data to the subsequent stage;
The pressure estimation model construction system according to any one of claims 1 to 3, further comprising: A statistical value calculation means provided between the data acquisition means and the clustering means, further comprising a statistical value calculation means having a function of statistically transmitting the sent online data and offline data and sending the statistical online data and offline data to the subsequent stage. The pressure estimation model construction system according to claim 4 characterized by things. 5. The normalization means provided between the data acquisition means and the clustering means, further comprising a normalization means having a function of normalizing the sent online data and offline data and sending it to a subsequent stage. Pressure estimation model construction system. 6. The normalization means provided between the statistical value calculation means and the clustering means, further comprising normalization means having a function of normalizing the sent online data and offline data and sending them to the subsequent stage. Pressure estimation model construction system. An offline measurement point pressure estimating means for estimating a pressure value at a current time at an offline measurement point,
Connected to the online measurement data storage means and connected to the estimation model storage means, obtains online data corresponding to the current time from the online measurement data storage means, and obtains a pressure estimation model corresponding to the online data from the estimation model storage means An offline measurement point that has the function of calculating the pressure value at the current time in the distribution pipe of the offline measurement point corresponding to the acquired pressure estimation model based on the acquired online data and the pressure estimation model corresponding to the acquired current time The pressure estimation model construction system according to any one of claims 4 to 7, further comprising pressure estimation means. Connected to the normalizing means and connected to the estimated model storage means, obtains online data corresponding to the current time from the normalizing means, obtains a pressure estimation model from the estimated model storage means, and corresponds to the obtained current time An offline measurement point pressure estimating means having a function of calculating a pressure value at the current time in the distribution pipe of the offline measurement point corresponding to the acquired pressure estimation model based on the online data and the pressure estimation model is further provided. The pressure estimation model construction system according to claim 6 or 7. A date and time setting means for inputting a predetermined date and time in the past;
Connected to the date and time setting means and connected to the online measurement data storage means, acquires online data corresponding to the past predetermined date and time input to the date and time setting means from the online measurement data storage means, and normalizes the acquired online data A date and time designation data acquisition means to be sent to the conversion means,
The normalization means further has a function of normalizing the online data sent from the date and time designation data acquisition means, and sending the normalized online data to the offline measurement point pressure estimation means,
The off-line measurement point pressure estimation means acquires a pressure estimation model corresponding to the online data sent from the date / time designation data acquisition means via the normalization means from the pressure estimation model storage means, and The pressure estimation according to claim 9, further comprising a function of calculating a pressure estimation value at a predetermined past date and time based on online data sent via the conversion means and the acquired pressure estimation model. Model building system.   11. The pressure according to claim 8, further comprising an estimation result display unit connected to the offline measurement point pressure estimation unit and displaying a pressure value calculated by the offline measurement point pressure estimation unit. Estimated model construction system.   12. The pressure estimation according to claim 1, further comprising model display means connected to the pressure estimation model storage means and displaying a pressure estimation model stored in the pressure estimation model storage means. Model building system.

Images