JP4326408B2 - 下水流入量予測装置 - Google Patents
下水流入量予測装置 Download PDFInfo
- Publication number
- JP4326408B2 JP4326408B2 JP2004178618A JP2004178618A JP4326408B2 JP 4326408 B2 JP4326408 B2 JP 4326408B2 JP 2004178618 A JP2004178618 A JP 2004178618A JP 2004178618 A JP2004178618 A JP 2004178618A JP 4326408 B2 JP4326408 B2 JP 4326408B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- inflow
- prediction
- sewage
- sewage inflow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Lifetime
Links
- 239000010865 sewage Substances 0.000 title claims description 311
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 42
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 238000010276 construction Methods 0.000 claims description 24
- 238000013480 data collection Methods 0.000 claims description 21
- 238000013500 data storage Methods 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 20
- 238000005086 pumping Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000000926 separation method Methods 0.000 claims description 8
- 238000011282 treatment Methods 0.000 claims description 5
- 238000000034 method Methods 0.000 description 33
- 238000010586 diagram Methods 0.000 description 16
- 238000004140 cleaning Methods 0.000 description 7
- 230000002354 daily effect Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000010840 domestic wastewater Substances 0.000 description 1
- 238000011005 laboratory method Methods 0.000 description 1
- 238000011328 necessary treatment Methods 0.000 description 1
- 231100000989 no adverse effect Toxicity 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Landscapes
- Sewage (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
一般的に汚水流入量は、生活排水によるものであるため、気象に関係なく時間により流入量が変化するという特徴がある。例えば、図10の通常時の汚水流入量−時間特性図で示すように、夕食時から就寝前までにかけて増加した汚水流入量が夜間は減少し、朝になるとまた汚水流入量が増大するというように、朝と夜とに流入ピークを持つというような特徴である。一方、雨水流入量は当然に降雨量により変化する。
特許文献2の従来技術では、これらのような特徴を持つ雨水流入量と汚水流入量との予測手法を異ならせており、汚水流入量は過去の平均流入量により算出し、雨水流入量は自己回帰モデルにより算出している。
例えば、下水道管内の汚れ清掃を行なう場合、下水ポンプ場内の汚水を貯め、一気に送水して下水管内に付着した汚れを取る方法を採用している。このため図11の特異時の汚水流入量−時間特性図のように、清掃前では汚水流入量が無くなり、また清掃時に汚水流入量が尖塔状になり、通常の特性図と大きく異なる。このような下水管特有の清掃方法のため、特許文献2の発明による汚水予測方法では、適切な平均化を行なうことができないという問題があった。
また、雨水流入量は自己回帰式により予測しているため、雨という気象予報があったとしても予測値に反映させることができず、未来の気象状態を考慮することができないという問題もあった。
(1)経年変化に対応した予測、
(2)合流式下水道の予測、
(3)特異データ(下水管清掃時など)の悪影響のない予測、
(4)雨量等気象情報を用いた予測、
(5)特殊な方法を用いない周知技術を活用しての予測、
という要件を全て満たすような下水流入量予測装置が求められていた。
気象実績及び気象予報についての気象データを収集する気象データ収集手段と、
暦についての暦データを収集する暦データ収集手段と、
ポンプ井内の下水の水位についての水位データを収集する水位データ収集手段と、
ポンプ井の下水のポンプ揚水量(送水量)についての揚水量データを収集するポンプ揚水量データ収集手段と、
暦データ、気象データ、水位データおよびポンプ揚水量データを蓄積するデータ蓄積手段と、
暦データ、水位データおよび揚水量データに基づいてポンプ井への下水流入量である下水流入量データを算出する下水流入量データ算出手段と、
下水流入量データを分離して汚水流入量データと雨水流入量データとを算出する分離手段と、
暦データを入力因子とし、また、汚水流入量データを出力因子とするような汚水流入量予測モデルを構築する汚水流入量予測モデル構築手段と、
気象データを入力因子とし、また、雨水流入量データを出力因子とするような雨水流入量予測モデルを構築する雨水流入量予測モデル構築手段と、
予測に必要な暦データを汚水流入量予測モデルに入力して汚水流入量予測データを生成する汚水流入量予測手段と、
予測に必要な気象データを雨水流入量予測モデルに入力して雨水流入量予測データを生成する雨水流入量予測手段と、
生成した汚水流入量予測データと雨水流入量予測データとを合算して下水流入量予測データを生成する合算手段と、
を有し、
前記汚水流入量予測モデルは、
特異データが除去された上で、暦データと汚水流入量データとが連関して登録され、暦データが入力されると対応する汚水流入量データが抽出されることで予測する事例ベース推論による予測モデルであることを特徴とする。
前記雨水流入量予測モデルはニューラルネットワークによる予測モデルであることを特徴とする。
前記雨水流入量予測モデルはn時間単位で雨水流量予測データを算出する予測モデルであり、
前記雨水流入量予測手段は、現在の雨水流量データと雨水流量予測データとを、または、隣接する二つの雨水流量予測データを補間することで時間間隔がn時間よりも短い雨水流量予測データを生成する手段であることを特徴とする。
下水流入量予測データを、過去の日時における下水流入量予測データと下水流入量データとから算出した誤差量より補正する補正手段を備えることを特徴とする。
前記補正手段は、過去の予測誤差を用いて未来の予測値を補正するときに、近い将来の予測値の補正量を大きく、遠い将来の予測値の補正量を小さくする手段であることを特徴とする。
下水流入量予測装置1は、入力手段10、出力手段20、記録媒体読書手段30、データ発信手段40、データ収集手段50、データ蓄積手段60、下水流入量データ算出手段70、分離手段80、モデル構築手段90、予測手段100を備えている。
出力手段20は、ディスプレイやプリンタなどであり、各種データ表示・印刷も行う。
記憶媒体読書手段30は、FD(Flexible Disc)、MO(Magnet Optical Disc)などの記憶媒体に対して情報の読み書きを行う装置である。
データ発信手段40は、ネットワーク2と接続するための手段であり、データ蓄積手段60からデータ発信手段40・ネットワーク2を経由して、外部へ情報の出力を行うことができるようになされている。
気象データ収集手段51は、気象実績および気象予報についての気象データを収集する手段である。ここでいう気象データとは、例えば天候(晴、雨、曇、雪)、雨量、気温、湿度、日照量等の全てまたは何れかを指している。
気象実績とは過去の記録であり、気象実績についての気象データは、各下水ポンプ場を経由せずに気象情報サービス会社からネットワーク2を介して配信される気象データや、また、各下水ポンプ場に独自で設置した雨量計・湿度計などの計測装置・センサから収集整理して各下水ポンプ場を経由して入力された気象データである。
気象予報とは未来の予報であり、気象予報についての気象データは、気象情報サービス会社から気象予報を受信して得たデータである。
このように気象データ収集手段51では、予測対象の下水ポンプ場の気象実績に係る気象データ、予測対象の下水ポンプ場の気象予報に係る気象データを収集する。
暦データは年月日時分などの日時データ、その日時の特徴を表す平日・休日・曜日・季節(春夏秋冬)などの特徴データである。
なお、暦データは入力手段10のキーボードなどの装置にて手入力しても良いし、計算により算出しても良い。
水位データは、下水ポンプ場にあるポンプ井内の下水の水位を表すデータである。
水位データはネットワーク2を介して複数下水ポンプ場のポンプ井にそれぞれ設置された多数の水位計から所定期間毎または常時入力される。従って水位データには下水ポンプ場を識別する識別データも付加される。
ポンプ揚水量データは、下水ポンプ場にあるポンプによるポンプ井からの揚水量を表すデータである。ポンプ揚水量データはネットワーク2を介して複数下水ポンプ場のポンプに設けられた流量計から所定期間毎または常時入力される。この場合も下水ポンプ場を識別する識別データも付加される。
これら気象データ、暦データ、水位データおよび揚水量データはデータ蓄積手段60に保存し、日々更新してこれらデータを蓄積していく。また、必要時に何時でも取り出せるようにする。このデータ蓄積手段60では計測日時・曜日・季節が特定できる暦データを主キーとして気象データ、水位データおよび揚水量データが関連付けられて登録されてデータベース化されている。
ポンプ井内のある時点の下水量をM1、同じくある時点より一定時間前の下水量をM2、一定時間にポンプ井から揚水して送水したポンプ揚水量をP1とすると、下水流入量は以下のようになる。
なお、ポンプ井によっては複雑な算出式が必要になる場合もあるが、何れの場合でもある時点での水位を入力因子とする算出式である。
もちろん、ポンプ井への流入量を計測する流量計がある場合には、数式1,2を省略し、流量計からの流入量データを用いても良い。この流入量データ算出手段70によりある時点における下水流入量データが算出される。データ蓄積手段60では暦データを主キーとして気象データ、水位データ、揚水量データおよび下水流入量データが関連付けられて登録される。
これは、晴れている時間の下水流入量は、雨水流入量がないため、汚水流入量にほぼ一致するものと考え、このような晴れている時間の汚水流入量を時間ごと(0時、1時、2時、・・・、23時)に多数日にわたり取得し、さらに同時刻における多数の日の平均を取ることで、時間別の平均汚水流量を算出する。これらを汚水流入量データとする。そして、時間ごとの下水流入量データから対応する時間の汚水流入量データを差し引けば、雨水流量データとなる。晴れの日ではほぼ0となるが、雨の日では雨水流量データが算出される。そして、これら汚水流入量データおよび雨水流入量データをデータ蓄積手段60に登録する。データ蓄積手段60では暦データを主キーとして気象データ、水位データ、揚水量データ、下水流入量データ、汚水流入量データおよび雨水流入量データが関連付けられて登録される。
汚水流入量予測モデル構築手段91は、暦データを入力因子とし、また、汚水流入量データを出力因子とするような汚水流入量予測モデルを構築する手段である。構築された汚水流入量予測モデルはデータ蓄積手段60により蓄積保存される。
雨水流入量予測モデル構築手段92は、気象データを入力因子とし、また、雨水流入量データを出力因子として雨水流入量予測モデルの構築する手段である。構築された雨水流入量予測モデルはデータ蓄積手段60により蓄積保存される。
このような予測モデル構築手段90は、一定期間(例えば一ヶ月ごと)ごとに起動され、これら予測モデルを更新するようにする。なお、雨水流入量予測モデル・汚水流入量予測モデルとしては、RRL法や、ニューラルネットワーク、事例ベース推論、などによる予測するモデルを採用することができるが、最も好ましい予測モデルの詳細については後述される。
汚水流入量予測手段101は、予測対象時の暦データを汚水流入量予測モデルに入力して汚水流入量予測データを生成する手段である。汚水流入量は時間に依存しており、暦データを入力すれば、汚水流入量予測データを得られる。
雨水流入量予測手段102は、予測対象時の予報である気象データを雨水流入量予測モデルに入力して雨水流入量予測データを生成する手段である。気象データは未来の気象データとなり、予測対象日時の気象データを入力することにより、雨水流入量予測データが得られる。
生成された下水流入量予測データは勿論のこと、雨水流入量予測データと汚水流入量予測データもデータ蓄積手段60により保存される。
このような予測手段100は、一定期間(例えば1時間ごと)ごとに起動され、下水流入量を予測する。
汚水流入量は、日々の変動が少ないことが知られており、過去の平均をシステムに設定し、それを汚水流入量予測とすることが多い。しかし、人間が設定する方法では、季節が変わるごと、経年変化を起こすごとに再設定しなければならない問題がある。自動化する方法では、先に述べたように特異データを除去すれば適切な平均値を得ることができる。
本発明の事例ベース推論による汚水流入量予測モデルは、以下3点の条件より推論するモデルである。
(1)気象(晴天時)
(2)前後日の汚水流量形状(相関係数で一定値以上)
(3)暦情報(曜日、期間など)
前述のように、下水流入量データは汚水流入量データと雨水流入量データの合算値である。しかしながら、下水への雨水流入量は雨天時にしかない流量であり、晴天時には雨水流入量は0になる。よって、事例ベース推論による予測汚水流入量予測モデルの学習では、過去一定期間内のデータから、晴天時の汚水流入量のみを抽出し、それを汚水流入量データとする。
(2)前後日の汚水流量形状(相関係数で一定値以上)について
ただし、これら抽出条件では特異データを排除することができない。そこで、次に通常データのみ抽出する。特異データとは、主に下水管内清掃によるものであり、一時的に汚水流入量が無くなったり多くなったりする特徴がある。またこのようなデータは毎日行なわれるものではなく、数ヶ月に数回程度の頻度でしかない。よって、特異データは前後日のデータと比較して汚水流入量の形状が大きく異なる特徴がある。逆をいうと通常データは前後日の汚水流入量データが同じ形状をしている。この特徴を利用して、汚水流入量データが前後日と同じ形状のものを抽出する。
ここで、抽出条件は、前後日の形状と比較して相関係数が一定値以上とすることで簡単に抽出できる。
なお、相関係数とは、2つのデータの相関度合いを測る統計指標である。相関係数は−1≦r≦+1の値をとり、r>0のとき正相関,r<0のとき負相関、r=0のときに無相関であることを意味する。
前後日の汚水流入量の形状を判定するときには、例えば、毎時データを用いるときには、対象日の汚水流入量をx1,x2,・・・,x24(mm3/h)とし、前日の汚水流入量をy1,y2,...,y24(mm3/h)とすると、次式にて相関係数が算出される。
さらに、汚水流入量は、曜日により量や立ち上がり時間が若干異なる性質がある。よって、予測対象日と同じ曜日を抽出する。こうして条件に適合した汚水流入量データは、複数日抽出されることになるが、日々のばらつきをなくすため、平均化する。
なお春夏秋冬を分けて平均化すると、さらに予測精度が高まる。
このように曜日や季節(春夏秋冬)により異なる場合もあるため、季節別・曜日別の汚水流入量データとする。
このような汚水流量予測モデルでは、汚水流入量は先に述べたがポンプの清掃のような時以外は、時間別にほぼ同じ値を取るため、特異データを統計的判定方法にて除外した上で過去の時間に対応する実績値である汚水流入量データのデータベース化し、時間データ(たとえば4月10日・水曜日・春・午後10時)を入力すると対応する汚水流入量データを読み出して汚水流入量予測データを生成するモデルとしたため、月日・曜日・季節・時間を入力すると対応する汚水流入量予測データを選択して出力する。
雨水流入量予測モデルは、具体的にはニューラルネットワークによる予測モデルである。図5は雨水流入量を予測するニューラルネットワークの構成図である。
ニューラルネットワークによるモデルは、例えば、入力層、中間層、出力層の3層構造のパーセプトロンモデルなどであり、入力に対して所望の出力をするように学習できる。
なお、図5のニューラルネットワークは、多入力1出力のニューラルネットワークであるが、もちろん多入力多出力のニューラルネットワークを構築しても良い。
なお、これらデータは通常は1時間単位の雨量データを用いるのが一般的であるが、10分単位の雨量データなど短い時間単位の雨量データを用いてもよい、また数時間の累積した雨量データにしてもよい。さらには各雨量データの差分値や絶対量などの変換を行なっても良い。
通常は1時間先までの雨水流入量データを出力するように設計するが、ニューラルネットワークを多出力化し数時間先までの雨水流入量データを一括で出力しても良い。また、雨水流入量データを加工し、現在からの差分値などにしても良い。
例えば、図5で示す雨水流入量予測モデルでは、ある時刻を現在とし、現在の雨量データと1時間前の雨量データは、下水ポンプ場もしくは気象情報サービス会社から配信される実績の雨量データが入力される。1時間先の雨量データは、気象情報サービス会社から配信される予報の雨量データである。
雨水流入量予測手段102は、はn時間(本形態では1時間)後の雨水流量予測データを算出する手段であるが、現在の雨水流量データとn時間先(本形態では1時間先)の雨水流量予測データを、または、n時間(本形態では1時間)隔てて隣接する二つの雨水流量予測データを用いて補間し、時間間隔が短い雨水流量予測データに変換した上で生成する手段としても良い。
ニューラルネットワークの入出力データは、図6のように1時間単位の雨量データである。入力データを変えることにより1時間〜m時間先までの予測を行なう。例えば、2時間先の雨水流入量予測データを計算する場合には、現在雨量データ、1時間先予報雨量データ値、2時間先予報雨量データを入力する。3時間先の雨水流入量予測データを予測する場合には、1時間先予報雨量データ、2時間先予報雨量データ、3時間先予報雨量データを入力する。こうして1時間単位でm時間先までの雨水流入量予測データが得られる。次に、1時間単位の雨水流入量予測データを5分単位の雨水流入量予測データに線形補完する。図6で示すように、まず中央値である30分の雨水流入量予測データは雨水流入量予測モデルの1時間単位の雨水流入量予測データと一致させる。つぎに、その他の時間には、前後の雨水流入量予測データの値で線形補完する。例えば、次式である。
5分先雨水流入量予測データ
=(5×現在雨水流入量データ+1時間先雨水流入量予測データ)/6
10分先雨水流入量予測データ
=(4×現在雨水流入量データ+2×1時間先雨水流入量予測データ)/6
15分先雨水流入量予測データ
=(3×現在雨水流入量データ+3×1時間先雨水流入量予測データ)/6
20分先雨水流入量予測データ
=(2×現在雨水流入量データ+4×1時間先雨水流入量予測データ)/6
25分先雨水流入量予測データ
=(1×現在雨水流入量データ+5×1時間先雨水流入量予測データ)/6
30分先雨水流入量予測データ
=1時間先雨水流入量予測データ
35分先雨水流入量予測データ
=(11×1時間先雨水流入量予測データ+2時間先雨水流入量予測データ)/12
40分先雨水流入量予測データ
=(10×1時間先雨水流入量予測データ+2×2時間先雨水流入量予測データ)/12
45分先雨水流入量予測データ
=(9×1時間先雨水流入量予測データ+3×2時間先雨水流入量予測データ)/12
50分先雨水流入量予測データ
=(8×1時間先雨水流入量予測データ+4×2時間先雨水流入量予測データ)/12
55分雨水流入量予測データ
=(7×1時間先雨水流入量予測データ+5×2時間先雨水流入量予測データ)/12
60分先雨水流入量予測データ
=(6×1時間先雨水流入量予測データ+6×2時間先雨水流入量予測データ)/12
65分先雨水流入量予測データ
=(7×1時間先雨水流入量予測データ+5×2時間先雨水流入量予測データ)/12
70分先雨水流入量予測データ
=(8×1時間先雨水流入量予測データ+4×2時間先雨水流入量予測データ)/12
75分先雨水流入量予測データ
=(9×1時間先雨水流入量予測データ+3×2時間先雨水流入量予測データ)/12
80分先雨水流入量予測データ
=(10×1時間先雨水流入量予測データ+2×2時間先雨水流入量予測データ)/12
85分先雨水流入量予測データ
=(11×1時間先雨水流入量予測データ+2時間先雨水流入量予測データ)/12
90分先雨水流入量予測データ
=(2時間先雨水流入量予測データ)
雨水流入量予測手段102はこのようなものである。
以上本形態の下水流入量予測装置1について説明した。本形態によれば、天候により変動しない汚水流入量と、天候により変動する雨水流入量と、を分けてそれぞれ予測モデルを構築して予想することで、正確な予測が可能となった。
補正手段104は、汚水流入量予測データを過去の日時における下水流入量予測データと下水流入量データとから算出した誤差量より補正する手段である。
汚水流入量予測データと雨水流入量予測データとが合算された下水流入量予測データに対し、過去の予測誤差データを用いて補正し、補正下水流入量予測データを生成する。ここに予測誤差データとは過去にある時点の下水流入量を予測した下水流入量予測データと、同じ時点で実際の下水流入量データとの誤差を多数収集し、その平均値を誤差としたものである。補正式は次式のようになる。
補正下水流入量予測データ=下水流入量予測データ+予測誤差データ
同様にして、24時間先までの自己相関係数が算出できる。自己相関係数が1に近ければ、自分自身の影響が強く、下水流入量予測の場合では、現在の下水流入量より、未来の流入量が簡単に予測できることを意味し、自己相関係数が0に近ければ、現在の下水流入量より、未来の流入量が予測できないことを意味する(雨量など他の要因が強くなる)。
図8に流量の自己相関係数は、近い将来では高いが、遠い将来になるに従い低下する。つまり、近い将来の下水流入量は現在の流入量に大きく影響されるが、遠い未来の流入量は現在の流入量にあまり影響されないことを示している。
そこで、本発明では、近い将来の予測値は大きく補正し、遠い将来の予測値は小さく補正することにより、無駄な誤差の補正を防止し、予測精度を高めるというものである。
平均予測誤差データ=avg(下水流入量予測データ[T−t]−下水流入量データ[T−t])
(数7)
平均予測誤差データ=
avg(下水流入量予測データ[T−t]−下水流入量データ[T−t])/下水流入量データ[T−t]
下水流入量データ[T−t]は、時刻t時間前における下水流入量データ
補正下水流入量予測データi=
下水流入量予測データi+(I−i)×平均予測誤差データ/I
また、数式7を使用した場合は次の数式のようになる。
補正下水流入量予測データi=
下水流入量予測データi/(1+平均予測誤差データ×(I−i)/I)
なお、今回の実施例1では、シミュレーションのみ実施したため、データ収集手段50によらず、データ蓄積手段60に蓄積されたデータを用いた。
予測対象:合流式下水施設のある下水ポンプ場のポンプ井への下水流入量
予測時点:現時点より5分先〜12時間先(5分間隔)、
学習用データ:過去6ヶ月のデータ
(1)日付(1日単位)
(2)平日、休日(土曜含む)情報(1日単位)
(3)前日データとの相関係数(1日単位)
(4)雨量(5分単位)
(5)下水流入量(5分単位)
データ蓄積手段60に蓄積された水位データを用いて上記の数式1により下水流入量データの算出を行った。
続いてこれら下水流入量データから、汚水流入量データと雨水流入量データとに分離生成する。分離のため、事例ベース推論を用い、月ごとに、平日、休日ごとに過去事例を抽出した。抽出条件は以下のとおりである。
(1)指定月を含まない過去4ヶ月
(2)指定曜日(平日or休日)
(3)相関係数0.9以上
(4)1日の雨量0mmの日
(5)下水流入量データはすべて正常にそろっており、欠測がないこと
そしてこのような汚水流入量データを用いて1日の雨量a[mm]の日の雨水流入量データは下水流入量データから上記算出した汚水流入量データを引いた値とした。
こうして、汚水流入量データは月ごとに平日・休日に分けて2種類、雨量別に雨水流入量データは1日ごとに多数作成される。
平日の1日24時間ごと汚水流入量データと、休日の24時間ごと汚水流入量データとを登録し、入力として、月、平日、休日、時刻(0時,1時,・・・,23時)を入力すると対応する汚水流入量データを出力する事例ベース推論によるモデルとした。
手順4.雨水流入量予測モデル構築(雨水流入量予測モデル構築手段92)
雨水流入量予測モデルはニューラルネットワークにて構築する。まず最初に学習用データを作成する。雨水流入量データは手順2で算出されているが、上記データの中には晴天時刻のデータ、下水流入量がマイナスのデータ(逆流した場合のデータ)など多数の特異データが含まれている。そこで、以下の条件を満たす雨水流入量データを抜き出した。
(1)雨水流入量0以上、
(2)降雨5mm/h以上
次に、抜き出したデータを以下のフォーマットに従って多数の学習セットを作成する。
1時間前雨量データmm/h、
ある時点の雨量データmm/h、
1時間先雨量データmm/h、
1時間先雨水流入量データmm3/h
上記多数のデータセットを用いて、図5のニューラルネットワークをバックプロパゲーション法にて学習する。
手順5.汚水流入量予測(汚水流入量予測手段101)
汚水流入量予測については、月、平日、休日、曜日、季節、時刻(0時,1時,・・・,23時)を入力すると時刻別の汚水流入量予測データを出力する。
手順6.雨水流入量予測(雨水流入量予測手段102)
先に構築したニューラルネットワークモデルの雨水流入量予測モデルを用いて、雨水流入量予測データを生成する。ニューラルネットワークに入力するデータは、1時間先雨水流入量を予測する場合には、以下のデータを入力する。
1時間前雨量データmm/h、
現在雨量データmm/h、
1時間先雨量データmm/h、
1時間先雨水流入量予測データmm3/h
そして2時間先予測値を得る場合には、以下のデータを入力する。
現在雨量データmm/h、
1時間先雨量データmm/h、
2時間先雨量データmm/h
2時間先雨水流入量予測データmm3/h
同様にして、12時間先雨水流入量予測データまで得る。ここで、未来の雨量については、気象予報値を用いるべきであるが、本実施例ではシミュレーションであるため、実際の雨量データを用いた。
ここで、ニューラルネットワークから出力される予測値は、1時間単位のデータである。そこで、数式4を用いて5分単位の雨水流入量予測データに変換して5分単位12時間先までの雨水流入量予測データを算出した。
汚水流入量予測データと雨水流入量予測データを合算した値を下水流入量予測データとした。また、この下水流入量予測データをデータ蓄積手段60に対し、補正前の下水流入量予測データとして保存した。
データ蓄積手段60から読み出した5分前〜1時間前の12点の補正前の下水流入量予測データと同時刻の実績の下水流入量データとの平均予測誤差データを数式6にて算出し、2時間先までの予測値を数式8にて補正した。ここで、2時間先までの予測値は24点あるため、数式8のIの値は24であり、
iの値は5分先で1、10分先で2、・・・2時間先で24となる。
10:入力手段
20:出力手段
30:記録媒体読書手段
40:データ発信手段
50:データ収集手段
51:気象データ収集手段
52:暦データ収集手段
53:水位データ収集手段
54:ポンプ揚水量データ収集手段
60:データ蓄積手段
70:下水流入量データ算出手段
80:分離手段
90:モデル構築手段
91:雨水流入量予測モデル構築手段
92:汚水流入量予測モデル構築手段
100,100’:予測手段
101:汚水流入量予測手段
102:雨水流入量予測手段
103:合算手段
104:補正手段
2:ネットワーク
Claims (5)
- 下水ポンプ場または終末処理場のポンプ施設へ流入する下水の流入量を予測する下水流入量予測装置において、
気象実績及び気象予報についての気象データを収集する気象データ収集手段と、
暦についての暦データを収集する暦データ収集手段と、
ポンプ井内の下水の水位についての水位データを収集する水位データ収集手段と、
ポンプ井の下水のポンプ揚水量(送水量)についての揚水量データを収集するポンプ揚水量データ収集手段と、
暦データ、気象データ、水位データおよびポンプ揚水量データを蓄積するデータ蓄積手段と、
暦データ、水位データおよび揚水量データに基づいてポンプ井への下水流入量である下水流入量データを算出する下水流入量データ算出手段と、
下水流入量データを分離して汚水流入量データと雨水流入量データとを算出する分離手段と、
暦データを入力因子とし、また、汚水流入量データを出力因子とするような汚水流入量予測モデルを構築する汚水流入量予測モデル構築手段と、
気象データを入力因子とし、また、雨水流入量データを出力因子とするような雨水流入量予測モデルを構築する雨水流入量予測モデル構築手段と、
予測に必要な暦データを汚水流入量予測モデルに入力して汚水流入量予測データを生成する汚水流入量予測手段と、
予測に必要な気象データを雨水流入量予測モデルに入力して雨水流入量予測データを生成する雨水流入量予測手段と、
生成した汚水流入量予測データと雨水流入量予測データとを合算して下水流入量予測データを生成する合算手段と、
を有し、
前記汚水流入量予測モデルは、
特異データが除去された上で、暦データと汚水流入量データとが連関して登録され、暦データが入力されると対応する汚水流入量データが抽出されることで予測する事例ベース推論による予測モデルであることを特徴とする下水流入量予測装置。 - 請求項1に記載の下水流入量予測装置において、
前記雨水流入量予測モデルはニューラルネットワークによる予測モデルであることを特徴とする下水流入量予測装置。 - 請求項2に記載の下水流入量予測装置において、
前記雨水流入量予測モデルはn時間単位で雨水流量予測データを算出する予測モデルであり、
前記雨水流入量予測手段は、現在の雨水流量データと雨水流量予測データとを、または、隣接する二つの雨水流量予測データを補間することで時間間隔がn時間よりも短い雨水流量予測データを生成する手段であることを特徴とする下水流入量予測装置。 - 請求項1〜請求項3の何れか一項に記載の下水流入量予測装置において、
下水流入量予測データを、過去の日時における下水流入量予測データと下水流入量データとから算出した誤差量より補正する補正手段を備えることを特徴とする下水流入量予測装置。 - 請求項4に記載の下水流入量予測装置において、
前記補正手段は、過去の予測誤差を用いて未来の予測値を補正するときに、近い将来の予測値の補正量を大きく、遠い将来の予測値の補正量を小さくする手段であることを特徴とする下水流入量予測装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004178618A JP4326408B2 (ja) | 2004-06-16 | 2004-06-16 | 下水流入量予測装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004178618A JP4326408B2 (ja) | 2004-06-16 | 2004-06-16 | 下水流入量予測装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2006002401A JP2006002401A (ja) | 2006-01-05 |
JP4326408B2 true JP4326408B2 (ja) | 2009-09-09 |
Family
ID=35771024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2004178618A Expired - Lifetime JP4326408B2 (ja) | 2004-06-16 | 2004-06-16 | 下水流入量予測装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4326408B2 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012172320A (ja) * | 2011-02-18 | 2012-09-10 | Hitachi Ltd | 流入排水制御装置、流入排水制御方法および流入排水制御プログラム |
JP6489930B2 (ja) * | 2015-05-18 | 2019-03-27 | 三菱電機株式会社 | 使用電力量管理装置 |
JP7036490B2 (ja) * | 2018-03-22 | 2022-03-15 | 住友重機械エンバイロメント株式会社 | 排水処理設備の運転制御装置及び運転制御方法 |
AU2019261585B2 (en) | 2018-04-24 | 2024-05-09 | Evoqua Water Technologies Llc | Sequencing batch reactor systems and methods |
CN117991733A (zh) * | 2024-01-29 | 2024-05-07 | 深圳市青水智能新能源环保科技有限公司 | 一种基于物联网的雨污智能分流控制系统 |
-
2004
- 2004-06-16 JP JP2004178618A patent/JP4326408B2/ja not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
JP2006002401A (ja) | 2006-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4807565B2 (ja) | 流量予測装置 | |
KR102073768B1 (ko) | 포털 기반 가뭄정보 제공 시스템 | |
JP3352153B2 (ja) | 配水流量予測装置 | |
Carpenter et al. | Assessment of Folsom lake response to historical and potential future climate scenarios: 1. Forecasting | |
US10795382B2 (en) | Method and apparatus for model-based control of a water distribution system | |
Tang et al. | Value of medium-range precipitation forecasts in inflow prediction and hydropower optimization | |
CN113221439B (zh) | 一种基于bp神经网络的排水系统实时率定与动态预测方法 | |
CN111815043B (zh) | 一种基于暴雨特征的洪水流量预测方法及系统 | |
CN116740946B (zh) | 一种公路车流量大数据分析处理方法 | |
KR100741691B1 (ko) | 유비쿼터스 기술을 이용한 광역상수도 수운영시스템 및 그방법 | |
JP2023169099A (ja) | 流入量予測システム | |
JP2006092058A (ja) | 流量予測装置 | |
KR101556463B1 (ko) | 열대 저기압의 강풍과 폭우 지수를 이용한 인명 및 재산피해 규모 추정 방법, 시스템, 및 프로그램 | |
JP4399318B2 (ja) | ポンプ制御装置 | |
JP4326408B2 (ja) | 下水流入量予測装置 | |
KR20160074325A (ko) | 기상변화에 따른 전력수요지수 예측 시스템 및 그 방법 | |
WO2022264422A1 (ja) | 雨天時浸入水率推定装置、雨天時浸入水率推定方法、及びプログラム | |
CN116993030B (zh) | 变化条件下水库压咸补淡调度方法及系统 | |
CN113139684A (zh) | 一种流域梯级水库系统月径流预测方法 | |
CN117277304A (zh) | 考虑日出日落时间的光伏发电超短期功率预测方法、系统 | |
CN105373847B (zh) | 基于cfs预报的水电站水库预泄决策方法 | |
KR100430219B1 (ko) | 상수도 시스템의 용수 수요 예측 방법 | |
JP4782656B2 (ja) | 雨水流出量推定装置およびプログラム | |
CN115659621A (zh) | 一种基于arima模型的燃气用量预测方法 | |
KR20240000915A (ko) | 유역 상세화를 통한 실적자료 기반 물수급 분석 방법 및 그 방법을 구현하기 위한 컴퓨터로 판독 가능한 기록매체에 저장된 프로그램 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20070215 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20080314 |
|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20080314 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20080317 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20080618 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20080618 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20090108 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090121 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090318 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20090521 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20090609 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120619 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 4326408 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120619 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130619 Year of fee payment: 4 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |