JP4590794B2 - 水力発電量予測装置、水力発電量予測方法 - Google Patents
水力発電量予測装置、水力発電量予測方法 Download PDFInfo
- Publication number
- JP4590794B2 JP4590794B2 JP2001214113A JP2001214113A JP4590794B2 JP 4590794 B2 JP4590794 B2 JP 4590794B2 JP 2001214113 A JP2001214113 A JP 2001214113A JP 2001214113 A JP2001214113 A JP 2001214113A JP 4590794 B2 JP4590794 B2 JP 4590794B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- power generation
- output
- neural network
- input
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/20—Hydro energy
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、ニューラルネットワークを用いて自流式ダムの水力発電量を予測する手法に関する。
【０００２】
【従来の技術】
ダムにおける水力発電量や流入量の予測は、経済性と安全性の観点から行われている。将来流れ込む流量を正確に予測できれば、無効放流を減らし、発電量を増やすことができるばかりでなく、大雨時には下流域の洪水の防止が可能となるからである。
【０００３】
発電量の予測方法としては、発電量を直接予測する方法と、流入量を予測した後、この予測流入量を発電量に換算して予測する方法が考えられるが、実際には、後者の方法が用いられているのみである。その理由は、安全性の観点に重点をおいて運用することが多く、大雨時の下流域での洪水防止が主目的であるためである。よって、発電量の予測は、直接発電量を予測するのではなく、予測流入量を水力発電機のＱＰ特性（発電流量−発電量特性）に当てはめて換算していた。これは、流入量の予測精度が発電量の予測精度に直結することを意味する。
【０００４】
尚、発電流量とは、流入量中、発電機に流れ込む流量のことである（流入量が多い場合、その一部は直接放流する）。
一般に、流入量の予測は、上流域の雨量と、上流河川の流量と、過去数時間程度のダムへの流入量の実績値を用いて予測される。将来の流入量とこれらのデータの間には非常に強い非線形があるため、予測が難しい。例えば、降雨量が同じでも、地面の湿潤度により、流量が大きく異なる。また、河川の流速は、流量が多いときには非常に早くなる。
【０００５】
流量予測は、非常に難しい為、一般的な回帰式では高精度予測は難しい。通常は、タンクモデルか貯留関数法が用いられ、降雨時の流量が増え始めたときから流量がピークに達するころ（流量が比較的多い部分）の予測精度が最良になるように調整する（流入量が少ない部分から多い部分まで全てのデータに対して高精度に予測することはできないため）。また、近年では、ニューラルネットワークを用いた予測手法も実用化されている。ニューラルネットワークは、データを与えて学習させるだけで、比較的容易に予測モデルが構築できるので、開発費用が安く、比較的予測精度が高い手法として注目されている。
【０００６】
【発明が解決しようとする課題】
ここで、自流式ダムとは、貯水のためのゲートがなく、流入した水をそのまま下流に流すダムである。放流制御が行えない為、通常は、下流域の洪水防止の必要性が低い最上流位置に建設される。
【０００７】
自流式ダムにおける水力発電量の予測は、経済性の観点から非常に有効である。例えば、発電量の予測精度が高ければ、火力発電等のエネルギー消費量を節約することが可能である。
【０００８】
自流式ダムに設置される水力発電機は、一般に、その河川の流量に応じてその規模が決定される。つまり、流量が少ない河川に大規模すぎる発電機を導入するのは、導入費用の面で無駄が多くなり、逆に流量の多い河川に小規模な発電機を導入するのは、水資源の無駄が多いことになる。一般に、年間の数分の１の期間において、水力発電機が最大出力を出すように設計される（日本の河川では、洪水流量には至らない程度の降雨でも、簡単に水力発電機の出力が最大になる）。
【０００９】
自流式ダムにおける水力発電量の予測においては、比較的流入量が少ないとき（発電機が最大出力で飽和する前までの、流量に応じて発電量が変化する範囲）の予測精度が重要となる（流入量が多い部分では、発電機出力が飽和するため、流入量予測精度の誤差は問題にならない）。また、自流式発電所は、下流域の洪水防止の為の貯水機能がもともとない為、洪水防止のための流量予測はそもそも不要である。
【００１０】
従来技術であるタンクモデルや貯留関数法では、流量の多い部分から低い部分まで精度良く予測することはできないので、流量の増え始めからピークに達するまでの予測（通常のダムでは、洪水防止等の安全性に関して重要な部分）が最良になるように設計される。流入量が少ない部分の予測精度が高くなるように調整することも不可能ではないが、これらの手法はダム流域１つ１つの特性に合わせて個別に設計（パラメータ調整）する必要があるので、いずれにしても開発費用／導入費用が高いという問題があった。
【００１１】
一方、ニューラルネットワークを用いる手法では、入出力データを与えるだけで、ニューラルネットワークが自動的に学習するので、比較的容易に予測モデルが構築できる。また、その予測精度も、一般的に、タンクモデルや貯留関数法よりも高い。
【００１２】
しかしながら、前述のように、自流式ダムにおける水力発電では、洪水流量に至るよりずっと前に発電機出力が最大で飽和する為、洪水防止用に設計された従来の流量予測モデルでは、高精度な発電量の予測は期待できない。このことは、ニューラルネットワークによる流量予測モデルでも同様である。ニューラルネットワークは、学習データ全ての学習誤差の総和を小さくするように学習する為、洪水時のデータを含めて学習すると、自流式発電所の発電予測に最も大事な「発電量が変化する範囲」（発電機出力が最大で飽和するまでの範囲；洪水時等に比べると比較的流入量が少ない範囲）の学習精度が犠牲になることがある。
【００１３】
「発電量が変化する範囲」のデータだけを用いて学習すれば、「発電量が変化する範囲」については高精度な発電量の予測が期待できる。しかしながら、ニューラルネットワークは、学習範囲外のデータに対してはどのような出力をするか分からない、という欠点がある。この為、例えば大雨時であるにも係わらず“発電量は少ない”と予測する可能性がある。
【００１４】
結局、従来は、自流式ダムに関しても、通常のダムと同様に、ニューラルネットワーク出力を「流入量」としていた為、自流式ダムの発電量予測において重要な「発電量が変化する範囲」（流入量の比較的少ない部分）の予測精度を向上させるのに限界があった。
【００１５】
本発明の課題は、自流式ダムの発電量を高精度に予測できるニューラルネットワーク、発電量予測方法を提供することである。
【００１６】
【課題を解決するための手段】
請求項１記載の発明は、情報処理装置によりニューラルネットワークを実現する自流式ダムの水力発電量予測装置であって、入力層と中間層と出力層とを備え、前記入力層の入力データを基準時刻より過去の時刻から当該基準時刻までの上流域の降雨量に基づくデータとし、前記出力層の出力データを前記基準時刻より未来の水力発電量に基づくデータとする、前記情報処理装置の中央処理装置によって実現されるニューラルネットワークと、ニューロンの応答関数が飽和関数である前記ニューラルネットワークに、前記水力発電量が最大出力に達して前記出力データが飽和状態となる場合も含む前記入力データおよび前記出力データに対応する教師データを用い、出力データが飽和状態の学習をさせると共に出力データが変化する範囲を学習させる、前記情報処理装置の中央処理装置によって実現される学習部と、前記学習部にて学習させたニューラルネットワークに基準時刻を現在時刻として前記入力データを入力し、基準時刻が現在時刻である出力データに基づいて予測水力発電量を求める、前記情報処理装置の中央処理装置によって実現される予測部とを有する。
【００１７】
請求項３記載の発明は、ニューラルネットワークを用いた自流式ダムの水力発電量予測方法であって、前記ニューラルネットワークは、入力層と中間層と出力層とを備え、前記入力層の入力データには、基準時刻より過去の時刻から当該基準時刻までの上流域の降雨量に基づくデータが含まれ、前記出力層の出力データは、前記基準時刻より未来の水力発電量に基づくデータとし、ニューロンの応答関数が飽和関数である前記ニューラルネットワークに、前記水力発電量が最大出力に達して前記出力データが飽和状態となる場合も含む前記入力データおよび前記出力データに対応する教師データを用い、出力データが飽和状態の学習をさせると共に出力データが変化する範囲を学習させる、前記情報処理装置の中央処理装置によって実現させ、前記学習させたニューラルネットワークに、基準時刻が現在時刻である前記入力データを入力し、基準時刻が現在時刻である出力データに基づいて予測水力発電量を求める。
【００１８】
自流式ダムの発電所では、通常のダムとは異なり、下流域の洪水防止の為の貯水機能がもともとない為、洪水防止のための流量予測はそもそも不要である。これより、上記請求項１、請求項３の発明では、自流式ダム用に特化し、従来ではニューラルネットワーク出力が「流入量」であったのに対して「将来の発電量予測」としている。更に、ニューロンの応答関数が飽和関数であるニューラルネットワークを用い、「発電量が変化する範囲」のデータだけでなく、この範囲外のデータも用いて学習している。これにより、「発電量が変化する範囲」における予測精度を向上させつつ、発電出力が飽和する範囲の入力データに対してもおかしな出力をする可能性が極めて低くなる。
【００１９】
請求項２記載の発明は、請求項１に係る水力発電量予測装置であって、前記入力層の入力データに、前記基準時刻より過去の時刻から当該基準時刻までのデータであって、上流河川の流量、ダムへの流入量、気温、発電量によるデータを含める。
【００２０】
また、入力データとして気温を用いる場合には、特に春のシーズンにおいて、「雪解け水」により流入量増加にも対応した、より高精度な予測を行うことが可能となる。
【００２１】
【発明の実施の形態】
以下、図面を参照して、本発明の実施の形態について説明する。
本発明は、自流式ダムにおける発電量予測精度を向上させる為に、自流式ダムの発電量予測に特化し、ニューラルネットワークの出力を“発電量”とし、発電機出力を直接予測するようにしたことに特徴がある。ニューラルネットワークの入力は、上流域の降雨量、河川流量、ダムへの流入量、気温、過去の発電量実績値等であるが、これらの差分データを用いるほうが、より高精度な予測が可能になる。
【００２２】
このように、ニューラルネットワークの出力を発電機出力（発電量）にすることで、学習データとして過去の洪水時のデータを含むデータを用いても、適切な予測が可能となる。
【００２３】
まず、最初に、本発明により高精度予測が可能になる原理について説明する。
図１に、降雨量、流入量、発電量の対応関係の一例を示す。
上述してあるように、自流式ダムの水力発電量予測において特に重要なのは「発電量が変化する範囲」であり、これは図１に示す例では降雨量１１が‘５’〜‘２５’の範囲である（発電量１３が‘１５’で最大出力（飽和）となるので）。自流式ダムの発電量予測においては、この範囲の予測精度向上が最も重要である。
【００２４】
図１の例では、流入量１２は、降雨量１１が‘０’〜‘４０’の範囲で常に変化しており、特に降雨量１１が‘２５’以上になると流入量１２の変化量が大きくなっていく。通常のダム（自流式ダムではないダム）では、洪水予測に重点をおく為、特にこの降雨量１１が‘２５’以上の部分の流入量１２の予測が重要であった。一方、発電量１３は、降雨量１１が‘５’〜‘２５’の範囲では変化しているが、降雨量１１が‘２５’以上では飽和する（最大出力‘１５’に達する）。
【００２５】
図１の降雨量を入力データとしてニューラルネットワークに学習させると、従来のように出力を「流入量」としたニューラルネットワークでは、流入量１２が‘０’〜‘８５’までの全ての状態を学習する。このため、発電量予測に直接関係のない範囲、すなわち流入量１２が‘５０’〜‘８５’の範囲における予測誤差までも小さくしようとするために、流入量１２が‘１０’〜‘５０’の範囲における予測誤差が小さくなるとは限らないし、限界もある。
【００２６】
一方、降雨量１１が‘５’〜‘２５’の範囲のデータだけで学習させることで、この範囲の学習誤差は確実に小さくすることは可能であるが、降雨量１１が‘５’〜‘２５’以外（学習範囲外）のデータに対しては、どのような出力をするのか保証できない、という欠点がある。
【００２７】
本例のようにニューラルネットワーク出力を「発電量」とした場合には、上記と同様に降雨量１１が‘０’〜‘４０’の範囲のデータを学習させているが、（「流入量」とは異なり）「発電量」では、降雨量１１が‘０’〜‘５’の範囲、降雨量１１が‘２５’〜‘４０’の範囲に対応する発電量データは、飽和状態（図の例の値は各々‘０’‘１５’）となっている。ニューラルネットワークは、飽和領域の学習については、原理上学習誤差が出づらくなっている為（ニューラルネットワークは、シグモイド関数と呼ばれる飽和関数を、ニューロンの応答関数に使用している為、飽和状態の学習は容易である）、降雨量１１が‘５’〜‘２５’の範囲を集中して学習することが可能である（学習回数は他の範囲と同じであっても、学習に対する影響度合いが大きい）。また、降雨量１１が‘５’〜‘２５’の範囲以外のデータに対しても学習しているため、当該範囲外のデータに対しておかしな出力をする可能性は極めて低くなる。
【００２８】
上述した原理が正しいことを実証した、簡単な実験結果について以下に説明する。
この実験では、以下の（１）、（２）のように、図１に示す降雨量１１を入力データとし、出力を各々「流入量（予測値）」（従来）、「発電量（予測値）」（本例）とした２つのニューラルネットワークについて、以下、実際の実験による学習結果（予測精度）について説明する。
（１） （入力，出力）＝（降雨量，流入量） ・・・従来
（２） （入力，出力）＝（降雨量，発電量） ・・・本例
学習条件は、（１）、（２）とも、図２に示すように、学習回数が１万回、入力層／中間層／出力層のユニット数は各々１個である。簡単な例であるのでニューラルネットワーク構造は特に図示しない。また、教師データは、各々、図１に示す流入量１２、発電量１３のデータを用いる。
【００２９】
図３に、上記２つのニューラルネットワークの学習結果（予測結果）を示す。
ここでは、「発電量が変化する部分」（自流式ダムの発電量予測において重要な部分）、つまり降雨量１１が‘５’〜‘２５’の範囲について評価する。この評価は、図３に示す「絶対値」２３、「絶対値」２６（各々、「誤差」２２、「誤差」２５の絶対値）の各々の平均で判断する。但し、この例では、降雨量１１が‘５’に関しては、発電量（実績値）１３が‘０’である為、誤差率の算出ができないので、評価対象からはずした。
【００３０】
図３に示すように、従来のように流入量の予測値２１をニューラルネットワーク出力とする場合には、誤差の「絶対値」２３の平均は９．８８（％）となっている。一方、本例にように発電量の予測値２４をニューラルネットワーク出力とする場合には、誤差の「絶対値」２６の平均は４．９５（％）である。
【００３１】
このように、本例によるニューラルネットワークを用いた場合の予測誤差は、従来に比べて約半分となっており、ニューラルネットワークの出力を「発電量」にするだけで、従来に比べて良好な結果を示すことが確認されている。
【００３２】
尚、誤差は、各々、（予測値−実績値）／実績値により求める。また、尚、図３では予測流入量と予測発電量とを比較しているが、上述してある通り、従来では、予測流入量を水力発電機のＱＰ特性に当てはめて発電量を予測しているので、当然、予測流入量の誤差は発電量の予測誤差に直結する。
【００３３】
上述したように、本例によれば、ニューラルネットワークの出力を「発電量」にするだけで、予測精度を大幅に向上させることができた。
また、従来の水力発電量の予測方法は、まずダムへの流入量を予測し、次にこの予測流入量を予測発電量に換算していた。つまり、２段階の処理が必要であった。本例のニューラルネットワークでは、直接的に発電量を予測するので、処理が簡素化され、処理時間が短縮できる。
【００３４】
以下、本例によるニューラルネットワーク構造の例を幾つか示しながら、実際の実験結果により、予測精度が向上したことが確認されていることを示す。
まず、以下、図４、図５を参照して、本例によるニューラルネットワークを用いて実際に発電量予測を行った例（その１）について説明する。
【００３５】
まず、図４（ａ）には、本例によるニューラルネットワークの入力データ／出力データを示す。図示の通り、入力データとしては、過去数時間分の降雨量の差分データと発電機出力（実績値）の差分データとを用いる。また、出力データは、１時間先〜３時間先までの発電機出力（予測値）差分である。尚、“発電機出力”は“発電量”と同じ意味である。
【００３６】
尚、この例では、入力データとして差分データ（降雨量差分、発電機出力（実績値）差分）を用いているが、これに限るわけではない。過去数時間分の降雨量と発電機出力（実績値）とを用いるようにしてもよい。この場合は、当然、出力データは、１時間先〜３時間先までの発電機出力（予測値）となる。但し、差分データを用いたほうが、より高精度や発電量予測が行えるようになることが期待できる。入力データとして差分データを用いる手法は、既に、本出願人が例えば特開平１０−２６０７１８号公報「ダムにおける水量予測方法」等で提案済みである。
【００３７】
また、図４（ｂ）には学習条件を示す。この例では、学習回数は１０万回とし、入力層のユニット数は２２個、中間層のユニット数は１個、出力層のユニット数は３個である。
【００３８】
尚、学習方法は、本例では、本出願の出願人が以前に提案している特願２０００−７１００１「ニューラルネットワークの最適化学習方法」に記載の学習方法を採用しているが、これに限るわけではない。尚、この学習方法には、中間層の素子数を少なくする働きがあり、それ故、学習中に中間層の素子数が減らされていき、学習終了時には図４（ｂ）に示すように中間層素子数は１個になっているが、これは一例に過ぎない。
【００３９】
図４（ｃ）には、上記条件によるニューラルネットワークの一例を示す。
この例では、入力層の２２個のユニットの中で、１９個は降雨量差分データ入力用とし、３個は発電機出力（実績値）差分データ入力用とする。勿論、これは、一例に過ぎない。降雨量差分データは、現在時刻の降雨量を基準として、過去の１時間（１ｈ）前、２ｈ前、・・・１９ｈ前の各々の時刻の降雨量との差分値を用いる。発電機出力（実績値）差分データについても同様であり、現在時刻の発電機出力（実績値）を基準として、過去の１時間（１ｈ）前、２ｈ前、３ｈ前の各々の時刻の発電機出力（実績値）との差分値を用いる。出力層の３個のユニットは、各々、１時間（１ｈ）先／２ｈ先／３ｈ先の発電機出力（予測値）差分値を出力する。これも、現在時刻の発電機出力（実績値）と、１時間（１ｈ）先／２ｈ先／３ｈ先の発電機出力（予測値）との差分値が出力される。
【００４０】
上記ニューラルネットワークを用いて発電機出力（予測値）差分を出力させた値と、実際の１ｈ先／２ｈ先／３ｈ先の発電機出力との誤差の絶対値を求め、その平均値を求めた結果を、図５（ａ）に示す。図示の通り、誤差の絶対値の平均値（ここでは、絶対値平均誤差と呼ぶ）は、１時間先予測〜３時間先予測まで何れも良好な結果が得られ、特に１時間先予測では１％未満であり、非常に良好な結果が得られた。
【００４１】
また、図５（ｂ）には、７８１時間程度の長期間に渡って随時１時間先の発電量予測を行い続けた結果と、実際の各々の１時間後の発電量とをグラフにして示す。
【００４２】
図示の通り、両者はほとんど重なり合っており、これを見ても誤差が判別できないほど良好な結果である。
次に、以下、図６、図７を参照して、本例によるニューラルネットワークを用いて実際に発電量予測を行った例（その２）について説明する。
【００４３】
この例では、入力データとしては、過去数時間分の降雨量の差分データと発電機出力（実績値）の差分データに加えて、気温の差分データを用いる。
ここで、気温を入力因子として採用することの意味について説明する。
【００４４】
入力データとして気温を用いるのは、“春”に予測を行う場合に特に有効である。つまり、自流式ダムの上流域に雪が積もっている場合、気温が上昇するにつれて、所謂「雪解け水」により、流入量が増加する傾向がある。よって、気温を入力因子の１つとすることで、「雪解け水」により流入量増加にも対応した、より高精度な予測を行うことが可能となる。
【００４５】
なお、入力データとしては、上述したもの以外にも、上流域の降雨量、河川流量等（更に、その差分データ）を用いるようにしてもよい。
図６に、本例によるニューラルネットワーク構造の一例を示す。
【００４６】
図示の例では、入力層のユニット数は２２個であり、各ユニットには、１ｈ前、２ｈ前、・・・、１０ｈ前の降雨量差分データ、１ｈ前、２ｈ前、・・・、６ｈ前の発電機出力（実績値）差分データ、１ｈ前、２ｈ前、・・・、６ｈ前の気温差分データが入力される。中間層のユニット数は、上記と同様に、学習途中でユニット数が削減されていった結果、１個になっている。出力層のユニット数は、この例では１個とし、１時間先の発電機出力（予測値）差分値を出力する。
【００４７】
このニューラルネットワークを用いて実際に予測を行った結果、図７（ａ）に示すように、１時間先予測については絶対値平均誤差が０．８５％となっており、非常に良好な結果が得られている。
【００４８】
また、図７（ｂ）には、３１３時間程度の期間中、随時１時間先の発電量予測を行った結果と、実際の各々の１時間後の発電量と、気温との関係をグラフにして示す。図示の例では、６０時間付近と２８０時間付近において、発電量が若干増加している。この６０時間付近と２８０時間付近の気温を参照すると、比較的長い時間高い気温が続いていることが確認でき、気温が発電量に若干影響を与えることが分かる。但し、同図には１２月に予測を行った例を示しており、上記の通り、気温の影響が最も大きいのは“春”であるので、“春”に予測を行えば、気温が発電量に与える影響がより大きくなることは確実である。
【００４９】
図８は、上述したニューラルネットワークを用いた、自流式ダムの発電量予測手法の実現形態の一例である情報処理装置のハードウェア構成図である。
尚、この情報処理装置は、例えば、系統制御所、給電指令所、ダム管理所、水力発電所等に設置される。また、この情報処理装置は、例えば後述するネットワーク接続装置３６等により、何等かの通信線を介して、上流域に設置される降雨計、上流河川の流量を計測する流量計、ダムへの流入量を計測する流量計、気温を測定する温度計、発電機等からデータを取得できる構成となっている。
【００５０】
同図に示す情報処理装置３０は、ＣＰＵ３１、記憶装置３２、入力装置３３、出力装置３４、媒体駆動装置３５、ネットワーク接続装置３６等を有し、これらがバス３７に接続された構成となっている。同図に示す構成は一例であり、これに限るものではない。
【００５１】
ＣＰＵ３１は、当該情報処理装置３０全体を制御する中央処理装置であり、後述する記憶装置３２等に格納されるデータ／プログラムに基づいて各種処理を実行する。
【００５２】
記憶装置３２は、例えばＨＤＤや、ＲＯＭ／ＲＡＭ／フラッシュメモリ等のメモリであり、ニューラルネットワークのデータベース構造（入力層／中間層／出力層素子の数、重みの大きさ、入力データ、出力データ等）が格納される。また、各種処理をＣＰＵ３１で実行させるプログラムを格納している。
【００５３】
入力装置３３は、例えば、キーボード、マウス等である。
出力装置３４は、ディスプレイ等であり、上述したニューラルネットワークの演算結果等を表示する。
【００５４】
媒体駆動装置３５は、可搬記憶媒体３８に記憶されているプログラム／データ等を読み出す。可搬記憶媒体３８は、例えば、ＦＤ（フロッピーディスク）３８ａ、ＣＤ−ＲＯＭ３８ｂ、その他、ＤＶＤ、光磁気ディスク等である。上記記憶装置３２に格納されるプログラム／データは、可搬記憶媒体３８に記憶されているものであってもよい。すなわち、上述した各種処理は、この可搬記憶媒体３８に記憶されているプログラム／データ等を、媒体駆動装置３５を介して情報処理装置３０側にロードして実行するものであってもよい。
【００５５】
また、ネットワーク接続装置３６は、インターネット等のネットワーク（不図示）に接続して、外部の情報処理装置等とプログラム／データ等の送受信を可能にする構成としてもよい。上記プログラム／データは、ネットワーク接続装置３６により接続しているネットワークを介して、外部の情報提供者側の装置の記憶装置に記憶されているプログラム／データをダウンロードするものであってもよい。
【００５６】
本発明は、上記プログラム／データを格納した記憶媒体（可搬記憶媒体３８等）自体として構成することもできるし、プログラム自体として構成することもできる。
【００５７】
【発明の効果】
以上、詳細に説明したように、本発明のニューラルネットワーク、これを用いた予測手法によれば、自流式ダム用に特化し、ニューラルネットワーク出力を「発電量」とすることで、予測精度が高く且つ開発費が安くて済む。
【図面の簡単な説明】
【図１】降雨量、流入量、発電量の対応関係の一例を示す
【図２】単純な例における学習条件を示す図である。
【図３】従来と本例のニューラルネットワークによる学習結果を比較して示す図である。
【図４】（ａ）〜（ｃ）は、本例によるニューラルネットワークを用いて実際に発電量予測を行った例（その１）について説明する為の図である。
【図５】（ａ）、（ｂ）は、予測結果を示す図である。
【図６】本例によるニューラルネットワークを用いて実際に発電量予測を行った例（その２）について説明する為の図である。
【図７】（ａ）、（ｂ）は、予測結果を示す図である。
【図８】本例のニューラルネットワークを用いた、自流式ダムの発電量予測手法の一実現形態である情報処理装置のハードウェア構成図である。
【符号の説明】
１１ 降雨量
１２ 流入量
１３ 発電量
２１ 流入量（予測値）
２２ 誤差
２３ （誤差の）絶対値
２４ 発電量（予測値）
２５ 誤差
２６ （誤差の）絶対値
３０ 情報処理装置
３１ ＣＰＵ
３２ 記憶装置
３３ 入力装置
３４ 出力装置
３５ 媒体駆動装置
３６ ネットワーク接続装置
３７ バス
３８ 可搬記憶媒体
３８ａ ＦＤ（フロッピーディスク）
３８ｂ ＣＤ−ＲＯＭ
【発明の属する技術分野】
本発明は、ニューラルネットワークを用いて自流式ダムの水力発電量を予測する手法に関する。
【０００２】
【従来の技術】
ダムにおける水力発電量や流入量の予測は、経済性と安全性の観点から行われている。将来流れ込む流量を正確に予測できれば、無効放流を減らし、発電量を増やすことができるばかりでなく、大雨時には下流域の洪水の防止が可能となるからである。
【０００３】
発電量の予測方法としては、発電量を直接予測する方法と、流入量を予測した後、この予測流入量を発電量に換算して予測する方法が考えられるが、実際には、後者の方法が用いられているのみである。その理由は、安全性の観点に重点をおいて運用することが多く、大雨時の下流域での洪水防止が主目的であるためである。よって、発電量の予測は、直接発電量を予測するのではなく、予測流入量を水力発電機のＱＰ特性（発電流量−発電量特性）に当てはめて換算していた。これは、流入量の予測精度が発電量の予測精度に直結することを意味する。
【０００４】
尚、発電流量とは、流入量中、発電機に流れ込む流量のことである（流入量が多い場合、その一部は直接放流する）。
一般に、流入量の予測は、上流域の雨量と、上流河川の流量と、過去数時間程度のダムへの流入量の実績値を用いて予測される。将来の流入量とこれらのデータの間には非常に強い非線形があるため、予測が難しい。例えば、降雨量が同じでも、地面の湿潤度により、流量が大きく異なる。また、河川の流速は、流量が多いときには非常に早くなる。
【０００５】
流量予測は、非常に難しい為、一般的な回帰式では高精度予測は難しい。通常は、タンクモデルか貯留関数法が用いられ、降雨時の流量が増え始めたときから流量がピークに達するころ（流量が比較的多い部分）の予測精度が最良になるように調整する（流入量が少ない部分から多い部分まで全てのデータに対して高精度に予測することはできないため）。また、近年では、ニューラルネットワークを用いた予測手法も実用化されている。ニューラルネットワークは、データを与えて学習させるだけで、比較的容易に予測モデルが構築できるので、開発費用が安く、比較的予測精度が高い手法として注目されている。
【０００６】
【発明が解決しようとする課題】
ここで、自流式ダムとは、貯水のためのゲートがなく、流入した水をそのまま下流に流すダムである。放流制御が行えない為、通常は、下流域の洪水防止の必要性が低い最上流位置に建設される。
【０００７】
自流式ダムにおける水力発電量の予測は、経済性の観点から非常に有効である。例えば、発電量の予測精度が高ければ、火力発電等のエネルギー消費量を節約することが可能である。
【０００８】
自流式ダムに設置される水力発電機は、一般に、その河川の流量に応じてその規模が決定される。つまり、流量が少ない河川に大規模すぎる発電機を導入するのは、導入費用の面で無駄が多くなり、逆に流量の多い河川に小規模な発電機を導入するのは、水資源の無駄が多いことになる。一般に、年間の数分の１の期間において、水力発電機が最大出力を出すように設計される（日本の河川では、洪水流量には至らない程度の降雨でも、簡単に水力発電機の出力が最大になる）。
【０００９】
自流式ダムにおける水力発電量の予測においては、比較的流入量が少ないとき（発電機が最大出力で飽和する前までの、流量に応じて発電量が変化する範囲）の予測精度が重要となる（流入量が多い部分では、発電機出力が飽和するため、流入量予測精度の誤差は問題にならない）。また、自流式発電所は、下流域の洪水防止の為の貯水機能がもともとない為、洪水防止のための流量予測はそもそも不要である。
【００１０】
従来技術であるタンクモデルや貯留関数法では、流量の多い部分から低い部分まで精度良く予測することはできないので、流量の増え始めからピークに達するまでの予測（通常のダムでは、洪水防止等の安全性に関して重要な部分）が最良になるように設計される。流入量が少ない部分の予測精度が高くなるように調整することも不可能ではないが、これらの手法はダム流域１つ１つの特性に合わせて個別に設計（パラメータ調整）する必要があるので、いずれにしても開発費用／導入費用が高いという問題があった。
【００１１】
一方、ニューラルネットワークを用いる手法では、入出力データを与えるだけで、ニューラルネットワークが自動的に学習するので、比較的容易に予測モデルが構築できる。また、その予測精度も、一般的に、タンクモデルや貯留関数法よりも高い。
【００１２】
しかしながら、前述のように、自流式ダムにおける水力発電では、洪水流量に至るよりずっと前に発電機出力が最大で飽和する為、洪水防止用に設計された従来の流量予測モデルでは、高精度な発電量の予測は期待できない。このことは、ニューラルネットワークによる流量予測モデルでも同様である。ニューラルネットワークは、学習データ全ての学習誤差の総和を小さくするように学習する為、洪水時のデータを含めて学習すると、自流式発電所の発電予測に最も大事な「発電量が変化する範囲」（発電機出力が最大で飽和するまでの範囲；洪水時等に比べると比較的流入量が少ない範囲）の学習精度が犠牲になることがある。
【００１３】
「発電量が変化する範囲」のデータだけを用いて学習すれば、「発電量が変化する範囲」については高精度な発電量の予測が期待できる。しかしながら、ニューラルネットワークは、学習範囲外のデータに対してはどのような出力をするか分からない、という欠点がある。この為、例えば大雨時であるにも係わらず“発電量は少ない”と予測する可能性がある。
【００１４】
結局、従来は、自流式ダムに関しても、通常のダムと同様に、ニューラルネットワーク出力を「流入量」としていた為、自流式ダムの発電量予測において重要な「発電量が変化する範囲」（流入量の比較的少ない部分）の予測精度を向上させるのに限界があった。
【００１５】
本発明の課題は、自流式ダムの発電量を高精度に予測できるニューラルネットワーク、発電量予測方法を提供することである。
【００１６】
【課題を解決するための手段】
請求項１記載の発明は、情報処理装置によりニューラルネットワークを実現する自流式ダムの水力発電量予測装置であって、入力層と中間層と出力層とを備え、前記入力層の入力データを基準時刻より過去の時刻から当該基準時刻までの上流域の降雨量に基づくデータとし、前記出力層の出力データを前記基準時刻より未来の水力発電量に基づくデータとする、前記情報処理装置の中央処理装置によって実現されるニューラルネットワークと、ニューロンの応答関数が飽和関数である前記ニューラルネットワークに、前記水力発電量が最大出力に達して前記出力データが飽和状態となる場合も含む前記入力データおよび前記出力データに対応する教師データを用い、出力データが飽和状態の学習をさせると共に出力データが変化する範囲を学習させる、前記情報処理装置の中央処理装置によって実現される学習部と、前記学習部にて学習させたニューラルネットワークに基準時刻を現在時刻として前記入力データを入力し、基準時刻が現在時刻である出力データに基づいて予測水力発電量を求める、前記情報処理装置の中央処理装置によって実現される予測部とを有する。
【００１７】
請求項３記載の発明は、ニューラルネットワークを用いた自流式ダムの水力発電量予測方法であって、前記ニューラルネットワークは、入力層と中間層と出力層とを備え、前記入力層の入力データには、基準時刻より過去の時刻から当該基準時刻までの上流域の降雨量に基づくデータが含まれ、前記出力層の出力データは、前記基準時刻より未来の水力発電量に基づくデータとし、ニューロンの応答関数が飽和関数である前記ニューラルネットワークに、前記水力発電量が最大出力に達して前記出力データが飽和状態となる場合も含む前記入力データおよび前記出力データに対応する教師データを用い、出力データが飽和状態の学習をさせると共に出力データが変化する範囲を学習させる、前記情報処理装置の中央処理装置によって実現させ、前記学習させたニューラルネットワークに、基準時刻が現在時刻である前記入力データを入力し、基準時刻が現在時刻である出力データに基づいて予測水力発電量を求める。
【００１８】
自流式ダムの発電所では、通常のダムとは異なり、下流域の洪水防止の為の貯水機能がもともとない為、洪水防止のための流量予測はそもそも不要である。これより、上記請求項１、請求項３の発明では、自流式ダム用に特化し、従来ではニューラルネットワーク出力が「流入量」であったのに対して「将来の発電量予測」としている。更に、ニューロンの応答関数が飽和関数であるニューラルネットワークを用い、「発電量が変化する範囲」のデータだけでなく、この範囲外のデータも用いて学習している。これにより、「発電量が変化する範囲」における予測精度を向上させつつ、発電出力が飽和する範囲の入力データに対してもおかしな出力をする可能性が極めて低くなる。
【００１９】
請求項２記載の発明は、請求項１に係る水力発電量予測装置であって、前記入力層の入力データに、前記基準時刻より過去の時刻から当該基準時刻までのデータであって、上流河川の流量、ダムへの流入量、気温、発電量によるデータを含める。
【００２０】
また、入力データとして気温を用いる場合には、特に春のシーズンにおいて、「雪解け水」により流入量増加にも対応した、より高精度な予測を行うことが可能となる。
【００２１】
【発明の実施の形態】
以下、図面を参照して、本発明の実施の形態について説明する。
本発明は、自流式ダムにおける発電量予測精度を向上させる為に、自流式ダムの発電量予測に特化し、ニューラルネットワークの出力を“発電量”とし、発電機出力を直接予測するようにしたことに特徴がある。ニューラルネットワークの入力は、上流域の降雨量、河川流量、ダムへの流入量、気温、過去の発電量実績値等であるが、これらの差分データを用いるほうが、より高精度な予測が可能になる。
【００２２】
このように、ニューラルネットワークの出力を発電機出力（発電量）にすることで、学習データとして過去の洪水時のデータを含むデータを用いても、適切な予測が可能となる。
【００２３】
まず、最初に、本発明により高精度予測が可能になる原理について説明する。
図１に、降雨量、流入量、発電量の対応関係の一例を示す。
上述してあるように、自流式ダムの水力発電量予測において特に重要なのは「発電量が変化する範囲」であり、これは図１に示す例では降雨量１１が‘５’〜‘２５’の範囲である（発電量１３が‘１５’で最大出力（飽和）となるので）。自流式ダムの発電量予測においては、この範囲の予測精度向上が最も重要である。
【００２４】
図１の例では、流入量１２は、降雨量１１が‘０’〜‘４０’の範囲で常に変化しており、特に降雨量１１が‘２５’以上になると流入量１２の変化量が大きくなっていく。通常のダム（自流式ダムではないダム）では、洪水予測に重点をおく為、特にこの降雨量１１が‘２５’以上の部分の流入量１２の予測が重要であった。一方、発電量１３は、降雨量１１が‘５’〜‘２５’の範囲では変化しているが、降雨量１１が‘２５’以上では飽和する（最大出力‘１５’に達する）。
【００２５】
図１の降雨量を入力データとしてニューラルネットワークに学習させると、従来のように出力を「流入量」としたニューラルネットワークでは、流入量１２が‘０’〜‘８５’までの全ての状態を学習する。このため、発電量予測に直接関係のない範囲、すなわち流入量１２が‘５０’〜‘８５’の範囲における予測誤差までも小さくしようとするために、流入量１２が‘１０’〜‘５０’の範囲における予測誤差が小さくなるとは限らないし、限界もある。
【００２６】
一方、降雨量１１が‘５’〜‘２５’の範囲のデータだけで学習させることで、この範囲の学習誤差は確実に小さくすることは可能であるが、降雨量１１が‘５’〜‘２５’以外（学習範囲外）のデータに対しては、どのような出力をするのか保証できない、という欠点がある。
【００２７】
本例のようにニューラルネットワーク出力を「発電量」とした場合には、上記と同様に降雨量１１が‘０’〜‘４０’の範囲のデータを学習させているが、（「流入量」とは異なり）「発電量」では、降雨量１１が‘０’〜‘５’の範囲、降雨量１１が‘２５’〜‘４０’の範囲に対応する発電量データは、飽和状態（図の例の値は各々‘０’‘１５’）となっている。ニューラルネットワークは、飽和領域の学習については、原理上学習誤差が出づらくなっている為（ニューラルネットワークは、シグモイド関数と呼ばれる飽和関数を、ニューロンの応答関数に使用している為、飽和状態の学習は容易である）、降雨量１１が‘５’〜‘２５’の範囲を集中して学習することが可能である（学習回数は他の範囲と同じであっても、学習に対する影響度合いが大きい）。また、降雨量１１が‘５’〜‘２５’の範囲以外のデータに対しても学習しているため、当該範囲外のデータに対しておかしな出力をする可能性は極めて低くなる。
【００２８】
上述した原理が正しいことを実証した、簡単な実験結果について以下に説明する。
この実験では、以下の（１）、（２）のように、図１に示す降雨量１１を入力データとし、出力を各々「流入量（予測値）」（従来）、「発電量（予測値）」（本例）とした２つのニューラルネットワークについて、以下、実際の実験による学習結果（予測精度）について説明する。
（１） （入力，出力）＝（降雨量，流入量） ・・・従来
（２） （入力，出力）＝（降雨量，発電量） ・・・本例
学習条件は、（１）、（２）とも、図２に示すように、学習回数が１万回、入力層／中間層／出力層のユニット数は各々１個である。簡単な例であるのでニューラルネットワーク構造は特に図示しない。また、教師データは、各々、図１に示す流入量１２、発電量１３のデータを用いる。
【００２９】
図３に、上記２つのニューラルネットワークの学習結果（予測結果）を示す。
ここでは、「発電量が変化する部分」（自流式ダムの発電量予測において重要な部分）、つまり降雨量１１が‘５’〜‘２５’の範囲について評価する。この評価は、図３に示す「絶対値」２３、「絶対値」２６（各々、「誤差」２２、「誤差」２５の絶対値）の各々の平均で判断する。但し、この例では、降雨量１１が‘５’に関しては、発電量（実績値）１３が‘０’である為、誤差率の算出ができないので、評価対象からはずした。
【００３０】
図３に示すように、従来のように流入量の予測値２１をニューラルネットワーク出力とする場合には、誤差の「絶対値」２３の平均は９．８８（％）となっている。一方、本例にように発電量の予測値２４をニューラルネットワーク出力とする場合には、誤差の「絶対値」２６の平均は４．９５（％）である。
【００３１】
このように、本例によるニューラルネットワークを用いた場合の予測誤差は、従来に比べて約半分となっており、ニューラルネットワークの出力を「発電量」にするだけで、従来に比べて良好な結果を示すことが確認されている。
【００３２】
尚、誤差は、各々、（予測値−実績値）／実績値により求める。また、尚、図３では予測流入量と予測発電量とを比較しているが、上述してある通り、従来では、予測流入量を水力発電機のＱＰ特性に当てはめて発電量を予測しているので、当然、予測流入量の誤差は発電量の予測誤差に直結する。
【００３３】
上述したように、本例によれば、ニューラルネットワークの出力を「発電量」にするだけで、予測精度を大幅に向上させることができた。
また、従来の水力発電量の予測方法は、まずダムへの流入量を予測し、次にこの予測流入量を予測発電量に換算していた。つまり、２段階の処理が必要であった。本例のニューラルネットワークでは、直接的に発電量を予測するので、処理が簡素化され、処理時間が短縮できる。
【００３４】
以下、本例によるニューラルネットワーク構造の例を幾つか示しながら、実際の実験結果により、予測精度が向上したことが確認されていることを示す。
まず、以下、図４、図５を参照して、本例によるニューラルネットワークを用いて実際に発電量予測を行った例（その１）について説明する。
【００３５】
まず、図４（ａ）には、本例によるニューラルネットワークの入力データ／出力データを示す。図示の通り、入力データとしては、過去数時間分の降雨量の差分データと発電機出力（実績値）の差分データとを用いる。また、出力データは、１時間先〜３時間先までの発電機出力（予測値）差分である。尚、“発電機出力”は“発電量”と同じ意味である。
【００３６】
尚、この例では、入力データとして差分データ（降雨量差分、発電機出力（実績値）差分）を用いているが、これに限るわけではない。過去数時間分の降雨量と発電機出力（実績値）とを用いるようにしてもよい。この場合は、当然、出力データは、１時間先〜３時間先までの発電機出力（予測値）となる。但し、差分データを用いたほうが、より高精度や発電量予測が行えるようになることが期待できる。入力データとして差分データを用いる手法は、既に、本出願人が例えば特開平１０−２６０７１８号公報「ダムにおける水量予測方法」等で提案済みである。
【００３７】
また、図４（ｂ）には学習条件を示す。この例では、学習回数は１０万回とし、入力層のユニット数は２２個、中間層のユニット数は１個、出力層のユニット数は３個である。
【００３８】
尚、学習方法は、本例では、本出願の出願人が以前に提案している特願２０００−７１００１「ニューラルネットワークの最適化学習方法」に記載の学習方法を採用しているが、これに限るわけではない。尚、この学習方法には、中間層の素子数を少なくする働きがあり、それ故、学習中に中間層の素子数が減らされていき、学習終了時には図４（ｂ）に示すように中間層素子数は１個になっているが、これは一例に過ぎない。
【００３９】
図４（ｃ）には、上記条件によるニューラルネットワークの一例を示す。
この例では、入力層の２２個のユニットの中で、１９個は降雨量差分データ入力用とし、３個は発電機出力（実績値）差分データ入力用とする。勿論、これは、一例に過ぎない。降雨量差分データは、現在時刻の降雨量を基準として、過去の１時間（１ｈ）前、２ｈ前、・・・１９ｈ前の各々の時刻の降雨量との差分値を用いる。発電機出力（実績値）差分データについても同様であり、現在時刻の発電機出力（実績値）を基準として、過去の１時間（１ｈ）前、２ｈ前、３ｈ前の各々の時刻の発電機出力（実績値）との差分値を用いる。出力層の３個のユニットは、各々、１時間（１ｈ）先／２ｈ先／３ｈ先の発電機出力（予測値）差分値を出力する。これも、現在時刻の発電機出力（実績値）と、１時間（１ｈ）先／２ｈ先／３ｈ先の発電機出力（予測値）との差分値が出力される。
【００４０】
上記ニューラルネットワークを用いて発電機出力（予測値）差分を出力させた値と、実際の１ｈ先／２ｈ先／３ｈ先の発電機出力との誤差の絶対値を求め、その平均値を求めた結果を、図５（ａ）に示す。図示の通り、誤差の絶対値の平均値（ここでは、絶対値平均誤差と呼ぶ）は、１時間先予測〜３時間先予測まで何れも良好な結果が得られ、特に１時間先予測では１％未満であり、非常に良好な結果が得られた。
【００４１】
また、図５（ｂ）には、７８１時間程度の長期間に渡って随時１時間先の発電量予測を行い続けた結果と、実際の各々の１時間後の発電量とをグラフにして示す。
【００４２】
図示の通り、両者はほとんど重なり合っており、これを見ても誤差が判別できないほど良好な結果である。
次に、以下、図６、図７を参照して、本例によるニューラルネットワークを用いて実際に発電量予測を行った例（その２）について説明する。
【００４３】
この例では、入力データとしては、過去数時間分の降雨量の差分データと発電機出力（実績値）の差分データに加えて、気温の差分データを用いる。
ここで、気温を入力因子として採用することの意味について説明する。
【００４４】
入力データとして気温を用いるのは、“春”に予測を行う場合に特に有効である。つまり、自流式ダムの上流域に雪が積もっている場合、気温が上昇するにつれて、所謂「雪解け水」により、流入量が増加する傾向がある。よって、気温を入力因子の１つとすることで、「雪解け水」により流入量増加にも対応した、より高精度な予測を行うことが可能となる。
【００４５】
なお、入力データとしては、上述したもの以外にも、上流域の降雨量、河川流量等（更に、その差分データ）を用いるようにしてもよい。
図６に、本例によるニューラルネットワーク構造の一例を示す。
【００４６】
図示の例では、入力層のユニット数は２２個であり、各ユニットには、１ｈ前、２ｈ前、・・・、１０ｈ前の降雨量差分データ、１ｈ前、２ｈ前、・・・、６ｈ前の発電機出力（実績値）差分データ、１ｈ前、２ｈ前、・・・、６ｈ前の気温差分データが入力される。中間層のユニット数は、上記と同様に、学習途中でユニット数が削減されていった結果、１個になっている。出力層のユニット数は、この例では１個とし、１時間先の発電機出力（予測値）差分値を出力する。
【００４７】
このニューラルネットワークを用いて実際に予測を行った結果、図７（ａ）に示すように、１時間先予測については絶対値平均誤差が０．８５％となっており、非常に良好な結果が得られている。
【００４８】
また、図７（ｂ）には、３１３時間程度の期間中、随時１時間先の発電量予測を行った結果と、実際の各々の１時間後の発電量と、気温との関係をグラフにして示す。図示の例では、６０時間付近と２８０時間付近において、発電量が若干増加している。この６０時間付近と２８０時間付近の気温を参照すると、比較的長い時間高い気温が続いていることが確認でき、気温が発電量に若干影響を与えることが分かる。但し、同図には１２月に予測を行った例を示しており、上記の通り、気温の影響が最も大きいのは“春”であるので、“春”に予測を行えば、気温が発電量に与える影響がより大きくなることは確実である。
【００４９】
図８は、上述したニューラルネットワークを用いた、自流式ダムの発電量予測手法の実現形態の一例である情報処理装置のハードウェア構成図である。
尚、この情報処理装置は、例えば、系統制御所、給電指令所、ダム管理所、水力発電所等に設置される。また、この情報処理装置は、例えば後述するネットワーク接続装置３６等により、何等かの通信線を介して、上流域に設置される降雨計、上流河川の流量を計測する流量計、ダムへの流入量を計測する流量計、気温を測定する温度計、発電機等からデータを取得できる構成となっている。
【００５０】
同図に示す情報処理装置３０は、ＣＰＵ３１、記憶装置３２、入力装置３３、出力装置３４、媒体駆動装置３５、ネットワーク接続装置３６等を有し、これらがバス３７に接続された構成となっている。同図に示す構成は一例であり、これに限るものではない。
【００５１】
ＣＰＵ３１は、当該情報処理装置３０全体を制御する中央処理装置であり、後述する記憶装置３２等に格納されるデータ／プログラムに基づいて各種処理を実行する。
【００５２】
記憶装置３２は、例えばＨＤＤや、ＲＯＭ／ＲＡＭ／フラッシュメモリ等のメモリであり、ニューラルネットワークのデータベース構造（入力層／中間層／出力層素子の数、重みの大きさ、入力データ、出力データ等）が格納される。また、各種処理をＣＰＵ３１で実行させるプログラムを格納している。
【００５３】
入力装置３３は、例えば、キーボード、マウス等である。
出力装置３４は、ディスプレイ等であり、上述したニューラルネットワークの演算結果等を表示する。
【００５４】
媒体駆動装置３５は、可搬記憶媒体３８に記憶されているプログラム／データ等を読み出す。可搬記憶媒体３８は、例えば、ＦＤ（フロッピーディスク）３８ａ、ＣＤ−ＲＯＭ３８ｂ、その他、ＤＶＤ、光磁気ディスク等である。上記記憶装置３２に格納されるプログラム／データは、可搬記憶媒体３８に記憶されているものであってもよい。すなわち、上述した各種処理は、この可搬記憶媒体３８に記憶されているプログラム／データ等を、媒体駆動装置３５を介して情報処理装置３０側にロードして実行するものであってもよい。
【００５５】
また、ネットワーク接続装置３６は、インターネット等のネットワーク（不図示）に接続して、外部の情報処理装置等とプログラム／データ等の送受信を可能にする構成としてもよい。上記プログラム／データは、ネットワーク接続装置３６により接続しているネットワークを介して、外部の情報提供者側の装置の記憶装置に記憶されているプログラム／データをダウンロードするものであってもよい。
【００５６】
本発明は、上記プログラム／データを格納した記憶媒体（可搬記憶媒体３８等）自体として構成することもできるし、プログラム自体として構成することもできる。
【００５７】
【発明の効果】
以上、詳細に説明したように、本発明のニューラルネットワーク、これを用いた予測手法によれば、自流式ダム用に特化し、ニューラルネットワーク出力を「発電量」とすることで、予測精度が高く且つ開発費が安くて済む。
【図面の簡単な説明】
【図１】降雨量、流入量、発電量の対応関係の一例を示す
【図２】単純な例における学習条件を示す図である。
【図３】従来と本例のニューラルネットワークによる学習結果を比較して示す図である。
【図４】（ａ）〜（ｃ）は、本例によるニューラルネットワークを用いて実際に発電量予測を行った例（その１）について説明する為の図である。
【図５】（ａ）、（ｂ）は、予測結果を示す図である。
【図６】本例によるニューラルネットワークを用いて実際に発電量予測を行った例（その２）について説明する為の図である。
【図７】（ａ）、（ｂ）は、予測結果を示す図である。
【図８】本例のニューラルネットワークを用いた、自流式ダムの発電量予測手法の一実現形態である情報処理装置のハードウェア構成図である。
【符号の説明】
１１ 降雨量
１２ 流入量
１３ 発電量
２１ 流入量（予測値）
２２ 誤差
２３ （誤差の）絶対値
２４ 発電量（予測値）
２５ 誤差
２６ （誤差の）絶対値
３０ 情報処理装置
３１ ＣＰＵ
３２ 記憶装置
３３ 入力装置
３４ 出力装置
３５ 媒体駆動装置
３６ ネットワーク接続装置
３７ バス
３８ 可搬記憶媒体
３８ａ ＦＤ（フロッピーディスク）
３８ｂ ＣＤ−ＲＯＭ
Claims (3)
- 情報処理装置によりニューラルネットワークを実現する自流式ダムの水力発電量予測装置であって、
入力層と中間層と出力層とを備え、前記入力層の入力データを基準時刻より過去の時刻から当該基準時刻までの上流域の降雨量に基づくデータとし、前記出力層の出力データを前記基準時刻より未来の水力発電量に基づくデータとする、前記情報処理装置の中央処理装置によって実現されるニューラルネットワークと、
ニューロンの応答関数が飽和関数である前記ニューラルネットワークに、前記水力発電量が最大出力に達して前記出力データが飽和状態となる場合も含む前記入力データおよび前記出力データに対応する教師データを用い、出力データが飽和状態の学習をさせると共に出力データが変化する範囲を学習させる、前記情報処理装置の中央処理装置によって実現される学習部と、
前記学習部にて学習させたニューラルネットワークに基準時刻を現在時刻として前記入力データを入力し、基準時刻が現在時刻である出力データに基づいて予測水力発電量を求める、前記情報処理装置の中央処理装置によって実現される予測部と、
により構成されたことを特徴とする水力発電量予測装置。 - 請求項１に係る水力発電量予測装置であって、
前記入力層の入力データに、前記基準時刻より過去の時刻から当該基準時刻までのデータであって、上流河川の流量、ダムへの流入量、気温、発電量によるデータを含めること、を特徴とする水力発電量予測装置。 - ニューラルネットワークを用いた自流式ダムの水力発電量予測方法であって、
前記ニューラルネットワークは、入力層と中間層と出力層とを備え、
前記入力層の入力データには、基準時刻より過去の時刻から当該基準時刻までの上流域の降雨量に基づくデータが含まれ、
前記出力層の出力データは、前記基準時刻より未来の水力発電量に基づくデータとし、
ニューロンの応答関数が飽和関数である前記ニューラルネットワークに、前記水力発電量が最大出力に達して前記出力データが飽和状態となる場合も含む前記入力データおよび前記出力データに対応する教師データを用い、出力データが飽和状態の学習をさせると共に出力データが変化する範囲を学習させる、前記情報処理装置の中央処理装置によって実現させ、
前記学習させたニューラルネットワークに、基準時刻が現在時刻である前記入力データを入力し、基準時刻が現在時刻である出力データに基づいて予測水力発電量を求めることを特徴とする水力発電量予測方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001214113A JP4590794B2 (ja) | 2001-07-13 | 2001-07-13 | 水力発電量予測装置、水力発電量予測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001214113A JP4590794B2 (ja) | 2001-07-13 | 2001-07-13 | 水力発電量予測装置、水力発電量予測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2003030621A JP2003030621A (ja) | 2003-01-31 |
| JP4590794B2 true JP4590794B2 (ja) | 2010-12-01 |
Family
ID=19048987
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2001214113A Expired - Lifetime JP4590794B2 (ja) | 2001-07-13 | 2001-07-13 | 水力発電量予測装置、水力発電量予測方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4590794B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102930358A (zh) * | 2012-11-28 | 2013-02-13 | 江西九江供电公司 | 一种光伏电站发电功率的神经网络预测方法 |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5014522B1 (ja) * | 2011-06-28 | 2012-08-29 | 中国電力株式会社 | 流入量予測装置、流入量予測方法及びプログラム |
| CN106894382A (zh) * | 2017-02-23 | 2017-06-27 | 国家电网公司 | 一种寒冷地区水库低水位时水位井防冻的装置及工作方法 |
| JP7254004B2 (ja) * | 2019-08-29 | 2023-04-07 | 株式会社日立パワーソリューションズ | コンピュータプログラムおよびダム流入量予測プログラム並びにダム流入量予測システム |
| CN110969290B (zh) * | 2019-11-18 | 2023-09-26 | 国电湖南巫水水电开发有限公司 | 一种基于深度学习的径流概率预测方法及系统 |
| JP2022088807A (ja) * | 2020-12-03 | 2022-06-15 | 三菱重工業株式会社 | 予測システム、予測方法およびプログラム |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH03274031A (ja) * | 1990-03-23 | 1991-12-05 | Mitsubishi Electric Corp | 神経回路網河川出水量予測装置 |
| JPH04125100A (ja) * | 1990-09-13 | 1992-04-24 | Meidensha Corp | 水力発電の発電出力・放流量演算装置 |
| JPH10260718A (ja) * | 1997-03-19 | 1998-09-29 | Fuji Electric Co Ltd | ダムにおける水量予測方法 |
-
2001
- 2001-07-13 JP JP2001214113A patent/JP4590794B2/ja not_active Expired - Lifetime
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH03274031A (ja) * | 1990-03-23 | 1991-12-05 | Mitsubishi Electric Corp | 神経回路網河川出水量予測装置 |
| JPH04125100A (ja) * | 1990-09-13 | 1992-04-24 | Meidensha Corp | 水力発電の発電出力・放流量演算装置 |
| JPH10260718A (ja) * | 1997-03-19 | 1998-09-29 | Fuji Electric Co Ltd | ダムにおける水量予測方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102930358A (zh) * | 2012-11-28 | 2013-02-13 | 江西九江供电公司 | 一种光伏电站发电功率的神经网络预测方法 |
| CN102930358B (zh) * | 2012-11-28 | 2016-02-10 | 江西九江供电公司 | 一种光伏电站发电功率的神经网络预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2003030621A (ja) | 2003-01-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sierra-García et al. | Improving wind turbine pitch control by effective wind neuro-estimators | |
| Hsu et al. | A multipurpose reservoir real-time operation model for flood control during typhoon invasion | |
| Landberg | A mathematical look at a physical power prediction model | |
| JP2006304402A (ja) | 分散型エネルギーシステムの制御装置、制御方法、プログラム、および記録媒体 | |
| JP2007205001A (ja) | 流量予測装置 | |
| Adnan et al. | 5 hours flood prediction modeling using improved NNARX structure: case study Kuala Lumpur | |
| Howland et al. | Optimal closed-loop wake steering, part 2: Diurnal cycle atmospheric boundary layer conditions | |
| Haguma et al. | Water resources optimization method in the context of climate change | |
| JP4590794B2 (ja) | 水力発電量予測装置、水力発電量予測方法 | |
| Beus et al. | Application of an adaptive model predictive control algorithm on the Pelton turbine governor control | |
| Li et al. | The applicability of ASCS_LSTM_ATT model for water level prediction in small-and medium-sized basins in China | |
| JP3693089B2 (ja) | ダムにおける流量予測方法 | |
| JP2023169099A (ja) | 流入量予測システム | |
| Ye et al. | Real-time model predictive control study of run-of-river hydropower plants with data-driven and physics-based coupled model | |
| Haguma et al. | Hydropower plant adaptation strategies for climate change impacts on hydrological regime | |
| JP6977605B2 (ja) | 下水道管渠内水位予測装置及び下水道管渠内水位予測方法 | |
| Ming et al. | Evaluation of stochastic optimal operation models for hydro–photovoltaic hybrid generation systems | |
| Carvajal et al. | Probabilistic modeling of floodwater level for dam reservoirs | |
| Cassano et al. | Stress-informed control of medium-and high-head hydropower plants to reduce penstock fatigue | |
| Kumar et al. | Application of artificial intelligence for the optimization of hydropower energy generation | |
| Pianosi et al. | Improving flow forecasting by error correction modelling in altered catchment conditions | |
| Morel-Seytoux | Optimal deterministic reservoir operations in continuous time | |
| JP2007047108A (ja) | 降雨予測システム及びそれを利用した排水ポンプ運転支援システム | |
| Anuar et al. | Cascade hydropower discharge flow prediction based on dynamic artificial neural networks | |
| JP7467315B2 (ja) | 水系運用計画方法および水系運用計画システム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20040218 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20060914 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20091110 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20100107 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20100525 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20100720 |
|
| 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: 20100817 |
|
| 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: 20100830 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130924 Year of fee payment: 3 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 4590794 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: 20130924 Year of fee payment: 3 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130924 Year of fee payment: 3 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| 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 |
|
| EXPY | Cancellation because of completion of term |