JP7201969B2 - 学習装置及び下水流入量予測装置 - Google Patents

Description

本発明は、下水処理場への下水流入量を予測するための学習装置及び当該学習装置により得られた学習モデルを用いた下水流入量予測装置に関するものである。

従来、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が考えられている（特許文献１）。

この下水流入量予測装置は、下水ポンプ場のポンプ井の水位データと、当該ポンプ井に設けられたポンプによるポンプ井からの揚水量データとを用いて、下水ポンプ場のポンプ井に流入する下水流入量データを算出する。そして、下水流入量予測装置は、下水流入量データを雨水流入量データと汚水流入量データとに分離する分離手段と、これらのデータを用いて予測モデルを構築するモデル構築手段とを有している。

モデル構築手段は、暦データを入力因子とし、汚水流入量データを出力因子として汚水流入量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、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を構築する雨水流入量予測モデル構築手段とを有している。ここで、汚水流入量予測モデルは、事例ベース推論による予測モデルを用いており、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を用いている。

これらの構成によりこの下水流入量予測装置は、汚水流入量予測モデル及び雨水流入量予測モデルを用いて、汚水流入量予測データ及び雨水流入量予測データを予測して、それらを合算して下水ポンプ場に流入する下水流入量データを生成している。

特開２００６－２４０１号公報

しかしながら、雨水流入量の予測が外れるとポンプ井などにおいて溢水のリスクが高まる。上記の下水流入量予測装置では、下水流入量予測の精度を高めるために自己相関係数を用いて補正をしており予測値が変動するため、下水処理場の運転計画立案には不向きである。

そこで本発明は、上記問題点を解決すべくなされたものであり、翌日の下水処理場への下水流入量の正確な予測を可能にしてオペレータが適切な処理をできるようにすることをその主たる課題とするものである。

すなわち本発明に係る下水処理場への下水流入量の学習装置は、下水処理場に流入した下水流入量の実測データを取得する実測データ取得部と、降水量データを取得する降水量データ取得部と、前記下水流入量の実測データ及び前記降水量データから、深層学習を用いて、翌日の下水流入量を予測する下水流入量予測モデルを構築する予測モデル構築部とを備えることを特徴とする。

このように構成された学習装置によれば、下水流入量の実測データ及び降水量データから、深層学習を用いて、翌日の下水流入量を予測する下水流入量予測モデルを構築しているので、翌日の下水処理場への下水流入量の正確な予測を可能にして、オペレータが適切な処理をすることができる。例えば、下水処理場の揚水ポンプの運転計画立案に寄与し、ポンプ井の水位を適切にコントロールできるようになる。

具体的には、前記予測モデル構築部は、ｎ時間の降水量データと前記ｎ時間経過後の下水流入量の実測データとの複数セットからなる学習データを用いて、前記下水流入量予測モデルを構築する。

ここで、翌日以降（２４時間以降）の下水流入量の予測モデルを構築するためには、ｎ時間は、２４時間以上とすることが考えらえる。

また、前記予測モデル構築部は、所定時間（例えば１時間）毎にずれたｎ時間の降水量データと前記ｎ時間経過後の下水流入量の実測データとの複数セットからなる学習データを用いて、前記下水流入量予測モデルを構築することが望ましい。

下水流入量は、汚水流入量と雨水流入量に分けて考えることができる。汚水流入量は、時間帯に応じて統計的に予測が可能であり、雨水流入量は、気象データから予測が可能である。このため、前記実測データ取得部は、下水流入量の実測データとして、前記下水処理場に流入した汚水流入量の実測データと、前記下水処理場に流入した雨水流入量の実測データとを取得するものであり、前記予測モデル構築部は、前記雨水流入量の実測データ及び前記降水量データから、深層学習を用いて、雨水流入量予測モデルを構築し、前記汚水流入量の実測データから、汚水流入量予測モデルを構築することもできる。

また、本発明に係る下水流入量予測装置は、下水処理場への下水流入量を予測する下水流入量予測装置であって、前記下水処理場に流入した下水流入量の実測データ及び当該実測データに対応する降水量データから、深層学習により構築された翌日の下水流入量を予測する下水流入量予測モデルを格納する予測モデル格納部と、降水量予報データを取得する降水量予報データ取得部と、前記下水流入量予測モデル及び前記降水量予報データを用いて、前記降水量予報データに対応した下水流入量予測データを算出する下水流入量予測データ算出部とを備えることを特徴とする。

また、前記降水量予報データは、翌日２４時間の降水量予報データを取得するものであり、前記下水流入量予測データ算出部は、翌日２４時間の下水流入量予測データを算出するものであることが望ましい。ここで、降水量予報データは、例えば気象庁又は民間気象事業者から提供される気象予報データに含まれる降水量予報データを用いることができる。

このように構成した本発明によれば、翌日の下水処理場への下水流入量の正確な予測を可能にしてオペレータが適切な処理をできるようにすることができる。

本実施形態の学習装置の構成を模式的に示す図である。 同実施形態の沈砂池ポンプ棟の構成を模式的に示す図である。 予測モデル構築部における深層学習の構成を示す図である。 下水流入量の実測データを用いた二次元配列の学習データを示す図である。 同実施形態の下水流入量予測装置の構成を模式的に示す図である。 同実施形態の降水量予報データを用いた下水流入量予測を示す図である。 実験時の下水流入量を予測する深層学習の構成を示す図である。 実測データ、基準データ及び下水流入量予測データを示すグラフである。 実験時の誤差の閾値以下のデータ数と割合を示す図である。

以下、本発明に係る学習装置及び下水流入量予測装置の一実施形態について、図面を参照しながら説明する。

本実施形態の学習装置１００は、下水処理場に流入する下水流入量を予測する下水流入量予測モデルを学習するものであり、ＣＰＵ、メモリ、入出力インターフェース、ＡＤ変換器、入力手段、ディスプレイ等を有する専用又は汎用のコンピュータである。この学習装置１００は、メモリに格納された学習プログラムに基づいて、ＣＰＵ及び周辺機器が協働することによって、図１に示すように、実測データ取得部１０１、降水量データ取得部１０２、データ格納部１０３、及び、予測モデル構築部１０４等としての機能を発揮するものである。

実測データ取得部１０１は、下水処理場に流入した下水流入量の実測データを取得するものである。この実測データ取得部１０１により取得された下水流入量の実測データは、暦データ（年、月、日、時刻、曜日等）に紐づけられて、データ格納部１０３に格納される。

ここで、実測データ取得部１０１は、図２に示すように、下水処理場における沈砂池ポンプ棟ＰＢの沈砂池ＰＢ１又はポンプ井ＰＢ２に設けられた水位計ＷＳにより得られた水位データと、当該ポンプ井ＰＢ２から最初沈殿池に揚水する揚水ポンプＰの揚水量データとを用いて、下水流入量の実測データを算出する。なお、水位計ＷＳは、下水処理場に流入する下水を下水処理場の直前で貯留する貯留槽に設けられたものであっても良い。その他、実測データ取得部１０１は、下水処理場に流入する下水量を測定する流量計から下水流入量の実測データを取得するものであっても良い。

具体的に実測データ取得部１０１は、沈砂池ＰＢ１又はポンプ井ＰＢ２の水位と沈砂池ＰＢ１又はポンプ井ＰＢ２の貯留量との対照情報により、水位計ＷＳにより得られた水位から貯留量を換算する。なお、前記対照情報は、例えば、グラフ形式のもの、表形式のもの、又は計算式のもの等が考えられる。

そして、実測データ取得部１０１は、以下の式により、下水流入量の実測データを算出する。
下水流入量＝（今回の貯留量－前回の貯留量）＋揚水量
ここで、貯留量のサンプリング間隔（前回と今回の時間間隔）は、例えば１分であってもよいし、１時間であっても良い。

降水量データ取得部１０２は、降水量データを取得するものである。ここで、降水量データは、前記下水処理場における下水処理の対象地域の降水量データを用いることが考えられる。なお、降水量データは、前記対象地域を含む地域の降水量データであっても良いし、前記対象地域の一部の地域の降水量データであっても良いし、下水処理場の地域の降水量データであってもよい。この降水量データは、気象庁又は民間気象事業者から配信される気象データに含まれるものであっても良いし、下水処理場などに設置した雨量計により測定されたものであってもよい。この降水量データ取得部１０２により取得された降水量データは、暦データ（年、月、日、時刻、曜日等）に紐づけられて、データ格納部１０３に格納される。

予測モデル構築部１０４は、下水流入量の実測データ及び降水量データから、深層学習（ディープラーニング）を用いて、下水処理場に流入する翌日の下水処理量を予測するための下水流入量予測モデルを構築する。

具体的に予測モデル構築部１０４は、図３に示す深層学習の構成を用いて下水流入量予測モデルを構築する。本実施形態の深層学習の構成は、入力層と、５つの中間層（全結合層）と、出力層とで構成されたディープニューラルネットワーク（ＤＮＮ）であり、予測モデル構築部１０４は、ｎ時間の降水量データとｎ時間経過後の下水流入量の実測データとの複数セットからなる学習データを用いて、下水流入量予測モデルを構築する。なお、中間層の数は、２つ以上であれば良い。

詳細な学習データとしては、図４に示すように、１時間毎にずれたｎ時間の降水量データとｎ時間経過後の下水流入量の実測データとの複数セットである。ここで、ｎ時間の降水量データは、２４時間における１時間毎の降水量を示すものであり、具体的には、暦（月、日、時間、曜日）と降水量との関係を示す二次元配列のデータである。なお、ｎ時間は２４時間に限られず、２４時間未満であってもよいし、２４時間よりも長い時間であっても良い。

次に、下水流入量予測装置２００について説明する。
下水流入量予測装置２００は、下水処理場に流入する翌日の下水流入量を予測するものであり、ＣＰＵ、メモリ、入出力インターフェース、ＡＤ変換器、入力手段、ディスプレイ等を有する専用又は汎用のコンピュータである。この下水流入量予測装置２００は、メモリに格納された予測プログラムに基づいて、ＣＰＵ及び周辺機器が協働することによって、図５に示すように、予測モデル格納部２０１、降水量予報データ取得部２０２、下水流入量予測データ算出部２０３等としての機能を発揮するものである。

予測モデル格納部２０１は、上記の学習装置１００の予測モデル構築部１０４により構築された下水流入量予測モデルを示すデータを格納するものである。

降水量予報データ取得部２０２は、例えば気象庁又は民間気象事業者から提供される気象予報データに含まれる降水量予報データを取得するものである。ここで、降水量予報データは、図６に示すように、ｎ時間の降水量予報データであり、学習装置１００に与えられる降水量データと同じ項目（降水量、月、日、時刻、曜日）のデータである。本実施形態の降水量予報データは、２４時間における１時間毎の降水量予報を示すものであり、具体的には、暦（月、日、時間、曜日）と降水量予報との関係を示す二次元配列のデータである。なお、ｎ時間は２４時間に限られず、２４時間未満であってもよいし、２４時間よりも長い時間であっても良い。

下水流入量予測データ算出部２０３は、下水流入量予測モデル及び降水量予報データを用いて、降水量予報データに対応した下水流入量予測データを算出する。具体的に下水流入量予測データ算出部２０３は、図６に示すように、１時間毎にずれた複数のｎ時間の降水量予報データと下水流入量予測モデルとを用いて、降水量予報日時の下水流入量予測データを算出する。本実施形態では、翌日２４時間の下水流入量を予測するものであり、１時間毎にずれた２４個の２４時間の降水量予報データを用いて、下水量予測を２４回繰り返す。

次に、上述した下水流入量予測装置２００を用いた予測実験の結果を示す。
この予測実験では、図７に示すように、７２時間の降水量データと７２時間経過後の下水流入量の実測データとの複数セットからなる学習データを用いて、下水流入量予測モデルを構築した。この学習データのデータ点数は８８２５個である。そして、これにより構築された下水流入量予測モデルにテストデータを入力して下水流入予測を行った。このテストデータは、１時間毎にずれた複数の７２時間の降水量予報データと、この降水量予報データに対応する月７２データ、日７２データ、時刻７２データ、曜日コード７２データの５項目を準備した。このテストデータの点数は３９３５個である。

このようにして予測した下水流入量予測データと、実測データと、基準データとを図８に示す。なお、基準データは、統計的に予測した（晴天時の）汚水流入量データである。図８から分かるように、実験時の実測データと、基準データとは大きく異なっているが、実測データと下水流入量予測データとが近いことが確認できる。また、図９に示すように、晴天時における下水流入量のピーク量の約１０％以下（誤差の閾値２００）の割合として６４％の精度が得られた。

このように構成された学習装置１００によれば、下水流入量の実測データ及び降水量データから、深層学習を用いて、翌日の下水流入量を予測する下水流入量予測モデルを構築しているので、翌日の下水処理場への下水流入量の正確な予測を可能にして、オペレータが適切な処理をすることができる。

また、本実施形態の下水流入量予測装置２００を用いることにより例えば翌日２４時間の下水流入量を予測することができるので、下水処理場のオペレータは、前日又は当日に適切な処理を事前に行うことができる。例えば、下水処理場の揚水ポンプの運転計画立案に寄与し、ポンプ井の水位を適切にコントロールできるようになる。

なお、本発明は前記実施形態に限られるものではない。

例えば、前記実施形態は、下水流入量を汚水流入量と雨水流入量とに分けること無く、下水流入量予測を行うものであったが、下水流入量予測を汚水流入量と雨水流入量に分けて行っても良い。この場合、実測データ取得部は、下水流入量の実測データとして、前記下水処理場に流入した汚水流入量の実測データと、前記下水処理場に流入した雨水流入量の実測データとを取得するものであり、予測モデル構築部は、雨水流入量の実測データ及び降水量データから、深層学習を用いて、雨水流入量予測モデルを構築し、汚水流入量の実測データから、汚水流入量予測モデルを構築することもできる。汚水流入量予測モデルは、過去の実測データから統計的に構築することが考えられる。

ここで、雨水流入量予測モデルを構築するための学習データとしては、１時間毎にずれたｎ時間の降水量データとｎ時間経過後の雨水流入量の実測データとの複数セットである。ここで、ｎ時間の降水量データは、２４時間における１時間毎の降水量を示すものであり、具体的には、暦（月、日、時間、曜日）と降水量との関係を示す二次元配列のデータである。なお、ｎ時間は２４時間に限られず、２４時間未満であってもよいし、２４時間よりも長い時間であっても良い。

このように雨水流入量予測モデル及び汚水流入量予測モデルを個別に構築する場合、下水流入量予測装置は、降水量予報データ及び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算出し、暦データ及び汚水流入量予測モデルを用いて汚水流入量予測データを算出し、これらを合算して下水流入予測データを算出する。

その他、本発明は前記実施形態に限られず、その趣旨を逸脱しない範囲で種々の変形が可能であるのは言うまでもない。

１００・・・学習装置
１０１・・・実測データ取得部
１０２・・・降水量データ取得部
１０３・・・データ格納部
１０４・・・予測モデル構築部
２００・・・下水流入量予測装置
２０１・・・予測モデル格納部
２０２・・・降水量予報データ取得部
２０３・・・下水流入量予測データ算出部

Claims (4)

1. 下水処理場に流入した下水流入量の実測データを取得する実測データ取得部と、
   降水量データを取得する降水量データ取得部と、
   前記下水流入量の実測データ及び前記降水量データから、深層学習を用いて、翌日の下水流入量を予測する下水流入量予測モデルを構築する予測モデル構築部とを備え、
   前記予測モデル構築部は、１時間毎にずれたｎ時間の降水量データと前記ｎ時間経過後の下水流入量の実測データとの複数セットからなる学習データを用いて、前記下水流入量予測モデルを構築するものであり、
   前記ｎ時間は、２４時間以上である、学習装置。
2. 前記実測データ取得部は、以下の式により、前記下水流入量の実測データを算出する、請求項１に記載の学習装置。
   下水流入量＝（今回の貯留量－前回の貯留量）＋揚水量
   ここで、貯留量は、下水処理場における沈砂池ポンプ棟の沈砂池又はポンプ井の貯留量であり、揚水量は、前記ポンプ井から最初沈殿池に揚水する揚水量である。
3. 前記実測データ取得部は、前記下水流入量の実測データとして、前記下水処理場に流入した汚水流入量の実測データと、前記下水処理場に流入した雨水流入量の実測データとを取得するものであり、
   前記予測モデル構築部は、前記雨水流入量の実測データ及び前記降水量データから、深層学習を用いて、雨水流入量予測モデルを構築し、前記汚水流入量の実測データから、汚水流入量予測モデルを構築する、請求項１又は２に記載の学習装置。
4. 下水処理場への下水流入量を予測する下水流入量予測装置であって、
   請求項１乃至３の何れか一項に記載された学習装置により構築された前記下水流入量予測モデルを格納する予測モデル格納部と、
   降水量予報データを取得する降水量予報データ取得部と、
   前記下水流入量予測モデル及び前記降水量予報データを用いて、前記降水量予報データに対応した下水流入量予測データを算出する下水流入量予測データ算出部とを備え、
   前記降水量予報データは、翌日２４時間の降水量予報データを取得するものであり、
   前記下水流入量予測データ算出部は、翌日２４時間の下水流入量予測データを算出するものである、下水流入量予測装置。
   

Images