JPH0849266A - 配水需要予測装置 - Google Patents
配水需要予測装置Info
- Publication number
- JPH0849266A JPH0849266A JP18822094A JP18822094A JPH0849266A JP H0849266 A JPH0849266 A JP H0849266A JP 18822094 A JP18822094 A JP 18822094A JP 18822094 A JP18822094 A JP 18822094A JP H0849266 A JPH0849266 A JP H0849266A
- Authority
- JP
- Japan
- Prior art keywords
- flow rate
- distribution flow
- hourly
- water
- daily
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【目的】 本発明は、時間単位配水流量推移パターン相
互に明確な差がなくても予測精度を向上させることにあ
る。 【構成】 浄水場等からの配水流量を予測する装置にお
いて、気象関係データを処理する気象実績データ処理手
段１２と、配水流量実績から日単位配水流量，配水流量
推移パターンを作成し、かつ、当該推移パターンから午
前・午後の立上がり面積の特徴量を抽出する配水流量デ
ータ処理手段１４と、気象関係データについて日単位配
水流量および午前・午後の立上がり面積特徴量を教示信
号とし、予測モデルの重み係数を学習する予測モデル学
習手段１５と、予測日の気象関係データについて重み係
数を用いて配水流量推移パターン特徴量の予測値を取り
出し、この予測値と最も類似する過去の推移パターンを
検索し、このパターンから配水流量を予測する配水流量
予測手段１６とを設けた配水需要予測装置である。
互に明確な差がなくても予測精度を向上させることにあ
る。 【構成】 浄水場等からの配水流量を予測する装置にお
いて、気象関係データを処理する気象実績データ処理手
段１２と、配水流量実績から日単位配水流量，配水流量
推移パターンを作成し、かつ、当該推移パターンから午
前・午後の立上がり面積の特徴量を抽出する配水流量デ
ータ処理手段１４と、気象関係データについて日単位配
水流量および午前・午後の立上がり面積特徴量を教示信
号とし、予測モデルの重み係数を学習する予測モデル学
習手段１５と、予測日の気象関係データについて重み係
数を用いて配水流量推移パターン特徴量の予測値を取り
出し、この予測値と最も類似する過去の推移パターンを
検索し、このパターンから配水流量を予測する配水流量
予測手段１６とを設けた配水需要予測装置である。
Description
【０００１】
【産業上の利用分野】本発明は上水道施設の浄水場また
は配水池などから配水される配水流量を予測する配水需
要予測装置の改良に関する。
は配水池などから配水される配水流量を予測する配水需
要予測装置の改良に関する。
【０００２】
【従来の技術】一般に、上水道施設においては、ダム式
貯水池や河川の近くに取水場が設けられ、この取水場に
て貯水池，河川などの原水を取水した後、導水路を介し
て浄水場に導いている。このとき、取水場の水を浄水場
まで導水するには長時間を要する。また、浄水場におけ
る浄水プロセスは、凝集，沈殿，ろ過等の浄化工程を経
た後に配水するので、浄水場から実際に需用家に配水さ
れるまでに大きな時間遅れが生ずる。その結果、配水流
量の変動を考慮しつつ、原水の取水から浄水場より配水
するまでのプロセスをフィードバック的に運用すること
は非常に困難である。
貯水池や河川の近くに取水場が設けられ、この取水場に
て貯水池，河川などの原水を取水した後、導水路を介し
て浄水場に導いている。このとき、取水場の水を浄水場
まで導水するには長時間を要する。また、浄水場におけ
る浄水プロセスは、凝集，沈殿，ろ過等の浄化工程を経
た後に配水するので、浄水場から実際に需用家に配水さ
れるまでに大きな時間遅れが生ずる。その結果、配水流
量の変動を考慮しつつ、原水の取水から浄水場より配水
するまでのプロセスをフィードバック的に運用すること
は非常に困難である。
【０００３】さらに、配水流量は、１）季節、天候，気
温等の気象条件、３）曜日，祝祭日，５月連休，夏休
み，正月休みなどの社会生活条件等の影響を受けて大き
く変動する。
温等の気象条件、３）曜日，祝祭日，５月連休，夏休
み，正月休みなどの社会生活条件等の影響を受けて大き
く変動する。
【０００４】ゆえに、予め当日の配水流量を予測し、こ
の予測配水流量に基づいて上水道施設の取水から配水ま
での水運用計画を立てることが非常に重要になってく
る。そこで、従来、ニューラルネットワークを用いて配
水流量を予測する配水需要予測装置が開発されている。
この予測装置は、時間単位配水流量実績データから時間
単位配水流量推移パターンを作成するとともに、この推
移パターンから特徴量を抽出し、この特徴量を教示信号
としてニューラルネットワークで特徴量予測モデルの重
み係数を学習し、この重み係数と当日の気象データ等と
から時間単位配水流量推移パターンの特徴量を予測し、
この予測値に基づいて過去の推移パターンから最も適切
な推移パターンを検索し、その推移パターンに基づいて
当日の配水流量に予測することが行われている。
の予測配水流量に基づいて上水道施設の取水から配水ま
での水運用計画を立てることが非常に重要になってく
る。そこで、従来、ニューラルネットワークを用いて配
水流量を予測する配水需要予測装置が開発されている。
この予測装置は、時間単位配水流量実績データから時間
単位配水流量推移パターンを作成するとともに、この推
移パターンから特徴量を抽出し、この特徴量を教示信号
としてニューラルネットワークで特徴量予測モデルの重
み係数を学習し、この重み係数と当日の気象データ等と
から時間単位配水流量推移パターンの特徴量を予測し、
この予測値に基づいて過去の推移パターンから最も適切
な推移パターンを検索し、その推移パターンに基づいて
当日の配水流量に予測することが行われている。
【０００５】この特徴量としては、 イ．午前・午後の配水流量のピーク値 ロ．午前・午後の配水流量の立ち上がりの傾き ハ．午前のピーク値と午後のピーク値との比 ニ．午前・午後のピーク値の出た時刻またはこれらピー
ク値・傾き・比・時刻の組み合わせが用いられている。
ク値・傾き・比・時刻の組み合わせが用いられている。
【０００６】
【発明が解決しようとする課題】従って、従来の配水需
要予測装置は、以上のような特徴量を用いてニューラル
ネットワークの重み係数を学習しているので、複数の時
間単位配水流量推移パターン相互に明確な差が出ないと
き、予測の精度が上らないと言った問題がある。例えば
後述する図４に示すように２つのパターンの午前・午後
のピーク値や配水流量の傾きが同じ傾向にある場合、明
確な差を出すことは難しく、誤った時間単位配水流量推
移パターンに従って配水流量を予測する結果となり、適
切な予測が難しく、信頼性に欠ける問題がある。
要予測装置は、以上のような特徴量を用いてニューラル
ネットワークの重み係数を学習しているので、複数の時
間単位配水流量推移パターン相互に明確な差が出ないと
き、予測の精度が上らないと言った問題がある。例えば
後述する図４に示すように２つのパターンの午前・午後
のピーク値や配水流量の傾きが同じ傾向にある場合、明
確な差を出すことは難しく、誤った時間単位配水流量推
移パターンに従って配水流量を予測する結果となり、適
切な予測が難しく、信頼性に欠ける問題がある。
【０００７】本発明は上記実情に鑑みてなされたもの
で、配水流量推移パターン相互に明確な差がなくても予
測精度を上げうる配水需要予測装置を提供することを目
的とする。
で、配水流量推移パターン相互に明確な差がなくても予
測精度を上げうる配水需要予測装置を提供することを目
的とする。
【０００８】
【課題を解決するための手段】上記課題を解決するため
に、請求項１に対応する発明は、上水道施設の浄水場ま
たは配水池から配水される当日の時間単位の配水流量を
予測する配水需要予測装置において、季節毎に日種別を
含む気象関係データを処理する気象実績データ処理手段
と、日々入力される時間単位配水流量実績データから日
単位配水流量および時間単位配水流量推移パターンを作
成して蓄積するとともに、当該時間単位配水流量推移パ
ターンから午前・午後の立上がりの面積を特徴量として
抽出し蓄積する配水流量データ処理手段と、第１のニュ
ーラルネットワークで構成され、気象実績データ処理手
段によって処理されたデータを当該ニューラルネットワ
ークに入力し、前記日単位配水流量および午前・午後の
立上がりの面積の特徴量を教示信号とし、前記日単位配
水流量予測モデルと時間単位配水流量推移パターン特徴
量の予測モデルとの重み係数を学習する予測モデル学習
手段と、第２のニューラルネットワークで構成され、予
測すべき日の関する気象関係データについて前記予測モ
デル学習手段によって得られた重み係数を用いて日単位
配水流量予測値，時間単位配水流量推移パターン特徴量
予測値を取り出す予測手段およびこの予測手段で得られ
る特徴量予測値に基づいて前記配水流量データ処理手段
によって蓄積された過去の時間単位配水流量推移パター
ンの中から最も類似するパターンを検索し、この検索し
た時間単位配水流量推移パターンと前記予測モデル学習
手段で得られる前記日単位配水流量予測値とを用いて時
間単位配水流量の予測値を取り出す配水流量変換手段を
有する配水流量予測手段とを設けた配水需要予測装置で
ある。
に、請求項１に対応する発明は、上水道施設の浄水場ま
たは配水池から配水される当日の時間単位の配水流量を
予測する配水需要予測装置において、季節毎に日種別を
含む気象関係データを処理する気象実績データ処理手段
と、日々入力される時間単位配水流量実績データから日
単位配水流量および時間単位配水流量推移パターンを作
成して蓄積するとともに、当該時間単位配水流量推移パ
ターンから午前・午後の立上がりの面積を特徴量として
抽出し蓄積する配水流量データ処理手段と、第１のニュ
ーラルネットワークで構成され、気象実績データ処理手
段によって処理されたデータを当該ニューラルネットワ
ークに入力し、前記日単位配水流量および午前・午後の
立上がりの面積の特徴量を教示信号とし、前記日単位配
水流量予測モデルと時間単位配水流量推移パターン特徴
量の予測モデルとの重み係数を学習する予測モデル学習
手段と、第２のニューラルネットワークで構成され、予
測すべき日の関する気象関係データについて前記予測モ
デル学習手段によって得られた重み係数を用いて日単位
配水流量予測値，時間単位配水流量推移パターン特徴量
予測値を取り出す予測手段およびこの予測手段で得られ
る特徴量予測値に基づいて前記配水流量データ処理手段
によって蓄積された過去の時間単位配水流量推移パター
ンの中から最も類似するパターンを検索し、この検索し
た時間単位配水流量推移パターンと前記予測モデル学習
手段で得られる前記日単位配水流量予測値とを用いて時
間単位配水流量の予測値を取り出す配水流量変換手段を
有する配水流量予測手段とを設けた配水需要予測装置で
ある。
【０００９】請求項２に対応する発明は、請求項１に対
応する発明と構成要件的にほぼ同じであるが、特に配水
流量データ処理手段において時間単位配水流量推移パタ
ーンから特徴量を抽出するが、この特徴量としてある設
定時刻の流量値を抽出する構成を備えたものである。
応する発明と構成要件的にほぼ同じであるが、特に配水
流量データ処理手段において時間単位配水流量推移パタ
ーンから特徴量を抽出するが、この特徴量としてある設
定時刻の流量値を抽出する構成を備えたものである。
【００１０】次に、請求項３に対応する発明は、請求項
１に対応する発明と構成要件的にほぼ同じであるが、特
に配水データ処理手段において時間単位配水流量推移パ
ターンから特徴量を抽出するが、この特徴量として午前
のピーク値と午後のピーク値との差を抽出する構成を備
えたものである。
１に対応する発明と構成要件的にほぼ同じであるが、特
に配水データ処理手段において時間単位配水流量推移パ
ターンから特徴量を抽出するが、この特徴量として午前
のピーク値と午後のピーク値との差を抽出する構成を備
えたものである。
【００１１】さらに、請求項４に対応する発明は、請求
項１ないし請求項３に記載する気象実績データ処理手段
として、前日の天候と当日の天候とを掛け合わせた値を
求めるものである。
項１ないし請求項３に記載する気象実績データ処理手段
として、前日の天候と当日の天候とを掛け合わせた値を
求めるものである。
【００１２】
【作用】従って、請求項１に対応する発明は、以上のよ
うな手段を講じたことにより、季節毎に過去の日種別を
含む気象関係データおよび時間単位配水流量実績データ
をファイルに格納する。そして、配水流量データ処理手
段にて時間単位配水流量データから日単位配水流量およ
び時間単位配水流量推移パターンを作成しそれぞれを蓄
積し、また時間単位配水流量推移パターンから午前・午
後の立上がりの面積を特徴量として抽出し蓄積する。し
かる後、予測モデル学習手段では、蓄積された季節毎の
日単位配水流量と時間単位配水流量推移パターン特徴量
とを教示信号とし、第１のニューラルネットワークによ
り前記日種別および気象予報を含む気象関係データにつ
いてバックプロパゲーション法により重み係数を学習
し、日単位配水流量予測モデルおよび時間単位配水流量
推移パターン特徴量予測モデルを作成する。
うな手段を講じたことにより、季節毎に過去の日種別を
含む気象関係データおよび時間単位配水流量実績データ
をファイルに格納する。そして、配水流量データ処理手
段にて時間単位配水流量データから日単位配水流量およ
び時間単位配水流量推移パターンを作成しそれぞれを蓄
積し、また時間単位配水流量推移パターンから午前・午
後の立上がりの面積を特徴量として抽出し蓄積する。し
かる後、予測モデル学習手段では、蓄積された季節毎の
日単位配水流量と時間単位配水流量推移パターン特徴量
とを教示信号とし、第１のニューラルネットワークによ
り前記日種別および気象予報を含む気象関係データにつ
いてバックプロパゲーション法により重み係数を学習
し、日単位配水流量予測モデルおよび時間単位配水流量
推移パターン特徴量予測モデルを作成する。
【００１３】さらに、配水流量予測手段においては、予
測すべき日に関する気象関係データを第２のニューラル
ネットワークに入れ、前記時間単位配水流量水位パター
ン特徴量予測モデルの重み係数を用いて時間単位配水流
量推移パターン特徴量予測値を取り出し、この特徴量予
測値に基づいて過去の時間単位配水流量推移パターンの
中から最も類似するパターンを検索し、このパターン
（予測値）と日単位配水流量予測値とを掛け合わせるこ
とにより、当日の時間単位配水流量を予測するものであ
る。
測すべき日に関する気象関係データを第２のニューラル
ネットワークに入れ、前記時間単位配水流量水位パター
ン特徴量予測モデルの重み係数を用いて時間単位配水流
量推移パターン特徴量予測値を取り出し、この特徴量予
測値に基づいて過去の時間単位配水流量推移パターンの
中から最も類似するパターンを検索し、このパターン
（予測値）と日単位配水流量予測値とを掛け合わせるこ
とにより、当日の時間単位配水流量を予測するものであ
る。
【００１４】次に、請求項２に対応する発明は、請求項
１に対応する発明とほぼ同様な作用を有するものであ
り、特に時間単位配水流量推移パターンからある設定時
刻の流量値を特徴量として抽出し、第１のニューラルネ
ットワークで日単位配水流量予測モデルおよび時間単位
配水流量推移パターン特徴量予測モデルを作成すること
にある。
１に対応する発明とほぼ同様な作用を有するものであ
り、特に時間単位配水流量推移パターンからある設定時
刻の流量値を特徴量として抽出し、第１のニューラルネ
ットワークで日単位配水流量予測モデルおよび時間単位
配水流量推移パターン特徴量予測モデルを作成すること
にある。
【００１５】さらに、請求項３に対応する発明は、同じ
く請求項１，２に対応する発明とほぼ同様な作用を有す
るものであり、特に時間単位配水流量推移パターンから
午前のピーク値と午後のピーク値との差を特徴量として
抽出し、請求項１，２に対応する発明と同様に予測モデ
ルを作成する。
く請求項１，２に対応する発明とほぼ同様な作用を有す
るものであり、特に時間単位配水流量推移パターンから
午前のピーク値と午後のピーク値との差を特徴量として
抽出し、請求項１，２に対応する発明と同様に予測モデ
ルを作成する。
【００１６】さらに、請求項４に対応する発明は、第１
のニューラルネットワークに入力する気象関係データと
して、前日の天候と当日の天候の関係を考慮に入れて日
単位配水流量予測モデルおよび時間単位配水流量推移パ
ターン特徴量予測モデルを作成することにある。
のニューラルネットワークに入力する気象関係データと
して、前日の天候と当日の天候の関係を考慮に入れて日
単位配水流量予測モデルおよび時間単位配水流量推移パ
ターン特徴量予測モデルを作成することにある。
【００１７】
【実施例】以下、本発明の一実施例について図面を参照
して説明する。図１は本発明に係わる配水需要予測装置
の一実施例を示す構成図である。同図において１は浄水
場から送水されてくる水を一旦貯留し、配水管２を介し
て各需要家に配水する配水池である。この配水管２には
配水流量を検出する配水流量検出器３が設置され、この
検出器３で検出された配水流量検出値はプロセスインタ
ーフェィス（入力装置）４を通ってデータ演算処理装置
５に送られる。６はヒューマンインターフェィス（入出
力装置）であって、これは前日に報道される各種の気象
予報データ、当日の各種の気象実績データ、曜日，祝祭
日，休日，５月連休，夏休み，正月休み等の日種別デー
タ、類似パターン検索に用いるパラメータ値を入力し、
またデータ演算処理装置５によって演算された当日の時
間単位配水流量予測値をＣＲＴなどの表示装置７に表示
する機能をもっている。
して説明する。図１は本発明に係わる配水需要予測装置
の一実施例を示す構成図である。同図において１は浄水
場から送水されてくる水を一旦貯留し、配水管２を介し
て各需要家に配水する配水池である。この配水管２には
配水流量を検出する配水流量検出器３が設置され、この
検出器３で検出された配水流量検出値はプロセスインタ
ーフェィス（入力装置）４を通ってデータ演算処理装置
５に送られる。６はヒューマンインターフェィス（入出
力装置）であって、これは前日に報道される各種の気象
予報データ、当日の各種の気象実績データ、曜日，祝祭
日，休日，５月連休，夏休み，正月休み等の日種別デー
タ、類似パターン検索に用いるパラメータ値を入力し、
またデータ演算処理装置５によって演算された当日の時
間単位配水流量予測値をＣＲＴなどの表示装置７に表示
する機能をもっている。
【００１８】前記データ演算処理装置５は、ヒューマン
インターフェィス６から入力される当日の気象実績デー
タや日種別データを蓄積する気象実績データファイル１
１と、このファイル１１の気象実績データ等を処理する
気象実績データ処理手段１２と、プロセスインターフェ
ィス４から入力される配水流量検出値を時間単位配水流
量実績データの形で蓄積する時間単位配水流量実績デー
タファイル１３と、このファイル１３の時間単位配水流
量実績データを処理する配水流量データ処理手段１４
と、ニューラルネットワークで構成され、当該ニューラ
ルネットワークを用いて予測モデルを同定する予測モデ
ル学習手段１５と、同じくニューラルネットワークで構
成され、前記予測モデル学習手段１５によって得られた
予測モデルを用いて当日の時間配水流量を予測する配水
流量予測手段１６とによって構成されている。
インターフェィス６から入力される当日の気象実績デー
タや日種別データを蓄積する気象実績データファイル１
１と、このファイル１１の気象実績データ等を処理する
気象実績データ処理手段１２と、プロセスインターフェ
ィス４から入力される配水流量検出値を時間単位配水流
量実績データの形で蓄積する時間単位配水流量実績デー
タファイル１３と、このファイル１３の時間単位配水流
量実績データを処理する配水流量データ処理手段１４
と、ニューラルネットワークで構成され、当該ニューラ
ルネットワークを用いて予測モデルを同定する予測モデ
ル学習手段１５と、同じくニューラルネットワークで構
成され、前記予測モデル学習手段１５によって得られた
予測モデルを用いて当日の時間配水流量を予測する配水
流量予測手段１６とによって構成されている。
【００１９】特に、本発明装置は、従来装置と比較し、
配水流量データ処理手段１４および配水流量予測手段１
６を改良したことにある。次に、以上のような装置の具
体的な構成および動作について図２を参照して説明す
る。
配水流量データ処理手段１４および配水流量予測手段１
６を改良したことにある。次に、以上のような装置の具
体的な構成および動作について図２を参照して説明す
る。
【００２０】ヒューマンインターフェィス６から当日の
午前，午後の天候，最高・最低気温などの気象実績デー
タ、日種別データを入力すると、これらデータは気象実
績データファイル１１に蓄積される。気象実績データフ
ァイル１１に蓄積された気象実績データは気象実績デー
タ処理手段１２によって処理される。
午前，午後の天候，最高・最低気温などの気象実績デー
タ、日種別データを入力すると、これらデータは気象実
績データファイル１１に蓄積される。気象実績データフ
ァイル１１に蓄積された気象実績データは気象実績デー
タ処理手段１２によって処理される。
【００２１】この気象実績データ処理手段１２は、予測
モデル学習手段１５のニューラルネットワークで利用可
能なデータの形に処理するデータ処理手段１２１および
このデータ処理手段１２１によって処理されたデータを
記憶する気象実績処理データファイル１２２が設けられ
ている。
モデル学習手段１５のニューラルネットワークで利用可
能なデータの形に処理するデータ処理手段１２１および
このデータ処理手段１２１によって処理されたデータを
記憶する気象実績処理データファイル１２２が設けられ
ている。
【００２２】ここで、データ処理手段１２１によるデー
タ処理について説明する。気象実績データは以下のごと
く季節毎に区切られる。 季節１…………Ｓ１ 季節２…………Ｓ２ 季節３…………Ｓ３ 季節４…………Ｓ４ 天候に関するデータは、前日，当日の２日分のそれぞれ
の午前，午後の天候を、晴・曇・雨に分け、アナログ値
に変換して表現する。
タ処理について説明する。気象実績データは以下のごと
く季節毎に区切られる。 季節１…………Ｓ１ 季節２…………Ｓ２ 季節３…………Ｓ３ 季節４…………Ｓ４ 天候に関するデータは、前日，当日の２日分のそれぞれ
の午前，午後の天候を、晴・曇・雨に分け、アナログ値
に変換して表現する。
【００２３】晴………………ａ 曇………………ｂ 雨………………ｃ 但し、ａ，ｂ，ｃは、−１〜１のアナログ値である。
【００２４】最高気温に関しては、気象実績データから
平均と分散とを演算し、得られる平均最高気温からの偏
りを用いてアナログ値に変換する。最低気温に関して
は、最高気温と同様の処理を行ってアナログ値に変換す
る。
平均と分散とを演算し、得られる平均最高気温からの偏
りを用いてアナログ値に変換する。最低気温に関して
は、最高気温と同様の処理を行ってアナログ値に変換す
る。
【００２５】日種別に関するデータは次のようなアナロ
グ値で表現する。 平日……………ｄ 土曜日…………ｅ 日曜日…………ｆ 特異日…………ｇ 但し、ｄ，ｅ，ｆ，ｇは、−１〜１のアナログ値であ
る。
グ値で表現する。 平日……………ｄ 土曜日…………ｅ 日曜日…………ｆ 特異日…………ｇ 但し、ｄ，ｅ，ｆ，ｇは、−１〜１のアナログ値であ
る。
【００２６】以上のようにして得られたデータは気象実
績処理データファイル１２に蓄えられ、予測モデル学習
手段１５を構成するニューラルネットワークの予測モデ
ルを同定する際の入力データとして用いられる。
績処理データファイル１２に蓄えられ、予測モデル学習
手段１５を構成するニューラルネットワークの予測モデ
ルを同定する際の入力データとして用いられる。
【００２７】一方、プロセスインターフェエィス４を介
して入力された時間単位配水流量検出値は、時間単位配
水流量実績データファイル１３に蓄えられた後、配水流
量データ処理手段１４によって処理される。この配水流
量データ処理手段１４は、時間単位配水流量実績データ
から正規化された一日の配水流量を求める日単位データ
処理手段１４１および当該正規化された一日の配水流量
データを蓄積する日単位配水流量正規化値ファイル１４
２が設けられている。この正規化された日単位配水流量
データは予測モデルの教示信号となる。
して入力された時間単位配水流量検出値は、時間単位配
水流量実績データファイル１３に蓄えられた後、配水流
量データ処理手段１４によって処理される。この配水流
量データ処理手段１４は、時間単位配水流量実績データ
から正規化された一日の配水流量を求める日単位データ
処理手段１４１および当該正規化された一日の配水流量
データを蓄積する日単位配水流量正規化値ファイル１４
２が設けられている。この正規化された日単位配水流量
データは予測モデルの教示信号となる。
【００２８】また、配水流量データ処理手段１４は、時
間単位配水流量実績データから正規化された時間単位配
水流量推移パターン（図３）に変換する時間単位データ
処理手段１４３と、この時間単位データ処理手段１４３
によって得られた時間単位配水流量推移パターンから推
移パターン特徴量を抽出する特徴量抽出手段１４４と、
前記時間単位配水流量推移パターンおよび前記推移パタ
ーン特徴量を蓄積する推移パターンファイル１４５と、
前記特徴量抽出手段１４４で抽出された推移パターン特
徴量を蓄積する推移パターン特徴量ファイル１４６とが
設けられている。この推移パターン特徴量ファイル１４
６の推移パターン特徴量も予測モデルの教示信号とな
る。さらに、日単位データ処理手段１４１および時間単
位データ処理手段１４３の処理について説明する。日単
位データ処理手段１４１は次のような処理を行う。
間単位配水流量実績データから正規化された時間単位配
水流量推移パターン（図３）に変換する時間単位データ
処理手段１４３と、この時間単位データ処理手段１４３
によって得られた時間単位配水流量推移パターンから推
移パターン特徴量を抽出する特徴量抽出手段１４４と、
前記時間単位配水流量推移パターンおよび前記推移パタ
ーン特徴量を蓄積する推移パターンファイル１４５と、
前記特徴量抽出手段１４４で抽出された推移パターン特
徴量を蓄積する推移パターン特徴量ファイル１４６とが
設けられている。この推移パターン特徴量ファイル１４
６の推移パターン特徴量も予測モデルの教示信号とな
る。さらに、日単位データ処理手段１４１および時間単
位データ処理手段１４３の処理について説明する。日単
位データ処理手段１４１は次のような処理を行う。
【００２９】
【数１】
【００３０】 Ｑｔ(i) ＝｛Ｑ(i) −Ｑmin ｝／（Ｑmax −Ｑmin ） ……（２） ここで、Ｑｔ(i) ：正規化されたｉ日の配水流量 Ｑｈ(i,j) ：ｉ日ｊ時の時間単位配水流量実績［ｍ3 ／
時］ Ｑ(i) ：ｉ日の日単位配水流量実績［ｍ3 ／日］ Ｑmax ：最大日単位配水流量実績 ［ｍ3 ／日］ Ｑmin ：最小日単位配水流量 ［ｍ3 ／日］ この（２）式によって正規化された日単位配水流量は日
単位配水流量ファイル１４２に蓄積される。次に、時間
単位データ処理手段１４３の処理としては、次のような
式に基づいて時間単位配水流量実績データを正規化す
る。
時］ Ｑ(i) ：ｉ日の日単位配水流量実績［ｍ3 ／日］ Ｑmax ：最大日単位配水流量実績 ［ｍ3 ／日］ Ｑmin ：最小日単位配水流量 ［ｍ3 ／日］ この（２）式によって正規化された日単位配水流量は日
単位配水流量ファイル１４２に蓄積される。次に、時間
単位データ処理手段１４３の処理としては、次のような
式に基づいて時間単位配水流量実績データを正規化す
る。
【００３１】
【数２】 ここで、Ｑｈ(i.j) ：ｉ日ｊ時の時間単位配水流量
実績［ｍ3 ／時］ Ｑｈ−ｎ(i.j) ：ｉ日ｊ時の時間単位配水流量正規化値 そして、以上のような計算によって得られた時間単位配
水流量正規化値，つまり時間単位配水流量推移パターン
は、推移パターンファイル１４５に蓄積される。
実績［ｍ3 ／時］ Ｑｈ−ｎ(i.j) ：ｉ日ｊ時の時間単位配水流量正規化値 そして、以上のような計算によって得られた時間単位配
水流量正規化値，つまり時間単位配水流量推移パターン
は、推移パターンファイル１４５に蓄積される。
【００３２】さらに、特徴量抽出手段１４４は、時間単
位データ処理手段１４３で正規化されたｉ日の時間単位
配水流量推移パターンからニューラルネットワークの教
示信号となる特徴量を抽出するが、この特徴量について
図３を参照して説明する。
位データ処理手段１４３で正規化されたｉ日の時間単位
配水流量推移パターンからニューラルネットワークの教
示信号となる特徴量を抽出するが、この特徴量について
図３を参照して説明する。
【００３３】従来装置では、ニューラルネットワークの
教示信号として用いる特徴量には、午前・午後のピーク
値、午前・午後の配水流量の立上がりの傾き、午前と午
後とのピーク値の比、午前・午後のピーク値のでる時間
が用いられていた。
教示信号として用いる特徴量には、午前・午後のピーク
値、午前・午後の配水流量の立上がりの傾き、午前と午
後とのピーク値の比、午前・午後のピーク値のでる時間
が用いられていた。
【００３４】これに対し、本発明に係わる装置では、例
えば図３に示すように、次式に基づいて午前・午後の配
水流量の立上がりの面積Ｓam，Ｓpmを１つの特徴量とす
るものである。
えば図３に示すように、次式に基づいて午前・午後の配
水流量の立上がりの面積Ｓam，Ｓpmを１つの特徴量とす
るものである。
【００３５】
【数３】 ここで、ｔam：午前の配水流量の立上がりの始めの時刻 ｔpm：午後の配水流量の立上がりの始めの時刻 ｊ ：午前の配水流量が立上がるまでの時刻 ｋ ：午後の配水流量が立上がるまでの時刻 以上のような計算を季節毎に行い、上式によって抽出さ
れた特徴量は推移パターンファイル１４５および推移パ
ターン特徴量ファイル１４６に蓄積される。
れた特徴量は推移パターンファイル１４５および推移パ
ターン特徴量ファイル１４６に蓄積される。
【００３６】そして、各ファイル１４２，１４６に蓄積
された正規化された日単位配水流量および推移パターン
特徴量は予測モデル学習手段１５によって読み出され、
これら日単位配水流量および推移パターン特徴量の予測
モデルによるニューラルネットワークの重み係数の学習
に用いられる。
された正規化された日単位配水流量および推移パターン
特徴量は予測モデル学習手段１５によって読み出され、
これら日単位配水流量および推移パターン特徴量の予測
モデルによるニューラルネットワークの重み係数の学習
に用いられる。
【００３７】この予測モデル学習手段１５は、ニューラ
ルネットワークで構成され、ファイル１２２の気象実績
データを入力とし、かつ、前記正規化された日単位配水
流量，推移パターン特徴量を教師信号（予測モデル）と
し、学習によって日単位予測重み係数および推移パター
ン特徴量予測重み係数を求める予測モデル学習手段１５
１と、これら予測重み係数を蓄積する１個または複数の
ファイル１５２，１５３とが設けられている。
ルネットワークで構成され、ファイル１２２の気象実績
データを入力とし、かつ、前記正規化された日単位配水
流量，推移パターン特徴量を教師信号（予測モデル）と
し、学習によって日単位予測重み係数および推移パター
ン特徴量予測重み係数を求める予測モデル学習手段１５
１と、これら予測重み係数を蓄積する１個または複数の
ファイル１５２，１５３とが設けられている。
【００３８】この予測モデル学習手段１５は、具体的に
は入力層，中間層および出力層の３層構造を有するニュ
ーラルネットワークによって構成され、この入力層には
前日・当日の午前・午後の天候、当日の最高・最低気
温、日種別データ等が入力され、さらに前記日単位配水
流量，推移パターン特徴量を予測モデルとして使用す
る。
は入力層，中間層および出力層の３層構造を有するニュ
ーラルネットワークによって構成され、この入力層には
前日・当日の午前・午後の天候、当日の最高・最低気
温、日種別データ等が入力され、さらに前記日単位配水
流量，推移パターン特徴量を予測モデルとして使用す
る。
【００３９】なお、日単位配水流量を予測モデルとする
場合、教示信号として日単位配水流量を使用し、これを
出力する。推移パターン特徴量を予測モデルとする場
合、教示信号として推移パターン特徴量を使用し、これ
を出力する。
場合、教示信号として日単位配水流量を使用し、これを
出力する。推移パターン特徴量を予測モデルとする場
合、教示信号として推移パターン特徴量を使用し、これ
を出力する。
【００４０】このニューラルネットワークのニューロン
間の重み係数の学習は、バックプロパゲーション法が用
いられる。ここで、バックプロパゲーション法とは、階
層型の構造をしたニューラルネットワークに対して、ネ
ットワークの誤差が出力層から入力層へ逆伝搬していく
学習方法である。そして、学習結果から得られる日単位
配水流量予測モデルの重み係数および推移パターン特徴
量予測モデルの重み係数はそれぞれファイル１５２，１
５３に蓄積される。
間の重み係数の学習は、バックプロパゲーション法が用
いられる。ここで、バックプロパゲーション法とは、階
層型の構造をしたニューラルネットワークに対して、ネ
ットワークの誤差が出力層から入力層へ逆伝搬していく
学習方法である。そして、学習結果から得られる日単位
配水流量予測モデルの重み係数および推移パターン特徴
量予測モデルの重み係数はそれぞれファイル１５２，１
５３に蓄積される。
【００４１】次に、学習の手順を説明する。 ステップ１：ニューラルネットワークの入力層に、天候
・気温実績および日種別データを入力し、中間層および
出力層を以下のニューロンモデルに従って演算する。中
間層の第ｊニューロンの出力Ｈｊは、
・気温実績および日種別データを入力し、中間層および
出力層を以下のニューロンモデルに従って演算する。中
間層の第ｊニューロンの出力Ｈｊは、
【００４２】
【数４】 で表わされる。 ここで、Ｉi ：入力層第ｉニューロンの出力 Ｗij：入力層第ｉニューロンと中間層第ｊニューロンの
重み係数 ｌ ：入力層の数 ｍ ：中間層の数 ｆ( ) ：中間層のしきい値関数 さらに、出力層の第ｋニューロンの出力Ｏk は、
重み係数 ｌ ：入力層の数 ｍ ：中間層の数 ｆ( ) ：中間層のしきい値関数 さらに、出力層の第ｋニューロンの出力Ｏk は、
【００４３】
【数５】 で表わされる。ここで、Ｗjk：中間層第ｊニューロンと
出力層第ｋニューロンとの重み係数 ｍ：中間層の数 ｎ：出力層の数 ステップ２：出力層の第ｋニューロンの出力Ｏk と出力
層の第ｋニューロンの教示信号ｙk との二乗誤差の和を
最小化するようにネットワーク間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計数の学習は、下式
の△Ｗjkを演算し、Ｗjkを修正する。
出力層第ｋニューロンとの重み係数 ｍ：中間層の数 ｎ：出力層の数 ステップ２：出力層の第ｋニューロンの出力Ｏk と出力
層の第ｋニューロンの教示信号ｙk との二乗誤差の和を
最小化するようにネットワーク間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計数の学習は、下式
の△Ｗjkを演算し、Ｗjkを修正する。
【００４４】 Ｗjk（ｔ＋１）＝Ｗjk(k) ＋△Ｗjk(t) ……（８） △Ｗjk(t) ＝−ε・ｄｋ(t) ・Ｈj (t) ……（９） ｄｋ(t) ＝Ｏk (t) −ｙk (t) ……（１０） ここで、ｔ：学習回数 ε：１回の修正の大きさを決めるパラメータ ｄｋ：出力層の誤差 従って、入力層と中間層との重み係数の学習は、次式の
△Ｗjkを演算し、Ｗjkを修正する。 Ｗij（ｔ＋１）＝Ｗij(t) ＋△Ｗik(t) ……（１１） △Ｗij(t) ＝−ε・ｄj (t) ・Ｉi (t) ……（１２）
△Ｗjkを演算し、Ｗjkを修正する。 Ｗij（ｔ＋１）＝Ｗij(t) ＋△Ｗik(t) ……（１１） △Ｗij(t) ＝−ε・ｄj (t) ・Ｉi (t) ……（１２）
【００４５】
【数６】 ここで、ｄj ：中間層の逆伝搬誤差 ｆ′( ) ：ｆ( ) の微分 さらに、重み係数が時々刻々変化する場合、その振動を
減らし、学習の収束を早めるために次式を用いて重み係
数の学習を行う。
減らし、学習の収束を早めるために次式を用いて重み係
数の学習を行う。
【００４６】 △Ｗjk(t) ＝−ε・ｄk (t) ・ｈj (t) ＋α・△Ｗjk（ｔ−１）…（１４） △Ｗij(t) ＝−ε・ｄj (t) ・Ｉi (t) ＋α・△Ｗij（ｔ−１）…（１５） ここで、αは安定のためのパラメータである。
【００４７】この学習の結果、得られる重み係数はファ
イル１５２，１５３に蓄積される。以上のようにして予
測モデル学習手段１５１によって重み係数を求めたなら
ば、配水流量予測手段１６では、それらの重み係数を用
いて当日の時間単位配水流量を予測する。
イル１５２，１５３に蓄積される。以上のようにして予
測モデル学習手段１５１によって重み係数を求めたなら
ば、配水流量予測手段１６では、それらの重み係数を用
いて当日の時間単位配水流量を予測する。
【００４８】この配水流量予測手段１６は、ニューラル
ネットワークで構成され、前日の午前・午後の天候実
績、当日の午前・午後の天候予報値、最高・最低気温の
予報値および日種別等のデータについて、ファイル１５
３から推移パターン特徴量予測重み係数を用いて時間単
位配水流量推移パターン特徴量を予測する推移パターン
特徴量予測手段１６１と、同じくニューラルネットワー
クで構成され、前日の午前・午後の天候実績、当日の午
前・午後の天候予報値、最高・最低気温の予報値および
日種別等のデータについて、ファイル１５２から日単位
予測重み係数を用いて日単位配水流量を予測する日単位
配水流量予測手段１６２とが設けられている。なお、日
単位配水流量予測手段１６２では、日単位配水流量予測
値が正規化値であるので、ここで配水流量に変換する。
ネットワークで構成され、前日の午前・午後の天候実
績、当日の午前・午後の天候予報値、最高・最低気温の
予報値および日種別等のデータについて、ファイル１５
３から推移パターン特徴量予測重み係数を用いて時間単
位配水流量推移パターン特徴量を予測する推移パターン
特徴量予測手段１６１と、同じくニューラルネットワー
クで構成され、前日の午前・午後の天候実績、当日の午
前・午後の天候予報値、最高・最低気温の予報値および
日種別等のデータについて、ファイル１５２から日単位
予測重み係数を用いて日単位配水流量を予測する日単位
配水流量予測手段１６２とが設けられている。なお、日
単位配水流量予測手段１６２では、日単位配水流量予測
値が正規化値であるので、ここで配水流量に変換する。
【００４９】また、配水流量予測手段１６は、推移パタ
ーン特徴量予測手段１６１によって得られた推移パター
ン特徴量予測値に基づいてファイル１４５から最も類似
する特徴量を有する推移パターンを検索するパターン検
索手段１６３と、このパターン検索手段１６３によって
検索された当日の時間単位配水流量推移パターンと日単
位配水流量予測手段６２で得られる当日の日単位配水流
量予測値とを掛け合わせて時間単位配水流量値を求める
配水流量変換手段１６４とが設けられている。
ーン特徴量予測手段１６１によって得られた推移パター
ン特徴量予測値に基づいてファイル１４５から最も類似
する特徴量を有する推移パターンを検索するパターン検
索手段１６３と、このパターン検索手段１６３によって
検索された当日の時間単位配水流量推移パターンと日単
位配水流量予測手段６２で得られる当日の日単位配水流
量予測値とを掛け合わせて時間単位配水流量値を求める
配水流量変換手段１６４とが設けられている。
【００５０】しかして、前記パターン検索手段１６３に
おいては、推移パターン特徴量予測値に基づいてファイ
ル１４５から最も類似する特徴量をもつ推移パターンを
検索するが、これは次式を用いて検索する。
おいては、推移パターン特徴量予測値に基づいてファイ
ル１４５から最も類似する特徴量をもつ推移パターンを
検索するが、これは次式を用いて検索する。
【００５１】 Ｉ(i) ＝｜Ｐam′−Ｐam(i) ｜＊Ｗ１＋｜Ｐpm′−Ｐpm(i) ｜＊Ｗ２ ＋｜Ｋam′−Ｋam(i) ｜＊Ｗ３＋｜Ｋpm′−Ｋpm(i) ｜＊Ｗ４ ＋｜Ｃap′−Ｃap(i) ｜＊Ｗ５＋｜Ｐat′−Ｐat(i) ｜＊Ｗ６ ＋｜Ｐpt′−Ｐpt(i) ｜＊Ｗ７＋｜Ｓam′−Ｓam(i) ｜＊Ｗ８ ＋｜Ｓpm′−Ｓpm(i) ｜＊Ｗ９ ……（１６） 但し、ｉ＝１，……，ｎとする。
【００５２】前記（１６）式において、 Ｐam′：午前の配水流量のピーク値（ニューラルネット
ワークの予測値） Ｐpm′：午後の配水流量のピーク値（ニューラルネット
ワークの予測値） Ｋam′：午前の配水流量の立上がりの傾き（ニューラル
ネットワークの予測値） Ｋpm′：午後の配水流量の立上がりの傾き（ニューラル
ネットワークの予測値） Ｃap′：午前・午後のピーク値の比（ニューラルネット
ワークの予測値） Ｐat′：午前のピーク値のでる時間（−１〜１の変換
値）（ニューラルネットワークの予測値） Ｐpt′：午後のピーク値のでる時間（−１〜１の変換
値）（ニューラルネットワークの予測値） Ｓam′：午前の配水流量の立上がりの面積（ニューラル
ネットワークの予測値） Ｓpm′：午後の配水流量の立上がりの面積（ニューラル
ネットワークの予測値） Ｐam(i) ：午前の配水流量のピーク値 Ｐpm(i) ：午後の配水流量のピーク値 Ｋam(i) ：午前の配水流量の立上がりの傾き Ｋpm(i) ：午後の配水流量の立上がりの傾き Ｃap(i) ：午前・午後のピーク値の比 Ｐat(i) ：午前のピーク値のでる時間（−１〜１の変換
値） Ｐpt(i) ：午後のピーク値のでる時間（−１〜１の変換
値） Ｓam(i) ：午前の配水流量の立上がりの面積 Ｓpm(i) ：午後の配水流量の立上がりの面積 Ｗ１：午前の配水流量のピーク値に対する重みを表すパ
ラメータ Ｗ２：午後の配水流量のピーク値に対する重みを表すパ
ラメータ Ｗ３：午前の配水流量の立上がりの傾きに対する重みを
表すパラメータ Ｗ４：午後の配水流量の立上がりの傾きに対する重みを
表すパラメータ Ｗ５：午前・午後のピーク値の比に対する重みを表すパ
ラメータ Ｗ６：午前の配水流量のピーク値のでる時間に対する重
みを表すパラメータ Ｗ７：午後の配水流量のピーク値のでる時間に対する重
みを表すパラメータ Ｗ８：午前の配水流量の立上がりの面積に対する重みを
表すパラメータ Ｗ９：午後の配水流量の立上がりの面積に対する重みを
表すパラメータ ｎ：検索データ数 Ｉ(i) ：予測値と過去のｉ日の実績値との類似値 なお、Ｗ１〜Ｗ９は各配水流量推移パターンの特徴量に
対し、どのデータを重要視するかを表現するパラメータ
であって、０〜１のアナログ値を用いる。このパラメー
タは、オペレータがヒューマンインターフェィス６を介
して入力する。そして、以上のようにしてファイル１４
５から予測値に基づく特徴量をもつ当日の時間単位配水
流量推移パターンを検索すると、この時間単位配水流量
推移パターンに当日の日単位配水流量予測値を掛け合わ
せて時間単位の配水流量値を求めた後、表示装置７に送
出して表示する。
ワークの予測値） Ｐpm′：午後の配水流量のピーク値（ニューラルネット
ワークの予測値） Ｋam′：午前の配水流量の立上がりの傾き（ニューラル
ネットワークの予測値） Ｋpm′：午後の配水流量の立上がりの傾き（ニューラル
ネットワークの予測値） Ｃap′：午前・午後のピーク値の比（ニューラルネット
ワークの予測値） Ｐat′：午前のピーク値のでる時間（−１〜１の変換
値）（ニューラルネットワークの予測値） Ｐpt′：午後のピーク値のでる時間（−１〜１の変換
値）（ニューラルネットワークの予測値） Ｓam′：午前の配水流量の立上がりの面積（ニューラル
ネットワークの予測値） Ｓpm′：午後の配水流量の立上がりの面積（ニューラル
ネットワークの予測値） Ｐam(i) ：午前の配水流量のピーク値 Ｐpm(i) ：午後の配水流量のピーク値 Ｋam(i) ：午前の配水流量の立上がりの傾き Ｋpm(i) ：午後の配水流量の立上がりの傾き Ｃap(i) ：午前・午後のピーク値の比 Ｐat(i) ：午前のピーク値のでる時間（−１〜１の変換
値） Ｐpt(i) ：午後のピーク値のでる時間（−１〜１の変換
値） Ｓam(i) ：午前の配水流量の立上がりの面積 Ｓpm(i) ：午後の配水流量の立上がりの面積 Ｗ１：午前の配水流量のピーク値に対する重みを表すパ
ラメータ Ｗ２：午後の配水流量のピーク値に対する重みを表すパ
ラメータ Ｗ３：午前の配水流量の立上がりの傾きに対する重みを
表すパラメータ Ｗ４：午後の配水流量の立上がりの傾きに対する重みを
表すパラメータ Ｗ５：午前・午後のピーク値の比に対する重みを表すパ
ラメータ Ｗ６：午前の配水流量のピーク値のでる時間に対する重
みを表すパラメータ Ｗ７：午後の配水流量のピーク値のでる時間に対する重
みを表すパラメータ Ｗ８：午前の配水流量の立上がりの面積に対する重みを
表すパラメータ Ｗ９：午後の配水流量の立上がりの面積に対する重みを
表すパラメータ ｎ：検索データ数 Ｉ(i) ：予測値と過去のｉ日の実績値との類似値 なお、Ｗ１〜Ｗ９は各配水流量推移パターンの特徴量に
対し、どのデータを重要視するかを表現するパラメータ
であって、０〜１のアナログ値を用いる。このパラメー
タは、オペレータがヒューマンインターフェィス６を介
して入力する。そして、以上のようにしてファイル１４
５から予測値に基づく特徴量をもつ当日の時間単位配水
流量推移パターンを検索すると、この時間単位配水流量
推移パターンに当日の日単位配水流量予測値を掛け合わ
せて時間単位の配水流量値を求めた後、表示装置７に送
出して表示する。
【００５３】従って、以上のような時間単位配水流量実
績データから正規化された時間単位推移パターンを作成
し、午前・午後の配水流量の立上がりの面積を特徴量と
して抽出し予測モデルに用いることにより、予測精度が
大きく向上する。
績データから正規化された時間単位推移パターンを作成
し、午前・午後の配水流量の立上がりの面積を特徴量と
して抽出し予測モデルに用いることにより、予測精度が
大きく向上する。
【００５４】例えば午前・午後の天候，気温ともほぼ同
じ条件の場合でも、時間単位配水流量実績データから正
規化された推移パターンに変換したとき、図４に示すよ
うに多少傾向を異にする２つのパターン，つまりパター
ン１，パターン２が得られる。このとき、従来装置のよ
うに、例えば午前・午後の配水流量のピーク値や午前・
午後の配水流量の立上がりの傾きなどを特徴量とすれ
ば、パターン相互に明確な差が現れず、それらのパター
ンを予測モデルに使用しても予測の精度は上がらない。
じ条件の場合でも、時間単位配水流量実績データから正
規化された推移パターンに変換したとき、図４に示すよ
うに多少傾向を異にする２つのパターン，つまりパター
ン１，パターン２が得られる。このとき、従来装置のよ
うに、例えば午前・午後の配水流量のピーク値や午前・
午後の配水流量の立上がりの傾きなどを特徴量とすれ
ば、パターン相互に明確な差が現れず、それらのパター
ンを予測モデルに使用しても予測の精度は上がらない。
【００５５】しかし、本発明装置においては、パターン
１，パターン２における午前・午後の配水流量のピーク
値，配水流量の傾きが同じであっても、配水流量の立上
がりの面積を特徴量とすれば、明確な差別化を図ること
ができ、それだけ予測の精度を上げることができる。
１，パターン２における午前・午後の配水流量のピーク
値，配水流量の傾きが同じであっても、配水流量の立上
がりの面積を特徴量とすれば、明確な差別化を図ること
ができ、それだけ予測の精度を上げることができる。
【００５６】次に、時間単位配水流量推移パターンの特
徴量として、ｉ日の正規化された時間単位配水流量推移
パターンからある設定時刻の流量値を用いる例について
図５を参照して説明する。図中のＱ（ｔam）は午前の設
定時刻の配水流量、Ｑ（ｔpm）は午後の設定時刻の配水
流量、ｔamは午前の設定時刻、ｔpmは午後の設定時刻を
表す。２つのパラメータｔam，ｔpmはオペレータがヒュ
ーマンインターフェィス６を介して入力する。
徴量として、ｉ日の正規化された時間単位配水流量推移
パターンからある設定時刻の流量値を用いる例について
図５を参照して説明する。図中のＱ（ｔam）は午前の設
定時刻の配水流量、Ｑ（ｔpm）は午後の設定時刻の配水
流量、ｔamは午前の設定時刻、ｔpmは午後の設定時刻を
表す。２つのパラメータｔam，ｔpmはオペレータがヒュ
ーマンインターフェィス６を介して入力する。
【００５７】従来装置では、午前・午後の配水流量のピ
ーク値、午前・午後の配水流量の立上がりの傾きを特徴
量とすれば、パターン相互に明確な差を出せないが、以
上のようにある設定時刻ｔam，ｔpmの流量値を用いれ
ば、流量の短時間の変化に対応することができ、予測の
精度を向上できる。
ーク値、午前・午後の配水流量の立上がりの傾きを特徴
量とすれば、パターン相互に明確な差を出せないが、以
上のようにある設定時刻ｔam，ｔpmの流量値を用いれ
ば、流量の短時間の変化に対応することができ、予測の
精度を向上できる。
【００５８】さらに、時間単位配水流量推移パターンの
特徴量として、ｉ日の正規化された時間単位配水流量推
移パターンから午前のピーク値と午後のピーク値との差
を用いる例について図６を参照して説明する。
特徴量として、ｉ日の正規化された時間単位配水流量推
移パターンから午前のピーク値と午後のピーク値との差
を用いる例について図６を参照して説明する。
【００５９】この図から明らかなように、パターン１お
よびパターン２はほぼ同じピーク値および立上がり傾き
を示しているので、従来装置の場合には明確に差を出す
ことが難しいが、本発明装置においては、午前のピーク
値と午後のピーク値との差をＤpk、午前のピーク値をＰ
am、午後のピーク値をＰpmとすれば、 Ｄpk＝Ｐam−Ｐpm ……（１７） なる演算によって特徴量を抽出する。この場合には、午
前・午後のピーク値の出た時刻、立上がりの傾きが同じ
場合でも明確に差を出すことができる。特に午前・午後
のピーク値の差は天候と相関関係にあり、例えば晴れの
場合には差が大きく、雨の場合には差が小さいことが分
かり、予測の精度を向上できる。
よびパターン２はほぼ同じピーク値および立上がり傾き
を示しているので、従来装置の場合には明確に差を出す
ことが難しいが、本発明装置においては、午前のピーク
値と午後のピーク値との差をＤpk、午前のピーク値をＰ
am、午後のピーク値をＰpmとすれば、 Ｄpk＝Ｐam−Ｐpm ……（１７） なる演算によって特徴量を抽出する。この場合には、午
前・午後のピーク値の出た時刻、立上がりの傾きが同じ
場合でも明確に差を出すことができる。特に午前・午後
のピーク値の差は天候と相関関係にあり、例えば晴れの
場合には差が大きく、雨の場合には差が小さいことが分
かり、予測の精度を向上できる。
【００６０】さらに、本装置においては、気象実績デー
タ処理手段１２におけるデータ処理手段１２１の処理例
として、次式のように前日と当日の天候の掛け合わせた
値をしようしてもよい。
タ処理手段１２におけるデータ処理手段１２１の処理例
として、次式のように前日と当日の天候の掛け合わせた
値をしようしてもよい。
【００６１】 前日午前の天候×当日午前の天候 ……（１８） 前日午後の天候×当日午前の天候 ……（１９） 前日午前の天候×当日午後の天候 ……（２０） 前日午後の天候×当日午後の天候 ……（２１） このようにして演算して得られた前日の天候と当日の天
候との関係をニューラルネットワークの入力に入れるこ
とにより、前日と当日との天候の変化が時間単位配水流
量推移パターンに与える影響を考慮に入れることがで
き、より高い予測精度を得ることができる。
候との関係をニューラルネットワークの入力に入れるこ
とにより、前日と当日との天候の変化が時間単位配水流
量推移パターンに与える影響を考慮に入れることがで
き、より高い予測精度を得ることができる。
【００６２】なお、上記実施例で用いる気象関係データ
には、各種の天気予報データ，当日の各種の気象実績デ
ータ、日種別データが含まれるが、その他必要とする気
象データ例えば気圧等を含めることは言うまでもない。
その他、本発明はその要旨を逸脱しない範囲で種々変形
して実施できる。
には、各種の天気予報データ，当日の各種の気象実績デ
ータ、日種別データが含まれるが、その他必要とする気
象データ例えば気圧等を含めることは言うまでもない。
その他、本発明はその要旨を逸脱しない範囲で種々変形
して実施できる。
【００６３】
【発明の効果】以上説明したように本発明によれば、配
水流量推移パターンから午前・午後の立上がりの面積、
ある設定時刻の流量値または午前のピーク値と午後のピ
ーク値との差を特徴量として抽出し、ニューラルネット
ワークの日単位配水流量予測モデルおよび時間単位配水
流量推移パターン特徴量の予測モデルを作成し、この時
間単位配水流量推移パターン特徴量予測モデルから推移
パターン特徴量予測値を求めた後、この予測値に基づい
て過去の最も類似の時間単位配水流量推移パターンを取
り出すようにしたので、時間単位配水流量推移パターン
相互に明確な差をもった特徴量を抽出でき、従来と比較
して予測精度を大幅に向上させることができる。また、
前日の天候と当日の天候との関係をニューラルネットワ
ークの入力としたことにより、同様に従来より予測精度
を高めることができる。
水流量推移パターンから午前・午後の立上がりの面積、
ある設定時刻の流量値または午前のピーク値と午後のピ
ーク値との差を特徴量として抽出し、ニューラルネット
ワークの日単位配水流量予測モデルおよび時間単位配水
流量推移パターン特徴量の予測モデルを作成し、この時
間単位配水流量推移パターン特徴量予測モデルから推移
パターン特徴量予測値を求めた後、この予測値に基づい
て過去の最も類似の時間単位配水流量推移パターンを取
り出すようにしたので、時間単位配水流量推移パターン
相互に明確な差をもった特徴量を抽出でき、従来と比較
して予測精度を大幅に向上させることができる。また、
前日の天候と当日の天候との関係をニューラルネットワ
ークの入力としたことにより、同様に従来より予測精度
を高めることができる。
【図１】本発明に係わる配水流量予測装置の一実施例を
示す構成図。
示す構成図。
【図２】図１の装置をさらに具体的に表した構成図。
【図３】本発明装置における配水流量推移パターンから
面積の特徴量とするための説明図。
面積の特徴量とするための説明図。
【図４】２つの配水流量推移パターンが近似する場合の
従来と本発明装置とを比較説明図。
従来と本発明装置とを比較説明図。
【図５】本発明装置における配水流量推移パターンから
ある設定時刻の流量値を特徴量とするための説明図。
ある設定時刻の流量値を特徴量とするための説明図。
【図６】本発明装置における配水流量推移パターンから
午前のピーク値と午後のピーク値と差を特徴量とするた
めの説明図。
午前のピーク値と午後のピーク値と差を特徴量とするた
めの説明図。
１…配水池、５…データ演算処理装置、６…ヒューマン
インターフェィス、７…表示装置、１２…気象実績デー
タ処理手段、１４…配水流量データ処理手段、１５…予
測モデル学習手段、１６…配水流量予測手段、１４４…
特徴量抽出手段、１５１…予測モデル学習手段、１６１
…推移パターン特徴量予測手段、１６２…日単位配水流
量予測手段、１６３…類似推移パターン検索手段、１６
４…配水流量変換手段。
インターフェィス、７…表示装置、１２…気象実績デー
タ処理手段、１４…配水流量データ処理手段、１５…予
測モデル学習手段、１６…配水流量予測手段、１４４…
特徴量抽出手段、１５１…予測モデル学習手段、１６１
…推移パターン特徴量予測手段、１６２…日単位配水流
量予測手段、１６３…類似推移パターン検索手段、１６
４…配水流量変換手段。
Claims (4)
- 【請求項１】 上水道施設の浄水場または配水池から配
水される当日の時間単位の配水流量を予測する配水需要
予測装置において、 日種別を含む気象関係データを処理する気象実績データ
処理手段と、 日々入力される時間単位配水流量実績データから日単位
配水流量および時間単位配水流量推移パターンを作成し
て蓄積するとともに、当該時間単位配水流量推移パター
ンから午前・午後の立上がりの面積を特徴量として抽出
し蓄積する配水流量データ処理手段と、 第１のニューラルネットワークで構成され、気象実績デ
ータ処理手段によって処理されたデータを当該ニューラ
ルネットワークに入力し、前記日単位配水流量および午
前・午後の立上がりの面積の特徴量を教示信号とし、前
記日単位配水流量予測モデルと時間単位配水流量推移パ
ターン特徴量の予測モデルとの重み係数を学習する予測
モデル学習手段と、 第２のニューラルネットワークで構成され、予測すべき
日に関する気象関係データについて前記予測モデル学習
手段によって得られた重み係数を用いて日単位配水流量
予測値，時間単位配水流量推移パターン特徴量予測値を
取り出す予測手段およびこの予測手段で得られる特徴量
予測値に基づいて前記配水流量データ処理手段によって
蓄積された過去の時間単位配水流量推移パターンの中か
ら最も類似するパターンを検索し、この検索した時間単
位配水流量推移パターンと前記予測モデル学習手段で得
られる前記日単位配水流量予測値とを用いて時間単位配
水流量の予測値を取り出す配水流量変換手段を有する配
水流量予測手段と、 を備えたことを特徴とする配水需要予測装置。 - 【請求項２】 上水道施設の浄水場または配水池から配
水される当日の時間単位の配水流量を予測する配水需要
予測装置において、 日種別を含む気象関係データを処理する気象実績データ
処理手段と、 日々入力される時間単位配水流量実績データから日単位
配水流量および時間単位配水流量推移パターンを作成し
て蓄積するとともに、当該時間単位配水流量推移パター
ンからある設定時刻の流量値を特徴量として抽出し蓄積
する配水流量データ処理手段と、 第１のニューラルネットワークで構成され、気象実績デ
ータ処理手段によって処理されたデータを当該ニューラ
ルネットワークに入力し、前記日単位配水流量およびあ
る設定時刻の流量値の特徴量を教示信号とし、前記日単
位配水流量予測モデルと時間単位配水流量推移パターン
特徴量の予測モデルとの重み係数を学習する予測モデル
学習手段と、 第２のニューラルネットワークで構成され、予測すべき
日に関する気象関係データについて前記予測モデル学習
手段によって得られた重み係数を用いて日単位配水流量
予測値，時間単位配水流量推移パターン特徴量予測値を
取り出す予測手段およびこの予測手段で得られる特徴量
予測値に基づいて前記配水流量データ処理手段によって
蓄積された過去の時間単位配水流量推移パターンの中か
ら最も類似するパターンを検索し、この検索した時間単
位配水流量推移パターンと前記予測モデル学習手段で得
られる前記日単位配水流量予測値とを用いて時間単位配
水流量の予測値を取り出す配水流量変換手段を有する配
水流量予測手段と、 を備えたことを特徴とする配水需要予測装置。 - 【請求項３】 上水道施設の浄水場または配水池から配
水される当日の時間単位の配水流量を予測する配水需要
予測装置において、 日種別を含む気象関係データを処理する気象実績データ
処理手段と、 日々入力される時間単位配水流量実績データから日単位
配水流量および時間単位配水流量推移パターンを作成し
て蓄積するとともに、当該時間単位配水流量推移パター
ンから午前・午後のピーク値の差を特徴量として抽出し
蓄積する配水流量データ処理手段と、 第１のニューラルネットワークで構成され、気象実績デ
ータ処理手段によって処理されたデータを当該ニューラ
ルネットワークに入力し、前記日単位配水流量および午
前・午後のピーク値の差の特徴量を教示信号とし、前記
日単位配水流量予測モデルと時間単位配水流量推移パタ
ーン特徴量の予測モデルとの重み係数を学習する予測モ
デル学習手段と、 第２のニューラルネットワークで構成され、予測すべき
日に関する気象関係データについて前記予測モデル学習
手段によって得られた重み係数を用いて日単位配水流量
予測値，時間単位配水流量推移パターン特徴量予測値を
取り出す予測手段およびこの予測手段で得られる特徴量
予測値に基づいて前記配水流量データ処理手段によって
蓄積された過去の時間単位配水流量推移パターンの中か
ら最も類似するパターンを検索し、この検索した時間単
位配水流量推移パターンと前記予測モデル学習手段で得
られる前記日単位配水流量予測値とを用いて時間単位配
水流量の予測値を取り出す配水流量変換手段を有する配
水流量予測手段と、 を備えたことを特徴とする配水需要予測装置。 - 【請求項４】 気象実績データ処理手段は、前日の天候
と当日の天候とを掛け合わせた値を求めるものである請
求項１ないし請求項３の何れかに記載の配水需要予測装
置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18822094A JPH0849266A (ja) | 1994-08-10 | 1994-08-10 | 配水需要予測装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18822094A JPH0849266A (ja) | 1994-08-10 | 1994-08-10 | 配水需要予測装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0849266A true JPH0849266A (ja) | 1996-02-20 |
Family
ID=16219876
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP18822094A Pending JPH0849266A (ja) | 1994-08-10 | 1994-08-10 | 配水需要予測装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0849266A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012211483A (ja) * | 2011-03-31 | 2012-11-01 | Sinfonia Technology Co Ltd | 水需要予測システム |
| JP2013161336A (ja) * | 2012-02-07 | 2013-08-19 | Metawater Co Ltd | 監視対象量予測方法及び監視対象量予測装置 |
-
1994
- 1994-08-10 JP JP18822094A patent/JPH0849266A/ja active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012211483A (ja) * | 2011-03-31 | 2012-11-01 | Sinfonia Technology Co Ltd | 水需要予測システム |
| JP2013161336A (ja) * | 2012-02-07 | 2013-08-19 | Metawater Co Ltd | 監視対象量予測方法及び監視対象量予測装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3352153B2 (ja) | 配水流量予測装置 | |
| JP4807565B2 (ja) | 流量予測装置 | |
| Ringwood et al. | Forecasting electricity demand on short, medium and long time scales using neural networks | |
| Castellano-Méndez et al. | Modelling of the monthly and daily behaviour of the runoff of the Xallas river using Box–Jenkins and neural networks methods | |
| CN111401666A (zh) | 一种利用预报误差开展上游水库群影响下径流预报的方法 | |
| CN111415752B (zh) | 一种融合气象因素和搜索指数的手足口病预测方法 | |
| JP2007023608A (ja) | 河川流量推定システムおよび方法、河川水位推定システムおよび方法、並びにプログラム | |
| JP2003027567A (ja) | 下水流入量予測装置および方法、サーバ装置 | |
| CN115014299A (zh) | 基于物联网和大数据的洪峰预警方法 | |
| Shah et al. | A water demand prediction model for central indiana | |
| JP2704026B2 (ja) | 熱負荷予測システム | |
| JPH0849266A (ja) | 配水需要予測装置 | |
| JP3321308B2 (ja) | プラント予測制御装置 | |
| JPH06119291A (ja) | 配水量予測装置 | |
| JPH08308108A (ja) | 電力需要量予測方法およびその装置 | |
| Velasco et al. | Days-ahead water level forecasting using artificial neural networks for watersheds | |
| JP2000305606A (ja) | 配水需要量予測方法 | |
| JP3268520B2 (ja) | ガス需要量の予測方法 | |
| JP2971276B2 (ja) | 配水量パターン予測装置 | |
| JPH10219758A (ja) | 需要予測装置 | |
| JPH11164480A (ja) | 電力系統監視制御装置及び該装置の処理プログラムを記録した記録媒体 | |
| JP2698692B2 (ja) | 配水流量予測システム | |
| JP3247407B2 (ja) | 配水量パタン予測装置 | |
| JP2795997B2 (ja) | 配水量予測装置 | |
| JP2000003353A (ja) | 配水量予測方法 |