JPH09256338A - Water level forecasting device for river - Google Patents
Water level forecasting device for riverInfo
- Publication number
- JPH09256338A JPH09256338A JP6647496A JP6647496A JPH09256338A JP H09256338 A JPH09256338 A JP H09256338A JP 6647496 A JP6647496 A JP 6647496A JP 6647496 A JP6647496 A JP 6647496A JP H09256338 A JPH09256338 A JP H09256338A
- Authority
- JP
- Japan
- Prior art keywords
- water level
- prediction
- data
- model
- rainfall
- 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.)
- Withdrawn
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 161
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 20
- 238000000034 method Methods 0.000 abstract description 19
- 238000013500 data storage Methods 0.000 abstract description 11
- 238000000611 regression analysis Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000010606 normalization Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
【０００１】[0001]
【発明の属する技術分野】本発明は、河川流域内設備の
監視制御に適用される河川プラント監視制御装置におけ
る河川水位予測装置に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a river water level predicting device in a river plant monitor and control device applied to monitor and control equipment in a river basin.
【０００２】[0002]
【従来の技術】従来の河川水位予測装置は、図９に示す
ように構成されている。同図において、１は水位予測対
象河川の複数地点の水位を計測する水位計測装置、２は
対象河川流域の複数地点の降雨を計測する降雨計測装置
で、これらの計測結果は河川水位を予測する河川水位予
測装置１０に入力される。上記河川水位予測装置１０
は、水位・降雨データ格納部１１、データ処理部１２、
モデル作成部１３、モデル格納部１４、水位予測部１
５、入力部１６、表示部１７により構成される。2. Description of the Related Art A conventional river water level prediction device is constructed as shown in FIG. In the figure, 1 is a water level measuring device that measures the water level at multiple points in the target river for water level prediction, and 2 is a rainfall measuring device that measures rainfall at multiple points in the target river basin. These measurement results predict the river water level. It is input to the river water level prediction device 10. The river water level prediction device 10
Is a water level / rainfall data storage unit 11, a data processing unit 12,
Model creation unit 13, model storage unit 14, water level prediction unit 1
5, the input unit 16 and the display unit 17.
【０００３】上記水位・降雨データ格納部１１は、水位
計測装置１及び降雨計測装置２で計測された水位・降雨
データを格納し、データ処理部１２に出力する。このデ
ータ処理部１２は、水位予測モデルの入力データとして
採用する水位・降雨データを選ぶために、各データ間の
相関関係を算出し、モデル作成部１３及び水位予測部１
５に入力する。モデル作成部１３は、データ処理部１２
で選ばれた水位・降雨データに基づいて重回帰演算を行
ない、各入力データの係数を算出することで、水位予測
モデルを作成し、モデル格納部１４に格納する。このモ
デル格納部１４に格納された水位予測モデルは、水位予
測部１５に入力される。また、この水位予測部１５に
は、運転員３からの指示が入力部１６を介して入力され
る。この入力部１６は、運転員３が水位予測値を得る
等、河川水位予測装置１０を利用するためのインタフェ
ースとなる。The water level / rainfall data storage unit 11 stores the water level / rainfall data measured by the water level measuring device 1 and the rainfall measuring device 2, and outputs it to the data processing unit 12. The data processing unit 12 calculates the correlation between each data in order to select the water level / rainfall data to be used as the input data of the water level prediction model, and the model creation unit 13 and the water level prediction unit 1
Enter in 5. The model creating unit 13 includes a data processing unit 12
A multiple regression calculation is performed on the basis of the water level / rainfall data selected in, and the coefficient of each input data is calculated to create a water level prediction model, which is stored in the model storage unit 14. The water level prediction model stored in the model storage unit 14 is input to the water level prediction unit 15. Further, an instruction from the operator 3 is input to the water level prediction unit 15 via the input unit 16. The input unit 16 serves as an interface for the operator 3 to use the river water level prediction device 10 such as obtaining a water level prediction value.
【０００４】上記水位予測部１５は、モデル格納部１４
に格納された水位予測モデルを取込み、同水位予測モデ
ルに、水位・降雨データ格納部１１に格納された最新及
び過去のデータを入力することで、将来時刻における水
位予測値を算出して表示部１７に表示する。The water level predicting unit 15 includes a model storing unit 14
By taking in the water level prediction model stored in, and inputting the latest and past data stored in the water level / rainfall data storage unit 11 to the same water level prediction model, the water level prediction value at the future time is calculated and displayed on the display unit. Display on 17.
【０００５】上記従来の河川水位予測装置１０では、運
転員３の判断で、モデル作成用のデータを選定し、これ
らのデータ中の水位・降雨の時系列データを用いて、例
えば１時間後等の将来時刻における水位を直接的に予測
する水位予測モデルを作成し、更に運転員３の判断でモ
デルの更新を行なっている。In the above-mentioned conventional river water level predicting apparatus 10, the operator 3 judges the data for model creation, and the time series data of water level and rainfall in these data is used, for example, after one hour. The water level prediction model for directly predicting the water level at the future time of is created, and the model is updated by the judgment of the operator 3.
【０００６】図３はモデルの構造例（流域図）を示すも
ので、Ａ，Ｂ，Ｃの地点に排水機場、Ｋの地点に工事事
務所がある場合の例である。このモデル構造例におい
て、予測対象地点における１時間後の水位Ｌ1Hを予測す
る場合、モデル作成部１３は次に示す水位予測モデルを
作成し、モデル格納部１４に格納する。FIG. 3 shows a structural example (basin diagram) of the model, which is an example in the case where there are a drainage pump station at points A, B and C and a construction office at point K. In this model structure example, when predicting the water level L 1H one hour after at the prediction target point, the model creation unit 13 creates the following water level prediction model and stores it in the model storage unit 14.
【０００７】Ｌ1H＝［Ａ地点の降雨量の時間変化］＋
［Ａ地点の内水位の時間変化］＋定数項ａ0 上式における各項は、次式により求められる。L 1H = [change in rainfall at point A over time] +
[Change in internal water level at point A] + constant term a 0 Each term in the above equation is obtained by the following equation.
【０００８】［Ａ地点の降雨量の時間変化］＝ａ1 ｒ0H
＋ａ2 ｒ-0.5H ＋ａ3 ｒ-1H ＋…＋ａ9 ｒ-4H ［Ａ地点の内水位の時間変化］＝ａ10Ｌ0min＋ａ11Ｌ
-10min＋ａ12Ｌ-20min ［定数項］＝ａ0 但し、ａ0 〜ａ12：重回帰分析による係数 ｒ-xH ：ｘ時間前の降雨量（ｒ0H：現在の降雨量） Ｌ-xmin ：ｘ分前の内水位（Ｌ0min：現在の内水位） なお、図７は、上記水位予測モデルにおける変数を示し
たものである。[Change of rainfall amount at time point A] = a 1 r 0H
+ A 2 r -0.5H + a 3 r -1H + ... + a 9 r -4H [Change in internal water level at point A with time] = a 10 L 0min + a 11 L
-10min + a 12 L -20min [constant term] = a 0 However, a 0 to a 12 : coefficient by multiple regression analysis r -xH : rainfall amount x hours ago (r 0H : current rainfall amount) L -xmin : Inner water level x minutes before (L 0min : current inner water level) FIG. 7 shows variables in the water level prediction model.
【０００９】[0009]
【発明が解決しようとする課題】上記従来の方法では、
運転員自らの判断で選定したモデル作成用データで水位
予測モデルを作成し、更に運転員自らの判断で新たな水
位変化パターンのデータが入手できたと判断した場合
に、モデルの更新を行なっている。この方法では、新た
なデータを入手する度に運転員がモデル更新の必要性を
判断しなければならず、かつモデルに反映すべきデータ
か否かの判断基準が主観的で不安定となる問題がある。In the above conventional method,
A water level prediction model is created using the model creation data selected by the operator's own judgment, and the model is updated when it is judged by the operator's own that new water level change pattern data is available. . With this method, the operator has to judge the necessity of updating the model each time new data is obtained, and the criteria for judging whether or not the data should be reflected in the model are subjective and unstable. There is.
【００１０】また、例えば１時間先等の将来時刻におけ
る水位を直接予測するモデルであるために、モデル作成
時に学習済みパターンからずれた場合、予測誤差が大き
くなるという問題がある。Further, since it is a model for directly predicting the water level at a future time such as one hour ahead, if there is a deviation from the learned pattern at the time of model creation, there is a problem that the prediction error becomes large.
【００１１】本発明は上記の課題を解決するためになさ
れたもので、河川水位の予測精度を向上し得ると共に、
新たに入手したデータに対する適切なモデル更新により
予測精度を維持して常に的確な水位予測を行ない得る河
川水位予測装置を提供することを目的とする。The present invention has been made to solve the above problems, and can improve the accuracy of predicting river water level, and
It is an object of the present invention to provide a river water level prediction device capable of always performing accurate water level prediction while maintaining prediction accuracy by appropriately updating a model for newly acquired data.
【００１２】[0012]
【課題を解決するための手段】本発明は、水位予測対象
河川の水位とその領域の降雨量の時系列データを用いて
統計的手法により予測モデルを作成し、将来時刻の水位
を予測すると共に、新たな水位・降雨変化パターンに対
して予測モデルを更新する河川水位予測装置において、
水位予測対象河川の水位とその領域の降雨量を計測する
水位・降雨計測手段と、この計測手段により新たに得ら
れた水位・降雨データが、これまでの予測モデルにおい
て学習済みのパターンか否かを判定するパターン判定手
段と、このパターン判定手段により未学習と判定された
水位・降雨データについて、過去の学習データと併せた
形で新たな学習データとし、このデータを用いてモデル
作成を行なうモデル作成手段と、現在時刻から運転員の
指定した将来時刻までの時間をｎステップに分割したう
ちの１ステップ分の水位予測を上記予測モデルにより行
なう予測演算手段と、この予測演算手段による演算結果
を次のステップの予測演算の入力値の１つとするために
保存する中間予測値格納手段と、上記予測演算手段をｎ
回繰り返して指定将来時刻の予測水位を算出する水位予
測手段とを具備したことを特徴とする。According to the present invention, a forecasting model is created by a statistical method using time series data of the water level of a river subject to water level forecasting and rainfall in that area, and the water level at a future time is forecasted. , In the river water level prediction device that updates the prediction model for the new water level / rainfall change pattern,
Whether or not the water level / rainfall measurement means that measures the water level of the target river and the amount of rainfall in that area and the water level / rainfall data newly obtained by this measurement means are patterns that have already been learned in the previous prediction models A model for making a model using this pattern determination means and the water level / rainfall data determined to be unlearned by this pattern determination means as new learning data in combination with past learning data. The creating means, the predictive calculating means for performing the water level prediction for one step out of the n steps of the time from the current time to the future time specified by the operator, and the calculation result by this predictive calculating means The intermediate predictive value storage means to be stored as one of the input values of the predictive calculation in the next step and the predictive calculation means are n.
A water level predicting means for repeatedly calculating the predicted water level at a designated future time is provided.
【００１３】（作用）パターン判定手段により、新たに
入手した降雨・水位データのパターン分類を実施するこ
とにより、更新の必要な未学習パターンか、あるいは既
にモデル作成に使用済みのデータと同じパターンかを一
定の基準で判定することができ、かつ必要な場合のみ効
率良くモデル更新を行なうことができる。(Operation) By the pattern determination means, by performing pattern classification of the newly obtained rainfall / water level data, whether it is an unlearned pattern that needs to be updated or the same pattern as the data already used for model creation. Can be determined based on a certain standard, and the model can be efficiently updated only when necessary.
【００１４】また、水位予測手段により、数ステップ先
の水位を直接予測するモデルの代わりに、１ステップ先
の水位を高精度で予測するモデルで次ステップの予測水
位を行ない、その予測結果を入力の１つとして更に次の
ステップの予測を行なうという操作を繰り返し、数ステ
ップ先の水位を予測することで、予測精度を向上させる
ことができる。Further, the water level predicting means performs a predicted water level of the next step by a model which predicts the water level of one step ahead with high accuracy, instead of the model which directly predicts the water level of several steps ahead, and inputs the prediction result. As one of the above, it is possible to improve the prediction accuracy by repeating the operation of further predicting the next step to predict the water level several steps ahead.
【００１５】[0015]
【発明の実施の形態】以下、図面を参照して本発明の一
実施形態を説明する。図１は本発明の一実施形態に係る
河川水位予測装置の構成を示すブロック図である。同図
において、１は水位予測対象河川の複数地点の水位を計
測する水位計測装置、２は対象河川流域の複数地点の降
雨を計測する降雨計測装置で、これらの計測結果は河川
水位を予測する河川水位予測装置１０Ａに入力される。
上記河川水位予測装置１０Ａは、水位・降雨データ格納
部１１、データ処理部１２、パターン判定部１８、モデ
ル作成部１３、モデル格納部１４、水位予測部１５Ａ、
入力部１６、表示部１７により構成される。DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS An embodiment of the present invention will be described below with reference to the drawings. FIG. 1 is a block diagram showing the configuration of a river water level prediction device according to an embodiment of the present invention. In the figure, 1 is a water level measuring device that measures the water level at multiple points in the target river for water level prediction, and 2 is a rainfall measuring device that measures rainfall at multiple points in the target river basin. These measurement results predict the river water level. It is input to the river water level prediction device 10A.
The river water level prediction device 10A includes a water level / rainfall data storage unit 11, a data processing unit 12, a pattern determination unit 18, a model creation unit 13, a model storage unit 14, a water level prediction unit 15A,
It is composed of an input unit 16 and a display unit 17.
【００１６】上記水位・降雨データ格納部１１は、水位
計測装置１及び降雨計測装置２で計測された水位・降雨
データを格納し、データ処理部１２に出力する。このデ
ータ処理部１２は、水位予測モデルの入力データとして
採用する水位・降雨データを選ぶために、各データ間の
相関関係を算出し、パターン判定部１８及び水位予測部
１５Ａに入力する。パターン判定部１８は、新たに入手
した降雨・水位データのパターン分類を実施することに
より、更新の必要な未学習パターンか、あるいは既にモ
デル作成に使用済みのデータと同じパターンかを一定の
基準で判定し、モデル作成部１３に入力する。モデル作
成部１３は、パターン判定部１８の判定結果に基づいて
水位予測モデルの作成、モデル更新処理等を実施し、作
成モデルをモデル格納部１４に格納する。このモデル格
納部１４に格納された水位予測モデルは、水位予測部１
５Ａに入力される。また、この水位予測部１５Ａには、
運転員３からの指示が入力部１６を介して入力される。
運転員３は、河川の水位を予測するための将来時刻等を
入力部１６より入力する。この入力部１６は、運転員３
が水位予測値を得る等、河川水位予測装置１０を利用す
るためのインタフェースとなる。The water level / rainfall data storage unit 11 stores the water level / rainfall data measured by the water level measuring device 1 and the rainfall measuring device 2, and outputs it to the data processing unit 12. The data processing unit 12 calculates the correlation between each data in order to select the water level / rainfall data to be used as the input data of the water level prediction model, and inputs it to the pattern determination unit 18 and the water level prediction unit 15A. The pattern determination unit 18 classifies the newly acquired rainfall / water level data into patterns to determine whether it is an unlearned pattern that needs to be updated or the same pattern as the data that has already been used for model creation, based on a certain criterion. It is determined and input to the model creation unit 13. The model creating unit 13 creates a water level prediction model, performs model update processing, and the like based on the determination result of the pattern determining unit 18, and stores the created model in the model storage unit 14. The water level prediction model stored in the model storage unit 14 is the water level prediction unit 1.
Input to 5A. In addition, the water level prediction unit 15A
The instruction from the operator 3 is input via the input unit 16.
The operator 3 inputs the future time or the like for predicting the water level of the river from the input unit 16. This input unit 16 is used by the operator 3
Is an interface for using the river water level prediction device 10 to obtain a water level prediction value.
【００１７】上記水位予測部１５Ａは、モデル予測演算
部１５１及び中間予測値格納部１５２からなり、運転員
３の指定した将来時刻の水位予測値を算出する。モデル
予測演算部１５１は、モデル格納部１４に格納された水
位予測モデルを取込み、同水位予測モデルに、水位・降
雨データ格納部１１に格納された最新及び過去の時系列
データを入力することで、現在時刻から運転員３の指定
した将来時刻までの時間をｎステップに分割したうち
の、１ステップ分の予測を行なう。この予測結果は、中
間予測値格納部１５２に格納され、次ステップの予測演
算の入力値の１つとして使用される。The water level prediction unit 15A comprises a model prediction calculation unit 151 and an intermediate prediction value storage unit 152, and calculates a water level prediction value at a future time designated by the operator 3. The model prediction calculation unit 151 takes in the water level prediction model stored in the model storage unit 14, and inputs the latest and past time series data stored in the water level / rainfall data storage unit 11 into the same water level prediction model. , The prediction from one time step out of n steps divided from the current time to the future time specified by the operator 3 is performed. This prediction result is stored in the intermediate prediction value storage unit 152 and used as one of the input values for the prediction calculation in the next step.
【００１８】次に上記実施形態の動作を図２のフローチ
ャートを参照して説明する。図３に示すモデルの構造例
（流域図）について河川水位予測を行なう場合について
説明する。図３では、水位予測対象河川５に近いＡ，
Ｂ，Ｃの地点に排水機場がり、また、河川５から少し離
れたＫの地点に工事事務所がある場合の例を示してい
る。Next, the operation of the above embodiment will be described with reference to the flowchart of FIG. A case of performing river water level prediction for the structural example (basin diagram) of the model shown in FIG. 3 will be described. In Figure 3, A, which is close to the water level prediction target river 5,
An example is shown in which the drainage pump stations are located at points B and C, and the construction office is located at a point K slightly away from the river 5.
【００１９】水位計測装置１により水位予測対象河川５
の複数地点の水位を計測すると共に、降雨計測装置２に
より河川流域の複数地点の降雨量を計測し、その計測結
果を水位・降雨データ格納部１１に格納する（ステップ
Ａ１）。上記の計測処理は、一定時間毎に実施する。River 5 for which water level is predicted by the water level measuring device 1
In addition to measuring the water levels at a plurality of points, the rainfall measuring device 2 measures the amounts of rainfall at a plurality of points in the river basin and stores the measurement results in the water level / rainfall data storage unit 11 (step A1). The above measurement process is performed at regular intervals.
【００２０】図４は、水位・降雨データ格納部１１に格
納した水位・降雨データの例を示したもので、この例で
は３０分毎に計測動作を行なっている。データ処理部１
２は、水位・降雨データ格納部１１に格納されたデータ
により、正規化処理及び相関演算処理を行なう（ステッ
プＡ２）。FIG. 4 shows an example of the water level / rainfall data stored in the water level / rainfall data storage unit 11. In this example, the measurement operation is performed every 30 minutes. Data processing unit 1
At 2, the data stored in the water level / rainfall data storage unit 11 performs a normalization process and a correlation calculation process (step A2).
【００２１】正規化処理では、水位、降雨毎に最小・最
大値を求め、０〜１の範囲の値に換算する。相関演算処
理では、出力データと入力データとの間の相関値を求
め、相関値の高い変数を入力データとして採用する。図
５は、水位データの相関演算処理結果を示したもので、
図中「ｔ−ｎ」は「ｎ×１０分」前のデータを表してい
る。In the normalization process, the minimum and maximum values are calculated for each water level and rainfall, and converted into values in the range of 0 to 1. In the correlation calculation process, a correlation value between output data and input data is obtained, and a variable having a high correlation value is adopted as input data. FIG. 5 shows the result of correlation calculation processing of water level data.
In the figure, “t-n” represents the data before “n × 10 minutes”.
【００２２】パターン判定部１８は、データ処理部１２
の正規化処理結果から、過去にモデル作成用として用い
たデータとのパターン認識を統計的手法（クラスター分
析手法）により行ない、同一パターンの有無、つまり、
未学習パターンであるか否かを判定する（ステップＡ
３）。未学習パターンであった場合には、追加データと
して過去のモデル作成用データと結合してモデル作成部
１３に出力し、更新処理を実行する（ステップＡ４）。The pattern determination section 18 is the data processing section 12
From the normalization processing result of, pattern recognition with the data used for model creation in the past is performed by a statistical method (cluster analysis method), and the presence or absence of the same pattern, that is,
It is determined whether or not it is an unlearned pattern (step A
3). If it is an unlearned pattern, it is combined with past model creating data as additional data and output to the model creating unit 13 to execute the update process (step A4).
【００２３】モデル作成部１３は、図５に示したデー
タ、つまり、上記相関演算結果を反映して選択された変
数を入力データとして重回帰分析手法による演算を行な
い、図６に示す予測モデルの重回帰係数を出力し、モデ
ル格納部１４に格納する。この係数は、予測用データが
入力され、パターン判定部１８で過去のパターンと一致
しないものであると判断されたときは、モデル作成部１
３で再計算され、その後の予測に使用される。The model creating section 13 performs the calculation by the multiple regression analysis method using the data shown in FIG. 5, that is, the variables selected by reflecting the above correlation calculation result as input data, and the prediction model shown in FIG. The multiple regression coefficient is output and stored in the model storage unit 14. The prediction data is input to this coefficient, and when the pattern determination unit 18 determines that it does not match the past pattern, the model creation unit 1
It is recalculated in 3 and used for subsequent predictions.
【００２４】上記重回帰分析手法は、ｎ入力１出力の入
出力データ間の関係を同定する統計的手法であり、出力
データの変化に対する入力データの影響の大きさによ
り、入力データの係数を決定する。The above multiple regression analysis method is a statistical method for identifying the relationship between input / output data of n inputs and 1 output, and the coefficient of the input data is determined according to the magnitude of the influence of the input data on the change of the output data. To do.
【００２５】上記ステップＡで未学習パターンであると
判定された場合、あるいはステップＡ４のモデル更新処
理を終了すると、水位予測部１５Ａにより水位予測処理
を実行する。すなわち、モデル予測演算部１５１は、モ
デル格納部１４に格納されている係数データにより定義
される水位予測モデルを取込み、同水位予測モデルにデ
ータ処理部１２で正規化されたデータを入力して（ｔ＝
ｋ）における予測値を求める（ステップＡ５）。この予
測結果は、中間予測値格納部１５２に格納し、次ステッ
プの予測入力データとする（ステップＡ６）。When it is determined in step A that the pattern is an unlearned pattern, or when the model updating process of step A4 ends, the water level predicting unit 15A executes the water level predicting process. That is, the model prediction calculation unit 151 takes in the water level prediction model defined by the coefficient data stored in the model storage unit 14, and inputs the data normalized by the data processing unit 12 to the same water level prediction model ( t =
The predicted value in k) is calculated (step A5). This prediction result is stored in the intermediate prediction value storage unit 152 and used as the prediction input data for the next step (step A6).
【００２６】その後、「ｋ−ｋ＋１」の処理を行ない
（ステップＡ７）、ｋの値が指定将来時刻に相当するｎ
（演算繰返し回数）の値より大きくなったか否かを判断
し（ステップＡ８）、未だｎより大きくなっていなけれ
ば再度ステップＡ５に戻ってモデルにより予測演算を行
なう。そして、ステップＡ８でｋの値がｎより大きくな
ったことが検出されると、その時の水位予測値を指定将
来時刻における予測結果として表示部１７に表示する
（ステップＡ９）。Thereafter, the process of "k-k + 1" is performed (step A7), and the value of k corresponds to the designated future time n.
It is judged whether or not it has become larger than the value of (the number of calculation repetitions) (step A8), and if it has not become larger than n, the process returns to step A5 again to perform the prediction calculation by the model. Then, when it is detected in step A8 that the value of k becomes larger than n, the water level predicted value at that time is displayed on the display unit 17 as the prediction result at the designated future time (step A9).
【００２７】上記のようにモデル予測演算部１５１の出
力を次ステップ予測の入力とする予測演算をｎ回繰返す
ことで、指定将来時刻（ｎステップ後）の予測水位を算
出する。例えば６ステップ（１ステップは例えば１０分
間）後の水位を予測する場合であれは、入力データに対
し、「ｋ＋１」（１０分後）のデータを出力とする短期
型のより精度の高い水位予測モデルを作成し、この予測
値を入力の１つとして次ステップの「ｋ＋２」の予測を
行ない、これを６回繰返すことで最終的に「ｋ＋６」の
予測値を得る。As described above, the predicted water level at the designated future time (after n steps) is calculated by repeating n times the prediction calculation using the output of the model prediction calculation unit 151 as the input of the next step prediction. For example, in the case of predicting the water level after 6 steps (1 step is for 10 minutes, for example), a short-term, more accurate water level prediction that outputs “k + 1” (10 minutes later) data for the input data A model is created, "k + 2" of the next step is predicted using this predicted value as one of the inputs, and this is repeated 6 times to finally obtain the predicted value of "k + 6".
【００２８】上記図３の予測地点Ａにおける１０分後の
内水位Ｌ10min は、次式により求めることができる。 Ｌ10min ＝［Ｋ地点の降雨量の時間変化］＋［Ａ地点の
内水位の時間変化］＋［上流Ｂ地点の水位の時間変化］
＋［定数項ａ0 ］ 上式における各項は、次式により求められる。The inner water level L 10min after 10 minutes at the prediction point A in FIG. 3 can be obtained by the following equation. L 10min = [time change of rainfall at K point] + [time change of inner water level at A point] + [time change of water level at upstream B point]
+ [Constant term a 0 ] Each term in the above equation is obtained by the following equation.
【００２９】［Ｋ地点の降雨量の時間変化］＝Ｋ1 ｒ0H
＋Ｋ2 ｒ-0.5H ＋Ｋ3 ｒ-1H＋…＋Ｋ11ｒ-5H ［Ａ地点の内水位の時間変化］＝ａ1 Ｌａ0H＋ａ2 Ｌａ
-0.5H ＋ａ3 Ｌａ−１Ｈ ［上流Ｂ地点の水位の時間変化］＝ｂ１ Ｌｂ0H＋ｂ2
Ｌｂ-0.5H＋ｂ3 Ｌｂ-1H ＋ｂ4 Ｌｂ-1.5H ［定数項］＝ａ0 但し、ａ0 〜ａ3 、ｂ1 〜ｂ4 、Ｋ1 〜Ｋ11：重回帰分
析による係数 ｒ-xH ：ｘ時間前のＫ地点の降雨量（ｒ0H：現在の降
雨量） Ｌａ-xH ：ｘ時間前のＡ地点の内水位（Ｌａ0H：現在の
Ａ内水位） Ｌｂ-xH ：ｘ時間前のＢ地点の内水位（Ｌｂ0H：現在の
Ｂ内水位） なお、図７は、上記水位予測モデル及び従来例における
変数を示したものである。[Change of rainfall amount at point K with time] = K 1 r 0H
+ K 2 r -0.5H + K 3 r -1H + ... + K 11 r -5H [Change in inner water level at point A with time] = a 1 La 0H + a 2 La
-0.5H + a 3 La -1H [Change in water level at upstream B point with time] = b 1 Lb 0H + b 2
Lb -0.5H + b 3 Lb -1H + b 4 Lb -1.5H [ constant term] = a 0, however, a 0 ~a 3, b 1 ~b 4, K 1 ~K 11: Factor by Multiple Regression Analysis r -xH : Rainfall at point K x hours before (r 0H : current rainfall) La -xH : Inner water level at point A x hours before (La 0H : Current water level in A) Lb -xH : Before x hours Inner water level at point B (Lb 0H : current inner B water level) FIG. 7 shows variables in the water level prediction model and the conventional example.
【００３０】そして、上記ステップＡ９で水位予測値を
表示部１７に表示した後、降雨終了の予測かつ水位予測
値変化が安定しているか否かを判断し（ステップＡ１
０）、その判断結果がＮＯであればステップＡ１に戻っ
てデータの計測処理、水位予測処理を再実行する。上記
ステップＡ１０の判断結果がＹＥＳであれば、水位予測
処理を終了する。Then, after displaying the predicted water level on the display unit 17 in step A9, it is judged whether the prediction of the end of rainfall and the change in the predicted water level are stable (step A1).
0) If the determination result is NO, the process returns to step A1 to re-execute the data measurement process and the water level prediction process. If the decision result in the above step A10 is YES, the water level prediction process is ended.
【００３１】図８は、本願発明における水位予測モデル
による予測結果と入力データである降雨データと、入力
データかつ予測対象データである河川水位データの計測
実績曲線を示すグラフである。このグラフは、縦軸に内
水位（目盛値０〜１．０が０〜２ｍに相当）及び降雨量
（目盛値０〜１．０が０〜５０ｍｍ／ｈｒに相当）を示
し、横軸に時間（１目盛が１０分に相当）を示した。ま
た、同グラフにおいて、細線（実線）は観測値、太線
（実線）は理論値、破線は降雨量を示している。上記グ
ラフから明らかなように本発明による水位予測値は、実
際の観測値に非常に近い値となっていることが分かる。FIG. 8 is a graph showing the results of prediction by the water level prediction model according to the present invention, rainfall data as input data, and measurement curve of the river water level data as input data and data to be predicted. This graph shows the internal water level (scale value 0 to 1.0 corresponds to 0 to 2 m) and rainfall (scale value 0 to 1.0 corresponds to 0 to 50 mm / hr) on the vertical axis, and the horizontal axis. The time is indicated (1 scale corresponds to 10 minutes). In the graph, the thin line (solid line) shows the observed value, the thick line (solid line) shows the theoretical value, and the broken line shows the rainfall amount. As is clear from the above graph, the water level predicted value according to the present invention is very close to the actual observed value.
【００３２】[0032]
【発明の効果】以上詳記したように本発明によれば、河
川流域内設備の監視制御に適用される河川プラント監視
制御装置において、予測精度を向上し得ると共に、新た
に入手したデータに対する適切なモデル更新による予測
精度を維持して常に適切な予測時を運転員に提供するこ
とができる。As described above in detail, according to the present invention, in a river plant monitoring and controlling apparatus applied to monitoring and controlling equipment in a river basin, it is possible to improve the prediction accuracy, and it is suitable for newly acquired data. It is possible to maintain the prediction accuracy by various model updates and always provide the operator with an appropriate prediction time.
【図１】本発明の一実施形態に係る河川水位予測装置の
構成を示すブロック図。FIG. 1 is a block diagram showing the configuration of a river water level prediction device according to an embodiment of the present invention.
【図２】同実施形態における処理動作を示すフローチャ
ート。FIG. 2 is a flowchart showing a processing operation in the same embodiment.
【図３】同実施形態における水位予測対象河川の流域説
明図。FIG. 3 is a basin explanatory diagram of a water level prediction target river in the same embodiment.
【図４】同実施形態における水位・降雨格納データ例を
示す図。FIG. 4 is a diagram showing an example of water level / rainfall storage data in the same embodiment.
【図５】同実施形態における水位データの相関演算処理
結果を示す図。FIG. 5 is a view showing a correlation calculation processing result of water level data in the same embodiment.
【図６】同実施形態における予測モデル重回帰係数を示
す図。FIG. 6 is a diagram showing a prediction model multiple regression coefficient in the same embodiment.
【図７】従来及び本願実施形態における水位予測モデル
の変数を示す図。FIG. 7 is a diagram showing variables of a water level prediction model according to the related art and the embodiment of the present application.
【図８】本願実施形態における水位予測モデルによる予
測結果と、入力データである降雨データ及び入力かつ予
測対象となる水位データの例を示すトレンドグラフ図。FIG. 8 is a trend graph diagram showing an example of prediction results by a water level prediction model according to the embodiment of the present application, rainfall data that is input data, and water level data that is an input and prediction target.
【図９】従来の河川水位予測装置の構成を示すブロック
図。FIG. 9 is a block diagram showing the configuration of a conventional river water level prediction device.
１ 水位計測装置 ２ 降雨計測装置 ３ 運転員 １０Ａ 河川水位予測装置 １１ 水位・降雨データ格納部 １２ データ処理部 １３ モデル作成部 １４ モデル格納部 １５Ａ 水位予測部 １５１ モデル予測演算部 １５２ 中間予測値格納部 １６ 入力部 １７ 表示部 １８ パターン判定部 1 Water Level Measuring Device 2 Rainfall Measuring Device 3 Operator 10A River Water Level Predicting Device 11 Water Level / Rainfall Data Storage 12 Data Processing 13 Model Creation 14 Model Storage 15A Water Prediction 151 151 Model Prediction Calculator 152 Intermediate Prediction Storage 16 input section 17 display section 18 pattern determination section
Claims (1)
雨量の時系列データを用いて統計的手法により予測モデ
ルを作成し、将来時刻の水位を予測すると共に、新たな
水位・降雨変化パターンに対して予測モデルを更新する
河川水位予測装置において、 水位予測対象河川の水位とその領域の降雨量を計測する
水位・降雨計測手段と、 この計測手段により新たに得られた水位・降雨データ
が、これまでの予測モデルにおいて学習済みのパターン
か否かを判定するパターン判定手段と、 このパターン判定手段により未学習と判定された水位・
降雨データについて、過去の学習データと併せた形で新
たな学習データとし、このデータを用いてモデル作成を
行なうモデル作成手段と、 現在時刻から運転員の指定した将来時刻までの時間をｎ
ステップに分割したうちの１ステップ分の水位予測を上
記予測モデルにより行なう予測演算手段と、 この予測演算手段による演算結果を次のステップの予測
演算の入力値の１つとするために保存する中間予測値格
納手段と、 上記予測演算手段をｎ回繰り返して指定将来時刻の予測
水位を算出する水位予測手段と、 を具備したことを特徴とする河川水位予測装置。1. A forecast model is created by a statistical method using the time series data of the water level of a river subject to water level prediction and the amount of rainfall in that area, and the water level at a future time is predicted, as well as a new water level / rainfall change pattern. In the river water level prediction device that updates the prediction model for, the water level / rainfall measurement means for measuring the water level of the target river for water level prediction and the rainfall in that area, and the water level / rainfall data newly obtained by this measurement means , Pattern determination means for determining whether or not the pattern has been learned in the prediction models so far, and the water level / undetermined water level determined by this pattern determination means
Regarding the rainfall data, new learning data is combined with the past learning data, and a model creating means for creating a model using this data and the time from the current time to the future time specified by the operator are n.
Prediction calculation means for performing the water level prediction for one step among the steps divided by the prediction model, and intermediate prediction for storing the calculation result by this prediction calculation means as one of the input values of the prediction calculation of the next step A river water level prediction device comprising: a value storage means; and a water level prediction means that repeats the prediction calculation means n times to calculate a predicted water level at a specified future time.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6647496A JPH09256338A (en) | 1996-03-22 | 1996-03-22 | Water level forecasting device for river |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6647496A JPH09256338A (en) | 1996-03-22 | 1996-03-22 | Water level forecasting device for river |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH09256338A true JPH09256338A (en) | 1997-09-30 |
Family
ID=13316826
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6647496A Withdrawn JPH09256338A (en) | 1996-03-22 | 1996-03-22 | Water level forecasting device for river |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH09256338A (en) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002107462A (en) * | 2000-09-28 | 2002-04-10 | Foundation Of River & Basin Integrated Communications Japan | Rainfall food forecasting system |
| JP2007205001A (en) * | 2006-02-01 | 2007-08-16 | Fuji Electric Systems Co Ltd | Discharge forecasting apparatus |
| JP2008106477A (en) * | 2006-10-24 | 2008-05-08 | Yamatake Corp | Rainwater outflow estimating equipment and program |
| CN101899820A (en) * | 2010-08-05 | 2010-12-01 | 北京师范大学 | Method for determining amount of available surface water of river basin facing to protection of river ecosystem |
| JP2012012907A (en) * | 2010-07-05 | 2012-01-19 | Chubu Electric Power Co Inc | Dam measurement data evaluation method and dam measurement data evaluation system |
| JP2015049177A (en) * | 2013-09-03 | 2015-03-16 | 中国電力株式会社 | Inflow prediction device, inflow prediction method, water level prediction device and program |
| JP2019095240A (en) * | 2017-11-20 | 2019-06-20 | 日本無線株式会社 | Water level prediction method, water level prediction program, and water level prediction device |
| CN109978263A (en) * | 2019-03-27 | 2019-07-05 | 上海市园林设计研究总院有限公司 | A kind of parks' water system water level method for early warning |
| JP2020002658A (en) * | 2018-06-28 | 2020-01-09 | 富士通株式会社 | Information processing apparatus, river water level prediction method, and river water level prediction program |
| JP6837612B1 (en) * | 2020-05-28 | 2021-03-03 | 三菱電機株式会社 | Equipment status monitoring device and equipment status monitoring method |
| JP2021046710A (en) * | 2019-09-18 | 2021-03-25 | 鹿島建設株式会社 | Water level prediction device, water level prediction method and water level prediction program |
| CN116150973A (en) * | 2022-12-29 | 2023-05-23 | 中国长江电力股份有限公司 | River flow calculation method based on model tree and integrated learning combination algorithm |
-
1996
- 1996-03-22 JP JP6647496A patent/JPH09256338A/en not_active Withdrawn
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002107462A (en) * | 2000-09-28 | 2002-04-10 | Foundation Of River & Basin Integrated Communications Japan | Rainfall food forecasting system |
| JP2007205001A (en) * | 2006-02-01 | 2007-08-16 | Fuji Electric Systems Co Ltd | Discharge forecasting apparatus |
| JP2008106477A (en) * | 2006-10-24 | 2008-05-08 | Yamatake Corp | Rainwater outflow estimating equipment and program |
| JP2012012907A (en) * | 2010-07-05 | 2012-01-19 | Chubu Electric Power Co Inc | Dam measurement data evaluation method and dam measurement data evaluation system |
| CN101899820A (en) * | 2010-08-05 | 2010-12-01 | 北京师范大学 | Method for determining amount of available surface water of river basin facing to protection of river ecosystem |
| JP2015049177A (en) * | 2013-09-03 | 2015-03-16 | 中国電力株式会社 | Inflow prediction device, inflow prediction method, water level prediction device and program |
| JP2019095240A (en) * | 2017-11-20 | 2019-06-20 | 日本無線株式会社 | Water level prediction method, water level prediction program, and water level prediction device |
| JP2020002658A (en) * | 2018-06-28 | 2020-01-09 | 富士通株式会社 | Information processing apparatus, river water level prediction method, and river water level prediction program |
| CN109978263A (en) * | 2019-03-27 | 2019-07-05 | 上海市园林设计研究总院有限公司 | A kind of parks' water system water level method for early warning |
| CN109978263B (en) * | 2019-03-27 | 2023-06-09 | 上海市园林设计研究总院有限公司 | Garden water system water level early warning method |
| JP2021046710A (en) * | 2019-09-18 | 2021-03-25 | 鹿島建設株式会社 | Water level prediction device, water level prediction method and water level prediction program |
| JP6837612B1 (en) * | 2020-05-28 | 2021-03-03 | 三菱電機株式会社 | Equipment status monitoring device and equipment status monitoring method |
| WO2021240750A1 (en) * | 2020-05-28 | 2021-12-02 | 三菱電機株式会社 | Equipment state monitoring device and equipment state monitoring method |
| TWI813921B (en) * | 2020-05-28 | 2023-09-01 | 日商三菱電機股份有限公司 | Machine state monitoring device and machine state monitoring method |
| CN116150973A (en) * | 2022-12-29 | 2023-05-23 | 中国长江电力股份有限公司 | River flow calculation method based on model tree and integrated learning combination algorithm |
| CN116150973B (en) * | 2022-12-29 | 2024-02-13 | 中国长江电力股份有限公司 | River flow calculation method based on model tree and integrated learning combination algorithm |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11488074B2 (en) | Method for quantile probabilistic short-term power load ensemble forecasting, electronic device and storage medium | |
| CN107644630B (en) | Melody generation method and device based on neural network and storage medium | |
| CN110245802A (en) | Based on the cigarette void-end rate prediction technique and system for improving gradient promotion decision tree | |
| JP2019527413A (en) | Computer system and method for performing root cause analysis to build a predictive model of rare event occurrences in plant-wide operations | |
| US10796226B2 (en) | Laser processing apparatus and machine learning device | |
| CN107610464A (en) | A kind of trajectory predictions method based on Gaussian Mixture time series models | |
| JPH09256338A (en) | Water level forecasting device for river | |
| JPH08505967A (en) | Method and apparatus for operating a neural network with missing and / or incomplete data | |
| JP3637412B2 (en) | Time-series data learning / prediction device | |
| JP2019021186A (en) | Data processor, control system, data processing method, and program | |
| CN107015900B (en) | A kind of service performance prediction technique of video website | |
| US20220067124A1 (en) | Information processing device, information processing method, and computer program product | |
| JP2021120833A (en) | Model update device and method and process control system | |
| JP2020134300A (en) | Prediction method, prediction program and information processing apparatus | |
| CN111105050B (en) | Fan maintenance plan generation method, device, equipment and storage medium | |
| JP3214876B2 (en) | Neural network configuration method and neural network construction support system | |
| JPH06332506A (en) | Nonlinear controller | |
| JP7263020B2 (en) | Treated water quality estimation device, treated water quality estimation method and program | |
| JP2010152767A (en) | Prediction control method and prediction control system | |
| US11475255B2 (en) | Method for adaptive context length control for on-line edge learning | |
| JP3181018B2 (en) | Weather forecasting device | |
| JPH10117437A (en) | Maximum daily power demand prediction | |
| CN110751335B (en) | Regional ecological quality annual scene prediction evaluation method and device | |
| CN110062458B (en) | Wireless signal fingerprint database optimization updating method and device | |
| JP2021144619A (en) | Information processing device, information processing method and computer program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20030603 |