JPH09322403A - 電鉄負荷管理装置 - Google Patents
電鉄負荷管理装置Info
- Publication number
- JPH09322403A JPH09322403A JP8131543A JP13154396A JPH09322403A JP H09322403 A JPH09322403 A JP H09322403A JP 8131543 A JP8131543 A JP 8131543A JP 13154396 A JP13154396 A JP 13154396A JP H09322403 A JPH09322403 A JP H09322403A
- Authority
- JP
- Japan
- Prior art keywords
- load
- neural network
- train
- load power
- value
- 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.)
- Granted
Links
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
く行ない、使用電力量を電力会社との契約電力以下に維
持することを主な目的とする。 【解決手段】 本発明は、その日のダイヤモードと現在
時刻を入力値として混合結合形ニューラルネットワーク
によって現在時刻から所定時間経過後の負荷電力量を予
測する電力予測手段1と、前記混合結合形ニューラルネ
ットワーク内の結合重み係数を過去の負荷電力量実績値
を教師信号として学習を行なう学習手段2と、前記電力
予測手段によって予測された負荷電力量と、電力会社と
の契約電力とを比較して列車に対するノッチ制限指令の
オン/オフを判断して、その結果を出力するノッチ制限
指令判断手段6と、を具備したことを特徴とする電鉄負
荷管理装置。
Description
荷電力量の予測ならびに使用電力量を所定値以下にする
電鉄負荷管理装置に関する。
び電力料金の削減を目的として、オペレータが、き電区
間に在線する列車本数から判断して、変電所の負荷が契
約電力を越えると予測される場合には、列車運転ノッチ
制限を行なうように指示を出し、列車運転の電力低減を
図っている。
間に在線する列車本数のみから変電所の負荷電力量を予
測することは予測精度の面で問題があり、もし、予測が
はずれて変電所の負荷電力量が電力会社との契約電力を
越えた場合には、電力会社から契約電力超過金をペナル
ティとして課せられてしまう。また、き電区間に在線す
る列車本数を判断して、このような予測を行なう作業を
することはオペレータの負担も大きい。
なっている電鉄負荷管理を自動的に行なう電鉄負荷予測
装置として以下に述べる第1〜第3の例が提案されてい
る。 <第1の例> 過去の変電所負荷電力量実績値と、この
時の列車のき電区間走行距離と、その車両数とを統計処
理し、(1)式の回帰モデルを作成し、今後の変電所負
荷電力量を回帰モデルを用いて予測するものである。
距離L2 もパラメータとして加えた(2)式の回帰モデ
ルによって変電所負荷電力量予測を行なうものである。
離 <第3の例> 上記第1及び第2の例のような過去の実
績データを基にした回帰モデルによる変電所負荷電力予
測値に対して、ダイヤが乱れた場合の予測誤差を補償す
るために、対象き電区間周辺に於ける、現在の列車在線
密度を入力としたファジィルールによって予測値に対す
る補正値を演算し、補正した値を最終的な変電所負荷電
力量予測値とするものである。
うな従来の電鉄負荷予測装置には、次のような問題点が
ある。すなわち、上記第1及び第2の例のような過去の
実績データを基にした回帰モデルによる予測装置では、
今後の、列車の走行距離、加速走行距離を予測すること
が前提となる。この場合、走行距離、加速走行距離の具
体的な予測方法としては、次の2つの方法が考えられ
る。
行を前提として各列車の走行距離、加速走行距離をデー
タとして持っておく方法である。第2の方法としては、
現在の運行状況を初期値とした今後T分間の列車走行に
ついて連続シミュレータを行なう方法である。
となるデータ(ダイヤに依存する列車毎の走行距離、加
速走行距離)が大きくなり、また、ダイヤが変更される
度にデータの変更が必要になる。
力が必要となるので汎用性の低いものとなってしまう。
一方、第2の方法によれば、連続シミュレータを行なう
ことで、処理時間が長くなるので予測結果に基づくノッ
チ制限指令の時間的遅れが問題となる。
ヤ乱れ時等の実績データによる学習を自動的に行なう方
法が確立されておらず、オペレータが経験的に、ファジ
ィシステムの中の各パラメータ(メンバーシップ関数等
のパラメータ)をチューニングしなければならず、予測
精度の高い予測モデルを構築することが難しかった。
あり、その目的とするところは、従来の電鉄予測装置よ
りも精度よく変電所の負荷電力量の予測を行なうことが
でき、また使用電力量を電力会社との契約電力以下に維
持することを可能とする電鉄負荷管理装置を提供するこ
とを目的とする。
に、まず、請求項1に係る発明の電鉄負荷管理装置は、
負荷電力量を予測する日のダイヤモードと現在時刻を入
力値として混合結合形ニューラルネットワークによって
現在時刻から所定時間経過後の負荷電力量を予測する電
力予測手段と、前記混合結合形ニューラルネットワーク
内の結合重み係数を過去の負荷電力量実績値を教師信号
として学習を行なう学習手段と、前記電力予測手段によ
って予測された負荷電力量と、電力会社との契約電力と
を比較して列車に対するノッチ制限指令のオン/オフを
判断して、その結果を出力するノッチ制限指令判断手段
とを具備したことを特徴とする。
装置は、過去の計画ダイヤ通りの運行状態時の負荷電力
量実績値によって結合重み係数の学習を行なった混合結
合形ニューラルネットワークを用い、その日のダイヤモ
ードと現在時刻とを入力値として、現在時刻から所定時
間までの変電所負荷電力量を予測する負荷電力予測手段
と、現在の列車在線密度と計画ダイヤ通りの運行状態で
の列車在線密度とを入力値として混合結合形ニューラル
ネットワークによって、前記負荷電力予測手段の負荷電
力量予測値に対する補正値を予測する補正値予測手段
と、前記負荷電力予測手段にて用いる混合結合形ニュー
ラルネットワーク内の結合重み係数を過去の計画ダイヤ
通りの運行状態時の負荷電力量実績値を教師信号として
学習を行なう第1の学習手段と、前記補正値予測手段に
て用いる混合結合形ニューラルネットワーク内の結合重
み係数を過去の負荷電力量実績値と前記負荷電力予測手
段により予測された負荷電力量予測値との差を教師信号
として学習を行なう第2の学習手段と、前記負荷電力予
測手段及び前記補正値予測手段によって予測された負荷
電力量と電力会社との契約電力とを比較して、列車に対
するノッチ制限指令のオン/オフを判断して、その結果
を出力するノッチ制限指令判断手段とを具備したことを
特徴とする。
理装置は、請求項2記載の電鉄負荷管理装置において、
前記第1の学習手段は、現在の列車在線密度と計画ダイ
ヤ通りの運行状態時の列車在線密度とを比較して現在の
運行状態がダイヤ乱れ状態であるか否かを判断するダイ
ヤ乱れ判断手段により、ダイヤ乱れ状態であると判断さ
れた場合には学習を行なわないことを特徴とする。
負荷管理装置に於いては、過去の負荷電力量実績値を教
師信号として学習を行なった混合結合形ニューラルネッ
トワークを用いて負荷電力量を予測し、この結果に基づ
いて列車に対してノッチ制限指令を出力するので、使用
電力量を電力会社との契約電力以下に維持することが可
能となる。
装置に於いては、請求項1記載の電鉄負荷管理装置に加
え、更に、列車在線密度を入力値として、負荷電力予測
手段の負荷電力量予測値に対して補正値予測手段によっ
て得られた補正値を基に負荷電力量予測値を補正し、こ
の結果に基づいて列車に対してノッチ制限指令を出力す
るので、変電所負荷電力量の精度の良い予測が可能とな
る。
理装置に於いては、請求項2記載の電鉄負荷管理装置に
加え、更に、ダイヤ乱れ判断手段により、ダイヤ乱れ状
態であると判断された場合には、第1の学習手段の学習
を行なわないので、計画ダイヤ通りに運行された場合の
負荷電力量を正確に予測することができる。
図面を参照して説明する。図1は、本発明の一実施形態
に係る電鉄負荷管理装置の構成を示す図である。ここに
示す実施形態において対象としている鉄道システムは、
図4に示すように、列車運行用電力が1つの変電所から
上り線と、下り線の両方に給電され、線路には長さ数
[km]の軌道回路が設備され、列車の軌道回路進入・
脱出タイミングが把握できるものとしている。
実施形態に係る電鉄負荷管理装置に設けられている手段
は大きく次の2つに分けられている。 (1) 過去の計画ダイヤ通りの運行状態時での変電所
負荷電力量実績値によって結合重み係数の学習を行なっ
た混合結合形ニューラルネットワークによって、現在時
刻から所定時間後(例えばT分後)までの変電所負荷電
力量予測を行なう変電所負荷電力量予測手段A。
通りの運行状態での列車在線密度とから、混合結合形ニ
ューラルネットワークによって、上記(1)の負荷電力
量予測値に対する補正値を予測する補正値予測手段B。
の運行が計画ダイヤ通りと仮定した場合の電力の予測を
行なうものであり、上記負荷電力量予測値に対する補正
値を予測する補正値予測手段Bは、ダイヤ乱れによって
変電所負荷電力量予測手段Aによって予測された予測値
の予測誤差を補償するものである。
の予測において、時系列的なデータを取り扱う予測に適
していると言われる混合結合形ニューラルネットワーク
を用いており、これを特徴としている。
示すように、信号の流れが入力層1から中間層2、中間
層2から出力層3というように一方向にのみ流れる構成
を採用していた。したがって、過去の入力信号が現在の
出力信号に影響することはなく、現在の出力信号は現在
の入力信号の写像を表しているに過ぎなかった。
している鉄道の変電所負荷電力は、列車の運行状態に依
存している。この列車の運行状態は、特にダイヤ乱れ時
等の場合、過去の列車運行状態が現在の運行状態に影響
するため、予測に用いているニューラルネットワーク自
身が、現在までの入力値の時系列的変化を認識できるこ
とが必要となる。
3に示すように、従来の階層形ニューラルネットワーク
の構造に加えて中間層2の各素子間が相互に結合されて
おり、ある中間層2の素子からある中間層2の素子への
入力は、その1ステップ前の出力値にある重み係数を掛
けられた値がフィードバックされたものとなっている。
合形ニューラルネットワークは、それ自身が時系列的な
変化を認識することができるようになっている。上述の
ような背景から、本発明の電鉄負荷管理装置に於いて
は、混合結合形ニューラルネットワークを用いている。
る混合結合形ニューラルネットワークを混合結合形ニュ
ーラルネットワーク(1)とし、(2)に用いられてい
る混合結合形ニューラルネットワークを混合結合形ニュ
ーラルネットワーク(2)と呼ぶ。
手段Aは、混合結合形ニューラルネットワーク(1)に
よる電力予測手段1、混合結合形ニューラルネットワー
ク(1)学習手段2、ダイヤ乱れ判断手段3により構成
されている。
ューラルネットワーク(2)による電力補正値予測手段
4、混合結合形ニューラルネットワーク(2)学習手段
5で構成されている。
ーク(1)による電力予測手段1及び混合結合型ニュー
ラルネットワーク(2)による電力補正値予測手段4か
ら最終的に予測される所定時間後(例えば、今後T分
間)の変電所負荷電力量と、電力会社との契約電力量を
比較し、各列車に対しノッチ制限を掛けるか否かを判断
し出力するためのノッチ制限指令判断手段6が設けられ
ている。
せるために、本発明の電鉄負荷管理装置は、列車在線密
度演算手段7、計画ダイヤ運行時列車在線密度データベ
ース8を更に具備している。
義されている。 変数定義: D1:計画ダイヤ通り運行時の対象き電区間上り線の列
車在線密度。
間下流側区間上り線の列車在線密度。 D3:計画ダイヤ通り運行時の対象き電区間下り線の列
車在線密度。
間下流側区間下り線の列車在線密度。 D5:現在の対象き電区間上り線の列車在線密度。
線の列車在線密度。 D7:現在の対象き電区間下り線の列車在線密度。 D8:現在の対象き電区間下流側区間下り線の列車在線
密度。
(1)による今後T分間の負荷電力量予測値。 P2:混合結合形ニューラルネットワーク(1)による
P1に対する補正値。
値。 次に、以上のように構成した本実施形態の電鉄負荷管理
装置の動作について説明する。
画ダイヤ通りに列車が運行されている場合には主にダイ
ヤに依存する。同じダイヤであれば、列車を運転するそ
れぞれの運転士は、同じ時刻に同じ線路を基準とされる
走行曲線(位置−速度)に沿うように手動運転を行なう
ので、各列車の使用する電力の対時刻変化は類似する。
所の負荷電力の対時刻変化も類似すると考えられる。
(注:ここでいう「ダイヤ」とは、走行させる列車の種
別(列車の形式、編成)、各駅の到着時刻、発車時刻、
停車時刻を決定するスケジュールである。) そこで、本発明では、変電所負荷電力量の予測を次のよ
うに実現する。
Aにより過去の計画ダイヤ通りの運行状態時での変電所
負荷電力量実績値変化によって予測モデルの学習を行な
った混合結合形ニューラルネットワークによって、所定
時間後(例えば、今後T分間)の変電所負荷電力を予測
する。
場合の負荷電力量予測値のずれに対処するため、(2)
補正値予測手段Bにより現在の列車在線密度と計画ダ
イヤ通りの運行状態での列車在線密度とを考慮して
(1)の電力量予測値に対する補正値を予測する。
電所負荷電力量予測値とする。これら一連の処理による
今後T分間の変電所負荷電力量予測を数分毎に行なう。
て説明する。まず、混合結合形ニューラルネットワーク
(1)による負荷電力予測手段1によって、現在時刻と
ダイヤモード(平日、休日)を入力値として、所定時間
後(例えば今後T分間)の変電所負荷電力を予測する。
(1)学習手段2によって、T分後に計測される変電所
負荷電力量実績値を教師信号として、教師信号と混合結
合形ニューラルネットワーク(1)による予測値の差
(予測誤差)をもとに混合結合形ニューラルネットワー
ク(1)内の重み係数の学習を行なう。
(1)による予測値は、計画ダイヤ通りの運行状態を仮
定した場合の予測値という位置づけとするため、計画ダ
イヤ通りの運行時のみ学習を行ない、事故等の発生によ
りダイヤが乱れた場合には学習を行なわないようにす
る。
て、現在の列車運行状況がダイヤ乱れ時か否かの判断を
行ない、ダイヤ乱れ状態と判断された場合には上記学習
を行なわない。
計画ダイヤ運行時列車在線密度データベース8から参照
される計画ダイヤ通りの運行状態時の列車在線密度と、
列車在線密度演算手段7から参照される現在の列車在線
密度を比較することによって行なう。
ヤ通りの運行状態時との差がある敷居値を越えたらダイ
ヤが乱れていると判断する。次に、(2)の動作につい
て図1を参照して説明する。
電力補正値予測手段4によって、混合結合形ニューラル
ネットワーク(1)の電力予測値に対する補正値を予測
する。
電力補正値予測手段4の入力値は、図4に示すような区
間a,b,c,dに於けるD1〜D8の8つの要素であ
り、このD1〜D8の定義については上述の場合と同様
である。
bは対象き電区間下流側区間上り線、cは対象き電区間
下り線、dは対象き電区間下流側区間下り線を表してい
る。さて、もし、列車事故等が発生してダイヤが乱れた
場合、列車の進行方向下流側の列車在線密度の影響が時
間的遅れを持って対象とするき電区間の列車在線密度に
波及していく。
度だけでなく列車進行方向下流側の列車在線密度も入力
として加えている。一方、混合結合形ニューラルネット
ワーク(2)学習手段5によって、混合結合形ニューラ
ルネットワーク2の内の重み係数の学習を、T分後に計
測される変電所負荷電力量実績値と混合結合形ニューラ
ルネットワーク1の予測値との差を教師信号として、こ
の教師信号と混合結合形ニューラルネットワーク2によ
る予測値の差(予測誤差)をもとに行なう。
手段A、補正値予測手段Bから最終的に予測される今後
T分間の変電所負荷電力量と、電力会社との契約電力と
を比較し、各列車に対しノッチ制限指令をかけるか否か
を判断し、出力する処理をノッチ制限指令判断手段6に
おいて行なう。
ク(1)(2)内の作用(各層の入力と出力の関係)と
混合結合形ニューラルネットワーク(1)(2)内の結
合重み係数の学習方法について以下に説明する。
定義する。 ・変数一覧 t :時間。
=1〜s)。 Hj(t):中間層第j素子からの出力(j=1〜s)。 NetOi(t) :出力層第i素子への入力(i=1〜n)。
1〜n)。 ajk:入力層第k素子出力端から中間層第j素子入力端
への結合重み係数。 bjr:中間層第r素子出力端から中間層第j素子入力端
への結合重み係数。
す。) cij:中間層第j素子出力端から出力層第i素子入力端
への結合重み係数。 fH( ・) :中間層における入出力変換関数。
数。 E:誤差評価関数。 Vi(t):出力層第i素子からの出力に対する教師信号。
ーラルネットワークの各層の入出力の関係は、次のよう
になる。 (1) 入力層への入力: Ui(t) (i=1〜m) (2) 入力層からの出力:Ii(t)=Ui(t) (i=1〜m) (3) 中間層への入力: NetHj(t) (j=1〜s) 中間層からの出力:Hj(t) (j=1〜s) Hj(t)=fH(NetHj(t)) …(X.1) ただし、
j素子入力端への結合重み係数。 bjr:中間層第r素子出力端から中間層第j素子入力端
への結合重み係数。 (bjrはリカレントループの結合重みを表す。) (4) 出力層への入力:NetOi(t) (i=1〜n)
への結合重み係数。 (5) 出力層からの出力:Xi(t) (i=1〜n)
の内の結合重み係数の学習について説明する。まず、学
習の基本となる誤差評価関数Eを次のように定義する。
合重み係数の学習を行う。 ・学習基本式 apq(t+1) =apq(t) +Δapq(t) …(X.6) bpq(t+1) =bpq(t) +Δbpq(t) …(X.7) cpq(t+1) =cpq(t) +Δcpq(t) …(X.8) ここで、上式の各重み係数修正量Δapq(t) 、Δbpq
(t) 、Δcpq(t) は、下式によって求める。
ワークの出力値演算と結合重み係数の学習の処理は、具
体的には、次に示す[STEP 0]〜[STEP 19] に従う処理の
流れで行う。 [STEP 0]時間tにおける演算開始。 [STEP 1]入力層の出力を演算する。 Ii(t)=Ui(t) (i=1〜m)
わないときは、時間tにおける演算終了(RETURN)。
に、図5に本発明の一実施形態に係る電鉄負荷管理装置
の全体の処理の流れを示す。
分の処理を示しており、ループ内の処理の刻み時間はΔ
tは数分で行なう。ここで用いられている変数D1〜D
8は、図1の説明に於いて定義した通りである。
を説明する。まず、最初にオペレータが、その日のダイ
ヤモードを入力する。(step21) このダイヤモードは、休日と平日の区別をしているが、
対象とする路線の採用しているダイヤに合わせて複数の
モードを設けてもよい。
を行なう。(step22) そして、混合結合形ニューラルネットワーク(1)によ
って、今後T分間の負荷電力予測値P1を演算する。
(step23) なお、混合結合形ニューラルネットワーク(1)の内部
の作用、入力値と出力値の関係は、先に説明した混合結
合形ニューラルネットワーク内の入力値と出力値の関係
と同様である。
(1)では、図3に示した入力層I1(t)〜Im
(t)の入力値U1(t)〜Um(t)を、 U1=ダイヤモードを示すフラグ(休日ダイヤモード/
平日ダイヤモード) U2=現在時刻t とし、この出力値を O1=今後T分間の負荷電力量予測値P1 として出力値の演算を行なう。
在線密度の演算を行なう。(step24) この列車在線密度の演算は、次のように行なう。
路の列車通過タイミングを入力し、当該区間に在線する
列車の本数Nを N=Ni−No 但し、Ni:列車進入タイミングカウント数 No:列車脱出タイミングカウント数 として求め、当該区間の列車在線密度Dを D=N/L 但し、L:当該区間長 として算出する。
(1)の内の結合重み係数の学習を、過去T分間の負荷
電力量実績値を教師信号として行なう。(step2
6)但し、この混合結合形ニューラルネットワーク
(1)の内の結合重み係数の学習は、混合結合形ニュー
ラルネットワーク(1)による負荷電力予測値P1を計
画ダイヤ通りに運行された場合の予測値という位置づけ
にするため、ダイヤ乱れ判断手段によってダイヤ乱れ状
態と判断された場合には、学習を行なわず、ダイヤ乱れ
状態ではないと判断された場合のみ学習を行なう。
密度演算手段によって算出された現在の列車在線密度D
5〜D8と、計画ダイヤ運行時列車在線密度データベー
ス8から参照される計画ダイヤ通りの運行時の列車在線
密度D1〜D4のそれぞれの差、 |D5−D1|、|D6−D2|、|D7−D3|、|
D8−D4| を求め、これらがある敷居値を超えた時にダイヤが乱れ
ていると判断する。(step25) 次に、混合結合型ニューラルネットワーク(2)によっ
て混合結合形ニューラルネットワーク(1)による負荷
電力量予測値P1に対する補正値P2を予測する。(s
tep27) 混合結合形ニューラルネットワーク(2)では、図3に
示した入力層I1(t)〜Im(t)の入力値U1
(t)〜Um(t)を、 U1=D1 U2=D2 U3=D3 U4=D4 U5=D5 U6=D6 U7=D7 U8=D8 とし、この出力値をO1=混合結合形ニューラルネット
ワーク(1)による負荷電力量予測値P1に対する補正
値P2とする。
(2)の内の結合重み係数の学習を、先に説明した学習
方法に乗っ取って行なう。(step28) この場合の教師信号は、 (教師信号)=(過去T分間電力量実績値)−(混合結
合形ニューラルネットワーク1による電力量予測値) とする。
ク(1)による負荷電力量予測値P1と、混合結合形ニ
ューラルネットワーク(2)によって演算した電力量補
正値P2から、最終的な電力量予測値Pを、 P=P1+P2 として求め(step29)、ノッチ制限on/off
判断手段において、電力量予測値Pと電力会社との契約
電力量とを比較して列車に対してノッチ制限指令を出力
するか否かを判断する。(step30) このノッチ制限指令の判断は次のように行なう。
次のように判断が行なわれる。 (電力量予測値P)≧PK →ノッチ制限on (電力量予測値P)<PK →ノッチ制限off 但し、Pk :電力会社との契約電力量 一方、現在ノッチ制限on状態の場合には、上記のPk
を Pk =(電力会社との契約電力量)+ΔP とし、ヒステリシスを持たせてノッチ制限on→off
にした直後に再度off→onとすることを防ぐ。
ノッチ制限on/off指令を出力する。(step3
1) ノッチ制限on/off指令を出力後、現在時刻が当日
処理終了時刻よりも遅い場合には処理を終了し、早い場
合には現在時刻tに刻み時間Δtを加算した後(ste
p33)、step23の処理に戻る。
装置を採用することによって、以下のような効果を得る
ことができる。すなわち、混合結合形ニューラルネット
ワーク(1)及び混合結合形ニューラルネットワーク
(2)は、時系列的に変化するデータを認識する能力を
持っており、これを用いることによって、時系列的に変
化する変電所負荷電力値の予測の精度が向上し、また実
績データによる予測モデルの学習を重ねる度に予測精度
が向上する。
於いては、鉄道システムが異なれば、そのときの電系
統、路線形状、使用車両に合わせて異なるモデルを構築
しなければならなかったが、混合結合形ニューラルネッ
トワーク(1)及び混合結合形ニューラルネットワーク
(2)を用いることによって、実績データから自動的に
予測モデルの学習を行なっていくことができるので、異
なる電気鉄道路線にも汎用的に適用できる。
形ニューラルネットワーク(2)の入力値は、列車在線
密度としており、この列車在線密度は対象き電区間とそ
のひとつ先の列車進行方向下流側のき電区間について演
算しているが、対象とする鉄道システムでのき電区間が
比較的長い場合には、1つのき電区間を更に数個に分割
した区間それぞれの列車在線密度を入力値としても良
い。
対象き電区間とそのひとつ先の列車進行方向下流側のき
電区間だけでなく、更に下流側のき電区間についての列
車在線密度も混合結合型ニューラルネットワーク(2)
の入力値として加えても良い。以上のように、対象とす
る鉄道システムのき電区間長に合わせて列車在線密度の
算出区間を調整することにより、更に予測精度を向上さ
せることができる。
負荷管理装置によれば、時系列的に変化するデータを認
識する能力を持つ混合結合形ニューラルネットワークを
用いることより、時系列的に変化する変電所負荷電力値
の予測精度が向上し、また実績データによる予測モデル
の学習を重ねる度に予測精度が向上する。
形ニューラルネットワークによって負荷電力予測値を補
正する構成としたので、ダイヤが乱れた時にも変電所負
荷電力量の精度の良い予測が可能となる。
構成を示す図。
トワークを説明するための図。
トワークを説明するための図。
象区間を説明するための図。
処理の流れを示す図。
力予測手段、 2…混合結合形ニューラルネットワーク(1)学習手
段、 3…ダイヤ乱れ判断手段、 4…混合結合形ニューラルネットワーク(2)による電
力補正値予測手段、 5…混合結合形ニューラルネットワーク(2)学習手
段、 6…ノッチ制限指令判断手段、7…列車在線密度演算手
段 8…計画ダイヤ運行時列車在線密度データベース、 D1…計画ダイヤ通り運行時の対象き電区間上り線の列
車在線密度、 D3…計画ダイヤ通り運行時の対象き電区間下り線の列
車在線密度、 D4…計画ダイヤ通り運行時の対象き電区間下流側区間
下り線の列車在線密度、 D5…現在の対象き電区間上り線の列車在線密度、 D6…現在の対象き電区間下流側区間上り線の列車在線
密度、 D7…現在の対象き電区間下り線の列車在線密度、 D8…現在の対象き電区間下流側区間下り線の列車在線
密度、 P1…混合結合形ニューラルネットワーク(1)による
今後T分間の負荷電力量予測値、 P2…混合結合形ニューラルネットワーク(1)による
P1に対する補正値、 P…最終的な今後T分間の負荷電力量予測値。
Claims (3)
- 【請求項1】 負荷電力量を予測する日のダイヤモード
と現在時刻を入力値として混合結合形ニューラルネット
ワークによって現在時刻から所定時間経過後の負荷電力
量を予測する電力予測手段と、 前記混合結合形ニューラルネットワーク内の結合重み係
数を過去の負荷電力量実績値を教師信号として学習を行
なう学習手段と、 前記電力予測手段によって予測された負荷電力量と、電
力会社との契約電力とを比較して列車に対するノッチ制
限指令のオン/オフを判断して、その結果を出力するノ
ッチ制限指令判断手段と、 を具備したことを特徴とする電鉄負荷管理装置。 - 【請求項2】 過去の計画ダイヤ通りの運行状態時の負
荷電力量実績値によって結合重み係数の学習を行なった
混合結合形ニューラルネットワークを用い、その日のダ
イヤモードと現在時刻とを入力値として、現在時刻から
所定時間までの変電所負荷電力量を予測する負荷電力予
測手段と、 現在の列車在線密度と計画ダイヤ通りの運行状態での列
車在線密度とを入力値として混合結合形ニューラルネッ
トワークによって、前記負荷電力予測手段の負荷電力量
予測値に対する補正値を予測する補正値予測手段と、 前記負荷電力予測手段にて用いる混合結合形ニューラル
ネットワーク内の結合重み係数を過去の計画ダイヤ通り
の運行状態時の負荷電力量実績値を教師信号として学習
を行なう第1の学習手段と、 前記補正値予測手段にて用いる混合結合形ニューラルネ
ットワーク内の結合重み係数を過去の負荷電力量実績値
と前記負荷電力予測手段により予測された負荷電力量予
測値との差を教師信号として学習を行なう第2の学習手
段と、 前記負荷電力予測手段及び前記補正値予測手段によって
予測された負荷電力量と電力会社との契約電力とを比較
して、列車に対するノッチ制限指令のオン/オフを判断
して、その結果を出力するノッチ制限指令判断手段と、 を具備したことを特徴とする電鉄負荷管理装置。 - 【請求項3】 前記第1の学習手段は、現在の列車在線
密度と計画ダイヤ通りの運行状態時の列車在線密度とを
比較して現在の運行状態がダイヤ乱れ状態であるか否か
を判断するダイヤ乱れ判断手段により、ダイヤ乱れ状態
であると判断された場合には学習を行なわないことを特
徴とする請求項2記載の電鉄負荷管理装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP13154396A JP3397578B2 (ja) | 1996-05-27 | 1996-05-27 | 電鉄負荷管理装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP13154396A JP3397578B2 (ja) | 1996-05-27 | 1996-05-27 | 電鉄負荷管理装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH09322403A true JPH09322403A (ja) | 1997-12-12 |
JP3397578B2 JP3397578B2 (ja) | 2003-04-14 |
Family
ID=15060543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP13154396A Expired - Fee Related JP3397578B2 (ja) | 1996-05-27 | 1996-05-27 | 電鉄負荷管理装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3397578B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015114987A (ja) * | 2013-12-13 | 2015-06-22 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 処理装置、処理方法、およびプログラム |
-
1996
- 1996-05-27 JP JP13154396A patent/JP3397578B2/ja not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015114987A (ja) * | 2013-12-13 | 2015-06-22 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 処理装置、処理方法、およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP3397578B2 (ja) | 2003-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101245740B (zh) | 柴油动力系统的优化燃料效率和排放输出的系统和方法 | |
US8788135B2 (en) | System, method, and computer software code for providing real time optimization of a mission plan for a powered system | |
CN102112358B (zh) | 用于为沿路线行进的多个机动系统定速的系统和方法 | |
Kim et al. | Optimal vehicle routing with real-time traffic information | |
JP5265567B2 (ja) | 乗物を運行させる方法 | |
US8903573B2 (en) | Method and computer software code for determining a mission plan for a powered system when a desired mission parameter appears unobtainable | |
CN108773279A (zh) | 一种电动汽车充电路径规划方法及装置 | |
CN111340289B (zh) | 一种基于遗传算法的公交发车与车速调整优化方法及系统 | |
CN111619624B (zh) | 一种基于深度强化学习的有轨电车运行控制方法和系统 | |
Sheu et al. | Energy-saving automatic train regulation using dual heuristic programming | |
US20070225878A1 (en) | Trip optimization system and method for a train | |
Yin et al. | Efficient real-time train operation algorithms with uncertain passenger demands | |
CN109508751B (zh) | 高速铁路列车晚点时间预测的深度神经网络模型建模方法 | |
JP2010505678A (ja) | 交錯する複数の鉄道ネットワークで運行される複数の鉄道車両のパラメータを最適化するシステムおよび方法 | |
JP2010512267A (ja) | 列車または軌道データベースを増強して走行を最適化する方法、システムおよびコンピュータソフトウェアコード | |
US20210318691A1 (en) | Multi-range vehicle speed prediction using vehicle connectivity for enhanced energy efficiency of vehicles | |
CN101374714A (zh) | 用于列车的行程优化系统及方法 | |
WO2009117364A2 (en) | Method for controlling a powered system based on mission plan | |
Jin et al. | Energy-optimal speed control for connected electric buses considering passenger load | |
Wu et al. | Discrete methods for urban intersection traffic controlling | |
JPH09322403A (ja) | 電鉄負荷管理装置 | |
AU2019200200A1 (en) | Method for controlling a powered system based on mission plan | |
JPH05252663A (ja) | 電鉄電力負荷予測装置 | |
JPH09188253A (ja) | 電鉄消費電力予測システム | |
Alexis et al. | Minimising the travel time on congested urban rail lines with a dynamic bi-modelling of trains and users |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080214 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090214 Year of fee payment: 6 |
|
FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100214 Year of fee payment: 7 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313117 |
|
FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100214 Year of fee payment: 7 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
LAPS | Cancellation because of no payment of annual fees |