JPH09322403A - 電鉄負荷管理装置 - Google Patents

Abstract

(57)【要約】 【課題】本発明は、変電所の負荷電力量の予測を精度よ
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

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、鉄道の変電所の負
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。

【０００２】

【従来の技術】従来、列車運転用電力の効率的な使用及
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。

【０００３】しかし、このようにオペレータが、き電区
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。

【０００４】このようなことから、従来オペレータが行
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。

【０００５】

【数１】

【０００６】但し、Ｐ：Ｔ分間の変電所負荷電力量 α：係数 Ｎ：走行した列車本数 Ｌ１i ：列車i の対象き電区間でのＴ分間の走行距離 ｎi ：列車i の車両数 ＜第２の例＞ 第１の例の回帰モデルに更に、加速走行
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。

【０００７】

【数２】

【０００８】但し、β：係数 Ｌ２i ：列車i の対象き電区間でのＴ分間の加速走行距
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。

【０００９】

【発明が解決しようとする課題】ところで、上述したよ
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。

【００１０】第１の方法としては、計画ダイヤ通りの運
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。

【００１１】しかしながら、第１の方法によれば、必要
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。

【００１２】また、路線が異なれば、異なるデータの入
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。

【００１３】また、上述した第３の例では、過去のダイ
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。

【００１４】本発明は上記実情に鑑みてなされたもので
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。

【００１５】

【課題を解決するための手段】上記目的を達成するため
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。

【００１６】また、請求項２に係る発明の電鉄負荷管理
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。

【００１７】さらに、請求項３に係る発明の電鉄負荷管
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。

【００１８】従って、まず、請求項１に係る発明の電鉄
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。

【００１９】また、請求項２に係る発明の電鉄負荷管理
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。

【００２０】さらに、請求項３に係る発明の電鉄負荷管
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。

【００２１】

【発明の実施形態】以下、本発明の一実施形態について
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。

【００２２】上述の課題を解決するために、本発明の一
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。

【００２３】（２） 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。

【００２４】上記変電所負荷電力量予測手段Ａは、列車
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。

【００２５】本発明では、上記（１）（２）のそれぞれ
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。

【００２６】従来のニューラルネットワークは、図２に
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。

【００２７】しかしながら、本発明において予測対象と
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。

【００２８】混合結合形ニューラルネットワークは、図
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。

【００２９】このように構成することによって、混合結
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。

【００３０】説明のために、以下（１）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（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。

【００３１】図１に示すように、変電所負荷電力量予測
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。

【００３２】また、補正値予測手段Ｂは、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
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。

【００３３】更に、上記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。

【００３４】また、上記のような鉄道システムに適応さ
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。

【００３５】なお、図１に示した変数は下記のように定
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。

【００３６】Ｄ２：計画ダイヤ通り運行時の対象き電区
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。

【００３７】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。

【００３８】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。

【００３９】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。

【００４０】Ｐ：最終的な今後Ｔ分間の負荷電力量予測
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。

【００４１】変電所の負荷電力量の時系列的変化は、計
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。

【００４２】したがって、各列車に電力を供給する変電
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。

【００４３】まず、（１） 変電所負荷電力量予測手段
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。

【００４４】次に、事故等の発生によりダイヤが乱れた
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。

【００４５】そして、（１）と（２）の和を最終的な変
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。

【００４６】以下、（１）の動作について図１を参照し
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。

【００４７】一方、混合結合形ニューラルネットワーク
（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。

【００４８】但し、混合結合形ニューラルネットワーク
（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。

【００４９】このために、ダイヤ乱れ判断手段３によっ
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。

【００５０】このダイヤが乱れているか否かの判断は、
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。

【００５１】すなわち、現在の列車在線密度と計画ダイ
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。

【００５２】混合結合形ニューラルネットワーク（２）
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。

【００５３】混合結合形ニューラルネットワーク（２）
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。

【００５４】同図に於いて、ａは対象き電区間上り線、
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。

【００５５】このため、対象とするき電区間列車在線密
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。

【００５６】以上のようにして、変電所負荷電力量予測
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。

【００５７】ここで、混合結合形ニューラルネットワー
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。

【００５８】まず、説明のため主な変数を以下のように
定義する。 ・変数一覧 t ：時間。

【００５９】Δｔ：処理の刻み時間。 ｍ：入力層の素子数。 ｓ：中間層の素子数。

【００６０】ｎ：出力層の素子数。 Ｕi(t)：入力層第ｉ素子への入力（ｉ＝１〜ｍ）。 Ｉi(t)：入力層第ｉ素子からの出力（ｉ＝１〜ｍ）。

【００６１】ＮetＨj(t)：中間層第ｊ素子への入力（ｊ
＝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）。

【００６２】Ｘi(t)：出力層第ｉ素子からの出力（ｉ＝
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。

【００６３】（ｂjrはリカレントループの結合重みを表
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。

【００６４】fO( ・) ：出力層における入出力変換関
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。

【００６５】Δａjk：重み係数ａjkの修正量。 Δｂjr：重み係数ｂjrの修正量。 Δｃij：重み係数ｃijの修正量。

【００６６】ε：重み係数学習パラメータ。 α：重み係数学習パラメータ。 δpj：クロネッカのデルタ。

【００６７】以上の係数定義において、混合結合形ニュ
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、

【００６８】

【数３】

【００６９】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。 （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）

【００７０】

【数４】 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。 （５) 出力層からの出力：Ｘi(t) （ｉ＝１〜ｎ）

【００７１】

【数５】

【００７２】次に、混合結合形ニューラルネットワーク
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。

【００７３】

【数６】

【００７４】そして、以下の学習基本式によって、各結
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。

【００７５】

【数７】

【００７６】

【数８】

【００７７】

【数９】

【００７８】

【数１０】

【００７９】

【数１１】

【００８０】

【数１２】

【００８１】以上説明した混合結合形ニューラルネット
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）

【００８２】

【数１３】 ［STEP 5］出力層からの出力を演算する。

【００８３】 Ｘi(t)＝ｆ0(ＮetOi(t) ） （ｉ＝１〜ｎ） ［STEP 6］学習を行うときは、［STEP 7］へ。学習を行
わないときは、時間ｔにおける演算終了（RETURN）。

【００８４】

【数１４】

【００８５】

【数１５】

【００８６】

【数１６】 [STEP 16]重み係数ｃpqの更新を行う。

【００８７】ｃpq(t＋Δt)＝ｃpq(t) ＋Δｃpq(t) （ｐ＝１〜ｎ，ｑ＝１〜ｓ） ［ＳＴＥＰ １７］重み係数ｂｐｑの更新を行う。

【００８８】ｂpq(t＋Δt)＝ｂpq(t) ＋Δｂpq(t) （ｐ＝１〜ｓ，ｑ＝１〜ｓ） [STEP 18]重み係数ａpqの更新を行う。

【００８９】ａpq(t＋Δt)＝ａpq(t) ＋Δａpq(t) （ｐ＝１〜ｓ，ｑ＝１〜ｍ） [STEP 19]前回値格納エリアの更新。

【００９０】時間ｔにおける演算終了（RETURN）。次
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。

【００９１】同図に示された全体の処理の流れは、１日
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。

【００９２】以下、図５の処理の流れに沿って、各処理
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。

【００９３】次に、現在時刻を入力して時刻の初期設定
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。

【００９４】但し、混合結合形ニューラルネットワーク
（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。

【００９５】次に、列車在線密度演算手段によって列車
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。

【００９６】すなわち、き電区分点となっている軌道回
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。

【００９７】次に、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。

【００９８】ダイヤが乱れたか否かの判断は、列車在線
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。

【００９９】次に、混合結合形ニューラルネットワーク
（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。

【０１００】最後に、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。

【０１０１】現在、ノッチ制限ｏｆｆ状態の場合には、
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。

【０１０２】そして、このノッチ制限判断に基づいて、
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。

【０１０３】上述のような構成を採用した電鉄負荷管理
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。

【０１０４】また、従来の電鉄負荷管理装置システムに
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。

【０１０５】なお、上記実施形態に於いては、混合結合
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。

【０１０６】また、逆にき電区間が比較的短い場合は、
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。

【０１０７】

【発明の効果】以上詳記したように、本発明に係る電鉄
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。

【０１０８】更に、列車在線密度を入力とした混合結合
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。

【図面の簡単な説明】

【図１】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。

【図２】同実施形態に於ける混合結合形ニューラルネッ
トワークを説明するための図。

【図３】同実施形態に於ける混合結合形ニューラルネッ
トワークを説明するための図。

【図４】同実施形態に於ける列車在線密度を演算する対
象区間を説明するための図。

【図５】同実施形態に於ける電鉄負荷管理装置の全体の
処理の流れを示す図。

【符号の説明】 １…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、 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)

【特許請求の範囲】
1. 【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。
2. 【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。
3. 【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。