JPH10260718A

JPH10260718A - ダムにおける水量予測方法

Info

Publication number: JPH10260718A
Application number: JP6563097A
Authority: JP
Inventors: Tatsuya Iizaka; 達也飯坂; Tetsuo Matsui; 哲郎松井
Original assignee: Fuji Electric Co Ltd
Current assignee: Fuji Electric Co Ltd
Priority date: 1997-03-19
Filing date: 1997-03-19
Publication date: 1998-09-29

Abstract

(57)【要約】【課題】熟練運用者に頼らずに、様々なダムや水量の
範囲を対象として高精度に流入量、出水量を予測する。【解決手段】計算機により将来の予測対象時刻におけ
るダムの流入水量または流出水量を予測する水量予測方
法に関する。予測に用いるデータに欠損・異常データが
生じた時に、欠損・異常データの直近の正常データによ
り補完する０次補完、または、欠損・異常データの直近
の正常データの傾きに基づいて補完する１次補完によ
り、欠損・異常データを補完する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、系統制御所、給電
指令所、ダム管理所、水力発電所等において、計算機上
でダムの流入水量または流出水量を自動的に予測する方
法に関する。

【０００２】

【従来の技術】従来、ダムの流入水量または流出水量の
予測は、熟練運用者の経験と直感的知識により行われて
いることが多い。このため、予測作業を自動化する例と
して、タンクモデル、貯留関数法、ニューラルネットワ
ーク等を用いる様々な方法が提案されている。

【０００３】しかし、タンクモデル、貯留関数法等を用
いる方法は、非線形である水系の詳細なモデルを構築し
なければならず、一般にモデル構築に時間がかかる。一
方、近年提案されたニューラルネットワークを用いる方
法では、ニューラルネットワークが入出力データを提示
するだけでその学習能力により非線形な水系モデルを自
動的に構築することが可能である。

【０００４】しかるに、ニューラルネットワークは、流
量が極端に多い場合等、学習範囲以外のデータはネット
ワーク出力値が飽和するため予測することができない。
これを解決するため、出力層に線形関数をもつニューラ
ルネットワークも開発されたが、中間層すべてに非線形
関数を用いる場合は出力の飽和の問題を根本的には解決
することはできない。出力層・中間層すべてに線形関数
を用いる方法では、通常の線形モデルとなり、高精度予
測は望めない。また、出力層と一部の中間層にのみ線形
関数を用いる方法もあるが、この方法は、ネットワーク
構造の決定に専門家の高度な知識が必要となる。

【０００５】更に、多くの線形モデルの同定に用いられ
ている回帰式による方法は、データを提示するだけでモ
デルを構築することができるが、非線形な水系を線形式
で同定するため予測精度が低く、回帰式単体ではダム出
水予測に用いられていない。

【０００６】

【発明が解決しようとする課題】ダムの流入水量または
流出水量を予測するには、膨大な専門知識と長年の経験
が必要であるが、近年この知識を有する熟練運用者は減
少の一途をたどっている。一方、ダムの流量予測はダム
運用の基盤であり、その予測精度の向上と自動化が切望
されている。従来確立されているタンクモデル等を用い
た予測方法は、専門家が長時間をかけて、ダム１つずつ
に対してモデルを構築していた。そのため、高精度な予
測モデルが簡単に構築できる方法が望まれている。ま
た、実運用上の課題として、測定機器の異常や、雷等に
よる伝送異常等によるデータの欠損・異常が発生した場
合でも予測可能な方法が望まれている。

【０００７】更に、ニューラルネットワークによる方法
は、非線形である水系を簡単にモデル化できる方法とし
て、近年有望視されているが、以下に述べる課題があ
る。・学習が良好に行われなかった時に、モデルの出力する
予測値には誤差が大きく含まれ、これを補正する方法が
ない。・水系の状態が学習データにない状態の時に予測誤差を
生じるが、これを補正する方法がない。・学習範囲外の流量の多い範囲では出力が飽和するた
め、予測することができない（低めに予測される）。従
って、水量が過去にないほど多い場合や少ない場合でも
確実に予測できる方法が望まれている。・ニューロファジー等の融合技術により予測精度の向上
が考えられるが、ダムの水量予測に適したメンバシップ
関数の調整方法がない。

【０００８】本発明は上記課題を解決するためになされ
たものであり、熟練運用者に頼ることなく、また、様々
なダムや水量の範囲に適用できる汎用性を有すると共
に、簡便かつ高精度に水量予測を行うことができるダム
の水量予測方法を提供することにある。

【０００９】

【課題を解決するための手段】上記課題を解決するた
め、請求項１記載の発明は、計算機により予測対象時刻
におけるダムの流入水量または流出水量を予測する水量
予測方法において、予測に用いるデータに欠損・異常デ
ータが生じた時に、欠損・異常データの直近の正常デー
タにより補完する０次補完、または、欠損・異常データ
の直近の正常データの傾きに基づいて補完する１次補完
により、欠損・異常データを補完するものである。

【００１０】請求項２記載の発明は、計算機により過去
の実績値を用いて構築した多出力ニューラルネットワー
クからなる予測モデルに対し、上流ダム放流量、自ダム
の流入水量または流出水量、雨量等を入力し、現在時刻
及び将来の予測対象時刻におけるダムの流入水量または
流出水量を予測する水量予測方法において、現在時刻の
予測値と実績値との誤差を用いて予測対象時刻における
予測値を補正するものである。

【００１１】請求項３記載の発明は、計算機により過去
の実績値を用いて構築したニューラルネットワークから
なる予測モデルに対し、上流ダム放流量、自ダムの流入
水量または流出水量、雨量等を入力して将来の予測対象
時刻におけるダムの流入水量または流出水量を予測する
水量予測方法において、予測モデルへの入出力データ
を、現在時刻の量を基準とした差分値にするものであ
る。

【００１２】請求項４記載の発明は、請求項３記載のダ
ムにおける水量予測方法において、入力データに、河川
状況を表す絶対量（流量、流速等）を付加したものであ
る。

【００１３】請求項５記載の発明は、計算機により過去
の実績値を用いて構築したニューラルネットワークから
なる予測モデルに対し、上流ダム放流量、自ダムの流入
水量または流出水量、雨量等を入力して将来の予測対象
時刻におけるダムの流入水量または流出水量を予測する
水量予測方法において、予測モデルの出力データがシグ
モイド関数の飽和領域を使用する場合に、出力データが
差分値である予測モデルと出力データが絶対量である予
測モデルとの両モデルに基づいて予測値を得るものであ
る。具体的には、両モデルの単純な切り替え、加重平均
やファジー推論による融合方法が考えられる。

【００１４】請求項６記載の発明は、計算機により過去
の実績値を用いて構築したニューラルネットワーク、回
帰式モデル、タンクモデル等の予測モデルに対し、上流
ダム放流量、自ダムの流入水量または流出水量、雨量等
を入力して将来の予測対象時刻におけるダムの流入水量
または流出水量を予測する水量予測方法において、流
量、雨量等の条件ごとに特化した予測モデルを複数用意
し、各予測モデルによる予測値をファジー推論により融
合して予測値を得るものである。

【００１５】請求項７記載の発明は、請求項６記載の発
明において、ファジー推論に用いるメンバシップ関数
を、流量と雨量との相関係数に基づいて求めるものであ
る。

【００１６】

【発明の実施の形態】以下、図に沿って本発明の実施形
態を説明する。まず、請求項１に記載した発明の実施形
態を説明する。この発明は、ニューラルネットワーク等
の予測モデルを用いてダムの流入水量（以下、単に流入
量という）、流出水量（以下、単に流出量という）を予
測する場合、予測に用いるデータに欠損や異常が生じた
時にその欠損データ、異常データを補完する方法に関す
る。

【００１７】予測実行時に、データが欠損している場合
には予測が行えない。また、異常データが予測モデルに
入力されると、予測値の信頼性が損なわれてしまう。実
運用時には、機器の不調・落雷等により一時的にデータ
の欠損や異常が生じることが想定される。通常、予測モ
デルは数時間分のデータが必要であり、たとえ１点のデ
ータが損なわれてしまうだけでも、数時間分の予測が不
可能になる。このため本発明では、欠損データ、異常デ
ータを以下に述べる０次補完または１次補完により補完
することとした。

【００１８】図１は、欠損・異常データの補完概念を示
すものであり、図１（ａ）に示すように予測に用いる流
入量データに関して欠損データ、異常データがある場
合、０次補完または１次補完により、図１（ｂ）のよう
に欠損データ、異常データを補完する。ここで、０次補
完は、データに欠損・異常が生じた場合に直近の正常デ
ータをそのままホールドすることにより行われる。ま
た、１次補完は、データに欠損・異常が生じた場合に直
近の正常データの傾きに基づき１次関数を作成して補完
する方法である。

【００１９】図２はこの実施形態の手順を示すフローチ
ャートである。欠損・異常判断（Ｓ１１）において、欠
損データについては、定期的に伝送されるデータが無い
時に欠損と判断する。異常データについては、負の値の
ように流入量データとしてあり得ない値の時、または直
近の正常データと比べてその大きさが極端に違う時にそ
の微分値等に基づいて異常と判断する。なお、欠損・異
常判断そのものは、本発明の要旨でないため詳述を省略
する。

【００２０】図３は補完処理（Ｓ１２）の内容を概念的
に示したものであり、前述のように、０次補完では直近
の正常データをそのままホールドし、１次補完では直近
の正常データの傾きに基づいて１次関数を作成し、ホー
ルドする。この実施形態によれば、データの連続性を保
ってデータ欠損・異常による予測不能を回避することが
できる。

【００２１】次に、請求項２記載の発明の実施形態を説
明する。この発明は、予測モデルとしてのニューラルネ
ットワークの学習不良時、または、学習が良好に行われ
たとしても、地面の湿潤度の違いなど水系状態の相違に
より、学習データと比べて出水傾向が異なるような場合
においても、高精度な予測を可能にするための予測値の
補正方法に関するものである。ニューラルネットワーク
における学習不良は、予測値が全体的に大き目、または
小さ目になることが多い。水系状態が違って適切な学習
データがない場合も同様である。

【００２２】このため、本実施形態では、現在時刻の水
量も予測可能な多出力ニューラルネットワークを構築
し、現在時刻における予測値と実績値との予測誤差を将
来の予測値の補正に用いることとした。図４は、ダムの
流入量を予測する多出力ニューラルネットワークの一例
であり、複数の入力層、中間層、出力層から構成されて
いる。入力層には、現在時刻から一定の時間間隔をおい
た過去の上流ダム放流量、実績値としての自ダム流入
量、流域平均雨量が入力されている。また、出力層は、
自ダムについて現在時刻における流入量予測値と、将来
の予測対象時刻における流入量予測値とを出力する。こ
の多出力ニューラルネットワークでは、出力層が中間層
を共有するため、出力層では同一傾向の予測を行う。そ
の性質を利用し、現在時刻における予測値と実績値との
予測誤差を用いて、将来の予測対象時刻における予測値
を補正する。

【００２３】図５はこの実施形態における予測値の補正
方法を示す概念図であり、図６は処理手順を示すフロー
チャートである。以下、図６の処理手順を順に説明す
る。（１）予測（Ｓ２１）図４の多出力ニューラルネットワークを用いて、現在時
刻と予測対象時刻との予測値を求める。（２）現在時刻予測誤差算出（Ｓ２２）現在時刻の予測値と実績値との予測誤差を算出する。誤
差算出方法そのものは本発明の要旨ではないが、例えば
数式１の比率、または数式２の量を算出する。なお、こ
れらの数式において、予測値(0)，実績値(0)は何れも現
在時刻のものである。

【００２４】

【数１】比率＝（予測値(0)−実績値(0)）／実績値(0)

【００２５】

【数２】量＝予測値(0)−実績値(0)

【００２６】（３）予測値補正（Ｓ２３）予測対象時刻(t)の予測値を補正する。補正方法そのも
のは本発明の要旨ではないが、例えば以下の数式３また
は数式４を用いる。これらの数式において、比率、量は
前記数式１，２に示した値である。

【００２７】

【数３】予測値(t)＝予測値(t)／（１＋比率）

【００２８】

【数４】予測値(t)＝予測値(t)−量

【００２９】これにより、多出力ニューラルネットワー
クにより求めた現在時刻の予測誤差に基づいて、将来の
予測時刻(t)における予測値、例えば図５に示す如く１
０分おきの将来の予測値を現在時刻と同一傾向で補正す
ることができ、予測精度を向上させることができる。

【００３０】次いで、この実施形態の実施例を説明す
る。表１は予測モデルの入出力データを示しており、ニ
ューラルネットワークの構造は多入力多出力の３階層型
ネットワークである。入力データは６時間の累計雨量、
１時間おきの流域平均雨量、１０分おきの上流ダム放流
量、１０分おきの自ダム流入量であり、何れも実績値で
ある。また、出力データは現在時刻を含み、それ以後１
０分おきの自ダム流入量予測値である。

【００３１】

【表１】

【００３２】予測に用いるデータは、ａ，ｂ，ｃの計３
種類の１０分ごとの実際のデータであり、各データ数は
ａｄａｔａが８１１、ｂｄａｔａが１６７５、ｃｄａｔ
ａが１６７５である。１つのデータを予測する時に、残
りの２つのデータを用いてニューラルネットワークに学
習させた。図７はｃｄａｔａについての一部の予測結果
を示している。図７（ａ）は補正前、図７（ｂ）は現在
時刻の予測誤差が０になるように前記数式２、数式４に
より補正したもので、それぞれ１０分ごとに予測した６
０分先の流入量の予測値と各時刻の実績値とを併せて示
してある。また、図７（ｃ）は補正なし、補正ありの両
場合についての誤差率である。更に、表２は、ａｄａｔ
ａ，ｂｄａｔａ，ｃｄａｔａについて０分（現在時
刻）、６０分先、１２０分先を予測した場合の予測絶対
平均誤差を示している。

【００３３】

【表２】

【００３４】ニューラルネットワークの学習不良のた
め、ｃｄａｔａの補正前結果は何れも１０％以上の予測
誤差があり、ａｄａｔａ，ｂｄａｔａと比較しても悪
い。また、図７（ａ）の予測結果から、補正前は予測値
が比較的小さめであることがわかる。この予測値を数式
２、数式４によって補正することにより、表２に示した
ように予測誤差は約１／２に低減された。

【００３５】次いで、請求項３に記載した発明の実施形
態を説明する。ニューラルネットワークは、その内部に
シグモイド関数を用いているために過去に学習していな
いような流量範囲は、シグモイド関数が飽和するため予
測することができない。この発明は、入出力データを差
分値にすることにより、例えば流量の多い範囲の予測も
可能とするものである。すなわち、ニューラルネットワ
ークでは、例えば学習データに含まれていないような流
量の多い範囲については、シグモイド関数の飽和領域が
用いられるため予測値は小さめになり、予測精度が低下
する。これを解決するため、入出力データを現在時刻に
おける量との差分値にすることによって、流量の多少に
よらず予測を可能にするものである。

【００３６】図８は、ニューラルネットワークの内部の
シグモイド関数ｆ＝１／｛１＋ｅｘｐ（−ｘ）｝の説明
図である。ここで、ｘは流量を示す。流量ｘが多い、ま
たは少ない範囲ではシグモイド関数が飽和領域に入り、
予測値が小さめになる。そこで本実施形態では、ニュー
ラルネットワークの入出力データとして、絶対量ではな
く差分値を用いることとした。図９はこの差分値の概念
を示すものであり、現在時刻の水量（例えば出水量）を
基準として、過去については出水量実績値との差分値、
将来については出水量予測値に対する差分値をとる。

【００３７】この実施形態の実施例を以下に説明する。
ニューラルネットワークの入出力データを表３に示す。
入力データは１時間おきの流域平均雨量、１０分おきの
上流ダム放流量、１０分おきの自ダム流入量であり、何
れも絶対量と差分値との実績値である。また、出力デー
タは６０分後、１２０分後の自ダム流入量予測値であ
る。

【００３８】

【表３】

【００３９】図１０は、入出力データに差分値を用いる
ニューラルネットワークの構成を示している。複数の入
力層及び中間層と、単一の出力層とから構成されてい
る。図１１は、前述した個数のａｄａｔａの一部につい
て６０分先の流入量を予測した結果を示している。図１
１（ａ）に示すように絶対量を用いて予測した場合に
は、流入量の多い範囲で予測値が飽和しているが、図１
１（ｂ）のごとく差分値を用いた場合には飽和が認めら
れない。

【００４０】また、表４は、３つのａｄａｔａ，ｂｄａ
ｔａ，ｃｄａｔａについて、６０分先を予測した場合の
流入量別の予測誤差を示したものである。差分値を用い
る本実施例では、絶対量を用いる場合に比べて予測誤差
も低く、良好な結果が得られている。

【００４１】

【表４】

【００４２】次に、請求項４に記載した発明の実施形態
を説明する。流量が多い場合には河川の水は速く流れ、
流量が少ない場合には遅く流れる。本発明は、請求項３
に記載したように入出力データが差分値であるニューラ
ルネットワークにおいて、入力データとして差分値の他
に流量または流速等の河川状態を表す量を絶対量として
付加することにより、流量が多い時には至近のデータを
重視し、流量が少ない時には昔のデータを重視する予測
を可能にした。

【００４３】一般に、ニューラルネットワークにより時
系列的な予測を行う方法として入力層を複数設けて時系
列的にデータを入力する方法が用いられる。しかし、流
量予測の場合には、流量により流速が異なることから、
流量が多い時には至近データに重きをおき、流量が少な
い時には至近データを軽視するような予測方法が望まし
い。入出力データに絶対量を用いる方法では、流量その
ものを入力として用いるので特別な工夫がなくとも流速
を考慮した予測が可能であるが、入出力データに差分値
のみを用いるケースでは、流量情報が欠如するため流速
を考慮した予測が困難である。そこで、入力データの差
分値の他に流量または流速の絶対量等の差分値とは性質
の異なるデータを加えることにより、流速を考慮する予
測を可能とし、入出力データが差分値であるニューラル
ネットワークにおける時間遅れを解消することとした。

【００４４】図１２は、この実施形態に使用されるニュ
ーラルネットワークの構成を示している。複数の入力層
及び中間層と、単一の出力層とから構成されている。入
力層には、上流ダム放流量、自ダム流入量、流域平均雨
量の各差分値と、現在時刻の流量の絶対量が入力され、
出力層からは自ダム流入量予測値の差分値が出力され
る。

【００４５】次に、この実施形態の実施例を説明する。
表５は差分値及び絶対量からなる入力データと、差分値
である出力データの例である。また、表６はａｄａｔ
ａ，ｂｄａｔａ，ｃｄａｔａについて、６０分先を予測
した場合の予測誤差を流入量別に示したものである。入
力データとして差分値の他に絶対量を用いる本実施例で
は、差分値のみを用いる場合に比べて予測誤差が小さく
なっていることが分かる。

【００４６】

【表５】

【００４７】

【表６】

【００４８】次いで、請求項５に記載した発明の実施形
態を説明する。請求項３に記載した発明では、流量が多
くシグモイド関数が飽和する場合に入出力データに差分
値を用いることによって不都合を解消することができる
が、その場合でも、流量変化が大きい時にはやはりシグ
モイド関数の飽和によって良好な予測が望めない。図１
３は、流入量の多少及びその変化量の多少による予測不
良領域を示すもので、前述のように流入量が多い時は入
出力データに絶対量を用いる予測（絶対量予測）では予
測不良を生じ、流入量が急峻に変化してその変化量が大
きい時には入出力データに差分値を用いる予測（差分値
予測）でも予測不良を生じる。

【００４９】そこで本発明では、ニューラルネットワー
クの出力データがシグモイド関数の活性領域・飽和領域
の何れを使用するかを判断し、飽和領域を使用する場合
には、入出力データに絶対量を用いて予測する予測モデ
ルと差分値を用いて予測する予測モデルとを切り替え、
または加重平均やファジー理論等により両者を融合して
予測するようにした。すなわち、この発明は、入出力デ
ータが差分値または絶対量である予測モデルによる予測
方法のデメリットを相互に補完しあうものである。通
常、流量の変化が極端に大きくなるのは、図１３に示し
たように流量が少ない範囲から急激に多くなり始めると
ころ、つまり流量的には中程度の範囲であり、２つの予
測モデルが同時に飽和することはない。そこで、一方の
予測モデルの出力が飽和した時に他方の予測モデルを用
いて予測するようにすれば、良好な予測を行うことがで
きる。

【００５０】図１４は、この実施形態の処理手順を示す
フローチャートである。（１）各モデルによる予測（Ｓ５１）まず、入出力データが絶対量である予測モデルと、入出
力データが差分値である図１０のような予測モデルによ
り、予測値をそれぞれ求める。（２）飽和領域判断（Ｓ５２）次に、各予測モデルから出力される予測値がシグモイド
関数の飽和領域を使った結果であるか否かを判断する。（３）予測値融合（Ｓ５３）飽和領域を使っていると判断された場合、シグモイド関
数の活性領域を用いた予測モデルの予測値に重みを置
き、シグモイド関数の飽和領域を用いた予測モデルの予
測値は重みを小さくするように融合する。融合する方法
は、単純なモデルの切り替え、加重平均、ファジー融合
等があるが、本発明の要旨ではないので省略する。

【００５１】この実施形態によれば、入出力データが差
分値である予測モデルと絶対量である予測モデルのそれ
ぞれが持つデメリットを補完し合うことができ、各モデ
ルを単独で用いる場合に比べて予測精度を高めることが
できる。

【００５２】次に、請求項６に記載した発明の実施形態
を説明する。ダムの出水量予測のように、非線形性の強
いケースにおいて単一の予測モデルだけでモデルを構築
することには限界がある。特に、流量の少ない範囲から
多い範囲までのすべてを単一の予測モデルだけで対応す
ることは難しい。そこで本発明は、流量や流域平均雨量
等のいくつかの条件により場合分けをし、小さな部分空
間に特化した複数の予測モデルを構築してそれらによる
予測値をファジー融合することにより、予測精度を向上
させるようにした。このようにある条件に特化した予測
モデルは、その条件範囲内においては高精度予測が可能
であり、これら複数のモデルの予測値を適切に融合する
ためにファジー推論を用いるものである。

【００５３】図１５は、この実施形態の処理手順を示す
フローチャートである。（１）各予測モデルによる予測（Ｓ６１）すでに構築した予測モデルにより、予測値をそれぞれ求
める。予測モデルとしてはニューラルネットワーク、回
帰式モデル、タンクモデル等種々考えられるが、これら
は本発明の要旨ではないので、説明を省略する。（２）ファジー融合（Ｓ６２）各モデルが最も精度良く予測できるように、流量・流域
平均雨量等の条件によりファジー融合を行う。融合方法
は様々な条件が考えられるが、ここでは簡単に以下の数
式５で示される例を上げる。各条件を求めるファジーメ
ンバシップ関数は熟練者による作成、もしく機械的な自
動作成等様々な作成方法がある。

【００５４】

【数５】ｆ＝（ｗ１ｆ１＋ｗ２ｆ２）／（ｗ１＋ｗ２）

【００５５】数式５における各値は次のとおりである。ｆ：ファジー融合した予測値ｆ１：流量が少ない時に特化した予測モデルの予測値ｆ２：流量が多い時に特化した予測モデルの予測値ｗ１：流量が少ないことに適合するグレードｗ２：流量が多いことに適合するグレード

【００５６】次に、本実施形態の実施例を説明する。流
量が少なく流入量に雨の影響が少ない時に特化した予測
モデル１と、流量が多く流入量に雨の影響が大きい時に
特化した予測モデル２とをファジー融合して予測する方
法を実施した。予測モデル１は、流域平均雨量を用いず
に予測する点を特徴とする。また、その学習データは、
例えば０〜５００〔ｔ／ｓ〕というように流量の少ない
範囲のデータである。一方、予測モデル２は流域平均雨
量を用いて予測する点を特徴とする。その学習データ
は、例えば１００〜７００〔ｔ／ｓ〕というように流量
の多い範囲のデータである。この実施例に用いた入出力
データ（差分値）を表７に示す。

【００５７】

【表７】

【００５８】ファジー融合に用いるメンバシップ関数
は、後述する請求項７の発明の実施形態等により構築し
た台形型を用いた。融合方法は２つあり、第１の方法は
流入量に応じて予測モデル１，２を切り替える（流量の
少ない時は予測モデル１を重視し、流量の多い時は予測
モデル２を重視して融合する）方法であり、第２の方法
は５，６時間前の流域平均雨量に応じて予測モデル１，
２を切り替える（雨量の少ない時には予測モデル１を重
視し、雨量の多い時には予測モデル２を重視して融合す
る）方法である。

【００５９】この実施例による流入量別の流入量予測誤
差を表８に示す。先に説明した請求項３の発明の実施例
である表４の差分値と比較すると、何れのファジー融合
方法を用いた場合にも良好な結果を示した。

【００６０】

【表８】

【００６１】次いで、請求項７に記載した発明の実施形
態を説明する。請求項６の発明において、条件分けによ
り様々なメンバシップ関数の作成方法が考えられる。メ
ンバシップ関数は、通常、熟練者の知識に基づいて手作
業で構築されるが、本発明では、流域平均雨量と流量と
の相関に着目して、流量予測に用いるメンバシップ関数
を自動的に作成するものである。すなわち、降雨が無い
時に高精度予測できるモデル１と、降雨時に精度良く予
測できるモデル２との２つの予測モデルをファジー融合
して予測する場合、雨量と流量との相関係数に基づいて
予測モデル１，予測モデル２の予測値を融合するファジ
ーメンバシップ関数を自動的に作成する。

【００６２】図１６は、この実施形態の処理手順を示す
フローチャートである。（１）相関計算１（Ｓ７１）雨は、数時間かけて河川に流れ込む。そのため、ダムへ
の流入量は何時間前の流域平均雨量との相関が高いかを
求める。図１７は、時間に対する雨量相関係数を示して
いる。（２）相関計算２（Ｓ７２）ｔ時間前の雨量(t)と現在の流入量との相関係数を流入
量別または雨量別に求める。図１８（ａ）は流入量別相
関係数、（ｂ）は雨量別相関係数を示している。（３）メンバシップ関数同定（Ｓ７３）相関計算２で求めた相関係数データを用いて、メンバシ
ップ関数を同定する。メンバシップ関数の形状は、台形
型またはａｒｃｔａｎ型である。同定方法には、最小二
乗法・最急降下法等様々な方法があるが、本発明の要旨
ではないのでその説明は省略する。なお、図１９はａｒ
ｃｔａｎ型のメンバシップ関数の同定を示しており、
（ａ）は流入量に関するメンバシップ関数、（ｂ）は流
域平均雨量に関するメンバシップ関数である。

【００６３】次いで、この実施形態の実施例を説明す
る。流域平均雨量と流入量との関係からメンバシップ関
数を自動同定する方法を実施する。用いるデータ群は、
これまでと同様にａｄａｔａ，ｂｄａｔａ，ｃｄａｔａ
の３データである。まず、流量と相関の高い降雨時間を
求める。図１７より、５時間前に降った降雨がダムへの
流入量に大きく関係することが分かる。次に、相関の高
い５，６時間前の平均雨量との相関を流入量別、雨量別
に整理したのが図１８（ａ），（ｂ）である。これらの
相関係数を０〜１に正規化してメンバシップ関数ａｒｃ
ｔａｎ｛ａ（ｘ−ｂ）｝／π＋０．５で同定したものが
図１９（ａ），（ｂ）である。前述のようにメンバシッ
プ関数は通常、ａｒｃｔａｎ型と台形型の２種があり、
三角型の同定においては、図１９における縦軸が０．
２，０．８を示す区分を台形の角とした。同定結果を表
９に示す。

【００６４】

【表９】

【００６５】

【発明の効果】以上のように請求項１記載の発明によれ
ば、データの欠損や異常が発生した場合でも、適切にデ
ータを補完して予測不能を回避することができる。請求
項２記載の発明によれば、学習不良の場合や水系の状態
に起因して出水傾向が異なるような場合でも、予測値を
補正することによって高精度な予測を行うことができ
る。請求項３記載の発明によれば、ニューラルネットワ
ークの出力が飽和する場合に入出力データに差分値を用
いることにより、飽和による予測誤差をなくして流量に
よらず予測することが可能になる。

【００６６】請求項４記載の発明によれば、請求項３の
ようにニューラルネットワークの入出力データに差分値
を用いる場合において、流量や流速などの絶対量を入力
データに加味することにより、更に高精度な予測を行う
ことができる。請求項５記載の発明によれば、出力デー
タが差分値である予測モデルと絶対量である予測モデル
とを融合させることにより、単一の予測モデルを用いた
際の予測値の飽和に伴う欠点を解消することができる。

【００６７】請求項６記載の発明によれば、ある条件に
特化した複数の予測モデルを適切に融合するため、高精
度な予測を行うことができる。請求項７記載の発明によ
れば、熟練者等の手作業によることなく、ファジー推論
のメンバーシップ関数を自動的に作成することができ
る。

【図面の簡単な説明】

【図１】請求項１に記載した発明の実施形態における欠
損・異常データの補完の概念図である。

【図２】請求項１に記載した発明の実施形態を示すフロ
ーチャートである。

【図３】請求項１に記載した発明の実施形態における補
完方法の概念図である。

【図４】請求項２に記載した発明の実施形態で使用され
る予測モデルの説明図である。

【図５】請求項２に記載した発明の実施形態における補
正方法の概念図である。

【図６】請求項２に記載した発明の実施形態を示すフロ
ーチャートである。

【図７】請求項２に記載した発明の実施例における予測
誤差を示すグラフである。

【図８】請求項３に記載した発明の実施形態におけるシ
グモイド関数の説明図である。

【図９】請求項３に記載した発明の実施形態における差
分値の説明図である。

【図１０】請求項３に記載した発明の実施形態で使用さ
れる予測モデルの説明図である。

【図１１】請求項３に記載した発明の実施例における予
測誤差を示すグラフである。

【図１２】請求項４に記載した発明の実施形態で使用さ
れる予測モデルの説明図である。

【図１３】請求項５に記載した発明の実施形態の背景を
説明するための図である。

【図１４】請求項５に記載した発明の実施形態を示すフ
ローチャートである。

【図１５】請求項６に記載した発明の実施形態を示すフ
ローチャートである。

【図１６】請求項７に記載した発明の実施形態を示すフ
ローチャートである。

【図１７】請求項７に記載した発明の実施例における雨
量相関係数を示すグラフである。

【図１８】請求項７に記載した発明の実施例における相
関係数を示すグラフである。

【図１９】請求項７に記載した発明の実施例におけるメ
ンバシップ関数を示すグラフである。

フロントページの続き (51)Int.Cl.⁶ 識別記号ＦＩ // Ｇ０６Ｆ 17/00 Ｇ０６Ｆ 15/20 Ｆ

Claims

【特許請求の範囲】

【請求項１】計算機により将来の予測対象時刻におけ
るダムの流入水量または流出水量を予測する水量予測方
法において、予測に用いるデータに欠損・異常データが生じた時に、
欠損・異常データの直近の正常データにより補完する０
次補完、または、欠損・異常データの直近の正常データ
の傾きに基づいて補完する１次補完により、欠損・異常
データを補完することを特徴とする、ダムにおける水量
予測方法。
【請求項２】計算機により過去の実績値を用いて構築
した多出力ニューラルネットワークからなる予測モデル
に対し、上流ダム放流量、自ダムの流入水量または流出
水量、雨量等を入力し、現在時刻及び将来の予測対象時
刻におけるダムの流入水量または流出水量を予測する水
量予測方法において、現在時刻の予測値と実績値との誤差を用いて予測対象時
刻における予測値を補正することを特徴とする、ダムに
おける水量予測方法。
【請求項３】計算機により過去の実績値を用いて構築
したニューラルネットワークからなる予測モデルに対
し、上流ダム放流量、自ダムの流入水量または流出水
量、雨量等を入力して将来の予測対象時刻におけるダム
の流入水量または流出水量を予測する水量予測方法にお
いて、予測モデルへの入出力データを、現在時刻の量を基準と
した差分値にすることを特徴とする、ダムにおける水量
予測方法。
【請求項４】請求項３記載のダムにおける水量予測方
法において、入力データに、河川状況を表す絶対量を付加したことを
特徴とする、ダムにおける水量予測方法。
【請求項５】計算機により過去の実績値を用いて構築
したニューラルネットワークからなる予測モデルに対
し、上流ダム放流量、自ダムの流入水量または流出水
量、雨量等を入力して将来の予測対象時刻におけるダム
の流入水量または流出水量を予測する水量予測方法にお
いて、予測モデルの出力データがシグモイド関数の飽和領域を
使用する場合に、出力データが差分値である予測モデル
と出力データが絶対量である予測モデルとの両モデルに
基づいて予測値を得ることを特徴とする、ダムにおける
水量予測方法。
【請求項６】計算機により過去の実績値を用いて構築
した予測モデルに対し、上流ダム放流量、自ダムの流入
水量または流出水量、雨量等を入力して将来の予測対象
時刻におけるダムの流入水量または流出水量を予測する
水量予測方法において、流量、雨量等の条件ごとに特化した予測モデルを複数用
意し、各予測モデルによる予測値をファジー推論により
融合して予測値を得ることを特徴とする、ダムにおける
水量予測方法。
【請求項７】請求項６記載の発明において、ファジー
メンバシップ関数を流量と雨量との相関係数に基づいて
求めることを特徴とする、ダムにおける水量予測方法。