JPH11194803A - Dam discharging flow rate prediction model constructing method and dam discharging flow rate predicting method - Google Patents
Dam discharging flow rate prediction model constructing method and dam discharging flow rate predicting methodInfo
- Publication number
- JPH11194803A JPH11194803A JP133898A JP133898A JPH11194803A JP H11194803 A JPH11194803 A JP H11194803A JP 133898 A JP133898 A JP 133898A JP 133898 A JP133898 A JP 133898A JP H11194803 A JPH11194803 A JP H11194803A
- Authority
- JP
- Japan
- Prior art keywords
- model
- prediction
- data
- dam
- flow rate
- 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Feedback Control In General (AREA)
- 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、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
でダムの出水量予測（流入量予測）を自動的に行うため
の予測モデル構築方法、及び、構築されたモデルを用い
て実際に予測を行う予測方法に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a prediction for automatically predicting a water discharge (inflow prediction) of a dam on a computer in a system control station, a power supply command station, a dam management station, a hydroelectric power station, and the like. The present invention relates to a model construction method and a prediction method for actually performing prediction using a constructed model.
【０００２】[0002]
【従来の技術】ダムの出水量予測は、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、様々な方法が提
案されている。しかし、タンクモデル、貯留関数法等の
方法は、非線形である水系の詳細なモデルを構築しなけ
ればならないため、モデルへの入出力データの選択やパ
ラメータの調整等の点で、一般にモデル構築に時間がか
かる。2. Description of the Related Art In many cases, prediction of water discharge from a dam is performed based on the experience and intuitive knowledge of a skilled operator. For this reason, various methods such as a tank model, a storage function method, and a neural network have been proposed as examples of automating the prediction operation. However, methods such as the tank model and the storage function method require the construction of a detailed model of a non-linear water system. take time.
【０００３】一方、ニューラルネットワークによるモデ
ル構築方法が近年提案されてきている。ニューラルネッ
トワークは、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。このニューラルネットワークを用いれ
ば、パラメータ調整が自動的に学習される等の理由によ
り、従来のタンクモデル、貯留関数法等と比べると非常
に簡単に、かつ短期間でモデルを構築することが可能で
ある。On the other hand, a model building method using a neural network has recently been proposed. The neural network can automatically construct a nonlinear water system model only by presenting input / output data by its learning ability. By using this neural network, it is possible to construct a model very easily and in a short period of time compared to conventional tank models, storage function methods, etc., because parameter adjustment is automatically learned. is there.
【０００４】なお、線形モデルでは、回帰式を用いるの
が一般的である。回帰式も最小二乗法等によりデータを
提示するだけで構築することができるが、出水量予測に
用いる場合には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量予測に用いら
れていない現状である。[0004] In a linear model, a regression equation is generally used. A regression equation can also be constructed simply by presenting data by the least squares method, etc., but when used for flood forecasting, nonlinear water systems are identified in a linear form, and the prediction accuracy is low. It is currently not used for water volume prediction.
【０００５】[0005]
【発明が解決しようとする課題】ダムの出水量予測を行
うには、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、ダムの出水量予測は、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。
自動化の例として、タンクモデル等を用いる従来の確立
された予測方法は、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するものであるため、高精度
な予測モデルを簡単に構築できる方法が望まれている。
この点、ニューラルネットワークは、非線形現象を簡単
にモデル化できる方法として、近年有望視されている手
法であるが、以下の点が課題として挙げられる。To estimate the water output of a dam requires a great deal of expertise and many years of experience.
In recent years, the number of skilled operators having this knowledge has been steadily decreasing. On the other hand, flood forecasting of dams is the foundation of dam operation, and there is an urgent need for improved prediction accuracy and automation.
As an example of automation, a conventional established prediction method using a tank model or the like requires a specialist to construct a model for each dam over a long period of time. A method that can be easily constructed is desired.
In this regard, the neural network is a promising method in recent years as a method for easily modeling a nonlinear phenomenon, but the following points are problems.
【０００６】（１）ダム出水量予測を行うため、河川や
その流域には多数の計測機器（雨量計、流量計等）が設
置されている。しかし、一般的に予測モデルの構築に当
たってモデルに入力する情報の選択手法はなく、試行錯
誤的に選ばれている。このことは、ニューラルネットワ
ークだけでなく、従来手法と共通した問題点であると言
える。(1) A large number of measuring instruments (rain gauges, flow meters, etc.) are installed in rivers and their basins in order to predict the flood water output of dams. However, in general, there is no method for selecting information to be input to a model when constructing a prediction model, and the method is selected by trial and error. This can be said to be a problem common to the conventional method as well as the neural network.
【０００７】（２）ニューラルネットワークは非線形の
モデル化には強力であるものの、線形のモデル化には回
帰式の方が適している。つまり、非線形性の強い上流ダ
ムではニューラルネットワークは適するが、線形性の強
い下流ダム等では回帰式等の線形モデルによる予測手法
が適する場合がある。しかし、線形・非線形モデルの明
確な選択方法はなく、現在は両方のモデルを構築して実
験的に決定するか、経験的に決定している。(2) Although a neural network is powerful for nonlinear modeling, a regression equation is more suitable for linear modeling. That is, a neural network is suitable for an upstream dam having a strong nonlinearity, but a prediction method using a linear model such as a regression equation may be suitable for a downstream dam having a strong linearity. However, there is no clear choice between linear and nonlinear models, and currently both models are constructed and determined experimentally or empirically.
【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、予測モデル構築時において、熟練運用
者に依存したり、入力データの選択に当たって試行錯誤
を繰り返すこともなく、簡単かつ短期間で最適な予測モ
デルを構築可能なダム出水量予測モデル構築方法、及び
実際の予測方法を提供しようとするものである。SUMMARY OF THE INVENTION The present invention has been made to solve the above-mentioned problem, and is simple and short-term without relying on a skilled operator or repeating trial and error in selecting input data when constructing a prediction model. It is an object of the present invention to provide a method for constructing a dam flood forecasting model capable of constructing an optimal forecasting model between the two, and an actual forecasting method.
【０００９】[0009]
【課題を解決するための手段】まず、請求項１記載の発
明は、上流ダム放流量、河川流量、雨量等を入力データ
とし、予測対象時刻の出水量予測値を出力データとする
予測モデルを、計算機により過去の実績値データを用い
て構築するダム出水量予測モデル構築方法において、多
数の計測機器から得られる多数のデータ（上流ダム放流
量、河川流量、雨量等）から必要かつ最適な入力データ
を選択するため、統計的数値評価手法による相関係数等
の相関度を用いることを特徴とする。The first aspect of the present invention provides a prediction model in which an upstream dam discharge, a river discharge, a rainfall, and the like are used as input data, and a predicted water output at a prediction target time is used as output data. In the method of constructing a model for predicting the water discharge of a dam, which is constructed using past actual value data by a computer, necessary and optimal inputs are made from a large number of data (upstream dam discharge, river discharge, rainfall, etc.) obtained from many measuring instruments. In order to select data, a correlation degree such as a correlation coefficient by a statistical numerical evaluation method is used.
【００１０】相関係数は、入出力データの線形（ｙ＝ａ
ｘ＋ｂ）の関係度を示す指標であって、例えば−１．０
〜１．０の値をとり、正の線形関係で１．０、負の線形
関係で−１．０、線形の相関が全くない場合には０で表
される。そこで、ダム上流域観測所の多数の計測機器か
ら得られる全データの相関係数を求め、相関係数の高い
データを予測モデルの入力情報として選択することとし
た。The correlation coefficient is linear (y = a) of input / output data.
x + b) is an index indicating the degree of relationship, for example, -1.0
It takes a value of １．０1.0, is expressed as 1.0 in a positive linear relationship, −1.0 in a negative linear relationship, and 0 when there is no linear correlation at all. Therefore, the correlation coefficients of all data obtained from many measuring instruments at the dam upstream observation station were determined, and data with a high correlation coefficient was selected as input information for the prediction model.
【００１１】図１は、請求項１記載の発明の処理を示す
フローチャートである。以下、各処理の内容を説明す
る。 （１）予測対象時刻指定ステップ（Ｓ１１） このステップでは、何時（現在時刻から何時間後）の出
水量を予測するかを指定する。予測対象ダムの遙か上流
の河川水量データは、ダムに流れ込むまでに時間がかか
るため数時間先の当該ダムの出水量との相関度が高い。
逆に、予測対象ダムに近い河川水量データは、数十分先
の当該ダムの出水量との相関度が高い。また、雨量等の
データは、降雨が一度地面に吸い込まれるため、数時間
先の出水量との相関度が高くなる傾向がある。このよう
に、予測対象時刻によりデータの重要度（相関度）が異
なるので、あらかじめ予測対象時刻を指定する必要があ
る。FIG. 1 is a flow chart showing the processing according to the first aspect of the present invention. Hereinafter, the contents of each process will be described. (1) Prediction target time specification step (S11) In this step, the time (how many hours after the current time) the water discharge amount is predicted is specified. The river water data far upstream of the dam to be predicted takes a long time to flow into the dam, and thus has a high correlation with the water output of the dam several hours ahead.
Conversely, river water data close to the dam to be predicted has a high degree of correlation with the water output of the dam several tens of minutes ahead. In addition, since the rainfall is once sucked into the ground, rainfall and other data tend to have a high degree of correlation with the water discharge several hours later. As described above, the importance (correlation) of the data differs depending on the prediction target time, and therefore, it is necessary to specify the prediction target time in advance.
【００１２】（２）相関係数計算ステップ（Ｓ１２） ダム上流域にある計測機器から得られる全データについ
て、予測モデルの出力データである出水量との相関係数
を計算する。ここで、相関係数の計算自体は本発明の要
旨ではなく、標準的な統計計算式を用いればよい。な
お、前述の如く、相関係数は入出力データの線形（ｙ＝
ａｘ＋ｂ）の関係度を示す指標として、例えば−１．０
〜１．０の値をとる。(2) Correlation Coefficient Calculation Step (S12) For all data obtained from the measuring instruments in the upstream area of the dam, a correlation coefficient with the water output, which is the output data of the prediction model, is calculated. Here, the calculation of the correlation coefficient itself is not the gist of the present invention, and a standard statistical calculation formula may be used. Note that, as described above, the correlation coefficient is linear (y =
ax + b) as an index indicating the degree of relationship, for example, -1.0
It takes a value of ~ 1.0.
【００１３】（３）入力データ選択ステップ（Ｓ１３） 相関係数の絶対値の大きい入力データから、予測モデル
構築に用いるデータを順に選択する。このとき、単に相
関係数の絶対値の大きさ順にデータを選択するのではな
く、データの性質から分類される複数のカテゴリー（自
ダム流入量、上流ダム放流量、雨量等）ごとに、１つも
しくは複数個ずつ選択するようにする。(3) Input data selection step (S13) Data to be used for constructing a prediction model is sequentially selected from input data having a large absolute value of the correlation coefficient. At this time, instead of simply selecting data in the order of magnitude of the absolute value of the correlation coefficient, one data is set for each of a plurality of categories (own dam inflow, upstream dam discharge, rainfall, etc.) classified based on the nature of the data. One or more.
【００１４】（４）予測モデル構築ステップ（Ｓ１４） ステップＳ１３で選択した入力データを用いて、実際に
予測モデルを構築する。予測モデルは、ニューラルネッ
トワーク、回帰式、タンクモデル等、種々の方法で構築
することが考えられるが、本発明では特に何れかに限定
されるものではない。一般に、ニューラルネットワーク
ではバックプロパゲーション、回帰式では最小二乗法に
よって予測モデルが構築される。(4) Prediction model construction step (S14) Using the input data selected in step S13, a prediction model is actually constructed. The prediction model may be constructed by various methods such as a neural network, a regression equation, a tank model, and the like, but the present invention is not particularly limited to any one. Generally, a prediction model is constructed by back propagation in a neural network and by a least squares method in a regression equation.
【００１５】次に、請求項２に記載した発明につき説明
する。前述した請求項１の発明は、予測モデル構築に当
たって最適な入力データを選択するものである。しか
し、相関係数の観点から最適な入力データを用いたつも
りでも、上流ダムのように非線形性の強い場合に線形式
を用いて予測モデルを構築したり、下流ダムのように線
形性の強い場合に非線形モデルを用いて予測モデルを構
築したりすると、予測精度は良好なものにならない。そ
こで本発明では、求めた相関係数から入力データの線形
性・非線形性を判断して予測モデルを自動的に選択する
こととした。Next, the invention described in claim 2 will be described. According to the first aspect of the present invention, optimal input data is selected when constructing a prediction model. However, even if we intend to use the optimal input data from the viewpoint of the correlation coefficient, we construct a prediction model using a linear form when the nonlinearity is strong like an upstream dam, or we have a strong linearity like a downstream dam. In such a case, if a prediction model is constructed using a non-linear model, the prediction accuracy will not be good. Therefore, in the present invention, the predictive model is automatically selected by determining the linearity / non-linearity of the input data from the obtained correlation coefficient.
【００１６】つまり、本発明は、請求項１の発明におけ
るステップＳ１３とステップＳ１４との間に適用するこ
とにより、入力データの性質に応じて適切な予測モデル
を構築しようとするものである。また、請求項１の発明
により線形・非線形モデルの両方を構築していた場合に
は、予測段階において適切なモデルを選択することが可
能になる。That is, by applying the present invention between step S13 and step S14 in the first aspect of the present invention, it is intended to construct an appropriate prediction model according to the properties of input data. Further, when both the linear and non-linear models are constructed according to the invention of claim 1, it becomes possible to select an appropriate model in the prediction stage.
【００１７】図２は、請求項２記載の発明の処理を示す
フローチャートである。以下、各処理の内容を説明す
る。 （１）相関係数計算ステップ（Ｓ２１） 予測モデル構築に使用される入出力データ（入力データ
と出水量）の相関係数を計算する。このステップは、実
質的に請求項１の発明におけるステップＳ１２と同一で
ある。FIG. 2 is a flow chart showing the processing according to the second aspect of the present invention. Hereinafter, the contents of each process will be described. (1) Correlation Coefficient Calculation Step (S21) A correlation coefficient of input / output data (input data and water output) used for constructing a prediction model is calculated. This step is substantially the same as step S12 in the first aspect of the present invention.
【００１８】（２）線形性・非線形性判断ステップ（Ｓ
２２） 計算された相関係数に基づいて請求項１の発明と同様に
予測モデル構築に用いる入力データを選択し、選択され
た入力データと出水量との相関係数から、入力データの
線形性・非線形性、言い換えれば予測に用いるモデルの
線形性・非線形性を判断する。このとき、平均的な相関
係数だけではなく、雨量別、流入量別、時間帯別等の分
類ごとに相関係数を求めて判断する。判断基準は、例え
ば、相関係数の絶対値が０．９５以上の場合には線形の
予測モデル、０．９５未満の場合には非線形の予測モデ
ルを用いるといった基準を使用する。(2) Linearity / nonlinearity judgment step (S
22) The input data to be used in the construction of the prediction model is selected based on the calculated correlation coefficient in the same manner as in the invention of claim 1, and the linearity of the input data is determined from the correlation coefficient between the selected input data and the water output. -Determine the non-linearity, in other words, the linearity and non-linearity of the model used for prediction. At this time, not only the average correlation coefficient but also the correlation coefficient is determined for each classification such as rainfall amount, inflow amount, time zone, and the like, and the judgment is made. As the criterion, for example, a criterion is used such that a linear prediction model is used when the absolute value of the correlation coefficient is 0.95 or more, and a non-linear prediction model is used when the absolute value of the correlation coefficient is less than 0.95.
【００１９】（３）予測モデル選択ステップ（Ｓ２３） ステップＳ２２の判断結果に従い、予測モデルを線形と
するか非線形とするかを選択する。(3) Prediction model selection step (S23) According to the judgment result of step S22, whether the prediction model is linear or non-linear is selected.
【００２０】次に、請求項３に記載した発明を説明す
る。この発明は、請求項２の発明により選択して構築し
た予測モデルを用いて出水量を予測する場合に、ファジ
ー理論を適用することを特徴とする。すなわち、請求項
２の発明では相関係数をアナログ数値（−１．０〜１．
０）として計算し、その結果からデジタル的に線形・非
線形を判断して予測モデルを選択しているのに対し、本
発明では、アナログ数値である相関係数を対象として、
ファジー理論により線形・非線形を曖昧に判断し、線形
の予測モデルと非線形の予測モデルとを用いて両者の予
測値をファジー融合するものである。Next, the invention described in claim 3 will be described. The present invention is characterized in that the fuzzy theory is applied when predicting the water output using the prediction model selected and constructed according to the second aspect of the present invention. That is, according to the second aspect of the present invention, the correlation coefficient is set to an analog value (-1.0 to 1.0).
0), and a prediction model is selected by digitally determining linear / non-linear from the result. In the present invention, however, a correlation coefficient which is an analog numerical value is targeted.
The fuzzy theory is used to judge the linearity / non-linearity vaguely, and fuzzy fusion of the prediction values of both is performed using a linear prediction model and a nonlinear prediction model.
【００２１】以下、図３、図４を参照しながら本発明の
処理の内容を説明する。 （１）相関係数計算ステップ（Ｓ３１） 予測モデル構築に使用される入出力データ（入力データ
と出水量）の相関係数を計算する。このステップも、実
質的に請求項１の発明におけるステップＳ１２と同一で
ある。The contents of the processing of the present invention will be described below with reference to FIGS. (1) Correlation Coefficient Calculation Step (S31) A correlation coefficient of input / output data (input data and water output) used for constructing a prediction model is calculated. This step is also substantially the same as step S12 in the first aspect of the present invention.
【００２２】（２）線形性・非線形性に対する適合度判
断ステップ（Ｓ３２） 計算された相関係数に基づいて請求項１の発明と同様に
予測モデル構築に用いる入力データを選択し、選択され
た入力データの相関係数の、線形性・非線形性に対する
適合度を判断する。このとき、平均的な相関係数だけで
はなく、雨量別、流入量別、時間帯別等の分類毎に相関
係数を求めて適合度を判断する。適合度判断は、例えば
図４のメンバシップ関数で判断する。(2) Step of judging the degree of conformity to linearity / nonlinearity (S32) Based on the calculated correlation coefficient, input data to be used for constructing a prediction model is selected in the same manner as in the first aspect of the present invention. The degree of conformity of the correlation coefficient of the input data to the linearity / non-linearity is determined. At this time, not only the average correlation coefficient but also the correlation coefficient is obtained for each classification such as rainfall amount, inflow amount, time zone, and the like, and the fitness is determined. The matching degree is determined by, for example, the membership function shown in FIG.
【００２３】図４の意味するところは、相関係数が−
１．０または１．０に極めて近い場合には線形、相関係
数が−０．９または０．９近辺では線形でもあり非線形
でもある曖昧な状態、それ以内の範囲（ほぼ−０．９〜
０．９の範囲）は非線形であることを示している。つま
り、相関係数が−０．９または０．９近辺では線形・非
線形を一義的に決定せずに、線形の予測モデルと非線形
の予測モデルとの両方の出力をファジー融合して最終的
な予測値を得るようにした。FIG. 4 means that the correlation coefficient is-
An ambiguous state in which the correlation coefficient is linear when the correlation coefficient is near -0.9 or 0.9, which is both linear and nonlinear, and a range within the range (approximately -0.9 to 1.0).
(A range of 0.9) indicates nonlinearity. That is, when the correlation coefficient is around -0.9 or around 0.9, the output of both the linear prediction model and the nonlinear prediction model is fuzzy-fused without unambiguously determining the linear / non-linear state. Get predictions.
【００２４】（３）予測値ファジー融合ステップ（Ｓ３
３） ステップＳ３２で求めた適合度に応じて、線形モデルに
よる予測値と非線形モデルによる予測値とをファジー融
合して最終的な予測値とする。予測値の融合には、例え
ば以下の数式を用いる。 ｙ＝（ω1ｙ1＋ω2ｙ2）／（ω1＋ω2） 但し、ｙ：最終予測値、ω1：線形の適合度、ω2：非線
形の適合度、ｙ1：線形モデルの予測値、ｙ2：非線形モ
デルの予測値である。(3) Prediction value fuzzy fusion step (S3
3) According to the goodness of fit determined in step S32, the predicted value by the linear model and the predicted value by the non-linear model are fuzzy fused to obtain the final predicted value. For example, the following formula is used for fusion of the predicted values. y = (ω 1 y 1 + ω 2 y 2 ) / (ω 1 + ω 2 ) where y: final predicted value, ω 1 : linear fitness, ω 2 : nonlinear fitness, y 1 : linear model prediction Value, y 2 : predicted value of the nonlinear model.
【００２５】[0025]
【発明の実施形態】以下、本発明の実施形態を説明す
る。この実施形態は、あるダムへの流入量を、河川に設
置された複数の流量計の出力データや雨量計の出力デー
タに基づいて予測する場合のものである。表１に、予測
モデル構築及び実際の予測に用いたデータのデータ名、
期間、データ数を示す。用いたデータは計３期間のデー
タ（ａｄａｔａ，ｂｄａｔａ，ｃｄａｔａ）であり、２
期間のデータ（ａｄａｔａ，ｂｄａｔａ）を予測モデル
構築用に、１期間のデータ（ｃｄａｔａ）を予測用に用
いた。なお、各データは１０分毎のデータである。Embodiments of the present invention will be described below. In this embodiment, the inflow into a certain dam is predicted on the basis of output data of a plurality of flow meters installed in a river and output data of a rain gauge. Table 1 shows the data names of the data used for the prediction model construction and the actual prediction,
The period and the number of data are shown. The data used is data (data, bdata, cdata) for a total of three periods,
Period data (data, bdata) was used for prediction model construction, and one period data (cdata) was used for prediction. Each data is data every 10 minutes.
【００２６】[0026]
【表１】 [Table 1]
【００２７】表２に、各時間毎の入力データの相関係数
を示す。計測器は、流入量計、流量計、雨量計の３種あ
るが、流量計は河川に計５個設置されている。２時間先
の流入量を予測する場合（表２において相関係数（−１
２０ｍｉｎ）と記載されている行を示す）、５つある流
量計の中で上流ダム放流量に対応する流量計３が相関係
数０．８８４と最も大きい。よって、予測モデル構築に
使用するデータは各分類毎に、請求項１の発明によって
「流入量」、「流量計３」、「雨量（１時間累計流域平
均雨量）」の３種類を選択した。Table 2 shows the correlation coefficient of the input data for each time. There are three types of measuring instruments: inflow meters, flow meters, and rain gauges. Five flow meters are installed in rivers. When predicting the inflow two hours ahead (in Table 2, the correlation coefficient (-1
The flow meter 3 corresponding to the upstream dam discharge flow has the largest correlation coefficient of 0.884 among the five flow meters. Therefore, three types of data, "inflow", "flow meter 3", and "rainfall (1-hour cumulative basin average rainfall)" were selected for the data used for the construction of the prediction model for each classification by the invention of claim 1.
【００２８】[0028]
【表２】 [Table 2]
【００２９】また、表２において、２時間先の流入量を
予測する場合の各データの相関係数の絶対値は概して小
さいため、請求項２の発明により非線形と判断し、非線
形モデル（ニューラルネットワーク）を用いることとし
た。Further, in Table 2, since the absolute value of the correlation coefficient of each data when predicting the inflow amount two hours ahead is generally small, it is determined that the correlation coefficient is nonlinear according to the invention of claim 2, and the nonlinear model (neural network) ).
【００３０】これらのデータを用いて、ニューラルネッ
トワークにより予測モデルを構築する。ただし、本実施
例では、流入量の時系列性も考慮するため、各データを
時系列的に入力した。モデル構造を図５に示す。図５に
示すニューラルネットワークは、流量計３のデータ、自
ダム流入量（実績値）、流域平均雨量が入力される入力
層と、中間層と、２時間後の流入量（予測値）が出力さ
れる出力層とを有している。Using these data, a prediction model is constructed by a neural network. However, in this example, in order to consider the time series of the inflow amount, each data was input in a time series. FIG. 5 shows the model structure. The neural network shown in FIG. 5 outputs the input layer to which the data of the flow meter 3, the inflow amount of the own dam (actual value), and the basin average rainfall are input, the middle layer, and the inflow amount (predicted value) two hours later. Output layer.
【００３１】表３及び図６に、予測結果を示す。図６か
ら明らかなように、流入量の実績値は予測値と良く一致
しており、請求項１の発明により選択したデータを用い
たことで流入量の良好な予測結果を得ることができた。
また、請求項２の発明により非線形モデル（ニューラル
ネットワーク）を構築して予測したが、表３に示すよう
に、同条件で構築した回帰式よりも良好な結果を得るこ
とができた。Table 3 and FIG. 6 show the prediction results. As is evident from FIG. 6, the actual value of the inflow amount is in good agreement with the predicted value, and a good prediction result of the inflow amount could be obtained by using the data selected according to the first aspect of the present invention. .
Further, a non-linear model (neural network) was constructed and predicted according to the invention of claim 2, and as shown in Table 3, better results were obtained than the regression formula constructed under the same conditions.
【００３２】[0032]
【表３】 [Table 3]
【００３３】なお、表２において、入力データとして相
関係数が０．９付近のデータが選択される場合、請求項
３に記載したように、相関係数に応じて選択された線形
モデル、非線形モデルの双方の出力を融合させて予測を
行っても良い。In Table 2, when data having a correlation coefficient of about 0.9 is selected as input data, a linear model selected according to the correlation coefficient, a nonlinear model The prediction may be performed by fusing both outputs of the model.
【００３４】[0034]
【発明の効果】以上述べたように、請求項１の発明は、
予測モデルの構築及び実際の予測に使用するべきデータ
の選択方法に関するものである。通常、ダム上流域には
多数の計測機器が設置されており、熟練運用者はその時
々の状況を経験的に判断して、必要な計測機器の計測デ
ータを採用し予測を行っている。また、予測業務の自動
化のため予測モデルを構築する場合には、多数のデータ
の組み合わせの中から実験的にデータを選択している。
これに対し、入出力データの相関係数に着目した本発明
を用いることにより、多数のデータの中から重要なデー
タのみを自動的に抽出することができ、モデル構築時の
試行錯誤的な実験をすることなく最適な予測モデルを短
期間で容易に構築することができる。As described above, the first aspect of the present invention is:
The present invention relates to a method for constructing a prediction model and selecting data to be used for actual prediction. Normally, a large number of measuring instruments are installed in the upstream area of the dam, and a skilled operator empirically judges the situation at each time and employs necessary measurement instrument measurement data to make predictions. When constructing a prediction model for automating a prediction operation, data is experimentally selected from a combination of many data.
On the other hand, by using the present invention focusing on the correlation coefficient of input / output data, only important data can be automatically extracted from a large number of data. It is possible to easily construct an optimal prediction model in a short period of time without performing the above.
【００３５】請求項２の発明は、予測モデルの線形・非
線形のタイプを自動的に決定するものである。ダムは上
流と下流において性質が異なり、通常、上流ダムは非線
形性が非常に強く、下流ダムは線形性が強い。予測モデ
ル構築のための手法は数多く存在し、それぞれ得手不得
手が存在する。従来より線形化モデルの代表的手法には
回帰式があり、非線形モデル化の手法としてニューラル
ネットワークがあるが、本発明によれば、線形・非線形
を的確に判断して最適な予測手法を選択することができ
る。According to a second aspect of the present invention, a linear / nonlinear type of a prediction model is automatically determined. Dams differ in their properties upstream and downstream; usually, upstream dams are very nonlinear and downstream dams are very linear. There are many methods for constructing a prediction model, and each has its own strengths and weaknesses. Conventionally, a typical method of a linearized model has a regression equation, and a neural network has been used as a method of nonlinear modeling. According to the present invention, an optimal prediction method is selected by accurately determining linear / nonlinear. be able to.
【００３６】請求項３の発明は、予測に用いるモデルの
線形・非線形性をデジタル的に判断するのではなく、フ
ァジー理論を用いて線形・非線形の境界を曖昧に判断す
ることにより、一層実際的な予測を行うものである。こ
の発明を用いることにより、非線形・線形関係が曖昧な
中流ダム等において線形・非線形モデルのそれぞれの予
測値をファジー融合して良好な予測値を求めることが可
能となる。また、同一のダムでも、流量が少ない場合に
は線形性が強く、流量が多い場合には非線形性が強くな
る等、条件により線形・非線形性が変化することがあ
る。このように線形性が変化する場合においても、流量
が中くらいの場合には両モデルの予測値をファジー融合
することにより、良好な予測結果を得ることができる。According to the third aspect of the present invention, the linear / nonlinearity of the model used for the prediction is not digitally determined, but the fuzzy theory is used to vaguely determine the linear / nonlinear boundary. To make an accurate prediction. By using the present invention, it is possible to obtain a good predicted value by fuzzy fusing the predicted values of the linear and non-linear models in a midstream dam where the non-linear / linear relationship is ambiguous. Further, even with the same dam, the linearity / non-linearity may change depending on conditions such as a strong linearity when the flow rate is small and a strong nonlinearity when the flow rate is large. Even when the linearity changes in this way, when the flow rate is medium, a good prediction result can be obtained by fuzzy fusing the prediction values of both models.
【図１】請求項１に記載した発明の処理を示すフローチ
ャートである。FIG. 1 is a flowchart showing a process of the invention described in claim 1;
【図２】請求項２に記載した発明の処理を示すフローチ
ャートである。FIG. 2 is a flowchart showing a process of the invention described in claim 2;
【図３】請求項３に記載した発明の処理を示すフローチ
ャートである。FIG. 3 is a flowchart showing processing of the invention described in claim 3;
【図４】請求項３に記載した発明におけるメンバシップ
関数の説明図である。FIG. 4 is an explanatory diagram of a membership function in the invention described in claim 3;
【図５】請求項２の発明の実施形態により選択された予
測モデル（ニューラルネットワーク）の構成図である。FIG. 5 is a configuration diagram of a prediction model (neural network) selected according to the embodiment of the second invention.
【図６】図５の予測モデルを用いて流入量を予測した場
合の予測結果を示す図である。FIG. 6 is a diagram showing a prediction result when the inflow amount is predicted using the prediction model of FIG. 5;
───────────────────────────────────────────────────── 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 ──────────────────────────────────────────────────続 き Continued on the front page (51) Int.Cl. 6 Identification symbol FI // G06F 17/00 G06F 15/20 F
Claims (3)
力データとし、予測対象時刻の出水量予測値を出力デー
タとする予測モデルを、計算機により過去の実績値デー
タを用いて構築するダム出水量予測モデル構築方法にお
いて、 予測対象時刻を指定する第１ステップと、 入力データと出力データとの相関度を求める第２ステッ
プと、 求められた相関度に基づいて予測モデル構築及び予測に
用いるデータを選択する第３ステップと、 選択されたデータを用いて予測モデルを構築する第４ス
テップと、を有することを特徴とするダム出水量予測モ
デル構築方法。1. A dam that uses a past actual value data by a computer to construct a prediction model that uses an upstream dam discharge flow rate, a river flow rate, a rainfall amount, and the like as input data and a water discharge prediction value at a prediction target time as output data. In the method for constructing a water flow forecasting model, a first step of designating a prediction target time, a second step of finding a degree of correlation between the input data and the output data, and using the obtained degree of correlation for building and predicting a prediction model. A method for constructing a flood forecasting model for dams, comprising: a third step of selecting data; and a fourth step of constructing a prediction model using the selected data.
築方法において、 前記第３ステップにより選択されたデータの線形性、非
線形性の判断結果に応じ、予測モデルを選択して構築す
るステップを有することを特徴とするダム出水量予測モ
デル構築方法。2. The method according to claim 1, further comprising the step of selecting and constructing a prediction model in accordance with a result of determining the linearity or nonlinearity of the data selected in the third step. A method for constructing a model for predicting a flood discharge of a dam, the method comprising:
求められた相関度の、前記第３ステップにより選択され
たデータの線形性、非線形性に対する適合度を判断する
ステップと、 この適合度の判断結果に応じて、線形の予測モデル、非
線形の予測モデルによる予測値をファジー融合させて最
終予測値を求めるステップと、 を有することを特徴とするダム出水量予測方法。3. A step of judging the degree of conformity of the degree of correlation determined in the second step according to claim 1 with respect to the linearity and non-linearity of the data selected in the third step. A step of fuzzy fusing the prediction values of the linear prediction model and the non-linear prediction model in accordance with the result of the determination to obtain a final prediction value.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP133898A JPH11194803A (en) | 1998-01-07 | 1998-01-07 | Dam discharging flow rate prediction model constructing method and dam discharging flow rate predicting method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP133898A JPH11194803A (en) | 1998-01-07 | 1998-01-07 | Dam discharging flow rate prediction model constructing method and dam discharging flow rate predicting method |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH11194803A true JPH11194803A (en) | 1999-07-21 |
Family
ID=11498721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP133898A Pending JPH11194803A (en) | 1998-01-07 | 1998-01-07 | Dam discharging flow rate prediction model constructing method and dam discharging flow rate predicting method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH11194803A (en) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004006336A (en) * | 2002-04-30 | 2004-01-08 | Xtreme Technologies Gmbh | Method for stabilizing radiation output in radioactive source of pulse-driven gas discharge linking type |
| JP2005044337A (en) * | 2003-06-05 | 2005-02-17 | Fisher Rosemount Syst Inc | Multiple-input/multiple-output control block with nonlinear predictive capability |
| JP2007172429A (en) * | 2005-12-26 | 2007-07-05 | Nomura Research Institute Ltd | Document information analyzer and document information analysis method |
| JP2007226450A (en) * | 2006-02-22 | 2007-09-06 | Fuji Electric Systems Co Ltd | Apparatus, method and program for predicting flow rate |
| JP2012012907A (en) * | 2010-07-05 | 2012-01-19 | Chubu Electric Power Co Inc | Dam measurement data evaluation method and dam measurement data evaluation system |
| JP2020129390A (en) * | 2015-01-22 | 2020-08-27 | 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ | Machine learning based on model filtering and model mixing for edge device in circumstances of different kinds |
| JP2021033915A (en) * | 2019-08-29 | 2021-03-01 | 株式会社日立パワーソリューションズ | Computer program, dam inflow prediction program, and dam inflow prediction system |
| WO2023007704A1 (en) * | 2021-07-30 | 2023-02-02 | 日本電信電話株式会社 | Prediction device, prediction method, and prediction program |
| WO2023063343A1 (en) * | 2021-10-12 | 2023-04-20 | サントリーホールディングス株式会社 | Estimation model acquiring device, river flow rate estimating device, estimation model production method, river flow rate estimating method, and program |
-
1998
- 1998-01-07 JP JP133898A patent/JPH11194803A/en active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004006336A (en) * | 2002-04-30 | 2004-01-08 | Xtreme Technologies Gmbh | Method for stabilizing radiation output in radioactive source of pulse-driven gas discharge linking type |
| JP2005044337A (en) * | 2003-06-05 | 2005-02-17 | Fisher Rosemount Syst Inc | Multiple-input/multiple-output control block with nonlinear predictive capability |
| JP2007172429A (en) * | 2005-12-26 | 2007-07-05 | Nomura Research Institute Ltd | Document information analyzer and document information analysis method |
| JP2007226450A (en) * | 2006-02-22 | 2007-09-06 | Fuji Electric Systems Co Ltd | Apparatus, method and program for predicting flow rate |
| JP2012012907A (en) * | 2010-07-05 | 2012-01-19 | Chubu Electric Power Co Inc | Dam measurement data evaluation method and dam measurement data evaluation system |
| JP2020129390A (en) * | 2015-01-22 | 2020-08-27 | 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ | Machine learning based on model filtering and model mixing for edge device in circumstances of different kinds |
| JP2021033915A (en) * | 2019-08-29 | 2021-03-01 | 株式会社日立パワーソリューションズ | Computer program, dam inflow prediction program, and dam inflow prediction system |
| WO2023007704A1 (en) * | 2021-07-30 | 2023-02-02 | 日本電信電話株式会社 | Prediction device, prediction method, and prediction program |
| WO2023063343A1 (en) * | 2021-10-12 | 2023-04-20 | サントリーホールディングス株式会社 | Estimation model acquiring device, river flow rate estimating device, estimation model production method, river flow rate estimating method, and program |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ellis et al. | Inspection, maintenance, and repair with partial observability | |
| Zhang et al. | Fuzzy-multi-objective particle swarm optimization for time–cost–quality tradeoff in construction | |
| JP4807565B2 (en) | Flow prediction device | |
| CN113222296B (en) | Flood control scheduling method based on digital twinning | |
| CN109376925B (en) | Dynamic self-adaptive optimization method for node flow of water supply pipe network | |
| Ferreira et al. | A segment-linked optimization model for deterministic pavement management systems | |
| CN107609787A (en) | Automatic scheduling method is combined based on the lock pump group for automatically generating prediction scheme | |
| CN113221439B (en) | BP neural network-based drainage system real-time calibration and dynamic prediction method | |
| Habib et al. | Stage–discharge relations for low-gradient tidal streams using data-driven models | |
| CN112084608B (en) | Method for identifying risk pipelines and nodes by adopting parameter uncertainty analysis model | |
| Gardner et al. | Stochastic conceptual cost estimating of highway projects to communicate uncertainty using bootstrap sampling | |
| JPH11194803A (en) | Dam discharging flow rate prediction model constructing method and dam discharging flow rate predicting method | |
| Yazdi et al. | A stochastic optimization algorithm for optimizing flood risk management measures including rainfall uncertainties and nonphysical flood damages | |
| JP2004062440A (en) | Predictive model system | |
| Calver et al. | Comparative analysis of statistical and catchment modelling approaches to river flood frequency estimation | |
| DeGagne et al. | A decision support system for the analysis and use of stage-discharge rating curves | |
| JPH10260718A (en) | Method for predicting volume of water of dam | |
| JP2007226450A (en) | Apparatus, method and program for predicting flow rate | |
| JP4146053B2 (en) | Flow prediction method in dam or river | |
| Christodoulou et al. | A risk analysis framework for evaluating structural degradation of water mains in urban settings, using neurofuzzy systems and statistical modeling techniques | |
| JP2000055703A (en) | Estimation method for flow rate in dam | |
| CN111815043B (en) | Flood flow prediction method and system based on storm characteristics | |
| US20240005067A1 (en) | Method and system for modal prediction and analysis of geotechnical engineering structure | |
| Angkasuwansiri et al. | Development of wastewater pipe performance index and performance prediction model | |
| CN116911594A (en) | Method and device for evaluating leakage emergency repair risk of gas pipeline |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20040205 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20040421 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20040427 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20041019 |