JPS592945B2 - 水需要予測方法 - Google Patents
水需要予測方法Info
- Publication number
- JPS592945B2 JPS592945B2 JP54090673A JP9067379A JPS592945B2 JP S592945 B2 JPS592945 B2 JP S592945B2 JP 54090673 A JP54090673 A JP 54090673A JP 9067379 A JP9067379 A JP 9067379A JP S592945 B2 JPS592945 B2 JP S592945B2
- Authority
- JP
- Japan
- Prior art keywords
- water
- water demand
- data
- demand
- prediction
- 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.)
- Expired
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims description 65
- 238000013277 forecasting method Methods 0.000 title description 3
- 238000000034 method Methods 0.000 claims description 26
- 230000014509 gene expression Effects 0.000 description 17
- 238000009826 distribution Methods 0.000 description 15
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000746 purification Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 2
- 238000001595 flow curve Methods 0.000 description 2
- 101000671676 Homo sapiens U3 small nucleolar RNA-associated protein 4 homolog Proteins 0.000 description 1
- 102100040072 U3 small nucleolar RNA-associated protein 4 homolog Human genes 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000015271 coagulation Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001550 time effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
【発明の詳細な説明】
この発明は例えば上水道における取水場、浄水場、配水
場などの日間(短期)運用計画をたてるために用いる水
需要予測方法に関する。
場などの日間(短期)運用計画をたてるために用いる水
需要予測方法に関する。
上水道における水需要予測は、施設整備計画をたてるた
めの年次長期予測と、貯水池や河川の年間又は月間運用
計画をたてるための中期予測と、取水場、浄水場、配水
場などの日間運用計画をたてるための短期予測がある。
めの年次長期予測と、貯水池や河川の年間又は月間運用
計画をたてるための中期予測と、取水場、浄水場、配水
場などの日間運用計画をたてるための短期予測がある。
上水は、その原水を山間部のダム式貯水池や河川から取
水し、浄水場まで導水路によつて導びかれる。
水し、浄水場まで導水路によつて導びかれる。
近年は、水源を都市の近郊に求めることが困難なため、
取水場から浄水場までの導水遅れ時間が数時間を越える
ことも珍らしくない。また、浄水プロセスは凝集、沈殿
という原理的に時間遅れが大きいプロセスであるから、
需要量の変動に迅速な応答をすることは難しい。需要量
は後述する諸要因によつて変動し、1日の需要量は年間
を通じてその最大値は最小値の約2倍に達する。1日以
内の時間変動はさらに大きく、一般には第1図の代表的
需要流量曲線の如く、一田こ2回のピークが存在し、最
大値は最小値の約5倍から10倍になる。
取水場から浄水場までの導水遅れ時間が数時間を越える
ことも珍らしくない。また、浄水プロセスは凝集、沈殿
という原理的に時間遅れが大きいプロセスであるから、
需要量の変動に迅速な応答をすることは難しい。需要量
は後述する諸要因によつて変動し、1日の需要量は年間
を通じてその最大値は最小値の約2倍に達する。1日以
内の時間変動はさらに大きく、一般には第1図の代表的
需要流量曲線の如く、一田こ2回のピークが存在し、最
大値は最小値の約5倍から10倍になる。
また配水池は、これらの需要変動を吸収する目的の他に
、突発的事故や火災発生に備えて緊急用水を確保しなけ
ればならないため、配水池での需要変動の吸収範囲が限
定される。最近の施設の拡張によつて複数の取水場、複
数の浄水場、複数の配水場から成る複雑な送配水系統が
ふえている。そのために、プロセス遅れ時間を考慮して
各施設の負荷率を均等化するためには、適確な需要予測
が前提条件となる。さて、需要予測をするためには、需
要量に変動を与える要因を明らかにし、つぎにその要因
と需要との関係を定式化することが必要である。
、突発的事故や火災発生に備えて緊急用水を確保しなけ
ればならないため、配水池での需要変動の吸収範囲が限
定される。最近の施設の拡張によつて複数の取水場、複
数の浄水場、複数の配水場から成る複雑な送配水系統が
ふえている。そのために、プロセス遅れ時間を考慮して
各施設の負荷率を均等化するためには、適確な需要予測
が前提条件となる。さて、需要予測をするためには、需
要量に変動を与える要因を明らかにし、つぎにその要因
と需要との関係を定式化することが必要である。
需要変動要因として、従来あげられているものは、(1
)天候、(2)曜日、(3)祝祭日、五月連体、夏休み
、年末、年始の休みなどの特異山(4)前日の需要実績
、(5)気温、(6)降雪量、(7川照時間などである
。定式化手法として、指数平滑法、自己回帰モデル、重
回帰モデル、GMDH(GrOupMethOdOfD
ataHandlingの略称)などの方法がある。こ
こで従来のGMDH法の内、最初に提案された基本的G
MDH法について説明する。この方法は「層」と呼ばれ
る手続きを1つの単位として、この繰り返しより構成さ
れる。
)天候、(2)曜日、(3)祝祭日、五月連体、夏休み
、年末、年始の休みなどの特異山(4)前日の需要実績
、(5)気温、(6)降雪量、(7川照時間などである
。定式化手法として、指数平滑法、自己回帰モデル、重
回帰モデル、GMDH(GrOupMethOdOfD
ataHandlingの略称)などの方法がある。こ
こで従来のGMDH法の内、最初に提案された基本的G
MDH法について説明する。この方法は「層」と呼ばれ
る手続きを1つの単位として、この繰り返しより構成さ
れる。
この単位の中でなされることは、K種N組の入力データ
を利用し、中間変数と呼ばれる変数をKG2種N組発生
し、この内K種N組の中間変数を選択することである。
この時、中間変数は得たい変数(目的変数)に最小二乗
の意味で最も近くなるように選ぶので、適切な停止規準
を設けて、この繰り返し操作を停止すれば、中間変数が
目的変数の同定値となる。但し、最初の層では原人力デ
ータを入力データとし、次の層からは、発生、選択され
た中間変数を入力データとする。こうして予測モデル構
造がきまれば、そのモデルを用いて予測が可能となる。
もう少し詳しく述べれば、基本的GMDHでは、入力デ
ータをトレーニングデータとチエツキングデータに分割
することから始まる。
を利用し、中間変数と呼ばれる変数をKG2種N組発生
し、この内K種N組の中間変数を選択することである。
この時、中間変数は得たい変数(目的変数)に最小二乗
の意味で最も近くなるように選ぶので、適切な停止規準
を設けて、この繰り返し操作を停止すれば、中間変数が
目的変数の同定値となる。但し、最初の層では原人力デ
ータを入力データとし、次の層からは、発生、選択され
た中間変数を入力データとする。こうして予測モデル構
造がきまれば、そのモデルを用いて予測が可能となる。
もう少し詳しく述べれば、基本的GMDHでは、入力デ
ータをトレーニングデータとチエツキングデータに分割
することから始まる。
また今、入力データをx1(t),X2(t),・・・
Xk(t)と表わす。(t−1〜N)中間変数表現式と
してはKOlmOgOrOv−GabOrの式を仮定し
、2つの変数の組み合わせを考える。即ち、,(t)=
,o+,1xi(t)+,2xj(t)+A3xl2(
t)A4xj2(t)+A5xi(t)Xj(t) ・
・・・・・(1)以上の準備を基に、ある(1,J)の
組み合わせについて、トレーニングデータに対して最小
二乗法を適用し、AO−A5の係数を求め、その係数と
チエツキングデータを用いてモデルの良さを次の基準を
用い調べる。
Xk(t)と表わす。(t−1〜N)中間変数表現式と
してはKOlmOgOrOv−GabOrの式を仮定し
、2つの変数の組み合わせを考える。即ち、,(t)=
,o+,1xi(t)+,2xj(t)+A3xl2(
t)A4xj2(t)+A5xi(t)Xj(t) ・
・・・・・(1)以上の準備を基に、ある(1,J)の
組み合わせについて、トレーニングデータに対して最小
二乗法を適用し、AO−A5の係数を求め、その係数と
チエツキングデータを用いてモデルの良さを次の基準を
用い調べる。
即ち、N
Σ(y*(t)−y(t))2 ・・・・・・(2
)ここでN1はチエツキングデータ数、y*(t)はチ
エツキングデータXi(t),Xj(t)とAO−A5
の係数を用いて得られる同定値、y(t)は実測値であ
る。
)ここでN1はチエツキングデータ数、y*(t)はチ
エツキングデータXi(t),Xj(t)とAO−A5
の係数を用いて得られる同定値、y(t)は実測値であ
る。
これらの演算をK種から2種選択する組み合わせKC2
通り全てについて実行し、(2)式が小さいものからK
個の組み合わせを選定し、K種N組全ての中間変数を発
生させる。
通り全てについて実行し、(2)式が小さいものからK
個の組み合わせを選定し、K種N組全ての中間変数を発
生させる。
こうして、K種N組のデータを入力し、K種N組の中間
変数を出力することを1つの単位「層」として繰り返す
が、今得られた層の中での(2)式の最小値が前層のそ
れを改善即ち、小さくしないならばこの繰り返しを停止
する。
変数を出力することを1つの単位「層」として繰り返す
が、今得られた層の中での(2)式の最小値が前層のそ
れを改善即ち、小さくしないならばこの繰り返しを停止
する。
以上が基本的GMDHと呼ばれている手法であり、これ
は1968年1vakhnenk0によつて提案された
。
は1968年1vakhnenk0によつて提案された
。
この手法の長所は次の通りである。(a)比較的簡単な
アルゴリズムで相関関係不明な事象例えば社会、経済現
象、配水量予測の統計的モデルが得られる。(b)入出
力データがGMDH以外の統計的予測法と比べ少なくて
済み、繰り返し演算の形をしているため装置として実現
しやすい。
アルゴリズムで相関関係不明な事象例えば社会、経済現
象、配水量予測の統計的モデルが得られる。(b)入出
力データがGMDH以外の統計的予測法と比べ少なくて
済み、繰り返し演算の形をしているため装置として実現
しやすい。
ところが次のような欠点がある。
(c)オーバーフイツテイング即ち、必要以上に複雑な
モデルとなり得、時として異常な固定値、予測値が得ら
れることがある。
モデルとなり得、時として異常な固定値、予測値が得ら
れることがある。
この発明はこのような事情にかんがみてなされたもので
、簡単なアルゴリズムでオーバーフイツテイングのない
安全な予測値が得られる水需要予測方法を提供すること
を目的とする。
、簡単なアルゴリズムでオーバーフイツテイングのない
安全な予測値が得られる水需要予測方法を提供すること
を目的とする。
以下、この発明のGMDHによる水需要量予測モデル定
式化方法について述べる。
式化方法について述べる。
この方法でもやはり「層」という手続きを1つの単位と
して、この繰り返しにより構成される。この単位の中で
なされることは、K種N組の入力データからK組N組の
中間変数を得ることであり、これを繰り返しある打ち切
り規準を設けることにより適切な最終表現を得る。ここ
までは、全く基本的GMDHと同種であるが、説明変数
の数を多くすることによるオーバーフイツテイング(あ
るデータ群に対しては非常に同程度が良いが、他のデー
タ群に対しては時として異常な値が得られるほど予測度
が悪くなること。)を避けるため、中間変数の表現式を
情報量規準AICを利用することにより自己選択するこ
とと、同規準を用いることにより層数の増加を停止させ
ることが異なる。中間表現式のバリエーションとしては
(1)式のバリエーション31通りの式か(3)式に示
すようにXiとXjに関し対象な7通りの式を採用すれ
ばよい。
して、この繰り返しにより構成される。この単位の中で
なされることは、K種N組の入力データからK組N組の
中間変数を得ることであり、これを繰り返しある打ち切
り規準を設けることにより適切な最終表現を得る。ここ
までは、全く基本的GMDHと同種であるが、説明変数
の数を多くすることによるオーバーフイツテイング(あ
るデータ群に対しては非常に同程度が良いが、他のデー
タ群に対しては時として異常な値が得られるほど予測度
が悪くなること。)を避けるため、中間変数の表現式を
情報量規準AICを利用することにより自己選択するこ
とと、同規準を用いることにより層数の増加を停止させ
ることが異なる。中間表現式のバリエーションとしては
(1)式のバリエーション31通りの式か(3)式に示
すようにXiとXjに関し対象な7通りの式を採用すれ
ばよい。
(1)式のバリエーションはAj(j=1〜5)を採用
するかしないかの組み合わせ25−1=311通り存在
するが、7通りの式を採用すれば後述する情報量規準誤
差が最大4となる近似式が得られ、演算時間を短縮し、
組み合わせに関して対称な特色を有している。y(t)
=AO+Alxi(t)+A2xj(01,y(t)=
AO+A3xj2(t)+A4xj2(t)y(t)=
AO+A5xj(t)・Xj(t)y(t)−AO+A
,xi(t)+A2x,(t)+A3Xi2(t)+A
4Xj2(t)y(t):リ:AO+A3xi2(t)
+A4xj2(t)2+A5Xi(t)・Xj(t)y
(t)::AO+AlXi(t)+A2Xj(t)+A
5x2(t)・Xj(t)y(t)−A。
するかしないかの組み合わせ25−1=311通り存在
するが、7通りの式を採用すれば後述する情報量規準誤
差が最大4となる近似式が得られ、演算時間を短縮し、
組み合わせに関して対称な特色を有している。y(t)
=AO+Alxi(t)+A2xj(01,y(t)=
AO+A3xj2(t)+A4xj2(t)y(t)=
AO+A5xj(t)・Xj(t)y(t)−AO+A
,xi(t)+A2x,(t)+A3Xi2(t)+A
4Xj2(t)y(t):リ:AO+A3xi2(t)
+A4xj2(t)2+A5Xi(t)・Xj(t)y
(t)::AO+AlXi(t)+A2Xj(t)+A
5x2(t)・Xj(t)y(t)−A。
+AlXi(t)+A2Xj(t)+A3xi2(t)
+A4xj2(t)2+A5xl(t)・Xj(t)・
・・・・・(3)又、情報量規準AICとしては(4)
式を採用する。NAIC=NlnΣ(y*(t゛)−y
(t)2/Nt=1+2X(パラメータ数)十定数・・
・・・・(4)ここで、Nはデータ数、y*(t)は同
定値(水需要の実績値入y(t)は実測値、パラメータ
数とはモデルに含まれる決定すべき係数(Aj)の数で
、定数はパラメータ数に無関係なデータ数Nの関数で情
報量規準AICの相対を問題にする限りと考えてさしつ
かえない。
+A4xj2(t)2+A5xl(t)・Xj(t)・
・・・・・(3)又、情報量規準AICとしては(4)
式を採用する。NAIC=NlnΣ(y*(t゛)−y
(t)2/Nt=1+2X(パラメータ数)十定数・・
・・・・(4)ここで、Nはデータ数、y*(t)は同
定値(水需要の実績値入y(t)は実測値、パラメータ
数とはモデルに含まれる決定すべき係数(Aj)の数で
、定数はパラメータ数に無関係なデータ数Nの関数で情
報量規準AICの相対を問題にする限りと考えてさしつ
かえない。
(4)式を見るとパラメータ数が1つ減少すると情報量
規準AICは2減少する。
規準AICは2減少する。
故に、例えば真の中間変数表現式がy(Ω=AO+Al
xi(Ω+A3×I2(t)だつたとすると、即ち、X
i(t)・Xj(t)(t1〜N)群に対し(1)式の
31通りのバリエーションの内情報量規準AICを最小
とする式だつたりすると、(3)式中の7通りの式中に
は含まれておらず、この式を含み、パラメータの少ない
式は(3)式の第4番目の式である。
xi(Ω+A3×I2(t)だつたとすると、即ち、X
i(t)・Xj(t)(t1〜N)群に対し(1)式の
31通りのバリエーションの内情報量規準AICを最小
とする式だつたりすると、(3)式中の7通りの式中に
は含まれておらず、この式を含み、パラメータの少ない
式は(3)式の第4番目の式である。
第4番目の式は真の中間表現式よりパラメータが2つ多
いので情報量規準AICは4増加してしまう。しかし、
31通りの内、どの式が真の中間表現式であろうと(3
)式のどれかよりもパラメータが3つ以上少ない式はあ
りえないことがわかつているので、情報量規準AICの
近似誤差は最大4である。このようにすることにより近
似する演算時間効果は7/31である。又31通りの式
を用いた場合は最適解が得られる。情報量規準AICの
式(4)に戻るが、(4)式第1項はモデルの精度を表
わし、残差の2乗和が小さいほどモデルの精度はよい。
又、第2項はモデルの複雑さを示しており、情報量規準
AICはモデルの精度とモデルの複雑さとのかねあいを
シミユレートした規準で、情報量規準AICが小さいほ
ど適切だと判定される。ここで注意すべきことは、基本
的GMDHではトレーニングデータを用いて係数を決め
、チユツキングデータにより予測誤差をシミユレートし
たが、情報量規準AICを用いれば、全てのデータを用
いて予測誤差をシミユレートできる。即ち、入力データ
の分割を必要としない。以上述べたこの発明の水需要予
測モデル決定法の一般的手順は次に示すことができる。
いので情報量規準AICは4増加してしまう。しかし、
31通りの内、どの式が真の中間表現式であろうと(3
)式のどれかよりもパラメータが3つ以上少ない式はあ
りえないことがわかつているので、情報量規準AICの
近似誤差は最大4である。このようにすることにより近
似する演算時間効果は7/31である。又31通りの式
を用いた場合は最適解が得られる。情報量規準AICの
式(4)に戻るが、(4)式第1項はモデルの精度を表
わし、残差の2乗和が小さいほどモデルの精度はよい。
又、第2項はモデルの複雑さを示しており、情報量規準
AICはモデルの精度とモデルの複雑さとのかねあいを
シミユレートした規準で、情報量規準AICが小さいほ
ど適切だと判定される。ここで注意すべきことは、基本
的GMDHではトレーニングデータを用いて係数を決め
、チユツキングデータにより予測誤差をシミユレートし
たが、情報量規準AICを用いれば、全てのデータを用
いて予測誤差をシミユレートできる。即ち、入力データ
の分割を必要としない。以上述べたこの発明の水需要予
測モデル決定法の一般的手順は次に示すことができる。
(1)物理的に因果関係があると考えられるデータを、
必要であれば前処理し、入力データとする。
必要であれば前処理し、入力データとする。
前処理は普通、平均値を引いて、標準偏差で割る正規化
法が用いられる。(2)入力変数K種の中より2種の組
み合わせを発生させる。
法が用いられる。(2)入力変数K種の中より2種の組
み合わせを発生させる。
さらに7通り又は31通りの表現式を順次発生させて、
N組全てのデータを用い、最小二乗法により表現式の係
数を決定し、情報量規準AICを演算する。7通り又は
31通りの表現式中、情報量規準AIC最小となる表現
式を残し、残りは捨てる。
N組全てのデータを用い、最小二乗法により表現式の係
数を決定し、情報量規準AICを演算する。7通り又は
31通りの表現式中、情報量規準AIC最小となる表現
式を残し、残りは捨てる。
(3)前述の(2)をK種の中から2種選ぶ全ての組み
合わせKC2通りについて演算し、各組み合わせの最小
情報量規準AICを比較し、小さいものからK種の組み
合わせを選択し、中間変数K種N組を発生させ、これを
入力データと見なして(2)へ戻る。
合わせKC2通りについて演算し、各組み合わせの最小
情報量規準AICを比較し、小さいものからK種の組み
合わせを選択し、中間変数K種N組を発生させ、これを
入力データと見なして(2)へ戻る。
但し、前層の選択された最も情報量規準AICを小さく
する組み合わせの情報量規準AICと今層のそれを比較
し、今回の情報量規準AICが大きいなら、即ち、劣つ
ているなら、モデル構造を決定する定数を出力し、演算
を停止する。結局、情報量規準AICを導入し、パラメ
ータ数を制御することにより、オーバーフイツテイング
のない適切な複雑さを持つた予測モデルを定式化できる
。以上の手順によつて得られた予測構造式を用いること
によつて、安全な予測値を得ることを特徴とした、本発
明の実施例を第2図を利用して説明する。
する組み合わせの情報量規準AICと今層のそれを比較
し、今回の情報量規準AICが大きいなら、即ち、劣つ
ているなら、モデル構造を決定する定数を出力し、演算
を停止する。結局、情報量規準AICを導入し、パラメ
ータ数を制御することにより、オーバーフイツテイング
のない適切な複雑さを持つた予測モデルを定式化できる
。以上の手順によつて得られた予測構造式を用いること
によつて、安全な予測値を得ることを特徴とした、本発
明の実施例を第2図を利用して説明する。
すなわち短期間要因入力装置1は気象情報たとえば、予
測日の天候(天気予報によるのが合理的である)、予測
日前日の天候、予測日の最高・最低気温(いずれも天気
予報による)、過去の降雪量などを入力する装置である
。
測日の天候(天気予報によるのが合理的である)、予測
日前日の天候、予測日の最高・最低気温(いずれも天気
予報による)、過去の降雪量などを入力する装置である
。
前日実績値記憶装置2は、予測日の前日の日単位需要量
実績値を記憶する装置である。需要変動予測モデル3は
、短期的要因入力装置1の出力をもとに前述の方法で決
定されたモデルに基づいて、前田こ対する需要量変動を
予測するモデルである。加算器4によつZて、前日実績
値記憶装置2の出力と需要変動予測モデル3の出力を加
えることによつて、日単位需要予測値5を得るためのも
のである。送水系統最適運用装置6は、日単位需要予測
値5をもとに浄水場7の運転平滑化、送水ポンプ10の
起動停止回数の減少、複数個の配水池8の水位の上下限
値範囲内への維持を目的として送水流量の最適化をはか
る装置である。9は浄水場7と配水池8を結ぶ送水管、
11は自然流下の送水量を調節するための電動弁、13
は配水池8から需要家14へ配水するための配水管路、
12は流量計であつて浄水場および配水池8の流出流量
を測定するためのもので、流量積算装置15で1日分の
積算を行い、翌日の需要予測のために前日実績値記憶装
置2へ出力する。
実績値を記憶する装置である。需要変動予測モデル3は
、短期的要因入力装置1の出力をもとに前述の方法で決
定されたモデルに基づいて、前田こ対する需要量変動を
予測するモデルである。加算器4によつZて、前日実績
値記憶装置2の出力と需要変動予測モデル3の出力を加
えることによつて、日単位需要予測値5を得るためのも
のである。送水系統最適運用装置6は、日単位需要予測
値5をもとに浄水場7の運転平滑化、送水ポンプ10の
起動停止回数の減少、複数個の配水池8の水位の上下限
値範囲内への維持を目的として送水流量の最適化をはか
る装置である。9は浄水場7と配水池8を結ぶ送水管、
11は自然流下の送水量を調節するための電動弁、13
は配水池8から需要家14へ配水するための配水管路、
12は流量計であつて浄水場および配水池8の流出流量
を測定するためのもので、流量積算装置15で1日分の
積算を行い、翌日の需要予測のために前日実績値記憶装
置2へ出力する。
次に以上述べたこの発明方法を用いて実際に予測した具
体例について説明する。
体例について説明する。
第3図はこれを示すもので、実線は某市の昭和51年1
年間のデータを用いモデルを決め、昭和52年1月から
6月までの日単位配水量を予測した例で原人力データは
(1)午前天候(2)午後天候(3)前日午前天候(4
)前日午後天候(いずれも天気を統計的にランク付けし
数値化した。)(5)最高気温(6)最低気温(7)前
日平均気温(8)最高気温の前日からの変化とし、前日
との配水量変化を目的変数とし、得られた変化分と前日
の実績を加算して当日配水量予測値を得た図で、予測値
は破線で示してある。この場合の誤差率は2.7%で異
常な値は一度もなく、安全な装置であることがわかる。
以上述べたこの発明によれば、上水道施設の短期水需要
を予測する場合GMDHの部分表現式の選択と停止規準
に情報量規準を用いたので、簡明なアルゴリズムで、統
計的に異常な値がでてこなくなることが保証され、運転
、制御に使用する予測値が安全に得られる。
年間のデータを用いモデルを決め、昭和52年1月から
6月までの日単位配水量を予測した例で原人力データは
(1)午前天候(2)午後天候(3)前日午前天候(4
)前日午後天候(いずれも天気を統計的にランク付けし
数値化した。)(5)最高気温(6)最低気温(7)前
日平均気温(8)最高気温の前日からの変化とし、前日
との配水量変化を目的変数とし、得られた変化分と前日
の実績を加算して当日配水量予測値を得た図で、予測値
は破線で示してある。この場合の誤差率は2.7%で異
常な値は一度もなく、安全な装置であることがわかる。
以上述べたこの発明によれば、上水道施設の短期水需要
を予測する場合GMDHの部分表現式の選択と停止規準
に情報量規準を用いたので、簡明なアルゴリズムで、統
計的に異常な値がでてこなくなることが保証され、運転
、制御に使用する予測値が安全に得られる。
またこの発明方法を用いることにより、GMDHにフイ
ルタを付け加えたり、停止規準として複雑なアルゴリズ
ム例えば部分表現式を自己選択させ、すべて線形表現式
になるまで層を重ねるための装置を必要とせず、水需要
予測装置自体の製作も容易で安価となる。
ルタを付け加えたり、停止規準として複雑なアルゴリズ
ム例えば部分表現式を自己選択させ、すべて線形表現式
になるまで層を重ねるための装置を必要とせず、水需要
予測装置自体の製作も容易で安価となる。
第1図は上水道における1日の需要流量の変化を示す流
量曲線図、第2図はこの発明方法を実施するために用い
る装置のプロツク図、第3図はこの発明方法を用いて実
際に予測した日単位需要予測値と実績値を示す図である
。 1・・・・・・短期的要因入力装置、2・・・・・・前
日実績値記憶装置、3・・・・・・需要変動予測モデル
、4・・・・・・加算器、5・・・・・田単位需要予測
値、6・・・・・・送水系統最適運用装置、7・・・・
・・浄水場、8・・・・・・配水池、9・・・・・・送
水管、10・・・・・・送水ポンプ、11・・・・・・
電動弁、12・・・・・・流量計、13・・・・・・配
水管路、14・・・需要家、15・・・・・・流量積算
装置。
量曲線図、第2図はこの発明方法を実施するために用い
る装置のプロツク図、第3図はこの発明方法を用いて実
際に予測した日単位需要予測値と実績値を示す図である
。 1・・・・・・短期的要因入力装置、2・・・・・・前
日実績値記憶装置、3・・・・・・需要変動予測モデル
、4・・・・・・加算器、5・・・・・田単位需要予測
値、6・・・・・・送水系統最適運用装置、7・・・・
・・浄水場、8・・・・・・配水池、9・・・・・・送
水管、10・・・・・・送水ポンプ、11・・・・・・
電動弁、12・・・・・・流量計、13・・・・・・配
水管路、14・・・需要家、15・・・・・・流量積算
装置。
Claims (1)
- 【特許請求の範囲】 1 上水道施設の短期間における水需要を予測する場合
、気象情報(天候最高気温、最低気温、降雪量等)の実
績値〔xi(t)、i=1、・・・n;t=1、・・・
N〕と水需要の実績値〔y^*(t);t=1、・・・
N〕とを用いて、GMDH(GroupMethod
of Data Handling)の部分表現式y(
t)=a_0+a_1xi(t)+a_2xj(t)y
(t)=a_0+a_3xi^2(t)+a_4xj^
2(t)y(t)=a_0+a_5Xi(t)xj(t
)y(t)=a_0+a_1xi(t)+a_2xj(
t)+a_3xi^2(t)+a_4xj^2(t)y
(t)=a_0+a_3xi^2(t)+a_4xj^
2(t)+a_5xi(t)xj(t)y(t)=a_
0+a_1xi(t)+a_2xj(t)+a_5xi
(t)xj(t)y(t)=a_0+a_1xi(t)
a_2xj(t)+a_3xi^2(t)+a_4xj
^2(t)+a_5xi(t)xj(t)の選択と、情
報量規準をAIC、データ数をN、定数をC(パラメー
タ数に無関係なデータ数Nの関数)としたときAIC=
NlnΣ^N_t=1〔y^*(t)−y(t)〕^2
/N+2×(パラメータ数)+Cから水需要変動予測モ
デルを得、予測タイミング毎に前記気象情報と1予測期
間前の水需要実績値から前記水需要変動予測モデルを演
算して水需要予測値を得るようにした水需要予測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP54090673A JPS592945B2 (ja) | 1979-07-17 | 1979-07-17 | 水需要予測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP54090673A JPS592945B2 (ja) | 1979-07-17 | 1979-07-17 | 水需要予測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPS5616261A JPS5616261A (en) | 1981-02-17 |
JPS592945B2 true JPS592945B2 (ja) | 1984-01-21 |
Family
ID=14005050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP54090673A Expired JPS592945B2 (ja) | 1979-07-17 | 1979-07-17 | 水需要予測方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPS592945B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0764609A (ja) * | 1993-08-31 | 1995-03-10 | Tokyo Gas Co Ltd | 需要予測データ作成方法およびシステム |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0223461A (ja) * | 1988-07-13 | 1990-01-25 | Tokyo Electric Co Ltd | ラベル発行装置のパック詰め個数設定装置 |
JP2681421B2 (ja) * | 1991-06-20 | 1997-11-26 | 株式会社日立製作所 | 需要量予測方法及び装置 |
CN108510072A (zh) * | 2018-03-13 | 2018-09-07 | 浙江省水文局 | 一种基于混沌神经网络的河道流量监测数据质量控制方法 |
CN109299560B (zh) * | 2018-10-09 | 2020-10-27 | 西安交通大学 | 一种co2系统最优排气压力特征变量的确定方法 |
-
1979
- 1979-07-17 JP JP54090673A patent/JPS592945B2/ja not_active Expired
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0764609A (ja) * | 1993-08-31 | 1995-03-10 | Tokyo Gas Co Ltd | 需要予測データ作成方法およびシステム |
Also Published As
Publication number | Publication date |
---|---|
JPS5616261A (en) | 1981-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singh et al. | Short term load forecasting using artificial neural network | |
Ranaweera et al. | Application of radial basis function neural network model for short-term load forecasting | |
US5448476A (en) | Distributed water flow predicting device | |
Bras et al. | Real time adaptive closed loop control of reservoirs with the High Aswan Dam as a case study | |
JP3795775B2 (ja) | 下水流入量予測装置および方法、サーバ装置 | |
Xu et al. | Comparison of three global optimization algorithms for calibration of the Xinanjiang model parameters | |
Tilmant et al. | Comparison of fuzzy and nonfuzzy optimal reservoir operating policies | |
JP2002316141A (ja) | 水処理業務の管理センタ及びネットワーク・システム | |
JPS592945B2 (ja) | 水需要予測方法 | |
Le Ngo | Optimising reservoir operation: A case study of the Hoa Binh reservoir, Vietnam | |
Ponte et al. | Intelligent decision support system for real-time water demand management | |
Berthouex et al. | Design capacities to accommodate forecast uncertainties | |
JP2000305606A (ja) | 配水需要量予測方法 | |
AbdelMeguid et al. | Pressure and leakage management in water distribution systems via flow modulation PRVs | |
Matos et al. | Setting the maximum import net transfer capacity under extreme RES integration scenarios | |
US6793806B2 (en) | Water distribution amount predicting system | |
JP3321308B2 (ja) | プラント予測制御装置 | |
CN114529103A (zh) | 一种基于蒸汽负荷预测的源网协同预测性调度方法 | |
Wang | Too Yok | |
JP2000003353A (ja) | 配水量予測方法 | |
CN117273465B (zh) | 一种梯级水电枢纽群风险传递方法 | |
Ford et al. | Operation policy analysis: Sam Rayburn reservoir | |
JP2023113532A (ja) | 水運用計画システムおよび水運用計画方法 | |
JPH06119291A (ja) | 配水量予測装置 | |
JP3903653B2 (ja) | 配水施設制御装置 |