WO2020090104A1 - 水位予測装置および水位予測方法 - Google Patents

水位予測装置および水位予測方法 Download PDF

Info

Publication number
WO2020090104A1
WO2020090104A1 PCT/JP2018/040810 JP2018040810W WO2020090104A1 WO 2020090104 A1 WO2020090104 A1 WO 2020090104A1 JP 2018040810 W JP2018040810 W JP 2018040810W WO 2020090104 A1 WO2020090104 A1 WO 2020090104A1
Authority
WO
WIPO (PCT)
Prior art keywords
water level
pump
river
parameter
level prediction
Prior art date
Application number
PCT/JP2018/040810
Other languages
English (en)
French (fr)
Inventor
哲太郎 山田
広志 笹原
祥文 飯田
柿沼　隆
誠一 永井
洋志 亀田
Original Assignee
三菱電機株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to JP2019549499A priority Critical patent/JP6690867B1/ja
Priority to PCT/JP2018/040810 priority patent/WO2020090104A1/ja
Publication of WO2020090104A1 publication Critical patent/WO2020090104A1/ja

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02B—HYDRAULIC ENGINEERING
    • E02B1/00—Equipment or apparatus for, or methods of, general hydraulic engineering, e.g. protection of constructions against ice-strains
    • E—FIXED CONSTRUCTIONS
    • E03—WATER SUPPLY; SEWERAGE
    • E03F—SEWERS; CESSPOOLS
    • E03F1/00—Methods, systems, or installations for draining-off sewage or storm water
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Definitions

  • the present invention relates to a water level prediction device and a water level prediction method.
  • the water level prediction method described in Patent Document 1 has been proposed as a conventional technique for predicting the water level of a river.
  • the water level of the river is predicted by predicting the outflow of water from the basin to the river using the storage function method.
  • the present invention solves the above problems, and an object thereof is to obtain a water level prediction device and a water level prediction method capable of accurately predicting the water level of a river in which water is discharged by a pump.
  • the water level prediction device is a virtual pump well model that assumes a virtual pump well that stores rainwater that falls in a river basin and operates a pump according to the storage height to let water flow out to the river.
  • a first learning unit that learns pump operation parameters related to the operation of the pump by using the past rainfall data and the operation history data of the pump in the virtual pump well model, and uses the pump operation parameter to respond to the operation of the pump.
  • a second learning unit that learns a water level change parameter indicating the relationship between the water level of the river and the amount of increase in the water level, and a water level prediction unit that predicts the water level of the river based on the pump operation parameter and the water level change parameter.
  • rainwater that has fallen in the basin of a river is stored, and a pump operation parameter relating to the operation of the pump is set assuming a virtual pump well in which the pump operates according to the storage height to let water flow out to the river.
  • the water level change parameters showing the relationship between the water level of the river and the amount of increase in the water level according to the operation of the pump are learned, and the water level of the river is predicted based on these parameters.
  • the change in the water level of the river according to the operation of the pump can be accurately modeled, so that the water level of the river where the water is discharged by the pump can be accurately predicted.
  • FIG. 3 is a block diagram showing a configuration of a water level prediction device according to the first embodiment.
  • FIG. 2A is a diagram showing an outline of a virtual pump well model in which the storage amount is less than or equal to a threshold value.
  • FIG. 2B is a diagram showing an outline of a virtual pump well model in which the storage amount exceeds the threshold value.
  • 5 is a flowchart showing a water level prediction method according to the first embodiment.
  • FIG. 3 is a diagram showing an outline of a virtual pump well model in the first embodiment.
  • FIG. 5A is a diagram showing the relationship between the water level of the river and the water level increase amount when the number of pumps operating in the virtual pump well model of FIG. 4 is one.
  • FIG. 5A is a diagram showing the relationship between the water level of the river and the water level increase amount when the number of pumps operating in the virtual pump well model of FIG. 4 is one.
  • FIG. 5B is a diagram showing the relationship between the water level of the river and the water level increase amount when the number of pumps operating in the virtual pump well model of FIG. 4 is two.
  • FIG. 5C is a diagram showing the relationship between the water level of the river and the water level increase amount when the number of pumps operating in the virtual pump well model of FIG. 4 is three.
  • It is a block diagram which shows the structure of a water level prediction part. 7 is a flowchart showing the operation of the water level prediction unit in FIG. 6.
  • FIG. 8A is a block diagram showing a hardware configuration that realizes the function of the water level prediction device according to the first embodiment.
  • FIG. 8B is a block diagram showing a hardware configuration that executes software that implements the functions of the water level prediction device according to the first embodiment.
  • FIG. 1 is a block diagram showing the configuration of the water level prediction device 1 according to the first embodiment.
  • the water level prediction device 1 predicts the water level of the river by using various data related to the water level prediction target registered in the river database 2 and the virtual pump well model.
  • the virtual pump well model is a model for reflecting the phenomenon that the water level of the river suddenly rises due to the operation of the pump in the water level prediction of the river, and is a storage tank that stores rainwater that falls in the river basin. , It is assumed that a virtual pump well that operates according to the storage height to discharge water into the river.
  • the various data related to the river registered in the river database 2 include, for example, past rainfall data in the river basin, pump operation history data, current rainfall data in the river basin, and the observed water level of the river.
  • the operation history data of the pump includes, for example, the presence / absence of pump operation in the virtual pump well model and the outflow amount of the stored water by the pump that has operated in the past.
  • FIG. 2A is a diagram showing an outline of the virtual pump well model 20 in which the storage height S is less than or equal to the threshold Th.
  • FIG. 2B is a diagram showing an outline of the virtual pump well model 20 in which the storage height S exceeds the threshold Th.
  • the rainwater of the effective rainfall R that has fallen in the river basin is stored.
  • the effective rainfall amount R is the amount of rainfall that directly flows into the river out of the rainfall amount falling in the river basin.
  • the pump does not operate, and the water stored in the pump well is not discharged to the river by the pump.
  • the threshold value Th when the storage height S of the pump well exceeds the threshold value Th, the pump operates and the outflow amount q of water flows from the pump well to the river.
  • the water level prediction device 1 includes a first learning unit 10, a second learning unit 11, and a water level prediction unit 12, as shown in FIG.
  • the first learning unit 10 uses the virtual pump well model 20, the past rainfall data of the basin read from the river database 2, and the operation history data of the pump to learn the pump operation parameters regarding the operation of the pump.
  • the first learning unit 10 identifies the storage height S of the pump well of the virtual pump well model 20 from the past rainfall data of the basin, and uses the outflow amount q included in the history data of the pump operation to perform the pump operation.
  • the threshold value Th of the storage height S at which is operated is calculated.
  • the threshold value Th is a value that indicates the timing at which the pump operates in a situation in which the storage height S of the pump well increases due to rain in the basin.
  • the second learning unit 11 uses the threshold Th learned by the first learning unit 10 to learn the relationship between the water level of the river and the water level increase amount.
  • the increase in water level is the amount of increase in the water level in the river due to the water discharged from the pump well into the river by the pump.
  • the second learning unit 11 identifies the timing at which the pump operates based on the threshold Th, and learns the relationship between the water level of the river and the amount of increase in the water level, which indicates the situation where the water level of the river increases from the timing at which the pump operates. It
  • the water level prediction unit 12 predicts the water level of the river based on the threshold Th learned by the first learning unit 10 and the relationship between the water level of the river learned by the second learning unit 11 and the water level increase amount. For example, the water level prediction unit 12 sets the threshold value Th and the value of the parameter indicating the relationship between the water level of the river and the water level increase amount in the water level prediction model, and predicts the water level of the river according to this water level prediction model.
  • FIG. 3 is a flowchart showing the water level prediction method according to the first embodiment, and shows a series of processes by the water level prediction device 1 until the river water level is predicted.
  • the first learning unit 10 learns a pump operation parameter including a threshold value Th of storage height at which the pump operates in the virtual pump well model 20 (step ST1).
  • the first learning unit 10 does not operate the pump even when it rains in the river basin and the rainfall amount data and the operation history data of the pump in the basin when it rains in the river basin and the pump operates.
  • the virtual pump well model 20 is constructed using the rainfall data of the catchment area and the operation history data of the pump.
  • the first learning unit 10 predicts the outflow amount of the stored water by the pump operating using the virtual pump well model 20, obtains the storage height of the pump well in which the stored water flows out at the estimated outflow amount, and obtains the obtained storage amount. Of the heights, the storage height with the highest evaluation is learned as the threshold Th.
  • the pump malfunction rate may be used as an evaluation value to evaluate the storage amount.
  • the malfunction probability of the pump may be a value obtained by dividing the number of times the operation prediction of the pump is erroneous using the virtual pump well model 20 by all the prediction times.
  • the first learning unit 10 uses the virtual pump well model 20 to learn the threshold Th so that the malfunction probability of the pump is minimized.
  • the difference between the outflow amount of the pump predicted by the virtual pump well model 20 and the outflow amount of the stored water by the pump operating in the past may be used as the evaluation value of the storage height.
  • the first learning unit 10 uses the virtual pump well model 20 to learn the threshold Th so that the difference is minimized.
  • FIG. 4 is a diagram showing an outline of the virtual pump well model 20 according to the first embodiment.
  • the virtual pump well model 20 has thresholds Th1, Th2, and Th3 set for the storage height S of the pump well, and the number of pumps corresponding to each of the thresholds Th1, Th2, and Th3 is set. Operate. For example, when the storage height S exceeds the threshold Th1, one pump operates to discharge the stored water to the river with the outflow amount T1. When the storage height S exceeds the threshold Th2, the two pumps operate to discharge the stored water to the river with the outflow amount T2. When the storage height S exceeds the threshold Th3, three pumps operate to discharge the stored water to the river with the outflow amount T3.
  • the following expression (1) is a relational expression showing the relationship between the storage height S of the virtual pump well model 20 and the outflow amount Q
  • the following expression (2) expresses the temporal change of the storage height S of the virtual pump well model 20. It is a relational expression shown.
  • S is the storage height of the pump well.
  • Q is the outflow amount of the stored water that continuously flows from the pump well to the river regardless of the pump.
  • R is an effective rainfall amount
  • K and P are parameters indicating the relationship between the storage height S and the outflow amount Q.
  • T1, T2, and T3 are the outflow amounts of the stored water to the river for each of the operated pumps.
  • S KQ P ... (1)
  • dS / dt RQ-T1-T2-T3 (2)
  • T1, T2, and T3 are all “0”. If the storage height S exceeds the threshold Th1 and is equal to or less than the threshold Th2, one pump operates, so T2 and T3 become “0”. If the storage height S exceeds the threshold value Th2 and is equal to or less than the threshold value Th3, T3 is “0” because there are two pumps operating.
  • the first learning unit 10 uses the rainfall data of the past basin and the outflow amount of the stored water by the pump that has operated in the past, and, for example, according to the above formula (1) and the above formula (2), the effective rainfall amount R and the outflow amount Q. , Outflow amounts T1, T2 and T3 and parameters K and P are learned.
  • the pump operation parameters including the thresholds Th and the parameters K and P corresponding to the outflow amounts T1, T2, and T3 learned by the first learning unit 10 are supplied to the second learning unit 11 and the water level prediction unit 12, respectively. Is output.
  • the second learning unit 11 learns the water level change parameter including the relationship between the water level of the river and the water level increase amount according to the operation of the pump (step ST2).
  • the second learning unit 11 uses the fact that the discharge amount of the stored water by the pump to the river takes a discrete value for each number of operated pumps, and the second learning unit 11 determines the water level of the river for each number of operated pumps. Regression learning the relationship with the water level increase.
  • FIG. 5A is a diagram showing the relationship between the water level of the river and the amount of increase in the water level when the number of pumps operating in the virtual pump well model 20 is one.
  • FIG. 5B is a diagram showing the relationship between the water level in the river and the water level increase amount when the number of pumps operating in the virtual pump well model 20 is two.
  • FIG. 5C is a diagram showing the relationship between the water level of the river and the water level increase amount when the number of pumps operating in the virtual pump well model 20 is three.
  • the second learning unit 11 performs regression learning on the relationship between the observed water level of the river read from the river database 2 and the increase in the water level of the river according to the outflow amount of the stored water by the pump, for each number of operated pumps. ..
  • regression learning as shown in FIG. 5A, FIG. 5B, and FIG. 5C, the relationship between the water level and the water level increase amount is specified using linear regression (for example, the least squares method), and the slope and intercept in the specified relationship are identified. Learn as a water level change parameter. In this way, the water level change parameter when one pump operates, the water level change parameter when two pumps operate, and the water level change parameter when three pumps operate.
  • three thresholds are set for the storage volume of the pump well of the virtual pump well model 20 and one to three pumps operate, but the present invention is not limited to this. ..
  • the number of pumps corresponding to each of the plurality of threshold values for the storage height of the pump well is required to operate, so the number of threshold values is two or more, and the pumps that operate corresponding to the threshold value are used.
  • the number of may be two or more.
  • the water level prediction unit 12 predicts the water level of the river based on the pump operation parameter learned by the first learning unit 10 and the water level change parameter learned by the second learning unit 11 (step ST3). For example, in a situation where the storage height S of the pump well is rising due to rainfall in the river basin, if the pump is not operating, the water level prediction unit 12 determines from the current rainfall data that one pump is operating in the river. Predict water level. When one pump operates, the water level prediction unit 12 predicts the water level of the river when the two pumps operate from the current rainfall data. Furthermore, when two pumps operate, the water level prediction unit 12 predicts the water level of the river when three pumps operate from the current rainfall data. The water level predicted by the water level predicting unit 12 is displayed on a display (not shown).
  • the water level predicting unit 12 predicts the outflow amount from the pump well, the storage amount, and the operation timing of the pump from the rainfall data by calculating the numerical difference using the above formula (1) and the above formula (2).
  • the variable U is a variable that represents the presence or absence of the operation of the pump by 0 or 1.
  • g is a function for predicting the variable U from the learning parameter w and the rainfall R.
  • the first learning unit 10 calculates the learning parameter w so that the value of the evaluation function shown in the following formula (3) is minimized.
  • R i is the actual value of the actual rainfall amount
  • U i is the observed value regarding the presence or absence of the pump operation (pump operation history data).
  • i is a data number
  • N represents the number of learning data.
  • the following formula (3) represents the difference between the predicted value of the pump operation by the function g and the observed value of the pump operation, and the learning parameter w is learned so that this difference becomes small.
  • the learning parameter w may be learned.
  • the first learning unit 10 learns the threshold value at which the pump operates using the observation data of the water level of the pump well, and the water level prediction unit 12 causes the water level prediction unit 12 to
  • the operation of the pump may be predicted using the observation data of the water level.
  • ai and b are parameters indicating the relationship between the rainfall amount ri and the water level hr
  • th is a water level threshold value of the pump well in which the pump operates.
  • k is the time number and ri is the rainfall at each time.
  • the following formula (4) is a model of the relationship between the rainfall amount, the water level of the pump well, and the pump operation, and the water level predicting unit 12 predicts the operation of the pump using the following formula (4).
  • the first learning unit 10 minimizes the difference between the predicted value of the water level at which the pump operates by the function h and the observed value of the water level at which the pump operates, similar to the learning of the function g of the above equation (3). As described above, the learning parameter w2 is learned.
  • the water level prediction unit 12 predicts the operation of the pump from the water level hr and the rainfall amount R of the pump well according to the above equation (4) using the learning parameter w2 learned by the first learning unit 10.
  • FIG. 6 is a block diagram showing the configuration of the water level prediction unit 12.
  • FIG. 7 is a flowchart showing the operation of the water level prediction unit 12, and shows the details of the process of step ST3 of FIG.
  • the water level prediction unit 12 includes a setting unit 120, a prediction unit 121, a likelihood evaluation unit 122, and a correction unit 123.
  • the setting unit 120 sets the pump operation parameter learned by the first learning unit 10 and the water level change parameter learned by the second learning unit 11 in the water level prediction model as initial values (step ST1a).
  • the water level prediction model is a prediction model for predicting the water level of a river using the pump operation parameter and the water level change parameter.
  • the water level prediction model uses the function g or h learned by the first learning unit 10 to predict the operation of the pump, the prediction result of the pump operation, and the water level learned by the second learning unit 11.
  • the water level is predicted from the result of regression prediction of the water level increase amount for each.
  • the prediction unit 121 predicts the water level of the river using the water level prediction model with the initial value set (step ST2a). For example, since the setting unit 120 sets an initial value for each pump number in the water level prediction model, the prediction unit 121 predicts the water level of the river for each initial value.
  • Likelihood evaluation unit 122 calculates the likelihood of water level prediction using a water level prediction model (step ST3a). For example, the likelihood evaluation unit 122 calculates the likelihood of water level prediction for each initial value using the predicted value of the water level for each initial value and the observed water level of the river read from the river database 2, and calculates the calculated likelihood. The necessity of correction of the initial value is evaluated according to. A difference between the predicted water level and the observed water level may be used as the likelihood. For example, if this difference is greater than a certain threshold, a correction of the initial value is needed.
  • the correction unit 123 corrects the initial value evaluated as needing correction by the likelihood evaluation unit 122 (step ST4a). For example, the correction unit 123 may correct the initial value using the state estimation model in which the initial value (pump operation parameter and water level change parameter) that needs to be corrected is set as the state vector. Further, the correction unit 123 may correct the initial value by using the resampling process in the particle filter, which is one of the state estimation models. In this case, the particle filter is set with initial values that need to be corrected as particles. For example, among a plurality of initial values, particles with a small likelihood initial value are reduced, and particles with a large likelihood initial value are duplicated so that the number of particles with a small prediction error increases and the initial value increases. Is fixed.
  • the prediction unit 121 performs a plurality of predictions with different initial values using the state estimation model, and the correction unit 123 estimates the initial value that maximizes the likelihood. The water level is predicted using the initial value thus estimated.
  • the setting unit 120 sets the initial value corrected by the correction unit 123 in the water level prediction model (step ST5a).
  • the prediction unit 121 predicts the water level of the river using the water level prediction model in which the corrected initial value is set (step ST6a). In this way, the likelihood is calculated using the predicted value of the water level and the observed water level, and the necessity of correction of the initial value is evaluated according to the calculated likelihood, so that the river that matches the observed water level obtained in real time is used. It is possible to predict the water level.
  • FIG. 6 shows the case where the initial value is corrected once
  • the initial value may be repeatedly corrected until the likelihood satisfies the allowable condition. For example, when the difference between the predicted value of the water level and the observed water level is the likelihood, the correction of the initial value is repeated until the likelihood corresponding to each of all the initial values falls below a certain threshold. This makes it possible to predict the water level of a river that matches the observed water level obtained in real time.
  • the water level prediction device 1 includes a processing circuit for executing the processing from step ST1 to step ST3 of the flowchart shown in FIG.
  • the processing circuit may be dedicated hardware, or may be a CPU (Central Processing Unit) that executes a program stored in the memory.
  • CPU Central Processing Unit
  • FIG. 8A is a block diagram showing a hardware configuration that realizes the functions of the water level prediction device 1 according to the first embodiment.
  • FIG. 8B is a block diagram showing a hardware configuration that executes software that realizes the functions of the water level prediction device 1 according to the first embodiment.
  • the database interface 100 is an interface that relays data exchange between the water level prediction device 1 and the river database 2. The past rainfall data of the river basin and the operation history data of the pump are output to the water level prediction device 1 via the database interface 100.
  • the display interface 101 is an interface that relays transmission of predicted water level information from the water level prediction device 1 to a display (not shown).
  • the predicted water level of the river predicted by the water level prediction unit 12 is displayed on the display via the display interface 101.
  • the processing circuit 102 may be, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, or an ASIC (Application Specific Integrated Circuit). ), FPGA (Field-Programmable Gate Array), or a combination thereof.
  • the functions of the first learning unit 10, the second learning unit 11, and the water level prediction unit 12 in the water level prediction device 1 may be realized by separate processing circuits, and these functions may be collectively realized by one processing circuit. May be.
  • the processing circuit is the processor 103 shown in FIG. 8B
  • the functions of the first learning unit 10, the second learning unit 11, and the water level prediction unit 12 in the water level prediction device 1 are software, firmware, or a combination of software and firmware. Is realized by The software or firmware is described as a program and stored in the memory 104.
  • the processor 103 realizes the functions of the first learning unit 10, the second learning unit 11, and the water level prediction unit 12 in the water level prediction device 1 by reading and executing the program stored in the memory 104. That is, the water level prediction device 1 includes the memory 104 for storing a program that, when executed by the processor 103, results in the processes of steps ST1 to ST3 in the flowchart shown in FIG. These programs cause a computer to execute the procedure or method of the first learning unit 10, the second learning unit 11, and the water level prediction unit 12 in the water level prediction device 1.
  • the memory 104 may be a computer-readable storage medium that stores a program for causing a computer to function as the first learning unit 10, the second learning unit 11, and the water level prediction unit 12 in the water level prediction device 1.
  • the memory 104 is, for example, a RAM (Random Access Memory), a ROM (Read Only Memory), a flash memory, an EPROM (Erasable Programmable Memory), an EEPROM (Electrically-volatile disk), or a non-volatile semiconductor such as an EEPROM (Electrically-volatile) memory.
  • RAM Random Access Memory
  • ROM Read Only Memory
  • flash memory an EPROM (Erasable Programmable Memory)
  • EEPROM Electrically-volatile disk
  • EEPROM Electrically-volatile semiconductor
  • Flexible disk flexible disk, optical disk, compact disk, mini disk, DVD, etc.
  • the functions of the first learning unit 10, the second learning unit 11, and the water level prediction unit 12 in the water level prediction device 1 may be partially implemented by dedicated hardware and partially implemented by software or firmware.
  • the first learning unit 10 and the second learning unit 11 realize the function by the processing circuit 102 that is dedicated hardware, and the water level prediction unit 12 causes the processor 103 to read the program stored in the memory 104.
  • the function is realized by executing it.
  • the processing circuit can realize the above functions by hardware, software, firmware, or a combination thereof.
  • the virtual pump well model 20 is used to learn the pump operation parameters related to the operation of the pump, and the river water level and the water level increase amount according to the operation of the pump. It learns the water level change parameter which shows the relationship with, and predicts the river water level based on these parameters. As a result, the water level change of the river according to the operation of the pump can be accurately modeled, so that the water level of the river into which the stored water flows by the pump can be accurately predicted.
  • the number of pumps corresponding to each of the plurality of threshold values for the storage height of the pump well operates.
  • the first learning unit 10 learns pump operating parameters including the number of operating pumps.
  • the second learning unit 11 learns the water level change parameter for each operating number of pumps included in the pump operation parameter.
  • the water level prediction unit 12 predicts the river water level using a water level prediction model in which pump operation parameters and water level change parameters for each number of pump operations are set as initial values, and observes the river water level prediction value and the river water level. Based on the value, the likelihood of the prediction using the water level prediction model is calculated, and the initial value is corrected according to the calculated likelihood. In this way, the likelihood is calculated using the predicted value of the water level and the observed water level, and the necessity of correction of the initial value is evaluated according to the calculated likelihood, so that the river that matches the observed water level obtained in real time is used.
  • the water level can be predicted.
  • the first learning unit 10 learns the threshold Th that minimizes the malfunction probability of the pump. As a result, the threshold value Th at which the pump operates in the virtual pump well model 20 can be learned.
  • the water level prediction unit 12 corrects the initial value by using the state estimation model in which the pump operation parameter and the water level change parameter are set as the state vector. For example, the water level prediction unit 12 corrects the initial value using a particle filter in which the pump operation parameter and the water level change parameter are set as particles. This makes it possible to correct the initial value set in the water level prediction model.
  • the water level prediction device can accurately predict the water level of a river where water is discharged by a pump, it can be used, for example, as a monitoring device for monitoring the water level of a river.
  • 1 water level prediction device 2 river database, 10 first learning unit, 11 second learning unit, 12 water level prediction unit, 20 virtual pump well model, 100 database interface, 101 display interface, 102 processing circuit, 103 processor, 104 Memory, 120 setting unit, 121 prediction unit, 122 likelihood evaluation unit, 123 correction unit.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Mechanical Engineering (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Hydrology & Water Resources (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Control Of Positive-Displacement Pumps (AREA)
  • Feedback Control In General (AREA)
  • Sewage (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

水位予測装置（１）において、仮想ポンプ井モデル（２０）を用いて、ポンプの動作に関するポンプ動作パラメータを学習し、ポンプの動作に応じた河川の水位と水位増加量との関係を示す水位変化パラメータを学習して、これらのパラメータに基づいて河川の水位を予測する。

Description

水位予測装置および水位予測方法
　本発明は、水位予測装置および水位予測方法に関する。
　例えば、河川の水位を予測する従来の技術として、特許文献１に記載された水位予測方法が提案されている。この方法では、貯留関数法を用いて流域から河川への水の流出量を予測することで、河川の水位を予測している。
特開２０１５－９４１２２号公報
　河川の水位が変化する過程には、河川流域に降った雨水の貯留量が飽和して河川へ連続的に流出して河川の水位が変化する場合の他に、ポンプによって水が河川へ離散的に流出されることで河川の水位が変化する場合もある。例えば、河川の水位よりも低く、雨水が河川に流出しにくい流域では、雨水による浸水被害を防ぐために、雨水を下水道に集めてポンプで河川に放流させている。しかしながら、貯留関数法では、ポンプによる河川への離散的な水の流出過程を十分にモデル化できないため、特許文献１に記載された水位予測方法では、ポンプによって水が放流される河川の水位を精度よく予測できないという課題があった。
　本発明は上記課題を解決するものであり、ポンプによる水の放流がある河川の水位を精度よく予測できる水位予測装置および水位予測方法を得ることを目的とする。
　本発明に係る水位予測装置は、河川の流域に降った雨水が貯留され、貯留高に応じてポンプが動作して河川へ水を流出させる仮想のポンプ井を想定した仮想ポンプ井モデル、流域の過去の雨量データおよび仮想ポンプ井モデルでのポンプの動作履歴データを用いて、ポンプの動作に関するポンプ動作パラメータを学習する第１の学習部と、ポンプ動作パラメータを用いて、ポンプの動作に応じた河川の水位と水位増加量との関係を示す水位変化パラメータを学習する第２の学習部と、ポンプ動作パラメータおよび水位変化パラメータに基づいて、河川の水位を予測する水位予測部とを備える。
　本発明によれば、河川の流域に降った雨水が貯留され、貯留高に応じてポンプが動作して河川へ水を流出させる仮想のポンプ井を想定して、ポンプの動作に関するポンプ動作パラメータを学習し、ポンプの動作に応じた河川の水位と水位増加量との関係を示す水位変化パラメータを学習して、これらのパラメータに基づいて河川の水位を予測する。これにより、ポンプの動作に応じた河川の水位変化を正確にモデル化できるので、ポンプによる水の放流がある河川の水位を精度よく予測できる。
実施の形態１に係る水位予測装置の構成を示すブロック図である。 図２Ａは、貯留高が閾値以下である仮想ポンプ井モデルの概要を示す図である。図２Ｂは、貯留高が閾値を超えた仮想ポンプ井モデルの概要を示す図である。 実施の形態１に係る水位予測方法を示すフローチャートである。 実施の形態１における仮想ポンプ井モデルの概要を示す図である。 図５Ａは、図４の仮想ポンプ井モデルで動作したポンプ台数が１台であるときの河川の水位と水位増加量との関係を示す図である。図５Ｂは、図４の仮想ポンプ井モデルで動作したポンプ台数が２台であるときの河川の水位と水位増加量との関係を示す図である。図５Ｃは、図４の仮想ポンプ井モデルで動作したポンプ台数が３台であるときの河川の水位と水位増加量との関係を示す図である。 水位予測部の構成を示すブロック図である。 図６の水位予測部の動作を示すフローチャートである。 図８Ａは、実施の形態１に係る水位予測装置の機能を実現するハードウェア構成を示すブロック図である。図８Ｂは、実施の形態１に係る水位予測装置の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。
実施の形態１．
　図１は、実施の形態１に係る水位予測装置１の構成を示すブロック図である。水位予測装置１は、河川データベース２に登録された水位の予測対象の河川に関する各種データと仮想ポンプ井モデルとを用いて、当該河川の水位を予測する。仮想ポンプ井モデルとは、河川の水位がポンプの動作によって突発的に上昇する現象を河川の水位予測に反映させるためのモデルであり、河川の流域に降った雨水が貯留される貯留タンクであり、貯留高に応じてポンプが動作して河川へ水を流出させる仮想のポンプ井を想定したものである。
　河川データベース２に登録された河川に関する各種データには、例えば、河川の流域における過去の雨量データ、ポンプの動作履歴データ、河川の流域における現在の雨量データおよび河川の観測水位が含まれる。ポンプの動作履歴データには、例えば、仮想ポンプ井モデルでのポンプ動作の有無と、過去に動作したポンプによる貯留水の流出量が含まれる。
　図２Ａは、貯留高Ｓが閾値Ｔｈ以下である仮想ポンプ井モデル２０の概要を示す図である。図２Ｂは、貯留高Ｓが閾値Ｔｈを超えた仮想ポンプ井モデル２０の概要を示す図である。図２Ａおよび図２Ｂに示す仮想ポンプ井モデル２０で想定されるポンプ井には、河川の流域に降った有効雨量Ｒの雨水が貯留される。有効雨量Ｒは、河川の流域に降った雨量のうち、河川へ直接流出する雨量である。
　図２Ａに示すように、仮想ポンプ井モデル２０のポンプ井の貯留高Ｓが閾値Ｔｈ以下であればポンプは動作せず、ポンプ井に貯留された水は、ポンプによって河川に流出されない。一方、図２Ｂに示すように、ポンプ井の貯留高Ｓが閾値Ｔｈを超えた場合に、ポンプが動作してポンプ井から流出量ｑの水が河川へ流出する。
　水位予測装置１は、図１に示すように、第１の学習部１０、第２の学習部１１および水位予測部１２を備える。第１の学習部１０は、仮想ポンプ井モデル２０、河川データベース２から読み出した流域の過去の雨量データおよびポンプの動作履歴データとを用いて、ポンプの動作に関するポンプ動作パラメータを学習する。
　例えば、第１の学習部１０は、流域の過去の雨量データから、仮想ポンプ井モデル２０のポンプ井の貯留高Ｓを特定し、ポンプ動作の履歴データに含まれる流出量ｑを用いて、ポンプが動作する貯留高Ｓの閾値Ｔｈを求める。閾値Ｔｈは、流域に雨が降ってポンプ井の貯留高Ｓが増加する状況において、ポンプが動作するタイミングを示す値である。
　第２の学習部１１は、第１の学習部１０によって学習された閾値Ｔｈを用いて、河川の水位と水位増加量との関係を学習する。水位増加量は、ポンプによってポンプ井から河川へ流出された水による河川の水位の増加量である。第２の学習部１１は、閾値Ｔｈによってポンプが動作するタイミングを特定し、ポンプが動作したタイミングから河川の水位が増加していく状況を示す河川の水位と水位増加量との関係が学習される。
　水位予測部１２は、第１の学習部１０によって学習された閾値Ｔｈおよび第２の学習部１１によって学習された河川の水位と水位増加量との関係に基づいて、河川の水位を予測する。例えば、水位予測部１２は、閾値Ｔｈと、河川の水位と水位増加量との関係を示すパラメータの値とを水位予測モデルに設定し、この水位予測モデルに従って河川の水位を予測する。
　次に動作について説明する。
　図３は、実施の形態１に係る水位予測方法を示すフローチャートであり、河川の水位が予測されるまでの水位予測装置１による一連の処理を示している。
　第１の学習部１０が、仮想ポンプ井モデル２０でポンプが動作する貯留高の閾値Ｔｈを含むポンプ動作パラメータを学習する（ステップＳＴ１）。
　例えば、第１の学習部１０は、河川の流域に雨が降ってポンプが動作したときの流域の雨量データおよびポンプの動作履歴データと、河川の流域に雨が降ってもポンプが動作しなかったときの流域の雨量データおよびポンプの動作履歴データとを用いて、仮想ポンプ井モデル２０を構築する。第１の学習部１０は、仮想ポンプ井モデル２０を用いて動作したポンプによる貯留水の流出量を予測し、予測した流出量で貯留水が流出するポンプ井の貯留高を求め、求めた貯留高のうち、評価が最も高い貯留高を閾値Ｔｈとして学習する。
　貯留高の評価には、ポンプの誤動作確率を評価値として用いてもよい。ポンプの誤動作確率は、仮想ポンプ井モデル２０を用いてポンプの動作予測を誤った回数を、全ての予測回数で割った値としてもよい。第１の学習部１０は、仮想ポンプ井モデル２０を用いて、ポンプの誤動作確率が最小となるように閾値Ｔｈを学習する。貯留高の評価値には、仮想ポンプ井モデル２０で予測したポンプの流出量と、過去に動作したポンプによる貯留水の流出量との差分を用いてもよい。第１の学習部１０は、仮想ポンプ井モデル２０を用いて当該差分が最小となるように閾値Ｔｈを学習する。
　図４は、実施の形態１における仮想ポンプ井モデル２０の概要を示す図である。図４に示すように、仮想ポンプ井モデル２０には、ポンプ井の貯留高Ｓについて、閾値Ｔｈ１，Ｔｈ２，Ｔｈ３が設定されており、閾値Ｔｈ１，Ｔｈ２，Ｔｈ３の各々に対応する台数のポンプが動作する。例えば、貯留高Ｓが閾値Ｔｈ１を超えると、１台のポンプが動作して流出量Ｔ１で貯留水を河川へ流出する。貯留高Ｓが閾値Ｔｈ２を超えると、２台のポンプが動作して流出量Ｔ２で貯留水を河川へ流出する。貯留高Ｓが閾値Ｔｈ３を超えた場合には、３台のポンプが動作して流出量Ｔ３で貯留水を河川へ流出する。
　下記式（１）は、仮想ポンプ井モデル２０の貯留高Ｓと流出量Ｑとの関係を示す関係式であり、下記式（２）は、仮想ポンプ井モデル２０の貯留高Ｓの時間変化を示す関係式である。下記式（１）および下記式（２）において、Ｓはポンプ井の貯留高である。Ｑは、ポンプによらず、ポンプ井から河川へ連続的に流出する貯留水の流出量である。Ｒは有効雨量であり、ＫおよびＰは貯留高Ｓと流出量Ｑとの関係を示すパラメータである。Ｔ１、Ｔ２およびＴ３は、動作したポンプ台数ごとの貯留水の河川への流出量である。
　Ｓ＝ＫＱＰ　　　　　　　　　　　　　　　・・・（１）
　ｄＳ／ｄｔ＝Ｒ－Ｑ－Ｔ１－Ｔ２－Ｔ３　　・・・（２）
　上記式（２）において、貯留高Ｓが閾値Ｔｈ１以下である場合、動作するポンプが０台であるので、Ｔ１、Ｔ２およびＴ３は、いずれも“０”となる。貯留高Ｓが閾値Ｔｈ１を超え閾値Ｔｈ２以下であれば、１台のポンプが動作するので、Ｔ２およびＴ３が“０”となる。貯留高Ｓが閾値Ｔｈ２を超え閾値Ｔｈ３以下であれば、動作するポンプが２台であるので、Ｔ３が“０”となる。
　第１の学習部１０は、過去の流域の雨量データおよび過去に動作したポンプによる貯留水の流出量を用い、例えば上記式（１）および上記式（２）に従って、有効雨量Ｒ、流出量Ｑ、流出量Ｔ１、Ｔ２およびＴ３およびパラメータＫおよびＰを学習する。第１の学習部１０によって学習された流出量Ｔ１、Ｔ２およびＴ３のそれぞれに対応する閾値ＴｈとパラメータＫおよびＰとを含んだポンプ動作パラメータは、第２の学習部１１および水位予測部１２に出力される。
　第２の学習部１１は、ポンプの動作に応じた河川の水位と水位増加量との関係を含んだ水位変化パラメータを学習する（ステップＳＴ２）。ポンプによる貯留水の河川への流出量は、動作したポンプの台数ごとに離散的な値をとることを利用して、第２の学習部１１は、動作したポンプの台数ごとに河川の水位と水位増加量との関係を回帰学習する。
　図５Ａは、仮想ポンプ井モデル２０で動作したポンプ台数が１台であるときの河川の水位と水位増加量との関係を示す図である。図５Ｂは、仮想ポンプ井モデル２０で動作したポンプ台数が２台であるときの河川の水位と水位増加量との関係を示す図である。図５Ｃは、仮想ポンプ井モデル２０で動作したポンプ台数が３台であるときの河川の水位と水位増加量との関係を示す図である。
　第２の学習部１１は、河川データベース２から読み出した河川の観測水位と、ポンプによる貯留水の流出量に応じた河川の水位増加量との関係を、動作したポンプの台数ごとに回帰学習する。回帰学習では、図５Ａ、図５Ｂおよび図５Ｃに示すように、１次回帰（例えば、最小二乗法）を用いて水位と水位増加量との関係を特定し、特定した関係における傾きおよび切片を水位変化パラメータとして学習する。このようにして、１台のポンプが動作したときの水位変化パラメータ、２台のポンプが動作したときの水位変化パラメータおよび３台のポンプが動作したときの水位変化パラメータが学習される。
　これまでの説明では、仮想ポンプ井モデル２０のポンプ井の貯留高について３つの閾値を設定して１台から３台までのポンプが動作する場合を示したが、これに限定されるものではない。仮想ポンプ井モデル２０では、ポンプ井の貯留高についての複数の閾値の各々に対応する台数のポンプが動作すればよいので、閾値の数が２つ以上であり、閾値に対応して動作するポンプの台数も２台以上であればよい。
　水位予測部１２が、第１の学習部１０によって学習されたポンプ動作パラメータおよび第２の学習部１１によって学習された水位変化パラメータに基づいて、河川の水位を予測する（ステップＳＴ３）。例えば、河川流域の降雨でポンプ井の貯留高Ｓが上昇している状況において、ポンプが動作していない場合、水位予測部１２は、現在の雨量データからポンプが１台動作したときの河川の水位を予測する。ポンプが１台動作すると、水位予測部１２は、現在の雨量データから、ポンプが２台動作したときの河川の水位を予測する。さらに、ポンプが２台動作した場合、水位予測部１２は、現在の雨量データから、ポンプが３台動作したときの河川の水位を予測する。なお、水位予測部１２によって予測された水位は、図示しないディスプレイに表示される。
　例えば、水位予測部１２は、上記式（１）および上記式（２）を用いて数値差分を計算することで、雨量データから、ポンプ井からの流出量と貯留量とポンプの動作タイミングを予測する。ここで、ポンプの動作の有無を表す変数ＵをＵ＝ｇ（Ｒ｜ｗ）と表現する。変数Ｕは、ポンプの動作の有無を０または１で表す変数である。ｇは、学習パラメータｗと雨量Ｒから変数Ｕを予測する関数である。学習パラメータｗは、例えば、ｗ＝｛Ｋ，Ｐ，Ｔｈｎ，Ｔｎ｝（ｎはポンプの動作台数）である。
　第１の学習部１０は、下記式（３）に示す評価関数の値が最小化されるように学習パラメータｗを算出する。下記式（３）において、Ｒｉは実際の雨量の実績値であり、Ｕｉはポンプ動作の有無についての観測値（ポンプの動作履歴データ）である。ｉはデータ番号であり、Ｎは学習データ数を表す。下記式（３）は、関数ｇによるポンプの動作の予測値とポンプ動作の観測値との差を表しており、この差が小さくなるように学習パラメータｗが学習される。ここでは、ポンプ動作の予測誤差に注目して学習パラメータｗを学習する場合を示したが、ポンプ井の流出量に着目して予測流出量と観測流出量との誤差に注目して最急降下法などで学習パラメータｗを学習してもよい。

Figure JPOXMLDOC01-appb-I000001
　また、ポンプ井の水位ｈｒを観測できる場合には、第１の学習部１０が、ポンプ井の水位の観測データを用いてポンプが動作する閾値を学習し、水位予測部１２が、ポンプ井の水位の観測データを用いてポンプの動作を予測してもよい。ポンプの動作を予測する関数をｈとし、学習パラメータｗ２を、ｗ２＝｛ａｉ，ｂ，ｔｈ｝とする。ａｉおよびｂは、雨量ｒｉと水位ｈｒとの関係を示すパラメータであり、ｔｈは、ポンプが動作するポンプ井の水位の閾値である。雨量ＲをＲ＝｛ｒ１，ｒ２，ｒ３，・・・，ｒｋ｝とする。ｋは、時刻番号であり、ｒｉは、各時刻での雨量である。下記式（４）は、雨量とポンプ井の水位とポンプ動作との関係をモデル化したものであり、水位予測部１２は、下記式（４）を用いてポンプの動作を予測する。

Figure JPOXMLDOC01-appb-I000002
　第１の学習部１０は、上記式（３）の関数ｇの学習と同様に、関数ｈによるポンプが動作する水位の予測値とポンプが動作した水位の観測値との差が最小化されるように、学習パラメータｗ２を学習する。水位予測部１２は、第１の学習部１０によって学習された学習パラメータｗ２を用いた上記式（４）に従って、ポンプ井の水位ｈｒと雨量Ｒとから、ポンプの動作を予測する。
　図６は、水位予測部１２の構成を示すブロック図である。図７は、水位予測部１２の動作を示すフローチャートであり、図３のステップＳＴ３の処理の詳細を示している。図６に示すように、水位予測部１２は、設定部１２０、予測部１２１、尤度評価部１２２および修正部１２３を備える。
　設定部１２０は、第１の学習部１０によって学習されたポンプ動作パラメータおよび第２の学習部１１によって学習された水位変化パラメータを、初期値として水位予測モデルに設定する（ステップＳＴ１ａ）。水位予測モデルは、ポンプ動作パラメータおよび水位変化パラメータを用いて、河川の水位を予測するための予測モデルである。例えば、水位予測モデルは、第１の学習部１０によって学習された関数ｇまたはｈを用いて、ポンプの動作を予測し、ポンプ動作の予測結果と、第２の学習部１１によって学習された水位ごとの水位増加量の回帰予測の結果から、水位を予測するものである。
　予測部１２１が、初期値が設定された水位予測モデルを用いて、河川の水位を予測する（ステップＳＴ２ａ）。例えば、水位予測モデルには、設定部１２０によってポンプ台数ごとの初期値が設定されるので、予測部１２１は、河川の水位を初期値ごとに予測する。
　尤度評価部１２２は、水位予測モデルを用いた水位の予測の尤度を算出する（ステップＳＴ３ａ）。例えば、尤度評価部１２２は、初期値ごとの水位の予測値と河川データベース２から読み出した河川の観測水位とを用いて水位予測の尤度を、初期値ごとに算出し、算出した尤度に応じて初期値の修正の要否を評価する。上記尤度として、水位の予測値と観測水位との差分を用いてもよい。例えば、この差分が一定の閾値よりも大きい場合に、初期値の修正が必要とされる。
　修正部１２３は、尤度評価部１２２によって修正が必要と評価された初期値を修正する（ステップＳＴ４ａ）。例えば、修正部１２３は、修正が必要な初期値（ポンプ動作パラメータおよび水位変化パラメータ）が、状態ベクトルとして設定された状態推定モデルを用いて、初期値を修正してもよい。また、修正部１２３は、状態推定モデルの一つである粒子フィルタにおけるリサンプル処理を用いて初期値を修正してもよい。この場合、粒子フィルタには、修正が必要な初期値が粒子として設定される。例えば、複数の初期値のうち、尤度の小さい初期値の粒子を減少させ、尤度の大きい初期値の粒子を重複させて複製することで、予測誤差が小さい粒子の数が増加し初期値が修正される。また、状態推定モデルとしては、粒子フィルタ以外に、カルマンフィルタまたは拡張カルマンフィルタがある。予測部１２１が、状態推定モデルを用いて初期値の異なる複数の予測を行い、修正部１２３は、尤度が最大となる初期値を推定する。このように推定された初期値を用いて、水位が予測される。
　続いて、設定部１２０は、修正部１２３によって修正された初期値を、水位予測モデルに設定する（ステップＳＴ５ａ）。この後、予測部１２１は、修正後の初期値が設定された水位予測モデルを用いて河川の水位を予測する（ステップＳＴ６ａ）。このように水位の予測値と観測水位とを用いて尤度を算出し、算出した尤度に応じて初期値の修正要否を評価するので、リアルタイムに得られた観測水位に適合した河川の水位予測を行うことが可能となる。
　なお、図６では初期値の修正を１回行う場合を示したが、尤度が許容条件を満たすまで初期値の修正を繰り返し行ってもよい。例えば、水位の予測値と観測水位との差分が尤度である場合、全ての初期値のそれぞれに対応する尤度が一定の閾値以下になるまで、初期値の修正を繰り返す。これにより、リアルタイムに得られた観測水位に適合した河川の水位予測を行うことが可能となる。
　次に、水位予測装置１のハードウェア構成について説明する。
　水位予測装置１における第１の学習部１０、第２の学習部１１および水位予測部１２の機能は、処理回路によって実現される。すなわち、水位予測装置１は、図３に示したフローチャートのステップＳＴ１からステップＳＴ３までの処理を実行するための処理回路を備える。処理回路は、専用のハードウェアであってもよいが、メモリに記憶されたプログラムを実行するＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）であってもよい。
　図８Ａは、実施の形態１に係る水位予測装置１の機能を実現するハードウェア構成を示すブロック図である。また、図８Ｂは、実施の形態１に係る水位予測装置１の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。図８Ａおよび図８Ｂにおいて、データベースインタフェース１００は、水位予測装置１と河川データベース２との間のデータのやり取りを中継するインタフェースである。河川の流域の過去の雨量データおよびポンプの動作履歴データは、データベースインタフェース１００を介して水位予測装置１へ出力される。
　ディスプレイインタフェース１０１は、水位予測装置１から図示しないディスプレイへの予測水位情報の送信を中継するインタフェースである。水位予測部１２によって予測された河川の予測水位は、ディスプレイインタフェース１０１を介して上記ディスプレイに表示される。
　処理回路が図８Ａに示す専用のハードウェアの処理回路１０２である場合、処理回路１０２は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）、またはこれらを組み合わせたものが該当する。
　水位予測装置１における第１の学習部１０、第２の学習部１１および水位予測部１２の機能を別々の処理回路で実現してもよく、これらの機能をまとめて１つの処理回路で実現してもよい。
　処理回路が図８Ｂに示すプロセッサ１０３である場合、水位予測装置１における第１の学習部１０、第２の学習部１１および水位予測部１２の機能は、ソフトウェア、ファームウェアまたはソフトウェアとファームウェアとの組み合わせによって実現される。なお、ソフトウェアまたはファームウェアは、プログラムとして記述されてメモリ１０４に記憶される。
　プロセッサ１０３は、メモリ１０４に記憶されたプログラムを読み出して実行することによって、水位予測装置１における第１の学習部１０、第２の学習部１１および水位予測部１２の機能を実現する。すなわち、水位予測装置１は、プロセッサ１０３によって実行されるときに、図３に示したフローチャートにおけるステップＳＴ１からステップＳＴ３までの処理が結果的に実行されるプログラムを記憶するためのメモリ１０４を備える。これらのプログラムは、水位予測装置１における第１の学習部１０、第２の学習部１１および水位予測部１２の手順または方法をコンピュータに実行させる。メモリ１０４は、コンピュータを、水位予測装置１における第１の学習部１０、第２の学習部１１および水位予測部１２として機能させるためのプログラムが記憶されたコンピュータ可読記憶媒体であってもよい。
　メモリ１０４は、例えば、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ－ＥＰＲＯＭ）といった不揮発性または揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤなどが該当する。
　水位予測装置１における第１の学習部１０、第２の学習部１１および水位予測部１２の機能について一部を専用のハードウェアで実現し、一部をソフトウェアまたはファームウェアで実現してもよい。例えば、第１の学習部１０および第２の学習部１１は、専用のハードウェアである処理回路１０２で機能を実現し、水位予測部１２は、プロセッサ１０３がメモリ１０４に記憶されたプログラムを読み出して実行することによって機能を実現する。このように、処理回路は、ハードウェア、ソフトウェア、ファームウェアまたはこれらの組み合わせによって上記機能を実現することができる。
　以上のように、実施の形態１に係る水位予測装置１において、仮想ポンプ井モデル２０を用いて、ポンプの動作に関するポンプ動作パラメータを学習し、ポンプの動作に応じた河川の水位と水位増加量との関係を示す水位変化パラメータを学習して、これらのパラメータに基づいて河川の水位を予測する。これにより、ポンプの動作に応じた河川の水位変化を正確にモデル化できるので、ポンプによる貯留水の流入がある河川の水位を精度よく予測できる。
　実施の形態１に係る水位予測装置１において、仮想ポンプ井モデル２０では、ポンプ井の貯留高についての複数の閾値のそれぞれに対応する台数のポンプが動作する。第１の学習部１０は、ポンプの動作台数を含んだポンプ動作パラメータを学習する。第２の学習部１１は、水位変化パラメータを、ポンプ動作パラメータに含まれるポンプの動作台数ごとに学習する。水位予測部１２は、ポンプの動作台数ごとのポンプ動作パラメータおよび水位変化パラメータを初期値として設定した水位予測モデルを用いて河川の水位を予測し、河川の水位の予測値と河川の水位の観測値とに基づいて、水位予測モデルを用いた予測の尤度を算出し、算出した尤度に応じて初期値を修正する。このように水位の予測値と観測水位とを用いて尤度を算出し、算出した尤度に応じて初期値の修正要否を評価するので、リアルタイムに得られた観測水位に適合した河川の水位予測を行うことができる。
　実施の形態１に係る水位予測装置１において、第１の学習部１０が、ポンプの誤動作確率が最小となる閾値Ｔｈを学習する。これにより、仮想ポンプ井モデル２０でポンプが動作する閾値Ｔｈを学習することができる。
　実施の形態１に係る水位予測装置１において、水位予測部１２が、ポンプ動作パラメータおよび水位変化パラメータが状態ベクトルとして設定された状態推定モデルを用いて、初期値を修正する。例えば、水位予測部１２は、ポンプ動作パラメータおよび水位変化パラメータが粒子として設定された粒子フィルタを用いて初期値を修正する。これにより、水位予測モデルに設定する初期値の修正が可能となる。
　なお、本発明は上記実施の形態に限定されるものではなく、本発明の範囲内において、実施の形態の任意の構成要素の変形もしくは実施の形態の任意の構成要素の省略が可能である。
　本発明に係る水位予測装置は、ポンプによる水の放流がある河川の水位を精度よく予測することができるので、例えば、河川の水位を監視する監視装置に利用可能である。
　１　水位予測装置、２　河川データベース、１０　第１の学習部、１１　第２の学習部、１２　水位予測部、２０　仮想ポンプ井モデル、１００　データベースインタフェース、１０１　ディスプレイインタフェース、１０２　処理回路、１０３　プロセッサ、１０４　メモリ、１２０　設定部、１２１　予測部、１２２　尤度評価部、１２３　修正部。

Claims (8)

  1. 　河川の流域に降った雨水が貯留され、貯留高に応じてポンプが動作して前記河川へ水を流出させる仮想のポンプ井を想定した仮想ポンプ井モデル、前記流域の過去の雨量データおよび前記仮想ポンプ井モデルでの前記ポンプの動作履歴データを用いて、前記ポンプの動作に関するポンプ動作パラメータを学習する第１の学習部と、
    　前記ポンプ動作パラメータを用いて、前記ポンプの動作に応じた前記河川の水位と水位増加量との関係を示す水位変化パラメータを学習する第２の学習部と、
    　前記ポンプ動作パラメータおよび前記水位変化パラメータに基づいて、前記河川の水位を予測する水位予測部と、
    　を備えたことを特徴とする水位予測装置。
  2. 　前記仮想ポンプ井モデルでは、前記ポンプ井の貯留高についての複数の閾値のそれぞれに対応する台数の前記ポンプが動作し、
    　前記第１の学習部は、前記ポンプの動作台数を含んだ前記ポンプ動作パラメータを学習し、
    　前記第２の学習部は、前記水位変化パラメータを、前記ポンプ動作パラメータに含まれる前記ポンプの動作台数ごとに学習し、
    　前記水位予測部は、前記ポンプの動作台数ごとの前記ポンプ動作パラメータおよび前記水位変化パラメータを初期値として設定した水位予測モデルを用いて、前記河川の水位を予測し、前記河川の水位の予測値と前記河川の水位の観測値とに基づいて、前記水位予測モデルを用いた予測の尤度を算出し、算出した尤度に応じて前記初期値を修正すること
    　を特徴とする請求項１記載の水位予測装置。
  3. 　前記第１の学習部は、前記ポンプの誤動作確率が最小となる閾値を学習すること
    　を特徴とする請求項１または請求項２記載の水位予測装置。
  4. 　前記水位予測部は、前記ポンプ動作パラメータおよび前記水位変化パラメータが、状態ベクトルとして設定された状態推定モデルを用いて、前記初期値を修正すること
    　を特徴とする請求項２記載の水位予測装置。
  5. 　前記水位予測部は、前記ポンプ動作パラメータおよび前記水位変化パラメータが、粒子として設定された粒子フィルタを用いて、前記初期値を修正すること
    　を特徴とする請求項２記載の水位予測装置。
  6. 　前記第１の学習部は、前記ポンプ井の水位の観測データを用いて前記ポンプが動作する閾値を学習すること
    　を特徴とする請求項１記載の水位予測装置。
  7. 　前記水位予測部は、前記ポンプ井の水位の観測データを用いて前記ポンプの動作を予測すること
    　を特徴とする請求項１記載の水位予測装置。
  8. 　第１の学習部が、河川の流域に降った雨水が貯留され、貯留高に応じてポンプが動作して前記河川へ水を流出させる仮想のポンプ井を想定した仮想ポンプ井モデル、前記流域の過去の雨量データおよび前記仮想ポンプ井モデルでの前記ポンプの動作履歴データを用いて、前記ポンプの動作に関するポンプ動作パラメータを学習するステップと、
    　第２の学習部が、前記ポンプ動作パラメータを用いて、前記ポンプの動作に応じた前記河川の水位と水位増加量との関係を示す水位変化パラメータを学習するステップと、
    　水位予測部が、前記ポンプ動作パラメータおよび前記水位変化パラメータに基づいて、前記河川の水位を予測するステップと、
    　を備えたことを特徴とする水位予測方法。
PCT/JP2018/040810 2018-11-02 2018-11-02 水位予測装置および水位予測方法 WO2020090104A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2019549499A JP6690867B1 (ja) 2018-11-02 2018-11-02 水位予測装置および水位予測方法
PCT/JP2018/040810 WO2020090104A1 (ja) 2018-11-02 2018-11-02 水位予測装置および水位予測方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/040810 WO2020090104A1 (ja) 2018-11-02 2018-11-02 水位予測装置および水位予測方法

Publications (1)

Publication Number Publication Date
WO2020090104A1 true WO2020090104A1 (ja) 2020-05-07

Family

ID=70413790

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/040810 WO2020090104A1 (ja) 2018-11-02 2018-11-02 水位予測装置および水位予測方法

Country Status (2)

Country Link
JP (1) JP6690867B1 (ja)
WO (1) WO2020090104A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113916318A (zh) * 2021-08-31 2022-01-11 福建枋洋水利投资发展有限公司 一种基于水情监测的大坝安全监测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5014522B2 (ja) * 1971-05-29 1975-05-28
JPS613083B2 (ja) * 1979-10-24 1986-01-30 Aisin Seiki
JP2004062440A (ja) * 2002-07-26 2004-02-26 Toshiba Corp 予測モデルシステム
JP2007023608A (ja) * 2005-07-15 2007-02-01 Yamatake Corp 河川流量推定システムおよび方法、河川水位推定システムおよび方法、並びにプログラム
US20110106317A1 (en) * 2007-09-18 2011-05-05 Groundswell Technologies, Inc. Integrated resource monitoring system with interactive logic control

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5014522B1 (ja) * 2011-06-28 2012-08-29 中国電力株式会社 流入量予測装置、流入量予測方法及びプログラム
JP6103083B1 (ja) * 2016-01-27 2017-03-29 沖電気工業株式会社 情報処理装置、情報処理システム、情報処理方法及びプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5014522B2 (ja) * 1971-05-29 1975-05-28
JPS613083B2 (ja) * 1979-10-24 1986-01-30 Aisin Seiki
JP2004062440A (ja) * 2002-07-26 2004-02-26 Toshiba Corp 予測モデルシステム
JP2007023608A (ja) * 2005-07-15 2007-02-01 Yamatake Corp 河川流量推定システムおよび方法、河川水位推定システムおよび方法、並びにプログラム
US20110106317A1 (en) * 2007-09-18 2011-05-05 Groundswell Technologies, Inc. Integrated resource monitoring system with interactive logic control

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HIRAOKA, TORU, ET AL.: "River Water Level Prediction from Rainfall", DOBOKU GAKKAI RONBUNSHUU B, vol. 66, no. 1, 19 March 2010 (2010-03-19), pages 93 - 98, XP055704345, ISSN: 1880-6031, DOI: 10.2208/jscejb.66.93 *
HITOKOTO, MASAYUKI ET AL.: "Development of Deep Learning Flood Prediction Model and Future Perspectives", NIPPON KOEI TECHNICAL FORUM, vol. 26, 1 March 2018 (2018-03-01), pages 1 - 7, XP055704357, ISSN: 1340-394X *
HITOKOTO, MASAYUKI ET AL.: "Development of the Real-Time River Stage Prediction Method Using Deep Learning", JOURNAL OF JAPAN SOCIETY OF CIVIL ENGINEERS, vol. 72, no. 4, 1 January 2016 (2016-01-01), pages 187 - 192, XP055704351, ISSN: 2185-467X, DOI: 10.2208/jscejhe.72.I_187 *
OBASHI, TOMOKO ET AL.: "Prediction Problems in Water Supply Planning and Tank Models", IPSJ JOURNAL, INFORMATION PROCESSING SOCIETY OF JAPAN, vol. 24, no. 4, 15 July 1983 (1983-07-15), pages 406 - 413, XP055704363, ISSN: 1882-7764 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113916318A (zh) * 2021-08-31 2022-01-11 福建枋洋水利投资发展有限公司 一种基于水情监测的大坝安全监测方法

Also Published As

Publication number Publication date
JP6690867B1 (ja) 2020-04-28
JPWO2020090104A1 (ja) 2021-02-15

Similar Documents

Publication Publication Date Title
CN109711440B (zh) 一种数据异常检测方法和装置
US11960988B2 (en) Learning method, corresponding system, device and computer program product to update classifier model parameters of a classification device
JP6690867B1 (ja) 水位予測装置および水位予測方法
CN109426912B (zh) 风控系统优化方法、系统、装置以及电子设备
JP6261960B2 (ja) 雨水排水ポンプ制御装置、雨水排水システム、および雨水排水ポンプ制御プログラム
CN114240243A (zh) 一种基于动态系统辨识的精馏塔产品质量预测方法及装置
JP2022514072A (ja) パラメータ推定の整合性範囲を適応的に決定する方法
JP6103083B1 (ja) 情報処理装置、情報処理システム、情報処理方法及びプログラム
WO2018133101A1 (zh) 图像前景检测装置及方法、电子设备
Oyebode et al. Review of three data-driven modelling techniques for hydrological modelling and forecasting
KR20170075312A (ko) 전후방향 동향 통합 시계열 예측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체
WO2020152824A1 (ja) 状態予測装置および状態予測方法
US20170307750A1 (en) Waveform estimation device and waveform estimation method
Bujorianu et al. Stochastic safety for Markov chains
CN110866839A (zh) 基于多模型的地下电缆故障修复方法和装置
CN110472771A (zh) 区域人口走向预测方法及其系统
CN111652907A (zh) 一种基于数据关联的多目标跟踪方法、装置及电子设备
JP6222822B2 (ja) 劣化関数算出装置、劣化率推定システム、劣化関数算出方法、及びプログラム
US11776320B2 (en) Information processing method of predicting calculation amount suitable for recognizing motion of object
Lo et al. Goal-space planning with subgoal models
JP5332514B2 (ja) 確率推論システム及び確率推論方法
CN111045875A (zh) 车辆事故检测方法及相关设备
JP2015175093A (ja) 水運用支援装置、水運用支援方法、およびプログラム
CN111611536B (zh) 数据处理方法、装置、存储介质及电子设备
CN112948361B (zh) 一种数据修复的方法及装置

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2019549499

Country of ref document: JP

Kind code of ref document: A

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18938634

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18938634

Country of ref document: EP

Kind code of ref document: A1