JP2000003353A - 配水量予測方法 - Google Patents
配水量予測方法Info
- Publication number
- JP2000003353A JP2000003353A JP18167498A JP18167498A JP2000003353A JP 2000003353 A JP2000003353 A JP 2000003353A JP 18167498 A JP18167498 A JP 18167498A JP 18167498 A JP18167498 A JP 18167498A JP 2000003353 A JP2000003353 A JP 2000003353A
- Authority
- JP
- Japan
- Prior art keywords
- data
- neural network
- weather
- learning
- learning data
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 230000008878 coupling Effects 0.000 claims description 14
- 238000010168 coupling process Methods 0.000 claims description 14
- 238000005859 coupling reaction Methods 0.000 claims description 14
- 230000003203 everyday effect Effects 0.000 claims description 3
- 230000003936 working memory Effects 0.000 abstract description 10
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 4
- 238000013439 planning Methods 0.000 description 3
- 238000000746 purification Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【課題】配水量予測に際し、ニューラルネットワークを
使用し、その学習データに予測日に近い過去の前後の所
定期間のデータを使用し、また、天候区分を設け、天候
区分に対し仮想の配水量を発生させ学習データに追加し
高精度な予測を行うことにある。 【解決手段】本発明の配水量予測装置は、配水量予測
に、実際に近い月日の過去のデータを使用し、さらに学
習データとして不足している天候区分を仮想発生させ、
学習データを拡充している配水量予測方法である。
使用し、その学習データに予測日に近い過去の前後の所
定期間のデータを使用し、また、天候区分を設け、天候
区分に対し仮想の配水量を発生させ学習データに追加し
高精度な予測を行うことにある。 【解決手段】本発明の配水量予測装置は、配水量予測
に、実際に近い月日の過去のデータを使用し、さらに学
習データとして不足している天候区分を仮想発生させ、
学習データを拡充している配水量予測方法である。
Description
【０００１】
【発明の属する技術分野】本発明は、上水道施設の最適
運用計画立案の支援装置である配水量予測装置の高精度
化を図る配水量予測方法に関する。
運用計画立案の支援装置である配水量予測装置の高精度
化を図る配水量予測方法に関する。
【０００２】
【従来の技術】上水道施設内の浄水場における管理の高
度化、多様化が進み、またオペレータの負担を軽減する
ための自動化が進むにつれ、浄水場の監視装置も単に設
備の状態を監視する機能から進展された浄水場の最適運
用計画を立案するための情報を提供する計画支援機能が
大きな位置づけを占めてきている。
度化、多様化が進み、またオペレータの負担を軽減する
ための自動化が進むにつれ、浄水場の監視装置も単に設
備の状態を監視する機能から進展された浄水場の最適運
用計画を立案するための情報を提供する計画支援機能が
大きな位置づけを占めてきている。
【０００３】浄水場の運用計画を立案するには、需要網
（配水系統）における需要水量の予測が重要である。例
えば市営の大型配水場、県営の上位大型配水場、増圧給
水場等から広域需要網に効果的に配水する場合である。
需要水量は天候、気温等の気象や自然条件、曜日、祝祭
日、月日、季節等の暦、当該地域の祭りやイベントの社
会条件により影響を受け変動する。このため、熟練運転
員の長年の経験やノウハウ、数値計画法、数理統計的手
法や簡易なニューラルネットワークによる推定予測手法
が用いられている。
（配水系統）における需要水量の予測が重要である。例
えば市営の大型配水場、県営の上位大型配水場、増圧給
水場等から広域需要網に効果的に配水する場合である。
需要水量は天候、気温等の気象や自然条件、曜日、祝祭
日、月日、季節等の暦、当該地域の祭りやイベントの社
会条件により影響を受け変動する。このため、熟練運転
員の長年の経験やノウハウ、数値計画法、数理統計的手
法や簡易なニューラルネットワークによる推定予測手法
が用いられている。
【０００４】
【発明が解決しようとする課題】上記した従来技術は次
のような問題がある。 （１） 需要水量の予測には一般に過去の類似の実績デ
ータを参考に定めるケースが多かった。しかしながら、
需要水量は天候、温度等の気象や自然現象に加え、祭り
やイベント等の社会生活の要素の影響も大きく、正確な
予測は困難といわれている。 （２）ニューラルネットワークや数理統計的手法で需要
水量の予測を行う場合、過去の実績データに全ての天
候、暦（曜日等）、気温と実需要水量の組み合わせが含
まれているわけではないので、予測の基となる入力デー
タ、すなわち天候、暦（曜日等）、気温の組み合わせが
過去の実績データに近いものが無いとき、予測誤差が大
きくなりやすい。 （３）ニューラルネットワークの結合係数を学習する方
法は、過去何年間分を学習データとする場合、予測日の
前所定期間分を学習データとする場合、季節ごとにニュ
ーラルネットワークを分け季節ごとに学習するか季節区
分を入力する場合等があるが、季節の変わり目等で予測
の誤差が大きくなりやすい。
のような問題がある。 （１） 需要水量の予測には一般に過去の類似の実績デ
ータを参考に定めるケースが多かった。しかしながら、
需要水量は天候、温度等の気象や自然現象に加え、祭り
やイベント等の社会生活の要素の影響も大きく、正確な
予測は困難といわれている。 （２）ニューラルネットワークや数理統計的手法で需要
水量の予測を行う場合、過去の実績データに全ての天
候、暦（曜日等）、気温と実需要水量の組み合わせが含
まれているわけではないので、予測の基となる入力デー
タ、すなわち天候、暦（曜日等）、気温の組み合わせが
過去の実績データに近いものが無いとき、予測誤差が大
きくなりやすい。 （３）ニューラルネットワークの結合係数を学習する方
法は、過去何年間分を学習データとする場合、予測日の
前所定期間分を学習データとする場合、季節ごとにニュ
ーラルネットワークを分け季節ごとに学習するか季節区
分を入力する場合等があるが、季節の変わり目等で予測
の誤差が大きくなりやすい。
【０００５】本発明は上記した従来技術の問題点を考慮
してなされたものであり、本発明の目的は、実績データ
から学習データを選別、補完し、ニューラルネットワー
クの結合係数を学習し、汎化能力の優れたニューラルネ
ットワークを作成し、このニューラルネットワークに基
づく、高精度の配水量予測方法を提供することにある。
してなされたものであり、本発明の目的は、実績データ
から学習データを選別、補完し、ニューラルネットワー
クの結合係数を学習し、汎化能力の優れたニューラルネ
ットワークを作成し、このニューラルネットワークに基
づく、高精度の配水量予測方法を提供することにある。
【０００６】
【課題を解決するための手段】つまり、その目的を達成
するための手段は、 （１）請求項１において、ニューラルネットワークの学
習データに使用する実績データを配水量の予測日を基準
とし、過去の同一月日を過去の基準日とし、その基準日
より所定期間以前のもの、および所定期間以後の実績デ
ータを使用してニューラルネットワークの結合係数の学
習を毎日あるいは数日おきあるいは１週間ごとに行い、
予測日の天候、気温、暦を入力し、学習済みのニューラ
ルネットワークにより需要水量を予測する配水量予測方
法である。
するための手段は、 （１）請求項１において、ニューラルネットワークの学
習データに使用する実績データを配水量の予測日を基準
とし、過去の同一月日を過去の基準日とし、その基準日
より所定期間以前のもの、および所定期間以後の実績デ
ータを使用してニューラルネットワークの結合係数の学
習を毎日あるいは数日おきあるいは１週間ごとに行い、
予測日の天候、気温、暦を入力し、学習済みのニューラ
ルネットワークにより需要水量を予測する配水量予測方
法である。
【０００７】（２）請求項２について、ニューラルネッ
トワークの学習データ内の各実績データは、晴れ、曇
り、雨などをそれぞれ区別するために区分した天候区分
を持ち、各日の実際に生じた天候の天候区分を除く天候
区分の全てを疑似発生させ、この疑似発生させた天候区
分に対する仮想需要水量および気温は、前所定期間と後
所定期間のその日と同一天候区分の各需要水量の実績お
よび気温の平均値を基に算出し、暦区分等は実データと
同一のものを使用して学習データに追加し、ニューラル
ネットワークの結合係数の学習をするようにした配水量
予測方法である。
トワークの学習データ内の各実績データは、晴れ、曇
り、雨などをそれぞれ区別するために区分した天候区分
を持ち、各日の実際に生じた天候の天候区分を除く天候
区分の全てを疑似発生させ、この疑似発生させた天候区
分に対する仮想需要水量および気温は、前所定期間と後
所定期間のその日と同一天候区分の各需要水量の実績お
よび気温の平均値を基に算出し、暦区分等は実データと
同一のものを使用して学習データに追加し、ニューラル
ネットワークの結合係数の学習をするようにした配水量
予測方法である。
【０００８】次にその作用について説明する。本発明の
請求項１〜２の発明においては、上記（１）（２）のよ
うに、配水量予測装置を構成するニューラルネットワー
クの学習に使用する実績データを、予測日を基準として
過去のデータを選別し、および／または天候区分を疑似
発生させ、実績データを補完しているので高精度な配水
量予測方法を得ることができる。
請求項１〜２の発明においては、上記（１）（２）のよ
うに、配水量予測装置を構成するニューラルネットワー
クの学習に使用する実績データを、予測日を基準として
過去のデータを選別し、および／または天候区分を疑似
発生させ、実績データを補完しているので高精度な配水
量予測方法を得ることができる。
【０００９】
【発明の実施形態】以下、本発明の一実施例を図面に基
づいて詳述する。 （１） 請求項１において、ニューラルネットワークの
学習データに使用する実績データを配水量の予測日を基
準とし、過去の同一月日を過去の基準日としその基準日
より所定期間以前のもの、および所定期間以後の実績デ
ータを使用してニューラルネットワークの結合係数の学
習を毎日あるいは数日おきあるいは１週間ごとに行い、
予測日の天候、気温、暦を入力し学習済みのニューラル
ネットワークにより需要水量を予測する配水量予測方法
の実施例を図１から図６により示す。なお、図１から図
６の詳細手順は後述する。
づいて詳述する。 （１） 請求項１において、ニューラルネットワークの
学習データに使用する実績データを配水量の予測日を基
準とし、過去の同一月日を過去の基準日としその基準日
より所定期間以前のもの、および所定期間以後の実績デ
ータを使用してニューラルネットワークの結合係数の学
習を毎日あるいは数日おきあるいは１週間ごとに行い、
予測日の天候、気温、暦を入力し学習済みのニューラル
ネットワークにより需要水量を予測する配水量予測方法
の実施例を図１から図６により示す。なお、図１から図
６の詳細手順は後述する。
【００１０】（２） 請求項２において、ニューラルネ
ットワークの学習データ内の各実績データは、晴れ、曇
り、雨などをそれぞれ区別するために区分した天候区分
を持ち、各日の実際に生じた天候の天候区分を除く天候
区分の全てを疑似発生させ、この疑似発生させた天候区
分に対する仮想需要水量および気温は、前所定期間と後
ろ所定期間のその日と同一天候区分の各需要水量の実績
および気温の平均値を基に算出し、暦区分等は実データ
と同一のものを使用して学習データに追加し、ニューラ
ルネットワークの結合係数の学習をするようにした配水
量予測方法の実施例を図１から図６により示す。なお、
図１から図６の詳細手順は後述する。
ットワークの学習データ内の各実績データは、晴れ、曇
り、雨などをそれぞれ区別するために区分した天候区分
を持ち、各日の実際に生じた天候の天候区分を除く天候
区分の全てを疑似発生させ、この疑似発生させた天候区
分に対する仮想需要水量および気温は、前所定期間と後
ろ所定期間のその日と同一天候区分の各需要水量の実績
および気温の平均値を基に算出し、暦区分等は実データ
と同一のものを使用して学習データに追加し、ニューラ
ルネットワークの結合係数の学習をするようにした配水
量予測方法の実施例を図１から図６により示す。なお、
図１から図６の詳細手順は後述する。
【００１１】図１は本発明の実施例の配水量予測方法を
含む配水量予測装置の一実施例の全体の構成図で、１２
は配水量予測装置、１は学習データ制御部、２はニュー
ラルネットワーク学習制御部、３はニューラルネットワ
ーク（結合係数）、４はニューラルネットワーク予測制
御部、５はワーキングメモリ（学習データ制御部１、ニ
ューラルネットワーク学習制御部２、ニューラルネット
ワーク予測制御部４、入力制御部６、出力制御部７で使
用する一時的に入力あるいは演算したものを記憶してお
く場所、および各種条件を設定しておく条件テーブルを
含む）、６は入力制御部、７は出力制御部、８は実績デ
ータ、９は学習データ、１０は入力装置、１１は出力・
表示を行う装置（または他の装置への出力）である。
含む配水量予測装置の一実施例の全体の構成図で、１２
は配水量予測装置、１は学習データ制御部、２はニュー
ラルネットワーク学習制御部、３はニューラルネットワ
ーク（結合係数）、４はニューラルネットワーク予測制
御部、５はワーキングメモリ（学習データ制御部１、ニ
ューラルネットワーク学習制御部２、ニューラルネット
ワーク予測制御部４、入力制御部６、出力制御部７で使
用する一時的に入力あるいは演算したものを記憶してお
く場所、および各種条件を設定しておく条件テーブルを
含む）、６は入力制御部、７は出力制御部、８は実績デ
ータ、９は学習データ、１０は入力装置、１１は出力・
表示を行う装置（または他の装置への出力）である。
【００１２】配水量予測装置１２において、実績デー
タ、各種設定値を入力装置１０に入力すると、入力され
た値は、入力制御部６を介してワーキングメモリ５にそ
れぞれの実績データが記憶される。それぞれの入力値は
学習データ制御部１に入力され、ここで、ワーキングメ
モリ５上の実績データ、条件テーブル内の各種設定値す
なわち予測基準日、前所定期間、後ろ所定期間をもと
に、年月日により学習データの範囲を選択し、該当する
実績データを学習データ９に出力する。
タ、各種設定値を入力装置１０に入力すると、入力され
た値は、入力制御部６を介してワーキングメモリ５にそ
れぞれの実績データが記憶される。それぞれの入力値は
学習データ制御部１に入力され、ここで、ワーキングメ
モリ５上の実績データ、条件テーブル内の各種設定値す
なわち予測基準日、前所定期間、後ろ所定期間をもと
に、年月日により学習データの範囲を選択し、該当する
実績データを学習データ９に出力する。
【００１３】および／または学習データ制御部１で学習
データ内の全データに対して、天候区分と疑似データ計
算期間範囲により各天候区分ごとの想定需要水量および
気温を計算する。求まった想定需要水量、気温と暦区分
等を合わせ１つのデータとし、学習データに追加する。
学習データ作成結果を、出力制御部７を介して、出力・
表示を行う装置１１に出力・表示することもできる。天
候区分が９区分の場合、学習データは元の９倍に増加す
ることになる。
データ内の全データに対して、天候区分と疑似データ計
算期間範囲により各天候区分ごとの想定需要水量および
気温を計算する。求まった想定需要水量、気温と暦区分
等を合わせ１つのデータとし、学習データに追加する。
学習データ作成結果を、出力制御部７を介して、出力・
表示を行う装置１１に出力・表示することもできる。天
候区分が９区分の場合、学習データは元の９倍に増加す
ることになる。
【００１４】配水量予測装置１２において、各種設定値
を入力装置１０に入力すると、入力された値は、入力制
御部６を介してワーキングメモリ５に記憶される。また
学習データ９はニューラルネットワーク学習制御部２に
よりをワーキングメモリ５上に記憶する。それぞれの入
力値はニューラルネットワーク学習制御部２に入力さ
れ、ここで、ワーキングメモリ５上の学習データ、条件
テーブル内の各種設定値をもとにニューラルネットワー
ク学習制御部２で学習を行い、入力層と中間層間の結合
係数、中間層と出力層間の結合係数を更新する。結合係
数はニューラルネットワーク（結合係数）３の内部に蓄
えられる。学習結果を、出力制御部７を介して、出力・
表示を行う装置１１に出力・表示することもできる。
を入力装置１０に入力すると、入力された値は、入力制
御部６を介してワーキングメモリ５に記憶される。また
学習データ９はニューラルネットワーク学習制御部２に
よりをワーキングメモリ５上に記憶する。それぞれの入
力値はニューラルネットワーク学習制御部２に入力さ
れ、ここで、ワーキングメモリ５上の学習データ、条件
テーブル内の各種設定値をもとにニューラルネットワー
ク学習制御部２で学習を行い、入力層と中間層間の結合
係数、中間層と出力層間の結合係数を更新する。結合係
数はニューラルネットワーク（結合係数）３の内部に蓄
えられる。学習結果を、出力制御部７を介して、出力・
表示を行う装置１１に出力・表示することもできる。
【００１５】また配水量予測装置１２において、予測日
の天候区分予測値、温度区分予測値を入力装置１０より
入力すると、入力された値は入力制御部６を介してワー
キングメモリ５に記憶される。ニューラルネットワーク
予測制御部４は、ニューラルネットワーク（結合係数）
３の結合係数と入力値を正規化した値をもとに出力値を
算出し、さらにその値を逆計算し、その値を推定値と
し、結果を出力制御部７を介して、出力・表示を行う装
置１１に出力・表示する。
の天候区分予測値、温度区分予測値を入力装置１０より
入力すると、入力された値は入力制御部６を介してワー
キングメモリ５に記憶される。ニューラルネットワーク
予測制御部４は、ニューラルネットワーク（結合係数）
３の結合係数と入力値を正規化した値をもとに出力値を
算出し、さらにその値を逆計算し、その値を推定値と
し、結果を出力制御部７を介して、出力・表示を行う装
置１１に出力・表示する。
【００１６】図２は実績データから学習データを選択す
るときの学習データの範囲を示す一例の図である。図２
において、実績データが１９９６年１月１日から１９９
８年４月２０日までを示しており、予測日および学習日
が１９９８年４月２１日の場合を示す図である。また前
所定期間が３０日、後ろ所定期間が２０日の場合であ
る。学習データは基準日１９９８年４月２１日より前３
０日分、すなわち１９９８年３月２２日から１９９８年
４月２０日、また１９９７年４月２１日を過去の基準日
とし、前３０日分、すなわち１９９７年３月２２日から
１９９７年４月２０日、後ろ２０日分、すなわち１９９
７年４月２１日から１９９７年５月１０日、さらに１９
９６年４月２１日を過去の基準日とし、前３０日分、す
なわち１９９６年３月２２日から１９９６年４月２０
日、後ろ２０日分、すなわち１９９６年４月２１日から
１９９６年５月１０日の合計１３０日分、図２の網掛け
部分を学習データ（基本学習データ）とする。
るときの学習データの範囲を示す一例の図である。図２
において、実績データが１９９６年１月１日から１９９
８年４月２０日までを示しており、予測日および学習日
が１９９８年４月２１日の場合を示す図である。また前
所定期間が３０日、後ろ所定期間が２０日の場合であ
る。学習データは基準日１９９８年４月２１日より前３
０日分、すなわち１９９８年３月２２日から１９９８年
４月２０日、また１９９７年４月２１日を過去の基準日
とし、前３０日分、すなわち１９９７年３月２２日から
１９９７年４月２０日、後ろ２０日分、すなわち１９９
７年４月２１日から１９９７年５月１０日、さらに１９
９６年４月２１日を過去の基準日とし、前３０日分、す
なわち１９９６年３月２２日から１９９６年４月２０
日、後ろ２０日分、すなわち１９９６年４月２１日から
１９９６年５月１０日の合計１３０日分、図２の網掛け
部分を学習データ（基本学習データ）とする。
【００１７】図３は天候区分の一例を示す図である。図
３（ａ）は天候区分が３区分の例であり、晴れ、曇り、
雨（雪）のいずれかに区分する。図３（ｂ）は天候区分
が９区分の例であり前日天候の３区分、晴れ、曇り、雨
（雪）と当日天候の３区分、晴れ、曇り、雨（雪）を接
続し９区分とする。なお、予測に使用する場合当日天候
は予測値を使用する。
３（ａ）は天候区分が３区分の例であり、晴れ、曇り、
雨（雪）のいずれかに区分する。図３（ｂ）は天候区分
が９区分の例であり前日天候の３区分、晴れ、曇り、雨
（雪）と当日天候の３区分、晴れ、曇り、雨（雪）を接
続し９区分とする。なお、予測に使用する場合当日天候
は予測値を使用する。
【００１８】図４は暦区分の一例を示す図である。図４
（ａ）は暦区分が９区分の例であり、日曜日、月曜日、
火曜日、水曜日、木曜日、金曜日、土曜日、祝日、特殊
日と区分する。なお特殊日は大晦日、お盆、イベント日
等特殊な日に設定する。図４（ｂ）は暦区分が６区分の
例であり、日曜日、月曜日、火〜金曜日、土曜日、祝
日、特殊日と区分する。図４（ｃ）は暦区分が５区分の
例であり、休日−休日、休日−平日、平日−平日、平日
−休日、特殊日と区分する。なお、休日−平日等とは前
日が休日（日曜日、土曜日、祝日）で当日が平日（月曜
日、火曜日、水曜日、木曜日、金曜日）の場合である。
（ａ）は暦区分が９区分の例であり、日曜日、月曜日、
火曜日、水曜日、木曜日、金曜日、土曜日、祝日、特殊
日と区分する。なお特殊日は大晦日、お盆、イベント日
等特殊な日に設定する。図４（ｂ）は暦区分が６区分の
例であり、日曜日、月曜日、火〜金曜日、土曜日、祝
日、特殊日と区分する。図４（ｃ）は暦区分が５区分の
例であり、休日−休日、休日−平日、平日−平日、平日
−休日、特殊日と区分する。なお、休日−平日等とは前
日が休日（日曜日、土曜日、祝日）で当日が平日（月曜
日、火曜日、水曜日、木曜日、金曜日）の場合である。
【００１９】図５は天候区分に対する設定配水量を示す
一例の図である。晴れ−晴れはｘ１１、晴れ−曇りはｘ
１２、晴れ−雨（雪）はｘ１３、曇り−晴れはｘ２１、
曇り−曇りはｘ２２、曇り−雨（雪）はｘ２３、雨
（雪）−晴れはｘ３１、雨（雪）−曇りはｘ３２、雨
（雪）−雨（雪）はｘ３３である。各基本学習データに
対し疑似学習データを発生する場合、計算前後所定期間
を設定し、前後所定期間に該当する実績データに対し天
候区分が同一の実績データのみ選択し、配水量、気温は
その平均値とし、さらにあらかじめ設定してある補正値
を乗じる。補正値が無い場合は１とする。また該当デー
タが無い場合はあらかじめ設定してある配水量、気温を
使用する。例えば天候区分が雨−雨の場合の該当する実
績データが無い場合、図５に示すように配水量ｘ３３を
使用する。
一例の図である。晴れ−晴れはｘ１１、晴れ−曇りはｘ
１２、晴れ−雨（雪）はｘ１３、曇り−晴れはｘ２１、
曇り−曇りはｘ２２、曇り−雨（雪）はｘ２３、雨
（雪）−晴れはｘ３１、雨（雪）−曇りはｘ３２、雨
（雪）−雨（雪）はｘ３３である。各基本学習データに
対し疑似学習データを発生する場合、計算前後所定期間
を設定し、前後所定期間に該当する実績データに対し天
候区分が同一の実績データのみ選択し、配水量、気温は
その平均値とし、さらにあらかじめ設定してある補正値
を乗じる。補正値が無い場合は１とする。また該当デー
タが無い場合はあらかじめ設定してある配水量、気温を
使用する。例えば天候区分が雨−雨の場合の該当する実
績データが無い場合、図５に示すように配水量ｘ３３を
使用する。
【００２０】図６は配水量予測装置内のニューラルネッ
トワークを示す一例の概念図である。ニューラルネット
ワークの構造および学習手段としては、代表的な誤差逆
伝播法（バックプロパゲーション法）がある。（例えば
「神経回路網モデルとコネクショニズム」、甘利俊一
著、東京大学出版会に掲載されている。）入力層以外、
すなわち中間層、出力層のユニットｉの入出力関係は
（１）、（２）、（３）式に示される。ユニットｉに対
する入力をＯｊ（ｊ＝１からＮ）、出力をＹｉ、各Ｏｊ
に対する結合係数をＷｉｊで表す。 入力の積和 Ｘｉ＝ΣＷｉｊＯｊ （１） （１）式を関数ｆ（Ｘｉ）に適用し変換する。関数とし
ては一般に微分可能な次の（２）のようなシグモイド関
数を使うことが多い。 ｆ（Ｘｉ）＝１／｛１＋ｅｘｐ（−Ｘｉ）｝ （２） 出力 Ｙｉ＝ｆ（Ｘｉ） （３） ここでＹｉの値は０から１の間の数となる。他方、入力
層のユニットは入力値をそのまま出力値とする。入力層
は天候区分（９ユニット）、暦区分（５ユニット）、気
温区分（３ユニット）、前日配水量（１ユニット）の計
１８ユニットである。中間層は８ユニットである。出力
層は配水量と配水量差分（前日との）の２ユニットであ
る。なお、天候区分は図３の（ｂ）を、暦区分は図４の
（ｃ）を、気温区分は最高気温、最低気温、平均気温の
各１ユニットを用いる。また、入力数値、出力数値は０
から１の間の範囲に入るよう各設定最高値、設定最低値
により正規化する。出力数値を実際に使用するときに逆
計算して使用する。
トワークを示す一例の概念図である。ニューラルネット
ワークの構造および学習手段としては、代表的な誤差逆
伝播法（バックプロパゲーション法）がある。（例えば
「神経回路網モデルとコネクショニズム」、甘利俊一
著、東京大学出版会に掲載されている。）入力層以外、
すなわち中間層、出力層のユニットｉの入出力関係は
（１）、（２）、（３）式に示される。ユニットｉに対
する入力をＯｊ（ｊ＝１からＮ）、出力をＹｉ、各Ｏｊ
に対する結合係数をＷｉｊで表す。 入力の積和 Ｘｉ＝ΣＷｉｊＯｊ （１） （１）式を関数ｆ（Ｘｉ）に適用し変換する。関数とし
ては一般に微分可能な次の（２）のようなシグモイド関
数を使うことが多い。 ｆ（Ｘｉ）＝１／｛１＋ｅｘｐ（−Ｘｉ）｝ （２） 出力 Ｙｉ＝ｆ（Ｘｉ） （３） ここでＹｉの値は０から１の間の数となる。他方、入力
層のユニットは入力値をそのまま出力値とする。入力層
は天候区分（９ユニット）、暦区分（５ユニット）、気
温区分（３ユニット）、前日配水量（１ユニット）の計
１８ユニットである。中間層は８ユニットである。出力
層は配水量と配水量差分（前日との）の２ユニットであ
る。なお、天候区分は図３の（ｂ）を、暦区分は図４の
（ｃ）を、気温区分は最高気温、最低気温、平均気温の
各１ユニットを用いる。また、入力数値、出力数値は０
から１の間の範囲に入るよう各設定最高値、設定最低値
により正規化する。出力数値を実際に使用するときに逆
計算して使用する。
【００２１】
【発明の効果】以上説明したように本発明の配水量予測
装置によれば、配水量予測に、実際に近い月日の過去の
データを使用し、さらに学習データとして不足している
天候区分を仮想発生させ、学習データを拡充しているの
で、配水量予測装置を極めて高精度なものに実現し、実
用上、極めて有効性が高い。
装置によれば、配水量予測に、実際に近い月日の過去の
データを使用し、さらに学習データとして不足している
天候区分を仮想発生させ、学習データを拡充しているの
で、配水量予測装置を極めて高精度なものに実現し、実
用上、極めて有効性が高い。
【図面の簡単な説明】
【図１】本発明の実施例のシステムの構成図である。
【図２】本発明の一実施例である学習データの範囲を示
す図である。
す図である。
【図３】本発明の一実施例である天候区分を示す図であ
る。
る。
【図４】本発明の一実施例である暦区分を示す図であ
る。
る。
【図５】本発明の一実施例である天候区分に対する設定
配水量を示す図である。
配水量を示す図である。
【図６】本発明の一実施例であるニューラルネットワー
クを示す概念図である。
クを示す概念図である。
１ 学習データ制御部 ２ ニューラルネットワーク学習制御部 ３ ニューラルネットワーク（結合係数） ４ ニューラルネットワーク予測制御部 ５ ワーキングメモリ（条件テーブル） ６ 入力制御部 ７ 出力制御部 ８ 実績データ ９ 学習データ １０ 入力装置 １１ 出力・表示を行う装置 １２ 配水量予測装置
Claims (2)
- 【請求項１】ニューラルネットワークの学習データに使
用する実績データを配水量の予測日を基準とし、過去の
同一月日を過去の基準日とし、その基準日より所定期間
以前のもの、および所定期間以後の実績データを使用し
てニューラルネットワークの結合係数の学習を毎日ある
いは数日おきあるいは１週間ごとに行い、予測日の天
候、気温、暦を入力し、学習済みのニューラルネットワ
ークにより需要水量を予測する配水量予測方法。 - 【請求項２】ニューラルネットワークの学習データ内の
各実績データは、晴れ、曇り、雨などをそれぞれ区別す
るために区分した天候区分を持ち、各日の実際に生じた
天候の天候区分を除く天候区分の全てを疑似発生させ、
この疑似発生させた天候区分に対する仮想需要水量およ
び気温は、前所定期間と後所定期間のその日と同一天候
区分の各需要水量の実績および気温の平均値を基に算出
し、暦区分等は実データと同一のものを使用して学習デ
ータに追加し、ニューラルネットワークの結合係数の学
習をするようにした配水量予測方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18167498A JP2000003353A (ja) | 1998-06-12 | 1998-06-12 | 配水量予測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18167498A JP2000003353A (ja) | 1998-06-12 | 1998-06-12 | 配水量予測方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2000003353A true JP2000003353A (ja) | 2000-01-07 |
Family
ID=16104897
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP18167498A Pending JP2000003353A (ja) | 1998-06-12 | 1998-06-12 | 配水量予測方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2000003353A (ja) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012079229A (ja) * | 2010-10-05 | 2012-04-19 | Hitachi Ltd | 需要予測装置及び水運用監視システム |
| JP6438549B1 (ja) * | 2017-08-24 | 2018-12-12 | 日本分光株式会社 | 機械学習を用いた未知化合物の分類方法 |
| CN110837933A (zh) * | 2019-11-11 | 2020-02-25 | 重庆远通电子技术开发有限公司 | 基于神经网络的漏损识别方法、装置、设备及存储介质 |
| CN114673214A (zh) * | 2022-04-28 | 2022-06-28 | 科源智水(北京)科技有限公司 | 多水厂智能联动供水控制***及其控制方法 |
| CN116375233A (zh) * | 2023-03-24 | 2023-07-04 | 寿县国祯水处理有限公司 | 一种分区联动提升的曝气***及需氧量联动计算方法 |
| JP7511379B2 (ja) | 2020-04-28 | 2024-07-05 | 株式会社マネーフォワード | 情報処理装置及びプログラム |
-
1998
- 1998-06-12 JP JP18167498A patent/JP2000003353A/ja active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012079229A (ja) * | 2010-10-05 | 2012-04-19 | Hitachi Ltd | 需要予測装置及び水運用監視システム |
| JP6438549B1 (ja) * | 2017-08-24 | 2018-12-12 | 日本分光株式会社 | 機械学習を用いた未知化合物の分類方法 |
| JP2019039773A (ja) * | 2017-08-24 | 2019-03-14 | 日本分光株式会社 | 機械学習を用いた未知化合物の分類方法 |
| CN110837933A (zh) * | 2019-11-11 | 2020-02-25 | 重庆远通电子技术开发有限公司 | 基于神经网络的漏损识别方法、装置、设备及存储介质 |
| JP7511379B2 (ja) | 2020-04-28 | 2024-07-05 | 株式会社マネーフォワード | 情報処理装置及びプログラム |
| CN114673214A (zh) * | 2022-04-28 | 2022-06-28 | 科源智水(北京)科技有限公司 | 多水厂智能联动供水控制***及其控制方法 |
| CN114673214B (zh) * | 2022-04-28 | 2023-08-18 | 科源智水(北京)科技有限公司 | 多水厂智能联动供水控制***及其控制方法 |
| CN116375233A (zh) * | 2023-03-24 | 2023-07-04 | 寿县国祯水处理有限公司 | 一种分区联动提升的曝气***及需氧量联动计算方法 |
| CN116375233B (zh) * | 2023-03-24 | 2024-04-12 | 寿县国祯水处理有限公司 | 一种分区联动提升的曝气***及需氧量联动计算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI533251B (zh) | 發電量預測裝置及其方法以及記錄媒體 | |
| Senjyu et al. | Next day load curve forecasting using recurrent neural network structure | |
| US7403928B2 (en) | Identify data sources for neural network | |
| Yahya et al. | Designing weather forecasting model using computational intelligence tools | |
| CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和*** | |
| Al-Shareef et al. | One hour ahead load forecasting using artificial neural network for the western area of saudi arabia | |
| Gagliardi et al. | A comparison between pattern-based and neural network short-term water demand forecasting models | |
| JP2000003353A (ja) | 配水量予測方法 | |
| WO2022168357A1 (ja) | 発電量管理システム及び発電量管理方法 | |
| JP2000305606A (ja) | 配水需要量予測方法 | |
| CN113111419A (zh) | 办公建筑内空调负荷预测模型建立、预测方法及*** | |
| JP2000163394A (ja) | 配水需要量予測方法 | |
| Kariniotakis et al. | Evaluation of the MORE-CARE wind power prediction platform. Perfrmance of the fuzzy logic based models | |
| JP2001245432A (ja) | 需要予測装置 | |
| CN107563544A (zh) | 一种基于日特征向量优化的灰色模型电量预测方法 | |
| Souzanchi-K et al. | A multi adaptive neuro fuzzy inference system for short term load forecasting by using previous day features | |
| Uher et al. | Forecasting electricity consumption in Czech Republic | |
| Mohammadzadeh et al. | Forecasting the Cost of Water Using a Neural Network Method in the Municipality of Isfahan | |
| JP5561643B2 (ja) | 需要予測装置及び水運用監視システム | |
| JPH11126102A (ja) | ガス需要量の予測方法 | |
| JP2795997B2 (ja) | 配水量予測装置 | |
| JP2000122993A (ja) | 配水需要量予測方法 | |
| JPH06105465A (ja) | 最大需要予測方法及び装置 | |
| Patil et al. | Review on Analysis of Power Supply and Demand in Maharashtra State for Load Forecasting Using ANN | |
| JPS592945B2 (ja) | 水需要予測方法 |