JP2000163394A - Method for predicting water distribution demand amount - Google Patents
Method for predicting water distribution demand amountInfo
- Publication number
- JP2000163394A JP2000163394A JP33662698A JP33662698A JP2000163394A JP 2000163394 A JP2000163394 A JP 2000163394A JP 33662698 A JP33662698 A JP 33662698A JP 33662698 A JP33662698 A JP 33662698A JP 2000163394 A JP2000163394 A JP 2000163394A
- Authority
- JP
- Japan
- Prior art keywords
- section
- learning
- neural network
- data
- weather
- 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 83
- 238000000034 method Methods 0.000 title description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 230000008878 coupling Effects 0.000 claims description 13
- 238000010168 coupling process Methods 0.000 claims description 13
- 238000005859 coupling reaction Methods 0.000 claims description 13
- 238000000611 regression analysis Methods 0.000 claims description 13
- 238000013277 forecasting method Methods 0.000 claims description 5
- 230000003936 working memory Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 16
- 239000003086 colorant Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- 238000013439 planning Methods 0.000 description 3
- 238000000746 purification Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
Landscapes
- 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、上下水道施設の最
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。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a water distribution amount prediction method for improving the accuracy of a water distribution amount prediction device which is a support device for planning an optimal operation plan for water supply and sewerage facilities.
【0002】[0002]
【従来の技術】上下水道、特に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。2. Description of the Related Art With the advancement and diversification of management in water and sewage systems, particularly water purification plants in water supply facilities, and the progress of automation to reduce the burden on operators, the monitoring equipment of water purification plants is also simply a state of equipment. The planning support function that provides information for planning the optimal operation plan of the water treatment plant, which has been developed from the function to monitor the water supply, has been occupying a large position.
【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。In order to formulate an operation plan for a water purification plant, it is important to predict the amount of demanded water in a demand network (water distribution system). For example, there is a case where water is effectively distributed to a wide area demand network from a municipal large water distribution station, a prefectural large water distribution station, a booster water supply station, or the like.
The amount of demanded water is affected and fluctuated by weather and natural conditions such as weather and temperature, calendars such as days of the week, holidays, dates and seasons, and social conditions of festivals and events in the area. Therefore, many years of experience and know-how of skilled operators, numerical programming, mathematical statistical methods, and estimation and prediction methods using simple neural networks are used.
【0004】[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)配水量需要予測にニューラルネットワークを用
い、ニューラルネットワークを学習し予測に使用する場
合、学習した結果の結合係数や誤差率などからはニュー
ラルネットワークの構造や入出力関係を容易に理解する
ことができず、実際の各入力値を入れ予測値を得るま
で、値を事前に検証できない。 (3)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。The above-mentioned prior art has the following problems. (1) In many cases, forecasts of water demand are generally made by referring to similar past data. However, it is said that it is difficult to accurately predict the demanded water amount because of the influence of factors such as weather and temperature, natural phenomena and social life factors such as festivals and events. (2) When using a neural network for water demand forecasting and learning and using the neural network for forecasting, it is necessary to easily understand the structure and input / output relationship of the neural network from the coupling coefficient and error rate of the learning result. Can not be verified and the value cannot be verified in advance until the actual input value is entered and the predicted value is obtained. (3) When forecasting water demand using neural networks or mathematical statistical methods, past weather data does not include all combinations of weather, calendar (day of the week, etc.), temperature and actual demand water. When there is no input data that is the basis of the prediction, that is, when there is no combination of the weather, the calendar (day of the week, etc.) and the temperature close to the past actual data, the prediction error tends to increase.
【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、学習結果の
予測線の表示、各区分の不足しているデータの追加をし
て学習を行うので、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、高精度の配水量需要予測方法を提供することにあ
る。The present invention has been made in consideration of the above-mentioned problems of the prior art, and an object of the present invention is to display a prediction line of a learning result and add missing data of each section. Since learning is performed, it is an object of the present invention to create a neural network having excellent generalization ability, and to provide a highly accurate water distribution demand forecasting method based on the neural network.
【0006】[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、配水需要量予測に使用するニ
ューラルネットワークの学習中および/または学習終了
後に、配水需要量、気温、年月日、曜日、天候等の項目
を含む学習データの配水需要量と気温の対応関係のグラ
フを、その他の年月日、曜日、天候等の学習データ内の
項目を色あるいは線種で表現したニューラルネットワー
クの入力ユニットの各値に対する出力ユニット値すなわ
ち気温と予測配水需要量の関係を示した予測線を表示す
る配水需要量予測方法である。Means for attaining the object are as follows: (1) In claim 1, during and / or after learning of the neural network used for the prediction of the demand for water distribution, the demand for water distribution is determined. Graphs showing the correspondence between distribution demand and temperature of learning data including items such as quantity, temperature, date, day of the week, weather, etc., and colors or other items in the learning data such as date, day of the week, weather, etc. This is a water distribution demand forecasting method for displaying an output unit value for each value of an input unit of a neural network expressed by a line type, that is, a prediction line indicating a relationship between a temperature and a predicted water demand.
【0007】(2)請求項2において、配水需要量予測
に使用するニューラルネットワークの学習データは晴
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、1月から12月までの月区分、日曜から土曜ま
での曜日区分を持ち、各区分で集計・分析し、各区分に
対する日数集計表、各区分に対する区分値テーブルによ
り、区分内にデータの無い不足データを重回帰分析等に
より疑似発生させ、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需要
量予測方法である。(2) In the second aspect, the learning data of the neural network used for the prediction of the demand for water distribution is divided into a weather section and a month section from January to December for distinguishing between sunny, cloudy, rainy, and the like. , Has day of the week divisions from Sunday to Saturday, tallies and analyzes in each division, simulates missing data with no data in the division by multiple regression analysis, etc. according to the number of days table for each division and the division value table for each division This is a water distribution demand forecasting method in which a learning coefficient is added to learning data to learn a coupling coefficient of a neural network.
【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
ークの学習結果の年月日、曜日、天候区分等に対する気
温と配水需要量の予測線を表示し、各区分の不足してい
るデータを追加して学習しているので高精度な配水量需
要予測方法を得ることができる。なお、配水量予測にあ
たっては日々の実績の各値、すなわち配水需要量、気
温、年月日、曜日、天候等を記録しておき予測の際に使
用する。Next, the operation will be described. According to the first and second aspects of the present invention, as described in (1) and (2) above, the temperature and water distribution with respect to the year, month, day, day of the week, weather division, and the like of the learning result of the neural network constituting the water distribution amount prediction device are obtained. Since the prediction line of the demand amount is displayed and the missing data of each section is added and learned, a highly accurate water distribution amount demand prediction method can be obtained. In predicting the water distribution amount, each value of the daily results, that is, the water distribution demand amount, the temperature, the date, the day of the week, the weather, and the like are recorded and used for the prediction.
【0009】[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、配水需要量予測に使用する
ニューラルネットワークの学習中および/または学習終
了後に、配水需要量、気温、年月日、曜日、天候等の項
目を含む学習データの配水需要量と気温の対応関係のグ
ラフを、その他の年月日、曜日、天候等の学習データ内
の項目を色あるいは線種で表現したニューラルネットワ
ークの入力ユニットの各値に対する出力ユニット値すな
わち気温と予測配水需要量の関係を示した予測線を表示
する配水需要量予測方法の実施例を図1から図8により
示す。なお、図1から図8の詳細手順は後述する。DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS An embodiment of the present invention will be described below in detail with reference to the drawings. (1) According to claim 1, during and / or after learning of a neural network used for water demand forecasting, water demand for learning data including items such as water demand, temperature, year, month, day, day of the week, and weather. Predict the output unit value, that is, temperature, for each value of the input unit of the neural network, which represents the graph of the correspondence relationship between the amount and the temperature by expressing the items in the learning data such as date, day of the week, weather, etc. in color or line type 1 to 8 show an embodiment of a water distribution demand prediction method for displaying a prediction line indicating a relationship between water distribution demands. The detailed procedure of FIGS. 1 to 8 will be described later.
【0010】(2) 請求項2において、配水需要量予
測に使用するニューラルネットワークの学習データは過
去のデータ約1年分以上あることが望ましいが、予測日
前の1ヶ月分あれば予測は可能である。学習データは晴
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、1月から12月までの月区分、日曜から土曜ま
での曜日区分を持ち、各区分で集計・分析し、各区分に
対する日数集計表、各区分に対する区分値テーブルによ
り、区分内にデータの無い不足データを後述する重回帰
分析等により疑似発生させ、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
配水需要量予測方法の実施例を図1から図8により示
す。なお、図1から図8の詳細手順は後述する。(2) In claim 2, it is preferable that the training data of the neural network used for the prediction of the water distribution demand is past data for about one year or more, but the prediction is possible if it is for one month before the prediction date. is there. The training data has weather divisions to distinguish between sunny, cloudy, rainy, etc., month divisions from January to December, and day divisions from Sunday to Saturday. In accordance with the total number of days table for each section and the section value table for each section, missing data with no data in the section is pseudo-generated by multiple regression analysis etc. described below, added to the learning data, and learned the coupling coefficient of the neural network. 1 to 8 show an embodiment of the method for predicting the distribution demand. The detailed procedure of FIGS. 1 to 8 will be described later.
【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、13
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、重
回帰分析制御部10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、天候・月・曜日区分に対する値
を持つ区分値テーブルを含む)、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
詳細を後述する重回帰分析制御部、11は入力装置、1
2は出力・表示を行う装置(または他の装置への出力)
である。FIG. 1 is an overall configuration diagram of one embodiment of a water distribution amount prediction apparatus including a water distribution amount prediction method according to an embodiment of the present invention.
Is a water distribution amount prediction device, 1 is a learning data control unit, 2 is a neural network learning control unit, 3 is a neural network (coupling coefficient), 4 is a neural network prediction control unit, 5 is a working memory (learning data control unit 1, neural network). A place where temporarily input or calculated data used by the network learning control unit 2, the neural network prediction control unit 4, the input control unit 6, the output control unit 7, and the multiple regression analysis control unit 10 are stored, and various conditions. , Including a section value table having values for weather, month, and day of the week), 6 is an input control section, 7 is an output control section, 8 is actual data, 9 is learning data, and 10 is detail Is a multiple regression analysis control unit described later, 11 is an input device,
2 is an output / display device (or output to another device)
It is.
【0012】配水量予測装置13において、実績データ
8の元になるデータ、各種設定値を入力装置11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。前
述した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学習期間をもとに、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
ータを学習データ項目選択条件をもとに、学習データ9
に出力する。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12に出力・表示すること
もできる。In the water distribution amount prediction device 13, when the data and various set values which are the basis of the performance data 8 are input to the input device 11, the input values are stored in the working memory 5 via the input control unit 6. The data is stored. Each of the input values described above is input to the learning data control unit 1. Here, based on the actual data in the working memory 5 and various setting values in the condition table, that is, the learning period, the range of the learning data is determined by the date. Is selected, and the corresponding performance data is assigned to the learning data 9 based on the learning data item selection conditions.
Output to The learning data creation result can be output and displayed on the output and display device 12 via the output control unit 7.
【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を区分ごと、あるいは区分同士の対
応により集計し日数集計表を作成する。区分内にデータ
の無い不足データを学習データに追加する第1の方法
は、この月区分対天候区分の日数集計表を各区画ごとに
着目し日数が指定値以下、例えば10以下の区画に対し
て、日曜から土曜までの7データを発生させる。これら
のデータの月と天候は該当する区画の値を使い、日にち
はその曜日に該当する日にちを乱数等で選択する、気温
はその月の平均値あるいはその月の最高気温と最低気温
の間の適当な気温を乱数等で発生させて使用し、配水需
要量はあらかじめ設定してある基準配水需要量に区分値
テーブルの該当する月の値と天候の値と曜日の値を掛け
た値を想定配水需要量とする。ただし各区分値テーブル
の値は割合を示しているので100で割ってから使用す
る。月区分内にデータが無い月はこの処理の対象としな
い。[0013] The learning data control unit 1 totalizes all data in the learning data for each section or according to the correspondence between the sections, and creates a day totaling table. The first method of adding missing data with no data in the section to the learning data is to focus on the day count table of the month section versus the weather section for each section, and for a section whose number of days is equal to or less than a specified value, for example, 10 or less. Then, seven data are generated from Sunday to Saturday. For the month and weather of these data, use the value of the corresponding section, select the day corresponding to the day of the week using random numbers, etc.The temperature is the average value of the month or the temperature between the maximum temperature and the minimum temperature of the month Use the appropriate temperature generated by random numbers, etc., and assume that the water distribution demand is the value obtained by multiplying the preset reference water distribution demand by the corresponding month value, weather value and day value in the section value table. Water distribution demand. However, since the value of each section value table indicates a ratio, it is used after dividing by 100. Months with no data in the month segment are not subject to this process.
【0014】区分内にデータの無い不足データを学習デ
ータに追加する第2の方法として、この月区分対曜日区
分対天候区分の日数集計表を各区画ごとに着目し日数が
0の区画に対して、1データを発生させる。これらのデ
ータの月と曜日と天候は該当する区画の値を使い、日に
ちはその曜日に該当する日にちを乱数等で選択する、気
温はその月の平均値あるいはその月の最高気温と最低気
温の間の適当な気温を乱数等で発生させて使用し、配水
需要量はあらかじめ設定してある基準配水需要量に区分
値テーブルの該当する月の値と天候の値と曜日の値を掛
けた値を想定配水需要量とする。ただし月区分内にデー
タが無い月はこの処理の対象としない。As a second method of adding missing data having no data in a section to the learning data, the table of the number of days of the month section, the day section, and the weather section is focused on each section. To generate one data. For these data, the month, day of the week, and weather use the values of the corresponding section, and the date is selected by a random number, etc., for the day of the day.The temperature is the average of the month or the maximum and minimum temperature of the month. The appropriate water temperature is generated by random numbers and used, and the water distribution demand is a value obtained by multiplying the preset reference water distribution demand by the corresponding month value, weather value and day value in the section value table. Is assumed water demand. However, a month for which there is no data within the month segment is not subject to this processing.
【0015】区分内にデータの無い不足データを学習デ
ータに追加する第3の方法として、配水需要量以外の方
法は第1または第2の方法と同じくし、配水需要量は重
回帰分析により求める方法である。重回帰分析のデータ
は既存の学習データとし、各区分値の値は図4で示す区
分値テーブルの値を用いて回帰係数を求める。この回帰
係数と該当する区画の天候、月、曜日を区分値テーブル
により変換した値と気温により配水需要量を求める。た
だし月区分内にデータが無い月はこの処理の対象としな
い。なお、重回帰分析の構成例を図8で示す。このよう
にして求まったデータを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12に出力・表示することもできる。As a third method for adding insufficient data having no data in the section to the learning data, the method other than the water demand is the same as the first or second method, and the water demand is obtained by multiple regression analysis. Is the way. The data of the multiple regression analysis is existing learning data, and the regression coefficient is obtained by using the values of the section value table shown in FIG. The water distribution demand is obtained from the regression coefficient, the weather, month, and day of the corresponding section converted from the section value table and the temperature. However, a month for which there is no data within the month segment is not subject to this processing. FIG. 8 shows a configuration example of the multiple regression analysis. The data obtained in this way is added to the learning data. The learning data creation result can be output and displayed on the output and display device 12 via the output control unit 7.
【0016】配水量予測装置13において、各種設定値
を入力装置11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。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、後述する図9に示す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。条件
テーブル内の学習終了条件に合致したら学習を終了す
る。学習終了後の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12に出力・
表示することもできる。In the water distribution amount prediction device 13, when various set values are input to the input device 11, the input values are stored in the working memory 5 via the input control unit 6. The learning data 9 is stored in the working memory 5 by the neural network learning control unit 2. Here, learning is performed by the neural network learning control unit 2 based on the learning data on the working memory 5 and various setting values in the condition table, and the coupling coefficient between the input layer and the intermediate layer, the intermediate layer And the coupling coefficient between the output layers are updated. If the learning end condition in the condition table is met, the learning ends. The coupling coefficient after the learning is stored in the neural network (coupling coefficient) 3. The learning result is output to the output / display device 12 via the output control unit 7.
It can also be displayed.
【0017】また配水量予測装置13において、予測日
の天候区分予測値、気温予測値を入力装置11より入力
すると、あらかじめ設定されている年月日や曜日の暦デ
ータと併せて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区分値テーブルにより正規化し
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12に出力・表示する。In the water distribution amount predicting device 13, when the predicted value of the weather division and the predicted temperature value of the predicted date are inputted from the input device 11, the values inputted together with the calendar data of the preset date, month and day are input. Are stored in the working memory 5 via the input control unit 6. The neural network prediction control unit 4 is a neural network (coupling coefficient)
An output value is calculated based on the value obtained by normalizing the coupling coefficient and the input value of No. 3 by the partition value table, the value is inversely calculated, the value is used as an estimated value, and the result is output via the output control unit 7. And output / display to the device 12 for output / display.
【0018】図2は実績データ項目のうち、いずれの項
目を学習データで使用するかの使用の有無を指定する一
例の図である。図2において、実績データ項目のうち、
月、曜日、天候、最高気温、実配水需要量を学習データ
で使用することを示している。FIG. 2 is a diagram showing an example of designating whether or not to use which of the performance data items in the learning data. In FIG. 2, among the performance data items,
It indicates that the month, day, weather, maximum temperature and actual water demand are used in the learning data.
【0019】図3は条件テーブルの一例を示す図であ
る。条件項目として学習データ項目選択条件は図2で説
明したように、月、曜日、天候、最高気温、実配水需要
量を学習データで使用することを示している。学習期間
は学習日より1年間以内のデータを使用することを示し
ている。学習終了条件はニューラルネットワークの絶対
値誤差%の平均値が1.5%より小さくなるか学習回数
が10000回に達することを条件としている。この
1.5の値や10000の値は指定により変更すること
ができる。基準配水需要量は学習データ内の最大配水需
要量を使うことを示している。FIG. 3 is a diagram showing an example of the condition table. As described in FIG. 2, the learning data item selection condition as a condition item indicates that the month, the day of the week, the weather, the maximum temperature, and the actual water demand are used in the learning data. The learning period indicates that data within one year from the learning date is used. The learning end condition is that the average value of the absolute value error% of the neural network is smaller than 1.5% or the number of times of learning reaches 10,000. The value of 1.5 and the value of 10000 can be changed by designation. The reference water supply demand indicates that the maximum water supply demand in the learning data is used.
【0020】図4は天候、月、曜日に対する数値を指定
する区分値テーブルの一例である。図4において天候区
分が晴れ、曇り、雨(雪)の3区分の場合、各区分を数
量化した値が入っている。この値は実際のデータより実
配水需要量に対する割合より算出しても良いし、専門家
が経験から割り出して設定しても良い。天候区分が3区
分以外の場合でも区分の仕方を変更しても同様に設定す
る。月、曜日に対する各区分に対する値、方法は天候区
分と同様に処理する。FIG. 4 is an example of a section value table for designating numerical values for weather, month, and day of the week. In FIG. 4, in the case where the weather classification is sunny, cloudy, and rain (snow), three quantified values are entered for each classification. This value may be calculated from the actual data based on the ratio to the actual water demand, or may be set by an expert based on experience. Even when the weather classification is other than three, the same setting is made even if the classification method is changed. The value and method for each section for month and day are processed in the same way as for the weather section.
【0021】図5は月区分対天候区分の日数集計表を示
す一例の図である。この図では月区分が1月から12月
までの12区分であり、天候区分が、晴れ、曇り、雨
(雪)の3区分でありそれらの格子状の覧に該当する日
数を示している。例えば1月の晴れの日は27日、1月
の曇りの日は4日、雨(雪)の日は0日であることを示
している。FIG. 5 is a view showing an example of a totaling table of the number of days in the month section versus the weather section. In this figure, the month section is 12 sections from January to December, and the weather section is three sections of sunny, cloudy, and rainy (snow), and indicates the number of days corresponding to the grid-like view. For example, a sunny day in January is 27 days, a cloudy day in January is 4 days, and a rainy (snow) day is 0 day.
【0022】図6は区分に対する記号、色の対応表を示
す一例の図である。これらの記号、色は表示・出力する
ときに使用し、記号、色のどちらか一方を使用しても良
いし、両方同時に使用しても良い。さらに、例えば天候
区分と曜日区分を組み合わせて天候区分は色で曜日区分
は記号で表しても良い。図6(a)では天候区分に対す
る記号と色を示している。天候区分が晴れのときは記号
が丸印で色は赤、天候区分が曇りのときは記号が三角印
で色は水色、天候区分が雨(雪)のときは記号が菱形印
で色は青である。図6(b)では曜日区分に対する記号
と色を示している。図では示してないが月区分に対して
記号と色を示すこともできる。FIG. 6 is a diagram showing an example of a correspondence table of symbols and colors for the sections. These symbols and colors are used when displaying and outputting, and either one of the symbols and colors may be used, or both may be used simultaneously. Further, for example, the weather division and the day division may be combined, and the weather division may be represented by a color and the day division may be represented by a symbol. FIG. 6A shows the symbols and colors for the weather sections. When the weather classification is sunny, the symbol is a circle and the color is red. When the weather classification is cloudy, the symbol is a triangle and the color is light blue. When the weather classification is rain (snow), the symbol is a diamond and the color is blue. It is. FIG. 6B shows symbols and colors for day of the week divisions. Although not shown in the figure, symbols and colors can be shown for month divisions.
【0023】図7は天候区分に対する予測線と学習デー
タを示す一例の図である。図では9月の学習データ表示
している。さらにニューラルネットワークの学習結果を
元に、月区分は9月を、曜日区分は月曜日を、天候区分
は晴れを入力し、気温の値を最低値から最高値まで順次
微少値ずつ増加させ、予測配水需要量を求め線で結んだ
ものが晴れの予測線である。同様に天候区分は曇りを入
力したものが曇りの予測線、天候区分は雨(雪)を入力
したものが雨(雪)の予測線である。図7で使用してい
る記号、色は図6(a)のものを使用している。この図
では月曜のみを示しているが同様に他の曜日も表すこと
ができる、この場合、同一場所(座標系)に重ねて表示
しても良いし、別の場所に表示しても良い。他の月も同
様に表すことができる。さらに数ヶ月分、1年分、学習
データ全体と図を表すこともできる。さらにこれらの図
表は指定した図表のみを表示・出力することができる。FIG. 7 is a diagram showing an example of a prediction line and learning data for a weather section. In the figure, the learning data for September is displayed. Furthermore, based on the learning results of the neural network, enter September for the month section, Monday for the day section, and sunny for the weather section, and gradually increase the temperature value from the lowest value to the highest value in small increments. What is obtained by connecting the demand amount with a line is a sunny prediction line. Similarly, for the weather section, a cloudy prediction line is input when cloudy is input, and a rainy (snow) prediction line is input for rainy (snow) weather section. The symbols and colors used in FIG. 7 are those shown in FIG. In this figure, only Monday is shown, but other days can also be represented in this case. In this case, they may be displayed overlapping on the same place (coordinate system) or may be displayed at another place. Other months can be similarly represented. Furthermore, the whole learning data and figures for several months and one year can be represented. Furthermore, these charts can display and output only the designated chart.
【0024】図8は重回帰分析を示す一例の概念図であ
る。図8の例では、入力変数(独立変数、説明変数)が
気温の1乗、気温の2乗、気温の3乗、天候、月、曜日
であり、出力変数(従属変数、被説明変数)が実配水需
要量の場合である。入力変数と出力変数の関係式は、Y
i=ΣBjXij+uiであり、Yiは実配水需要量、
Xijは入力変数、Bjは回帰係数、uiは誤差項、i
はデータ数、jは入力変数の数(定数1を含む)を示し
ている。重回帰分析とは、全てのデータに対する誤差項
の総和を最小にするように、回帰係数Bjを算出する数
学(統計学)の手法である。さらに計算に使用したデー
タ以外のデータを入力しYiを算出すれば、予測配水需
要量として使用できる。図8では天候、月、曜日に対し
て該当する図4の区分値テーブルの値を使用する。FIG. 8 is a conceptual diagram showing an example of a multiple regression analysis. In the example of FIG. 8, the input variables (independent variables and explanatory variables) are the first power of the temperature, the second power of the temperature, the third power of the temperature, the weather, the month, and the day of the week, and the output variables (the dependent variables and the dependent variables) are This is the case of actual water demand. The relational expression between input variables and output variables is Y
i = ΣBjXij + ui, Yi is actual water demand,
Xij is an input variable, Bj is a regression coefficient, ui is an error term, i
Indicates the number of data, and j indicates the number of input variables (including the constant 1). The multiple regression analysis is a mathematical (statistical) method of calculating a regression coefficient Bj so as to minimize the sum of error terms for all data. Further, if Yi is calculated by inputting data other than the data used for the calculation, it can be used as the predicted water distribution demand. In FIG. 8, the values of the section value table of FIG. 4 corresponding to the weather, the month, and the day of the week are used.
【0025】図9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、下記の(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=Σ WijOj (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)式のようなシグモイ
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。FIG. 9 is a conceptual diagram showing an example of a neural network in the water distribution amount prediction device. As a structure and learning means of the neural network, there is a typical error back propagation method (back propagation method). (For example, "Neural Network Model and Connectionism", written by Shunichi Amari, published by the University of Tokyo Press.) The input / output relationship of the unit i other than the input layer, that is, the intermediate layer and the output layer, is as follows (1) , (2) and (3). Inputs for unit i are Oj (j = 1 to N),
The output is represented by Yi, and the coupling coefficient for each Oj is represented by Wij. Input product sum Xi = Σ WijOj (1) Formula (1) is applied to function f (Xi) for conversion. In general, a sigmoid function such as the following equation (2) that is differentiable is generally used as a function. f (Xi) = 1 / {1 + exp (−Xi)} (2) Output Yi = f (Xi) (3) Here, the value of Yi is a number between 0 and 1. On the other hand, the units in the input layer use the input value as it is as the output value.
【0026】図9では入力層は気温1乗、気温2乗、気
温3乗、天候区分(3ユニット)、月区分(12ユニッ
ト)、曜日区分(8ユニット)の計26ユニットであ
る。中間層は9ユニットである。出力層は実配水需要量
の1ユニットである。なお、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、設定最低値等
により正規化する。図9では天候の場合は3ユニット有
り、それぞれのユニットが晴れ、曇り、雨(雪)の場合
に対応し入力値が晴れの場合はそれぞれ1、0、0を、
曇りの場合はそれぞれ0、1、0を、雨(雪)の場合は
それぞれ0、0、1を入力する。月、曜日の場合も天候
と同様に処理する。出力数値を実際に使用するときには
逆計算して使用する。In FIG. 9, the input layers are a total of 26 units of temperature 1st, temperature 2nd, temperature 3rd, weather division (3 units), month division (12 units), and day division (8 units). The intermediate layer has 9 units. The output layer is one unit of actual water demand. It should be noted that the input numerical value and the output numerical value are normalized by the set maximum value, the set minimum value, and the like so as to fall within a range between 0 and 1. In FIG. 9, there are three units in the case of weather, and each unit corresponds to the case of sunny, cloudy, and rainy (snow), and when the input value is sunny, 1, 0, 0, respectively.
In the case of cloudy, 0, 1, and 0 are input, and in the case of rain (snow), 0, 0, and 1 are input. In the case of the month and the day of the week, processing is performed in the same manner as the weather. When actually using the output numerical value, use the reverse calculation.
【0027】[0027]
【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、配水量予測装置を構成するニューラルネ
ットワークの学習結果の月、曜日、天候区分に対する気
温と配水需要量の予測線を表示し、各区分の不足してい
るデータを重回帰分析等により計算し追加して学習して
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。As described above, according to the water distribution predicting apparatus of the present invention, the prediction line of the temperature and the water demand for the month, the day of the week, and the weather division of the learning result of the neural network constituting the water distribution predicting apparatus is obtained. Since the data is displayed and the missing data of each section is calculated and added by multiple regression analysis and learned, the water distribution prediction device is realized with extremely high accuracy, and is extremely effective in practical use. .
【図1】本発明の実施例のシステムの構成図である。FIG. 1 is a configuration diagram of a system according to an embodiment of the present invention.
【図2】本発明の一実施例である実績データ項目の学習
データでの使用の有無を示す図である。FIG. 2 is a diagram showing whether or not a performance data item is used in learning data according to an embodiment of the present invention.
【図3】本発明の一実施例である条件テーブルを示す図
である。FIG. 3 is a diagram showing a condition table according to an embodiment of the present invention.
【図4】本発明の一実施例である区分値テーブルを示す
図である。FIG. 4 is a diagram showing a section value table according to an embodiment of the present invention.
【図5】本発明の一実施例である月区分対天候区分の日
数集計表を示す図である。FIG. 5 is a diagram showing a table of the number of days of a month section versus a weather section according to an embodiment of the present invention.
【図6】本発明の一実施例である区分に対する表示記
号、色の対応表を示す図である。FIG. 6 is a diagram showing a correspondence table of display symbols and colors for divisions according to an embodiment of the present invention.
【図7】本発明の一実施例である天候区分に対する予測
線と学習データを示す図である。FIG. 7 is a diagram showing prediction lines and learning data for weather sections according to one embodiment of the present invention.
【図8】本発明の一実施例である重回帰分析を示す概念
図である。FIG. 8 is a conceptual diagram showing a multiple regression analysis according to one embodiment of the present invention.
【図9】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。FIG. 9 is a conceptual diagram showing a neural network according to an embodiment of the present invention.
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、区分値テーブ
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 重回帰分析制御部 11 入力装置 12 出力・表示を行う装置 13 配水量予測装置DESCRIPTION OF SYMBOLS 1 Learning data control part 2 Neural network learning control part 3 Neural network (coupling coefficient) 4 Neural network prediction control part 5 Working memory (condition table, section value table) 6 Input control part 7 Output control part 8 Result data 9 Learning data 10 Multiple regression analysis control unit 11 Input device 12 Output / display device 13 Water distribution prediction device
Claims (2)
トワークの学習中および/または学習終了後に、配水需
要量、気温、年月日、曜日、天候等の項目を含む学習デ
ータの配水需要量と気温の対応関係のグラフを、その他
の年月日、曜日、天候等の学習データ内の項目を色ある
いは線種で表現したニューラルネットワークの入力ユニ
ットの各値に対する出力ユニット値すなわち気温と予測
配水需要量の関係を示した予測線を表示する配水需要量
予測方法。1. During and / or after learning of a neural network used for water demand forecasting, water demand and temperature of learning data including items such as water demand, temperature, date, day of the week, weather, etc. The output unit values for each value of the input unit of the neural network, in which the items in the learning data such as date, day of the week, weather, etc. are expressed by color or line type, that is, the graph of the correspondence relation of A water demand forecasting method that displays a forecast line showing the relationship of
トワークの学習データは晴れ、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、1月から12月まで
の月区分、日曜から土曜までの曜日区分を持ち、各区分
で集計・分析し、各区分に対する日数集計表、各区分に
対する区分値テーブルにより、区分内にデータの無い不
足データを重回帰分析等により疑似発生させ、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需要量予測方法。2. The learning data of the neural network used for the prediction of the water demand is divided into a weather section, a month section from January to December, a month section from January to December, and a sun section from Sunday to Saturday. It has day of the week divisions, tabulates and analyzes in each section, and generates missing data with no data in the section by multiple regression analysis etc. according to the number of days table for each section and the section value table for each section, and adds it to the learning data And a water distribution demand forecasting method for learning a coupling coefficient of a neural network.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP33662698A JP2000163394A (en) | 1998-11-27 | 1998-11-27 | Method for predicting water distribution demand amount |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP33662698A JP2000163394A (en) | 1998-11-27 | 1998-11-27 | Method for predicting water distribution demand amount |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2000163394A true JP2000163394A (en) | 2000-06-16 |
Family
ID=18301108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP33662698A Pending JP2000163394A (en) | 1998-11-27 | 1998-11-27 | Method for predicting water distribution demand amount |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2000163394A (en) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012044739A (en) * | 2010-08-16 | 2012-03-01 | Tokyo Electric Power Co Inc:The | Load estimation method of power distribution section and system for controlling power distribution system |
JP2012079229A (en) * | 2010-10-05 | 2012-04-19 | Hitachi Ltd | Demand prediction device and water operation monitoring system |
JP2012108832A (en) * | 2010-11-19 | 2012-06-07 | Mitsubishi Electric Corp | Information processing apparatus, information processing method, and information processing program |
CN108444110A (en) * | 2018-04-11 | 2018-08-24 | 南通大学 | Air source heat pump hot water system design method based on BP neural network forecasts |
CN109242265A (en) * | 2018-08-15 | 2019-01-18 | 杭州电子科技大学 | Based on the smallest Urban Water Demand combination forecasting method of error sum of squares |
CN112052978A (en) * | 2019-06-06 | 2020-12-08 | 株式会社日立制作所 | Water demand prediction system and method |
-
1998
- 1998-11-27 JP JP33662698A patent/JP2000163394A/en active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012044739A (en) * | 2010-08-16 | 2012-03-01 | Tokyo Electric Power Co Inc:The | Load estimation method of power distribution section and system for controlling power distribution system |
JP2012079229A (en) * | 2010-10-05 | 2012-04-19 | Hitachi Ltd | Demand prediction device and water operation monitoring system |
JP2012108832A (en) * | 2010-11-19 | 2012-06-07 | Mitsubishi Electric Corp | Information processing apparatus, information processing method, and information processing program |
CN108444110A (en) * | 2018-04-11 | 2018-08-24 | 南通大学 | Air source heat pump hot water system design method based on BP neural network forecasts |
CN109242265A (en) * | 2018-08-15 | 2019-01-18 | 杭州电子科技大学 | Based on the smallest Urban Water Demand combination forecasting method of error sum of squares |
CN109242265B (en) * | 2018-08-15 | 2022-03-01 | 杭州电子科技大学 | Urban water demand combined prediction method based on least square sum of errors |
CN112052978A (en) * | 2019-06-06 | 2020-12-08 | 株式会社日立制作所 | Water demand prediction system and method |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gareta et al. | Forecasting of electricity prices with neural networks | |
CN107844915A (en) | A kind of automatic scheduling method of the call center based on traffic forecast | |
US7403928B2 (en) | Identify data sources for neural network | |
Al-Shareef et al. | One hour ahead load forecasting using artificial neural network for the western area of saudi arabia | |
Sharma | A novel approach on water resource management with Multi-Criteria Optimization and Intelligent Water Demand Forecasting in Saudi Arabia | |
CN113128787A (en) | Telephone traffic prediction method, system, device and medium | |
Taylor | Short-term electrical load forecasting for an institutional/industrial power system using an artificial neural network | |
CN111915076A (en) | Method for realizing scenic spot sightseeing personnel prediction by utilizing artificial intelligent neural network | |
JP2000163394A (en) | Method for predicting water distribution demand amount | |
JP2000305606A (en) | Water distribution demand predictive method | |
JP2000003353A (en) | Water distribution prediction method | |
JP3650304B2 (en) | Demand forecasting device | |
CN116341753A (en) | Method for predicting regional carbon dioxide emission by using machine learning | |
CN109978237A (en) | A kind of area power grid Short Term Load Forecasting System based on fining meteorological data | |
Mohammadzadeh et al. | Forecasting the Cost of Water Using a Neural Network Method in the Municipality of Isfahan | |
Govender et al. | Short-term load forecasting using artificial neural networks and multiple linear regression | |
Mohammadzadeh et al. | Comparison of forecasting the cost of water using statistical and neural network methods: Case study of Isfahan municipality | |
JPH07175787A (en) | Sales amount predicting device | |
JP2000122993A (en) | Water distribution demand predicting method | |
Choopan et al. | An approach to reduce water consumption by optimizing and determining of crop cultivation pattern using meta-heuristic algorithms: A case study on Moghan plain | |
Patil et al. | Review on Analysis of Power Supply and Demand in Maharashtra State for Load Forecasting Using ANN | |
JPH03134703A (en) | Demand pattern predicting method and plant operating method | |
Rosynskyi | The economic potential growth management for real estate development company through automation and artificial intelligence technologies | |
JPH06119291A (en) | Water supply prediction device | |
Al-Shareef et al. | Intelligent Modelling Techniques of Power Load Forecasting for the Western Area of Saudi Arabia |