JP2003030621A - 自流式ダムの水力発電量予測方法、そのニューラルネットワーク - Google Patents
自流式ダムの水力発電量予測方法、そのニューラルネットワークInfo
- Publication number
- JP2003030621A JP2003030621A JP2001214113A JP2001214113A JP2003030621A JP 2003030621 A JP2003030621 A JP 2003030621A JP 2001214113 A JP2001214113 A JP 2001214113A JP 2001214113 A JP2001214113 A JP 2001214113A JP 2003030621 A JP2003030621 A JP 2003030621A
- Authority
- JP
- Japan
- Prior art keywords
- power generation
- amount
- neural network
- dam
- output
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims description 29
- 238000010248 power generation Methods 0.000 claims description 90
- 238000011144 upstream manufacturing Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 10
- 230000002265 prevention Effects 0.000 abstract description 5
- 230000010365 information processing Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 4
- 229920006395 saturated elastomer Polymers 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000002844 melting Methods 0.000 description 3
- 230000008018 melting Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000006424 Flood reaction Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/20—Hydro energy
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
うにする。 【解決手段】 自流式ダムの発電所では、通常のダムと
は異なり、下流域の洪水防止の為の貯水機能がもともと
ない為、洪水防止のための流量予測はそもそも不要であ
ることから、一旦流量を予測することなく、直接的に発
電量を予測する。すなわち、ニューラルネットワークの
出力を発電機出力(この例では、発電機出力差分)とす
る。
Description
ワークを用いて自流式ダムの水力発電量を予測する手法
に関する。
は、経済性と安全性の観点から行われている。将来流れ
込む流量を正確に予測できれば、無効放流を減らし、発
電量を増やすことができるばかりでなく、大雨時には下
流域の洪水の防止が可能となるからである。
予測する方法と、流入量を予測した後、この予測流入量
を発電量に換算して予測する方法が考えられるが、実際
には、後者の方法が用いられているのみである。その理
由は、安全性の観点に重点をおいて運用することが多
く、大雨時の下流域での洪水防止が主目的であるためで
ある。よって、発電量の予測は、直接発電量を予測する
のではなく、予測流入量を水力発電機のQP特性(発電
流量−発電量特性)に当てはめて換算していた。これ
は、流入量の予測精度が発電量の予測精度に直結するこ
とを意味する。
れ込む流量のことである(流入量が多い場合、その一部
は直接放流する)。一般に、流入量の予測は、上流域の
雨量と、上流河川の流量と、過去数時間程度のダムへの
流入量の実績値を用いて予測される。将来の流入量とこ
れらのデータの間には非常に強い非線形があるため、予
測が難しい。例えば、降雨量が同じでも、地面の湿潤度
により、流量が大きく異なる。また、河川の流速は、流
量が多いときには非常に早くなる。
帰式では高精度予測は難しい。通常は、タンクモデルか
貯留関数法が用いられ、降雨時の流量が増え始めたとき
から流量がピークに達するころ(流量が比較的多い部
分)の予測精度が最良になるように調整する(流入量が
少ない部分から多い部分まで全てのデータに対して高精
度に予測することはできないため)。また、近年では、
ニューラルネットワークを用いた予測手法も実用化され
ている。ニューラルネットワークは、データを与えて学
習させるだけで、比較的容易に予測モデルが構築できる
ので、開発費用が安く、比較的予測精度が高い手法とし
て注目されている。
は、貯水のためのゲートがなく、流入した水をそのまま
下流に流すダムである。放流制御が行えない為、通常
は、下流域の洪水防止の必要性が低い最上流位置に建設
される。
経済性の観点から非常に有効である。例えば、発電量の
予測精度が高ければ、火力発電等のエネルギー消費量を
節約することが可能である。
般に、その河川の流量に応じてその規模が決定される。
つまり、流量が少ない河川に大規模すぎる発電機を導入
するのは、導入費用の面で無駄が多くなり、逆に流量の
多い河川に小規模な発電機を導入するのは、水資源の無
駄が多いことになる。一般に、年間の数分の1の期間に
おいて、水力発電機が最大出力を出すように設計される
(日本の河川では、洪水流量には至らない程度の降雨で
も、簡単に水力発電機の出力が最大になる)。
いては、比較的流入量が少ないとき(発電機が最大出力
で飽和する前までの、流量に応じて発電量が変化する範
囲)の予測精度が重要となる(流入量が多い部分では、
発電機出力が飽和するため、流入量予測精度の誤差は問
題にならない)。また、自流式発電所は、下流域の洪水
防止の為の貯水機能がもともとない為、洪水防止のため
の流量予測はそもそも不要である。
では、流量の多い部分から低い部分まで精度良く予測す
ることはできないので、流量の増え始めからピークに達
するまでの予測(通常のダムでは、洪水防止等の安全性
に関して重要な部分)が最良になるように設計される。
流入量が少ない部分の予測精度が高くなるように調整す
ることも不可能ではないが、これらの手法はダム流域1
つ1つの特性に合わせて個別に設計(パラメータ調整)
する必要があるので、いずれにしても開発費用/導入費
用が高いという問題があった。
法では、入出力データを与えるだけで、ニューラルネッ
トワークが自動的に学習するので、比較的容易に予測モ
デルが構築できる。また、その予測精度も、一般的に、
タンクモデルや貯留関数法よりも高い。
における水力発電では、洪水流量に至るよりずっと前に
発電機出力が最大で飽和する為、洪水防止用に設計され
た従来の流量予測モデルでは、高精度な発電量の予測は
期待できない。このことは、ニューラルネットワークに
よる流量予測モデルでも同様である。ニューラルネット
ワークは、学習データ全ての学習誤差の総和を小さくす
るように学習する為、洪水時のデータを含めて学習する
と、自流式発電所の発電予測に最も大事な「発電量が変
化する範囲」(発電機出力が最大で飽和するまでの範
囲;洪水時等に比べると比較的流入量が少ない範囲)の
学習精度が犠牲になることがある。
用いて学習すれば、「発電量が変化する範囲」について
は高精度な発電量の予測が期待できる。しかしながら、
ニューラルネットワークは、学習範囲外のデータに対し
てはどのような出力をするか分からない、という欠点が
ある。この為、例えば大雨時であるにも係わらず“発電
量は少ない”と予測する可能性がある。
常のダムと同様に、ニューラルネットワーク出力を「流
入量」としていた為、自流式ダムの発電量予測において
重要な「発電量が変化する範囲」(流入量の比較的少な
い部分)の予測精度を向上させるのに限界があった。
精度に予測できるニューラルネットワーク、発電量予測
方法を提供することである。
ニューラルネットワークを用いた自流式ダムの水力発電
量予測方法であって、該ニューラルネットワークの出力
を水力発電量とし、直接的に水力発電量を予測する。
発電量を予測するために用いられるニューラルネットワ
ークであって、出力を水力発電量とし、直接的に水力発
電量を予測する構成とした。
異なり、下流域の洪水防止の為の貯水機能がもともとな
い為、洪水防止のための流量予測はそもそも不要であ
る。これより、上記請求項1、請求項2の発明では、自
流式ダム用に特化し、一旦流量を予測することなく、直
接的に発電量を予測するようにしたことで、自流式ダム
の発電量を高精度に予測できるようにした。この効果
は、実験により確認されている。
力データは、上流域の降雨量、河川流量、ダムへの流入
量、気温、過去の発電量実績値等を用いればよいが、特
に、例えば請求項3記載の発明のように、これらの差分
データを用いる場合には、より高精度な発電量予測が行
えることが期待できるようになる。
には、特に春のシーズンにおいて、「雪解け水」により
流入量増加にも対応した、より高精度な予測を行うこと
が可能となる。
実施の形態について説明する。本発明は、自流式ダムに
おける発電量予測精度を向上させる為に、自流式ダムの
発電量予測に特化し、ニューラルネットワークの出力を
“発電量”とし、発電機出力を直接予測するようにした
ことに特徴がある。ニューラルネットワークの入力は、
上流域の降雨量、河川流量、ダムへの流入量、気温、過
去の発電量実績値等であるが、これらの差分データを用
いるほうが、より高精度な予測が可能になる。
力を発電機出力(発電量)にすることで、学習データと
して過去の洪水時のデータを含むデータを用いても、適
切な予測が可能となる。
可能になる原理について説明する。図1に、降雨量、流
入量、発電量の対応関係の一例を示す。上述してあるよ
うに、自流式ダムの水力発電量予測において特に重要な
のは「発電量が変化する範囲」であり、これは図1に示
す例では降雨量11が‘5’〜‘25’の範囲である
(発電量13が‘15’で最大出力(飽和)となるの
で)。自流式ダムの発電量予測においては、この範囲の
予測精度向上が最も重要である。
が‘0’〜‘40’の範囲で常に変化しており、特に降
雨量11が‘25’以上になると流入量12の変化量が
大きくなっていく。通常のダム(自流式ダムではないダ
ム)では、洪水予測に重点をおく為、特にこの降雨量1
1が‘25’以上の部分の流入量12の予測が重要であ
った。一方、発電量13は、降雨量11が‘5’〜‘2
5’の範囲では変化しているが、降雨量11が‘25’
以上では飽和する(最大出力‘15’に達する)。
ルネットワークに学習させると、従来のように出力を
「流入量」としたニューラルネットワークでは、流入量
12が‘0’〜‘85’までの全ての状態を学習する。
このため、発電量予測に直接関係のない範囲、すなわち
流入量12が‘50’〜‘85’の範囲における予測誤
差までも小さくしようとするために、流入量12が‘1
0’〜‘50’の範囲における予測誤差が小さくなると
は限らないし、限界もある。
囲のデータだけで学習させることで、この範囲の学習誤
差は確実に小さくすることは可能であるが、降雨量11
が‘5’〜‘25’以外(学習範囲外)のデータに対し
ては、どのような出力をするのか保証できない、という
欠点がある。
を「発電量」とした場合には、上記と同様に降雨量11
が‘0’〜‘40’の範囲のデータを学習させている
が、(「流入量」とは異なり)「発電量」では、降雨量
11が‘0’〜‘5’の範囲、降雨量11が‘25’〜
‘40’の範囲に対応する発電量データは、飽和状態
(図の例の値は各々‘0’‘15’)となっている。ニ
ューラルネットワークは、飽和領域の学習については、
原理上学習誤差が出づらくなっている為(ニューラルネ
ットワークは、シグモイド関数と呼ばれる飽和関数を、
ニューロンの応答関数に使用している為、飽和状態の学
習は容易である)、降雨量11が‘5’〜‘25’の範
囲を集中して学習することが可能である(学習回数は他
の範囲と同じであっても、学習に対する影響度合いが大
きい)。また、降雨量11が‘5’〜‘25’の範囲以
外のデータに対しても学習しているため、当該範囲外の
データに対しておかしな出力をする可能性は極めて低く
なる。
単な実験結果について以下に説明する。この実験では、
以下の(1)、(2)のように、図1に示す降雨量11
を入力データとし、出力を各々「流入量(予測値)」
(従来)、「発電量(予測値)」(本例)とした2つの
ニューラルネットワークについて、以下、実際の実験に
よる学習結果(予測精度)について説明する。 (1) (入力,出力)=(降雨量,流入量) ・・・従来 (2) (入力,出力)=(降雨量,発電量) ・・・本例 学習条件は、(1)、(2)とも、図2に示すように、
学習回数が1万回、入力層/中間層/出力層のユニット
数は各々1個である。簡単な例であるのでニューラルネ
ットワーク構造は特に図示しない。また、教師データ
は、各々、図1に示す流入量12、発電量13のデータ
を用いる。
クの学習結果(予測結果)を示す。ここでは、「発電量
が変化する部分」(自流式ダムの発電量予測において重
要な部分)、つまり降雨量11が‘5’〜‘25’の範
囲について評価する。この評価は、図3に示す「絶対
値」23、「絶対値」26(各々、「誤差」22、「誤
差」25の絶対値)の各々の平均で判断する。但し、こ
の例では、降雨量11が‘5’に関しては、発電量(実
績値)13が‘0’である為、誤差率の算出ができない
ので、評価対象からはずした。
予測値21をニューラルネットワーク出力とする場合に
は、誤差の「絶対値」23の平均は9.88(%)とな
っている。一方、本例にように発電量の予測値24をニ
ューラルネットワーク出力とする場合には、誤差の「絶
対値」26の平均は4.95(%)である。
ワークを用いた場合の予測誤差は、従来に比べて約半分
となっており、ニューラルネットワークの出力を「発電
量」にするだけで、従来に比べて良好な結果を示すこと
が確認されている。
実績値により求める。また、尚、図3では予測流入量と
予測発電量とを比較しているが、上述してある通り、従
来では、予測流入量を水力発電機のQP特性に当てはめ
て発電量を予測しているので、当然、予測流入量の誤差
は発電量の予測誤差に直結する。
ルネットワークの出力を「発電量」にするだけで、予測
精度を大幅に向上させることができた。また、従来の水
力発電量の予測方法は、まずダムへの流入量を予測し、
次にこの予測流入量を予測発電量に換算していた。つま
り、2段階の処理が必要であった。本例のニューラルネ
ットワークでは、直接的に発電量を予測するので、処理
が簡素化され、処理時間が短縮できる。
構造の例を幾つか示しながら、実際の実験結果により、
予測精度が向上したことが確認されていることを示す。
まず、以下、図4、図5を参照して、本例によるニュー
ラルネットワークを用いて実際に発電量予測を行った例
(その1)について説明する。
ラルネットワークの入力データ/出力データを示す。図
示の通り、入力データとしては、過去数時間分の降雨量
の差分データと発電機出力(実績値)の差分データとを
用いる。また、出力データは、1時間先〜3時間先まで
の発電機出力(予測値)差分である。尚、“発電機出
力”は“発電量”と同じ意味である。
ータ(降雨量差分、発電機出力(実績値)差分)を用い
ているが、これに限るわけではない。過去数時間分の降
雨量と発電機出力(実績値)とを用いるようにしてもよ
い。この場合は、当然、出力データは、1時間先〜3時
間先までの発電機出力(予測値)となる。但し、差分デ
ータを用いたほうが、より高精度や発電量予測が行える
ようになることが期待できる。入力データとして差分デ
ータを用いる手法は、既に、本出願人が例えば特開平1
0−260718号公報「ダムにおける水量予測方法」
等で提案済みである。
の例では、学習回数は10万回とし、入力層のユニット
数は22個、中間層のユニット数は1個、出力層のユニ
ット数は3個である。
人が以前に提案している特願2000−71001「ニ
ューラルネットワークの最適化学習方法」に記載の学習
方法を採用しているが、これに限るわけではない。尚、
この学習方法には、中間層の素子数を少なくする働きが
あり、それ故、学習中に中間層の素子数が減らされてい
き、学習終了時には図4(b)に示すように中間層素子
数は1個になっているが、これは一例に過ぎない。
ルネットワークの一例を示す。この例では、入力層の2
2個のユニットの中で、19個は降雨量差分データ入力
用とし、3個は発電機出力(実績値)差分データ入力用
とする。勿論、これは、一例に過ぎない。降雨量差分デ
ータは、現在時刻の降雨量を基準として、過去の1時間
(1h)前、2h前、・・・19h前の各々の時刻の降
雨量との差分値を用いる。発電機出力(実績値)差分デ
ータについても同様であり、現在時刻の発電機出力(実
績値)を基準として、過去の1時間(1h)前、2h
前、3h前の各々の時刻の発電機出力(実績値)との差
分値を用いる。出力層の3個のユニットは、各々、1時
間(1h)先/2h先/3h先の発電機出力(予測値)
差分値を出力する。これも、現在時刻の発電機出力(実
績値)と、1時間(1h)先/2h先/3h先の発電機
出力(予測値)との差分値が出力される。
機出力(予測値)差分を出力させた値と、実際の1h先
/2h先/3h先の発電機出力との誤差の絶対値を求
め、その平均値を求めた結果を、図5(a)に示す。図
示の通り、誤差の絶対値の平均値(ここでは、絶対値平
均誤差と呼ぶ)は、1時間先予測〜3時間先予測まで何
れも良好な結果が得られ、特に1時間先予測では1%未
満であり、非常に良好な結果が得られた。
長期間に渡って随時1時間先の発電量予測を行い続けた
結果と、実際の各々の1時間後の発電量とをグラフにし
て示す。
おり、これを見ても誤差が判別できないほど良好な結果
である。次に、以下、図6、図7を参照して、本例によ
るニューラルネットワークを用いて実際に発電量予測を
行った例(その2)について説明する。
時間分の降雨量の差分データと発電機出力(実績値)の
差分データに加えて、気温の差分データを用いる。ここ
で、気温を入力因子として採用することの意味について
説明する。
“春”に予測を行う場合に特に有効である。つまり、自
流式ダムの上流域に雪が積もっている場合、気温が上昇
するにつれて、所謂「雪解け水」により、流入量が増加
する傾向がある。よって、気温を入力因子の1つとする
ことで、「雪解け水」により流入量増加にも対応した、
より高精度な予測を行うことが可能となる。
以外にも、上流域の降雨量、河川流量等(更に、その差
分データ)を用いるようにしてもよい。図6に、本例に
よるニューラルネットワーク構造の一例を示す。
個であり、各ユニットには、1h前、2h前、・・・、
10h前の降雨量差分データ、1h前、2h前、・・
・、6h前の発電機出力(実績値)差分データ、1h
前、2h前、・・・、6h前の気温差分データが入力さ
れる。中間層のユニット数は、上記と同様に、学習途中
でユニット数が削減されていった結果、1個になってい
る。出力層のユニット数は、この例では1個とし、1時
間先の発電機出力(予測値)差分値を出力する。
に予測を行った結果、図7(a)に示すように、1時間
先予測については絶対値平均誤差が0.85%となって
おり、非常に良好な結果が得られている。
期間中、随時1時間先の発電量予測を行った結果と、実
際の各々の1時間後の発電量と、気温との関係をグラフ
にして示す。図示の例では、60時間付近と280時間
付近において、発電量が若干増加している。この60時
間付近と280時間付近の気温を参照すると、比較的長
い時間高い気温が続いていることが確認でき、気温が発
電量に若干影響を与えることが分かる。但し、同図には
12月に予測を行った例を示しており、上記の通り、気
温の影響が最も大きいのは“春”であるので、“春”に
予測を行えば、気温が発電量に与える影響がより大きく
なることは確実である。
を用いた、自流式ダムの発電量予測手法の実現形態の一
例である情報処理装置のハードウェア構成図である。
尚、この情報処理装置は、例えば、系統制御所、給電指
令所、ダム管理所、水力発電所等に設置される。また、
この情報処理装置は、例えば後述するネットワーク接続
装置36等により、何等かの通信線を介して、上流域に
設置される降雨計、上流河川の流量を計測する流量計、
ダムへの流入量を計測する流量計、気温を測定する温度
計、発電機等からデータを取得できる構成となってい
る。
1、記憶装置32、入力装置33、出力装置34、媒体
駆動装置35、ネットワーク接続装置36等を有し、こ
れらがバス37に接続された構成となっている。同図に
示す構成は一例であり、これに限るものではない。
を制御する中央処理装置であり、後述する記憶装置32
等に格納されるデータ/プログラムに基づいて各種処理
を実行する。
/RAM/フラッシュメモリ等のメモリであり、ニュー
ラルネットワークのデータベース構造(入力層/中間層
/出力層素子の数、重みの大きさ、入力データ、出力デ
ータ等)が格納される。また、各種処理をCPU31で
実行させるプログラムを格納している。
ウス等である。出力装置34は、ディスプレイ等であ
り、上述したニューラルネットワークの演算結果等を表
示する。
記憶されているプログラム/データ等を読み出す。可搬
記憶媒体38は、例えば、FD(フロッピーディスク)
38a、CD−ROM38b、その他、DVD、光磁気
ディスク等である。上記記憶装置32に格納されるプロ
グラム/データは、可搬記憶媒体38に記憶されている
ものであってもよい。すなわち、上述した各種処理は、
この可搬記憶媒体38に記憶されているプログラム/デ
ータ等を、媒体駆動装置35を介して情報処理装置30
側にロードして実行するものであってもよい。
ターネット等のネットワーク(不図示)に接続して、外
部の情報処理装置等とプログラム/データ等の送受信を
可能にする構成としてもよい。上記プログラム/データ
は、ネットワーク接続装置36により接続しているネッ
トワークを介して、外部の情報提供者側の装置の記憶装
置に記憶されているプログラム/データをダウンロード
するものであってもよい。
した記憶媒体(可搬記憶媒体38等)自体として構成す
ることもできるし、プログラム自体として構成すること
もできる。
ニューラルネットワーク、これを用いた予測手法によれ
ば、自流式ダム用に特化し、ニューラルネットワーク出
力を「発電量」とすることで、予測精度が高く且つ開発
費が安くて済む。
す
習結果を比較して示す図である。
トワークを用いて実際に発電量予測を行った例(その
1)について説明する為の図である。
際に発電量予測を行った例(その2)について説明する
為の図である。
式ダムの発電量予測手法の一実現形態である情報処理装
置のハードウェア構成図である。
Claims (3)
- 【請求項1】 ニューラルネットワークを用いた自流式
ダムの水力発電量予測方法であって、 該ニューラルネットワークの出力を水力発電量とし、直
接的に水力発電量を予測することを特徴とする自流式ダ
ムの水力発電量予測方法。 - 【請求項2】 自流式ダムの水力発電量を予測するため
に用いられるニューラルネットワークであって、 出力を水力発電量とし、直接的に水力発電量を予測する
構成としたことを特徴とするニューラルネットワーク。 - 【請求項3】 前記ニューラルネットワークへの入力デ
ータは、上流域の降雨量、河川流量、ダムへの流入量、
気温、過去の発電量実績値の少なくとも何れか1つ以上
の差分データであることを特徴とする請求項2記載のニ
ューラルネットワーク。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2001214113A JP4590794B2 (ja) | 2001-07-13 | 2001-07-13 | 水力発電量予測装置、水力発電量予測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2001214113A JP4590794B2 (ja) | 2001-07-13 | 2001-07-13 | 水力発電量予測装置、水力発電量予測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2003030621A true JP2003030621A (ja) | 2003-01-31 |
JP4590794B2 JP4590794B2 (ja) | 2010-12-01 |
Family
ID=19048987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2001214113A Expired - Lifetime JP4590794B2 (ja) | 2001-07-13 | 2001-07-13 | 水力発電量予測装置、水力発電量予測方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4590794B2 (ja) |
Cited By (6)
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 |
CN102930358A (zh) * | 2012-11-28 | 2013-02-13 | 江西九江供电公司 | 一种光伏电站发电功率的神经网络预测方法 |
CN106894382A (zh) * | 2017-02-23 | 2017-06-27 | 国家电网公司 | 一种寒冷地区水库低水位时水位井防冻的装置及工作方法 |
CN110969290A (zh) * | 2019-11-18 | 2020-04-07 | 国电湖南巫水水电开发有限公司 | 一种基于深度学习的径流概率预测方法及*** |
JP2021033915A (ja) * | 2019-08-29 | 2021-03-01 | 株式会社日立パワーソリューションズ | コンピュータプログラムおよびダム流入量予測プログラム並びにダム流入量予測システム |
WO2022118524A1 (ja) * | 2020-12-03 | 2022-06-09 | 三菱重工業株式会社 | 予測システム、予測方法およびプログラム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03274031A (ja) * | 1990-03-23 | 1991-12-05 | Mitsubishi Electric Corp | 神経回路網河川出水量予測装置 |
JPH04125100A (ja) * | 1990-09-13 | 1992-04-24 | Meidensha Corp | 水力発電の発電出力・放流量演算装置 |
JPH10260718A (ja) * | 1997-03-19 | 1998-09-29 | Fuji Electric Co Ltd | ダムにおける水量予測方法 |
-
2001
- 2001-07-13 JP JP2001214113A patent/JP4590794B2/ja not_active Expired - Lifetime
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03274031A (ja) * | 1990-03-23 | 1991-12-05 | Mitsubishi Electric Corp | 神経回路網河川出水量予測装置 |
JPH04125100A (ja) * | 1990-09-13 | 1992-04-24 | Meidensha Corp | 水力発電の発電出力・放流量演算装置 |
JPH10260718A (ja) * | 1997-03-19 | 1998-09-29 | Fuji Electric Co Ltd | ダムにおける水量予測方法 |
Cited By (9)
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 |
WO2013001600A1 (ja) * | 2011-06-28 | 2013-01-03 | 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 |
CN102930358A (zh) * | 2012-11-28 | 2013-02-13 | 江西九江供电公司 | 一种光伏电站发电功率的神经网络预测方法 |
CN106894382A (zh) * | 2017-02-23 | 2017-06-27 | 国家电网公司 | 一种寒冷地区水库低水位时水位井防冻的装置及工作方法 |
JP2021033915A (ja) * | 2019-08-29 | 2021-03-01 | 株式会社日立パワーソリューションズ | コンピュータプログラムおよびダム流入量予測プログラム並びにダム流入量予測システム |
JP7254004B2 (ja) | 2019-08-29 | 2023-04-07 | 株式会社日立パワーソリューションズ | コンピュータプログラムおよびダム流入量予測プログラム並びにダム流入量予測システム |
CN110969290A (zh) * | 2019-11-18 | 2020-04-07 | 国电湖南巫水水电开发有限公司 | 一种基于深度学习的径流概率预测方法及*** |
CN110969290B (zh) * | 2019-11-18 | 2023-09-26 | 国电湖南巫水水电开发有限公司 | 一种基于深度学习的径流概率预测方法及*** |
WO2022118524A1 (ja) * | 2020-12-03 | 2022-06-09 | 三菱重工業株式会社 | 予測システム、予測方法およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP4590794B2 (ja) | 2010-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hsu et al. | A multipurpose reservoir real-time operation model for flood control during typhoon invasion | |
Bae et al. | Monthly dam inflow forecasts using weather forecasting information and neuro-fuzzy technique | |
Chernet et al. | Safety of hydropower dams in a changing climate | |
JP2006304402A (ja) | 分散型エネルギーシステムの制御装置、制御方法、プログラム、および記録媒体 | |
Ruslan et al. | Flood water level modeling and prediction using NARX neural network: Case study at Kelang river | |
JP2007205001A (ja) | 流量予測装置 | |
Che et al. | Application of an optimization/simulation model for real-time flood-control operation of river-reservoirs systems | |
Oh et al. | Energy-storage system sizing and operation strategies based on discrete Fourier transform for reliable wind-power generation | |
Adnan et al. | 5 hours flood prediction modeling using improved NNARX structure: case study Kuala Lumpur | |
JP4590794B2 (ja) | 水力発電量予測装置、水力発電量予測方法 | |
JP3693089B2 (ja) | ダムにおける流量予測方法 | |
JP2023169099A (ja) | 流入量予測システム | |
Haguma et al. | Hydropower plant adaptation strategies for climate change impacts on hydrological regime | |
Cassano et al. | Stress-informed control of medium-and high-head hydropower plants to reduce penstock fatigue | |
He et al. | Flood frequency analysis of Manas River Basin in China under non‐stationary condition | |
JP4146053B2 (ja) | ダムまたは河川における流量予測方法 | |
Egawa et al. | A water flow forecasting for dam using neural networks and regression models | |
Kearney et al. | Model predictive control for flood mitigation: A Wivenhoe Dam case study | |
JP5814721B2 (ja) | 水力発電所監視制御装置 | |
Schwanenberg et al. | Short-term reservoir optimization for mitigation downstream flood risks | |
Nematzadeh et al. | A novel method to plan short-term operation rule for gated-spillways during flood | |
Anuar et al. | Cascade hydropower discharge flow prediction based on dynamic artificial neural networks | |
CN114647018B (zh) | 一种基于冷池的飑线强度评估方法 | |
Willems et al. | Real-time control of urban flooding | |
Chevalier et al. | A dam management problem with energy production as an optimal switching problem |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20040218 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20060914 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20091110 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20100107 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20100525 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20100720 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20100817 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20100830 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130924 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 4590794 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130924 Year of fee payment: 3 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130924 Year of fee payment: 3 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
EXPY | Cancellation because of completion of term |