JP2003030621A

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

Info

Publication number: JP2003030621A
Application number: JP2001214113A
Authority: JP
Inventors: Tatsuya Iizaka; 達也飯坂
Original assignee: Fuji Electric Co Ltd
Current assignee: Fuji Electric Co Ltd
Priority date: 2001-07-13
Filing date: 2001-07-13
Publication date: 2003-01-31
Anticipated expiration: 2021-07-13
Also published as: JP4590794B2

Abstract

(57)【要約】【課題】自流式ダムの発電量を高精度に予測できるよ
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

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、ニューラルネット
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。

【０００２】

【従来の技術】ダムにおける水力発電量や流入量の予測
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。

【０００３】発電量の予測方法としては、発電量を直接
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。

【０００４】尚、発電流量とは、流入量中、発電機に流
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。

【０００５】流量予測は、非常に難しい為、一般的な回
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。

【０００６】

【発明が解決しようとする課題】ここで、自流式ダムと
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。

【０００７】自流式ダムにおける水力発電量の予測は、
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。

【０００８】自流式ダムに設置される水力発電機は、一
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）。

【０００９】自流式ダムにおける水力発電量の予測にお
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。

【００１０】従来技術であるタンクモデルや貯留関数法
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。

【００１１】一方、ニューラルネットワークを用いる手
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。

【００１２】しかしながら、前述のように、自流式ダム
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。

【００１３】「発電量が変化する範囲」のデータだけを
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。

【００１４】結局、従来は、自流式ダムに関しても、通
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。

【００１５】本発明の課題は、自流式ダムの発電量を高
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。

【００１６】

【課題を解決するための手段】請求項１記載の発明は、
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。

【００１７】請求項２記載の発明は、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。

【００１８】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。

【００１９】また、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。

【００２０】また、入力データとして気温を用いる場合
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。

【００２１】

【発明の実施の形態】以下、図面を参照して、本発明の
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。

【００２２】このように、ニューラルネットワークの出
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。

【００２３】まず、最初に、本発明により高精度予測が
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。

【００２４】図１の例では、流入量１２は、降雨量１１
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）。

【００２５】図１の降雨量を入力データとしてニューラ
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。

【００２６】一方、降雨量１１が‘５’〜‘２５’の範
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。

【００２７】本例のようにニューラルネットワーク出力
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。

【００２８】上述した原理が正しいことを実証した、簡
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。

【００２９】図３に、上記２つのニューラルネットワー
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。

【００３０】図３に示すように、従来のように流入量の
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。

【００３１】このように、本例によるニューラルネット
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。

【００３２】尚、誤差は、各々、（予測値−実績値）／
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。

【００３３】上述したように、本例によれば、ニューラ
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。

【００３４】以下、本例によるニューラルネットワーク
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。

【００３５】まず、図４（ａ）には、本例によるニュー
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。

【００３６】尚、この例では、入力データとして差分デ
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。

【００３７】また、図４（ｂ）には学習条件を示す。こ
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。

【００３８】尚、学習方法は、本例では、本出願の出願
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。

【００３９】図４（ｃ）には、上記条件によるニューラ
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。

【００４０】上記ニューラルネットワークを用いて発電
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。

【００４１】また、図５（ｂ）には、７８１時間程度の
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。

【００４２】図示の通り、両者はほとんど重なり合って
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。

【００４３】この例では、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。

【００４４】入力データとして気温を用いるのは、
“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。

【００４５】なお、入力データとしては、上述したもの
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。

【００４６】図示の例では、入力層のユニット数は２２
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。

【００４７】このニューラルネットワークを用いて実際
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。

【００４８】また、図７（ｂ）には、３１３時間程度の
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。

【００４９】図８は、上述したニューラルネットワーク
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。

【００５０】同図に示す情報処理装置３０は、ＣＰＵ３
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。

【００５１】ＣＰＵ３１は、当該情報処理装置３０全体
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。

【００５２】記憶装置３２は、例えばＨＤＤや、ＲＯＭ
／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。

【００５３】入力装置３３は、例えば、キーボード、マ
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。

【００５４】媒体駆動装置３５は、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。

【００５５】また、ネットワーク接続装置３６は、イン
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。

【００５６】本発明は、上記プログラム／データを格納
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。

【００５７】

【発明の効果】以上、詳細に説明したように、本発明の
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。

【図面の簡単な説明】

【図１】降雨量、流入量、発電量の対応関係の一例を示
す

【図２】単純な例における学習条件を示す図である。

【図３】従来と本例のニューラルネットワークによる学
習結果を比較して示す図である。

【図４】（ａ）〜（ｃ）は、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）について説明する為の図である。

【図５】（ａ）、（ｂ）は、予測結果を示す図である。

【図６】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
為の図である。

【図７】（ａ）、（ｂ）は、予測結果を示す図である。

【図８】本例のニューラルネットワークを用いた、自流
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。

【符号の説明】

１１降雨量１２流入量１３発電量２１流入量（予測値）２２誤差２３（誤差の）絶対値２４発電量（予測値）２５誤差２６（誤差の）絶対値３０情報処理装置３１ＣＰＵ３２記憶装置３３入力装置３４出力装置３５媒体駆動装置３６ネットワーク接続装置３７バス３８可搬記憶媒体３８ａＦＤ（フロッピーディスク）３８ｂＣＤ−ＲＯＭ

Claims

【特許請求の範囲】

【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。