JP3412274B2 - Rainwater drainage pump station control system - Google Patents

Description

【発明の詳細な説明】 【０００１】 【産業上の利用分野】本発明は、下水道の雨水排水ポン
プ所における降雨時のポンプ制御システムに係り、特に
ポンプ井水位の許容範囲内の維持のための、最適なポン
プ運転方案を決定するポンプ運転方案制御システムに関
する。 【０００２】 【従来の技術】従来のマイコン，計算機による自動制御
（雨水ポンプ台数制御ともよばれる）では、マイコン，
計算機内に、ポンプ井水位と運転台数の関係を記憶させ
ておき、ポンプ井水位を一定周期で計測し、ポンプ井水
位と運転台数との関係にしたがって、運転するポンプ台
数を決定していく方法が一般的である。この方式では、
さらに、運転台数の切り替え点付近で水位の振動が発生
した場合に、ポンプの起動，停止を繰り返すハンチング
現象を防止するために、起動水位と停止水位の間にヒス
テリシスを設けている。また、上記の方法に加え、次に
起動または停止させるポンプ号機を決定する際に、複数
のポンプ間の運転時間の平準化のためのアルゴリズムを
付加しているものもある。 【０００３】これらの方法では、ポンプ井の水位のみで
制御しているため、急激な雨水の流入に追従できにく
く、また、管渠内の貯留効果をみていないため、ポンプ
の起動等に伴う一時的な水位の変動を拾ってしまいやす
く、実際は熟練オペレータによる手動運転に頼っている
場合がほとんどである。 【０００４】急激な雨水の流入に対応するために、例え
ば、特開昭64−19402 号公報にみられるように、ポンプ
井への流入量を予測し、予測値に基づいて制御する方法
がある。本例ではポンプ井への実績流入量に基づくカル
マンフィルタによる流入予測を行っている。 【０００５】しかし、ポンプ井への流入量は、流入量を
計測するのに好適なセンサーが無いばかりでなく、ポン
プ運転の影響を強く受け、良好な予測値を得ることは難
しい。さらに、ポンプ井の貯留効果に比べて管渠の貯留
効果ははるかに大きいにもかかわらず、この点が考慮さ
れていない。 【０００６】また、ポンプ制御出力として主目標をどう
定めるかについては、急激な雨水流入が予測されうる状
況においては雨水排除，ポンプ井への流入水が急激でな
い場合にあってはポンプの平準化運転となる。 【０００７】また、ファジィ制御の考え方を用いた方法
としては、特開平1−246601 号公報にあるように降雨状
態等を大雨・中雨・小雨といったファジィ量として表
し、前記ファジィ量を用い、自然言語で記述された制御
ルールの集合（知識ベース）より、ファジィ推論手段に
よって制御出力を決定していく方法がある。本方法では
降雨状態およびポンプ駆動動力源である発電機容量をフ
ァジィ数化し、排水区域毎に決まった制御ルールに基づ
きファジィ推論を行い、推論の結果（必要発電機容量は
いくらか＝駆動すべき発電機はどれか）、排水区域毎の
推論結果で最大のものを最終的な推論値とする。最終的
な推論値は発電機容量に変換され、雨水排水ポンプの状
態と合わせて駆動すべき発電機が決まる。つまり排水区
域毎の要求される発電機容量を推定してその最大推論値
を採用することによって雨水排水ポンプ所制御を実現し
ている。本例では現在の降雨量と排水区域毎の要求され
る発電機容量の関係をファジィ制御ルールとして用い、
ファジィ推論することによって制御している。しかしな
がら、本例の方法では制御目的（大雨時は雨水排除，小
雨時はポンプ平準化運転をしたいなど）が明示されてい
ないため、制御目的に応じた動作をさせるように、メン
バーシップ関数，制御ルールを決定する際、どこをどの
ように変更・チューニングしていいか分からず、試行錯
誤的にならざるを得ない。特に、大雨時，小雨時といっ
た、雨の降り方で制御目的を変更したい場合は、チュー
ニングが容易ではない。 【０００８】また特開平5−265513 号公報に記載の発明
では、複数のポンプ運転組合せ案を作成し、ファジィを
用いたパラメータ評価方法によって最適な運転組合せ案
を抽出決定している。特開平5−303407 号公報に記載の
発明では、ニューラルネットワークを用いて流入量予測
をし、前記特開平5−265513 号の発明と同様に、ファジ
ィを用いたパラメータ評価方法によって最適な運転組合
せ案を抽出決定している。これらの方法はポンプ運転組
合せ案評価関数であるメンバーシップ関数群のチューニ
ングがどうしても集中豪雨等の大雨時の雨水排除に片寄
ったものになってしまう傾向にあり、評価関数で最適な
運転組合せ案を抽出決定しても小雨時や雨量の少ない断
続的な降雨等の場合にポンプの省力運転や平準化運転と
いった相反する目的に対応しきれない。 【０００９】なお、大雨モードと小雨モ−ドに分けてポ
ンプ制御を行う技術としては、他に特開平5−134715
号，特開平2−233890号，特開平5−263767号，特開平5
−311727号，特開平5−306684号，特開平3−271816号公
報に記載のものがある。 【００１０】 【発明が解決しようとする課題】上記従来技術のうち、
一般に用いられているポンプ井水位に基づく段階的ポン
プ台数制御方法では、急激な雨水流入の変動に追従でき
ずに、たとえば以下に示す問題点がある。 【００１１】（１）急激な流入に対してポンプ起動時間
分だけ、応答が遅れる。 【００１２】（２）急激な流入に対して起動間隔が長す
ぎ必要吐出量が確保できず、急激なポンプ井水位の上昇
を招く。 【００１３】（３）水位が所定水位を越えると、水位の
変化の速さ等の状況を判断せず、ポンプ台数を追加する
ため、必要以上にポンプ起動台数を追加してしまう。 【００１４】（４)(３）と逆に水位が所定水位を下回る
と、ポンプを順に停止してしまう。停止後、再起動まで
の起動禁止時間中の水位変化に対して処置をできない場
合がある。 【００１５】（５）降雨状態の時々刻々の変化を的確に
捕えたポンプ運転目標の設定と実現が困難である。 【００１６】また、ポンプ井への流入量予測値に基づい
てポンプ台数を制御する方法では、ポンプ井への流入量
の予測精度に問題があった。 【００１７】雨水排水ポンプ所制御の一方法としてファ
ジィ推論を用いる場合では、制御目的と制御ロジックの
関係がブラックボックス化されており、大雨時の雨水排
除，小雨時のポンプ平準化運転など、降雨状態に応じて
異なる制御目的を設定し、実現することが難しい。すな
わち、制御目的にみあった制御ルールの設定とメンバー
シップ関数のチューニングが容易にできないという問題
点がある。 【００１８】以上の問題点をまとめると、次に集約され
る。 【００１９】（イ）降雨量データを有効に制御に活用し
ていない。オペレータは、通常、降雨量をも参照し運転
するが、自動制御には使われていない。オペレータにと
って、制御手法の見通しのよさを実感できるような制御
目的の明瞭な制御システムが望まれる。 【００２０】（ロ）降雨からポンプ井流入までの系の貯
留効果，時間遅れ等のダイナミクスを考慮していない。 【００２１】（ハ）流入量を予測していないか、予測が
不正確。 【００２２】（ニ）制御目的を設定して、その目的にみ
あった制御を行うための制御ルール、およびメンバーシ
ップ関数のチューニングが容易にできない。 【００２３】本発明の目的は、上記の問題点に着目し、
柔軟かつチューニングの容易な雨水排水ポンプ所制御シ
ステムを提供するにある。 【００２４】 【課題を解決するための手段】本発明は、降雨量計測値
をもとに排水区域内の降雨量および流入量を予測する手
段と、降雨量計測値と予測降雨量，排水区域内の実績流
入量と予測流入量，現在の管渠内水位計測値，ポンプ井
水位計測値，ポンプ運転状態及び河川水位計測値を入力
とし、複数のポンプ運転組合せ案の一つ一つをシミュレ
ーションするポンプ群運転組合せ案作成手段と、前記ポ
ンプ群運転組合せ案に対してポンプ井水位，ポンプ運転
時間のばらつき，ポンプ運転切替量，所要電力量より選
ばれた複数の評価項目について評価関数群により評価を
行い最適な運転組合せ案を抽出決定するポンプ群運転組
合せ案決定手段とを備えた雨水排水ポンプ所制御システ
ムにおいて、降雨量計測値と予測降雨量、又は実績流入
量と予測流入量のどちらか一方の推移をもとに現在およ
び将来の降雨量または流入量の大小を判定する判定手段
と、前記判定手段によって前記ポンプ群運転組合せ案決
定手段の評価関数群を切り替える手段とを設けたことを
特徴とする雨水排水ポンプ所制御システムにある。 【００２５】ポンプ所は排水区域に降った雨水を速やか
に河川等に放出し、排水区域の浸水等を回避することを
目的としているが、ポンプ所の浸水は復旧に多大の時間
を要するため絶対に避けなければならない。また、ポン
プは空気を吸い込むと管内で振動を起こしポンプ自身に
損傷を与える（キャビテーション）恐れがあり、ポンプ
井水位にかなりのウエイトをおいてポンプの運転量を決
定している。この他に操作員は特定のポンプに負荷（運
転）が偏らないように配慮し、ポンプの始動時の遅延時
間，ポンプ停止後の再起動までの始動禁止時間等を考慮
し、なるべく早目に起動，できるだけ遅く停止するよう
に操作している。これらのポンプ井水位を一定範囲内に
維持する、ポンプ運転時間を平準化し運転切替量（回転
数可変能力ポンプ）を少なくする、運転切替回数（ＯＮ
／ＯＦＦ型の固定能力ポンプ）を少なくする、といった
課題に対し、ポンプ群運転組合せ案の中から最適なポン
プ群運転組合せ案を抽出決定することは、極めて有効で
あり、本発明はこれを可能にする。 【００２６】また、従来の自動制御方式であるポンプ井
水位のみによる後追い制御（フィードバック）やポンプ
井への流入予測に基づくフィードフォワード制御では、
急激な水位変化に対処できない場合があり、台風，雷雨
等の集中豪雨時は、操作員が降り始めと同時に予めポン
プの始動を行っている等、操作員に負荷がかかるほか、
熟練を要する作業となってしまっている。本発明は、降
雨情報に基づき、管渠＋ポンプ井の系を考慮して予測
（フィードフォワード）制御するため、常に先を見越し
た最適制御ができる。 【００２７】 【作用】本発明の技術的手段は、以下のように作用す
る。 【００２８】（１）降雨状況に着目した運転量評価関数
切り替え方式の採用 大雨時，小雨時の判定により、大雨時，小雨時で異なる
制御方案評価を行う。これにより大雨時，小雨時にそれ
ぞれの制御目的を満たすポンプ運転方案が決定される。
また複数のパラメータ評価による制御方案評価のため、
ポンプ井水位の評価，運転時間の平準化の達成度の評価
等、熟練操作員と同等の判断が行えるためポンプ運転量
決定に最適解を得やすい。 【００２９】（２）予測制御の採用 流入量を予測した制御を採用することにより、流入量予
測値をもとに大雨時では雨水排除という制御目的のため
早目の制御を行うように作用し、小雨時ではポンプ平準
化という制御目的のため水位許容範囲内を有効に使って
不必要なポンプの起動停止を避けようと作用する。 【００３０】 【実施例】以下、本発明の実施例を図面を用いて説明す
る。 【００３１】図２は一般的な雨水排水ポンプ所システム
の概要を示したものである。排水区域３に降った雨水が
下水管渠２２を通りポンプ所に集まってくる。ポンプ所
では、制御装置を用いて固定ポンプ２４や可変ポンプ２
５により構成されるポンプ群を運転し、河川に雨水を放
出する処理を行っている。一般的なポンプ所では、雨水
を自然流下によってポンプ所に集めるために河川水位よ
りも低いところにポンプ井２３およびポンプがあり、流
入雨水を適切に処理しなければポンプ所自体を浸水させ
てしまうと同時にポンプによる放流停止が排水区域内の
浸水を引き起こし、付近の住民に多大な損害を与える恐
れがあるためポンプ台数制御は重要な処理である。 【００３２】図２は雨水排水ポンプ所システムと本発明
の雨水排水ポンプ制御装置２１との全体的な構成を示し
ている。雨水排水ポンプ制御装置２１は排水区域３内に
設置されたレーダ雨量計１および複数の地上雨量計２か
らの降雨量データと、管渠内の複数箇所に設置された管
渠内水位計７からの水位データと、ポンプ所内の複数箇
所に設置された水位計からのポンプ井水位８と河川水位
２６および固定ポンプ２４や可変ポンプ２５の運転状態
を入力とし、固定ポンプ２４や可変ポンプ２５により構
成されるポンプ群に対する運転方案を決定し制御出力と
するものである。次に雨水排水ポンプ制御装置２１の構
成を図１を用いて説明する。 【００３３】図１は雨水排水ポンプ所制御システムを示
したものである。雨水排水ポンプ所制御システムは降雨
量予測部４と流入量予測部５とモード判定部６と運転方
案シミュレーション部１１と運転方案評価部１２より構
成される。運転方案評価部１２は大雨モード用評価関数
群１３と小雨モード用評価関数群１４より構成される。
排水区域３に降った降雨量データは、排水区域３内に設
置されたレーダ雨量計１および複数の地上雨量計２によ
って計測され、降雨量予測部４と流入量予測部５とモー
ド判定部６にそれぞれ入力される。降雨量予測部４は降
雨量データを入力とし、降雨量予測モデルに基づいて予
測降雨量を計算する。 【００３４】流入量予測部５は、降雨量データと前記降
雨量予測部４で計算された予測降雨量および排水区域３
の管渠内の複数箇所に設置された管渠内水位計７からの
水位データとポンプ所内の複数箇所に設置された水位計
からのポンプ井水位８とポンプ吐出量，実績流入量（ポ
ンプ井水位−貯留量対応表を検索して今回計測水位と前
回計測水位のデータから、今回計測水位と前回計測水位
の容積の差分とポンプ総吐出量の和を求め、前回から今
回までの流入量を計算し、これを実績流入量とする。）
等のポンプ所内計測値９とを入力とし、ポンプ井と管渠
内貯留量を考慮した系への予測流入量を流入量予測モデ
ルに基づいて計算する。実績流入量を用いることによ
り、入力データの精度を補正して流入量予測を行う。つ
まり、前回の流入量予測モデルに基づいた予測流入量を
そのまま今回の流入量予測入力データとせずに常に精度
の高い流入量データ（実績流入量）をその都度入力とす
るものである。流入量予測モデルはＲＲＬモデル（英国
道路研究所モデル），タンクモデル，ＡＲＭＡモデル等
に代表されるような数学モデルを用いる。また、流入量
予測部５は、公知の特開平5−265513 号公報に見られる
ようにポンプ井水位−貯留量対応表と前回から今回まで
のポンプ井水位を用いて流入量を推定する流入量推定部
と数学モデル等を使用して流入量を推定する流入量演算
部と、流入量推定部および流入量演算部で求めた２つの
流入量予測値のどちらかを採用する流入量採用部とで構
成される方式や、公知の特開平5−303407 号公報に見ら
れるような管渠内水位データ，ポンプ井水位，降雨デー
タ，ポンプ吐出量，河川水位を入力として予測流入量を
ニューラルネットワークを用いて求めるといった方式を
採用する場合でも本発明の適用ができる。運転方案１０
は、公知の特開平5− 265513号公報あるいは特開平5
−303407 号公報に見られるような運転方案の生成と同
じで、雨水排水ポンプ所内に設置されたポンプ群（固定
ポンプおよび可変ポンプ）について現在のポンプ運転台
数と可変ポンプ回転数を入力として現在から一定時刻後
までのポンプ群の運転量を複数ケース決定する。複数ケ
ースの運転量（運転組合せ）としては例えば、固定能力
（ＯＮ／ＯＦＦ）のポンプが５台あるならば、２の５乗
個＝３２個、６台あれば６４個あり、これらすべての運
転方案を生成する。仮に５台のポンプの内１台が可変能
力のポンプであるとすると、可変ポンプは能力の６０〜
１００％の範囲を設定できることにより、１％単位で切
り替えると組合せ数は、４２×２×２×２×２＝６７２
個となる。可変能力ポンプの運転切り替え量により、ポ
ンプ台数が増えてくると組合せ数は爆発的に増える可能
性を持つ。このため、可変ポンプの運転切り替え量の最
低単位ｎ％を任意設定できる機構とし、更に、 ｙ＝ｆ（ｘ）、ｙ：運転切り替え量 で表される関数ｆの定義を可能とした。例えば、関数ｆ
が ｆ（ｘ）＝ｘ² 、ｘ：整数 で表され、ｎ＝２であるとし、可変ポンプの現在状態が
７０％の能力で運転中であるとすると、操作案は、ｘを
０からｎ毎変化させｙの値を加算，減算させてやると、 ０（６０以下はＯＦＦ），６６，７０，７４，８６，１
００％ ｅｘ） ６６＝７０−（２)² ，８６＝７０＋（４)² と数を限定できる。 【００３５】また、ポンプの特性として、運転停止後の
一定時間は再起動禁止とする必要のあるポンプには、停
止後タイマーを動作させ、タイマー値が０以外の場合
は、運転対象としない手続き、運転起動直後は、ポンプ
の運転効果待ち時間として、一定時間は停止対象としな
い手続きを持たせた。 【００３６】運転方案シミュレーション部１１は、前記
流入量予測部５からの予測流入量と河川水位を含めたポ
ンプ所内計測値９，ポンプ群の運転状態を入力とし、ポ
ンプ群の運転方案１０に応じてポンプ１台毎に揚程演
算，吐出量演算，累積運転時間演算，運転切り替え量演
算，所要電力量差演算を行い、該当ポンプの吐出量，累
積運転時間，運転切り替え量，所要電力量差を出力す
る。これらの演算は、ポンプ台数分行われる。 【００３７】運転方案評価部１２は、ポンプ所制御出力
（前記運転方案１０に基づいて前記運転方案シミュレー
ション部１１において演算されたポンプ１台毎の吐出
量，累積運転時間，運転切り替え量，所要電力量差）に
ついてパラメータ評価を行い最適な運転方案を抽出決定
する。運転方案評価部１２ではこのパラメータ評価のた
めの評価関数群を大雨モード用評価関数群１３と小雨モ
ード用評価関数群１４の２通り具備しており、モード判
定部６で判定されたモード出力によって大雨モード用評
価関数群１３と小雨モード用評価関数群１４のいずれか
の評価関数群が選択され、ポンプ運転方案を決定する。 【００３８】次にモード判定部６について詳細に説明す
る。モード判定部６は、降雨量データまたは流入量デー
タをもとに大雨モード（ＯＮ）または小雨モード（ＯＦ
Ｆ）のモード判定を行う。降雨量データによりモード判
定する場合は、降雨量データと前記降雨量予測部４で計
算された予測降雨量をもとにモード判定を行う。流入量
データによりモード判定する場合は、前記流入量予測部
５で計算された実績流入量データと予測流入量データを
もとにモード判定を行う。本発明の雨水排水ポンプ所制
御システムでは、モード判定部６のモード判定結果によ
り運転方案評価部１２におけるポンプ運転方案評価関数
群を大雨モード用評価関数群１３と小雨モード用評価関
数群１４のいずれかに切り替えし、降雨状況に応じて大
雨時には雨水排除，小雨や降雨量の少ない断続降雨時に
はポンプの平準化運転・ポンプの省力運転といった目標
のもとに最適なポンプ運転方案を抽出決定できる。ポン
プ運転方案評価関数群の切り替えにより、運転方案評価
の目的をリアルタイムで自動的に変え、運転方案評価結
果である制御出力を最適にできる。モード判定部６は図
３〜図２３で説明するような６通りの方法でモード判定
を行う。以下、モード判定部６のモード判定方法につい
て説明する。 【００３９】第１の方法は、現在までの降雨量推移＋予
測降雨量推移によるモード判定の方法である。図３のよ
うに排水区域３に設置されたレーダ雨量計１および地上
雨量計２からの降雨量データと前記降雨量予測部４にお
いて計算された予測降雨量データを入力とし、降雨量推
移グラフ６１００に示す現在までの降雨量データと予測
降雨量データの推移を見て、予め統計的データに基づい
て設定されるしきい値Ｙ１およびＹ２よりも降雨量が多
いか少ないかによってモードの判定を行う。図４のよう
に、本方法でのモード判定部６はデータ入力部６１０
１，判定部6102，タイマー管理部６１０３，タイマー６
１０４から構成される。降雨量データおよび予測降雨量
データはデータ入力部６１０１に入力され、時系列的に
記憶されている。モード判定は周期Ｔ１毎に判定部６１
０２において行われる。このとき判定周期Ｔ１がある程
度長い場合にはデータ入力部６１０１において予め単位
時間Ｔ２（Ｔ２＜Ｔ１）を定めて降雨量データおよび予
測降雨量データを正規化してもよい。通常降雨量データ
および予測降雨量データは計測・計算結果がある単位時
間で時間平均降雨量，時間平均予測降雨量に換算されて
いるので、モード判定周期Ｔ１の都度そのまま現在の計
測・計算周期データを用いて判定してもよい。いま図３
の降雨量推移グラフ６１００において時刻ｔ１に大雨モ
ード（ＯＮ）の判定がされ、時刻ｔ２に時間平均降雨量
がしきい値Ｙ１より小さくなる場合、時刻ｔ２以降最も
早いモード判定周期時刻において図４の判定部６１０２
はタイマー管理部６１０３に対してタイマーＯＮ（一定
時間Δｔまで計時）の指令を出し、タイマー管理部６１
０３はタイマー６１０４のタイマーを始動させる。この
とき時刻ｔ２では小雨モード（ＯＦＦ）への切り替えは
しない。これは本方法が降雨の状態のみに着目している
ため、排水区域３で降った雨が雨水排水ポンプ所のポン
プ井へ流入してくるまでの時間（流達時間）を考慮する
ためである。 【００４０】次に、時刻ｔ３(現在)に判定する場合に
は、現在の降雨量と予測降雨量の状態を見て図５に詳し
く説明するような流れで判定する。図３および図５のフ
ローチャートに従って説明すると、時刻ｔ３においてま
ず時間平均降雨量（現在の降雨量）がしきい値Ｙ１以上
かを判定し、Ｎｏであるため次の予測降雨量がＹ２以上
かを判定する。ここで現在からいつの予測降雨量をもと
に判断するかは予め予測推移時間Ｔ３を定めておくもの
とする。予測推移時間Ｔ３は予測降雨量の計算時間，予
測精度等を考慮して定めるものとする。図３の降雨量推
移グラフ６１００では予測降雨量がＹ２以上になるた
め、Ｙｅｓの処理がされて判定＝大雨モード（ＯＮ）と
なり、タイマーＯＦＦの指令が出される。図３の通り時
刻ｔ３(現在)でタイマーカウント中であったが、判定の
結果タイマーカウント終了時刻ｔ４を待たずに図４のタ
イマー管理部６１０３からタイマー６１０４に対しタイ
マーＯＦＦ処理が行われる。このように大雨モード（Ｏ
Ｎ），小雨モード（ＯＦＦ）の判定は図５のフローチャ
ートに示されるような手順によって行う。 【００４１】尚、先述の通りしきい値Ｙ１およびＹ２は
予め統計的データに基づいて設定されるが、ある程度高
い降雨量をしきい値とすることによって基本的に小雨モ
ードによるポンプの平準化運転・ポンプの省力運転を実
現させることができる。その理由は、本方法では流達時
間のため、実際にポンプ井へ雨水が流入するまでには時
間遅れがあることによる。予測降雨量の予測精度のばら
つきや流達時間遅れを考慮してＹ１＜Ｙ２としたことで
降雨予測の誤りによる大雨モード（ＯＮ）→小雨モード
（ＯＦＦ）へのモードの切り替え抑制ができる。 【００４２】第２の方法は、現在までの流入量推移＋予
測流入量推移によるモード判定の方法である。図６のよ
うに前記流入量予測部５において計算された実績流入量
データおよび予測流入量データを入力とし、流入量推移
グラフ６２００に示す現在までの流入量データと予測流
入量データの推移を見て、予め統計的データに基づいて
設定されるしきい値Ｑ１およびＱ２よりも流入量が多い
か少ないかによってモードの判定を行う。図７のよう
に、本方法でのモード判定部６はデータ入力部６２０
１，判定部６２０２から構成される。流入量データおよ
び予測流入量データはデータ入力部６２０１に入力さ
れ、時系列的に記憶されている。入力される流入量デー
タおよび予測流入量データは時間平均流入量，時間平均
予測流入量とし、モード判定は周期Ｔ１毎に判定部６２
０２において行われる。 【００４３】いま図６の流入量推移グラフ６２００にお
いて時刻ｔ１（現在）にモード判定を行う場合について
図８のフローチャートを用いて判定の流れを説明する。
図６の時刻ｔ１（現在）において現在の流入量はしきい
値Ｑ１よりも小さいが、予測流入量は時刻ｔ２にはしき
い値Ｑ１を越え、時刻ｔ３にはしきい値Ｑ２を越える見
込みである。ここで、図８のフローチャートによると時
刻ｔ１(現在)においてまず時間平均流入量（現在の流入
量）がしきい値Ｑ１以上かを判定し、Ｎｏであるため次
の予測流入量がＱ２以上かを判定する。ここで現在から
いつの予測流入量をもとに判断するかは予め予測推移時
間Ｔ２を定めておくものとする。予測推移時間Ｔ２は予
測流入量の計算時間，予測精度等を考慮して定めるもの
とする。図６の流入量推移グラフ６２００では予測流入
量がＱ２以上になるため、Ｙｅｓの処理がされて判定＝
大雨モード（ＯＮ）となり、図６の通り時刻ｔ１で大雨
モード（ＯＮ）の判定が行われる。このように大雨モー
ド（ＯＮ），小雨モード（ＯＦＦ）の判定は図８のフロ
ーチャートに示されるような手順によって行う。本方法
によればタイマーが存在せずモードの判定がすなわちモ
ードの切り替えになる。これは本方法がポンプ井への流
入量の状態のみに着目しているため、排水区域３で降っ
た雨が雨水排水ポンプ所のポンプ井へ流入してくるまで
の時間（流達時間）については前段にある前記流入量予
測部５において考慮されていることによるためである。 【００４４】尚、先述の通りしきい値Ｑ１およびＱ２は
予め統計的データに基づいて設定されるが、ある程度高
い流入量をしきい値とすることによって基本的に小雨モ
ードによるポンプの平準化運転・ポンプの省力運転を実
現することができる。その理由は、本方法では判定の際
に常に予測流入量についての考慮がなされているため、
ある程度の流入量の偏差があっても先を見込した判定が
でき、充分に適用可能であることによる。予測流入量の
予測精度のばらつきを考慮してＱ１≦Ｑ２としたことで
流入量予測の誤りによる大雨モード（ＯＮ）→小雨モー
ド（ＯＦＦ）のモードの切り替え抑制ができる。 【００４５】第３の方法は、降雨量データによるファジ
ィ評価を用いたモード判定の方法である。図９のように
排水区域３に設置されたレーダ雨量計１および地上雨量
計２からの降雨量データと前記降雨量予測部４において
計算された予測降雨量データを入力とし、降雨量推移グ
ラフ６３００に示す現在までの降雨量データと予測降雨
量データをもとにそれぞれの大雨の程度をファジィ評価
を用いてモードの判定を行う。図１０のように、本方法
でのモード判定部６はデータ入力部６３１０，判定部６
３２０，タイマー管理部６３３０，タイマー６３４０か
ら構成される。データ入力部６３１０は時間平均降雨量
データ部６３１１および予測降雨量データ部６３１２お
よび降雨強度（瞬時値）データ部６３１３から構成され
る。判定部６３２０は時間平均降雨量ファジィ評価部６
３２１および予測降雨量ファジィ評価部６３２２および
降雨強度（瞬時値）ファジィ評価部６３２３および評価
式部６３２４より構成される。図１０および図１１に示
すように、時間平均降雨量ファジィ評価部６３２１およ
び予測降雨量ファジィ評価部６３２２および降雨強度
（瞬時値）ファジィ評価部６３２３にはそれぞれの大雨
の程度を表すメンバーシップ関数をもつ。図９および図
１０のように、降雨量データおよび予測降雨量データは
データ入力部６３１０に入力され、それぞれ時間平均降
雨量データ部６３１１，予測降雨量データ部６３１２，
降雨強度(瞬時値)データ部６３１３に時系列的に記憶さ
れている。モード判定は周期Ｔ１毎に判定部６３２０に
おいて行われる。このとき判定周期Ｔ１がある程度長い
場合にはデータ入力部６３１０において予め単位時間Ｔ
２（Ｔ２＜Ｔ１）を定めて降雨量データおよび予測降雨
量データを正規化してもよい。通常降雨量データおよび
予測降雨量データは計測・計算結果がある単位時間で時
間平均降雨量，時間平均予測降雨量に換算されているの
で、モード判定周期Ｔ１の都度そのまま現在の計測・計
算周期データを用いてもよい。降雨強度（瞬時値）デー
タについてはレーダ雨量計１および地上雨量計２からの
降雨量データをその計測周期で入力して時系列的に記憶
し、最新の瞬時値データのみをモード判定時に用いる。
ここで降雨強度（瞬時値）データの単位として［mm／h
r］を用いているが、一般的な降雨量における単位系と
してこのような表記法をとった。降雨強度（瞬時値）デ
ータについてはレーダ雨量計１および地上雨量計２の計
測周期に依存した単位時間によるものとする。 【００４６】いま図９の降雨量推移グラフ６３００にお
いて時刻ｔ１に時間平均降雨量が境界値Ｙｈより小さく
なる場合、ファジィ評価を用いたモード判定の結果、時
刻ｔ１以降最も早いモード判定周期時刻において図１０
の判定部６３２０はタイマー管理部６３３０に対してタ
イマーＯＮ（一定時間Δｔまで計時）の指令を出し、タ
イマー管理部６３３０はタイマー６３４０のタイマーを
始動させる。このとき時刻ｔ１では小雨モード（ＯＦ
Ｆ）への切り替えはしない。これは本方法が降雨の状態
のみに着目しているため、排水区域３で降った雨が雨水
排水ポンプ所のポンプ井へ流入してくるまでの時間（流
達時間）を考慮するためである。 【００４７】次に、時刻ｔ２（現在）に判定する場合に
は、現在の降雨量と予測降雨量と降雨強度（瞬時値）の
状態をみてファジィ評価を用いたモード判定を図１２の
ような流れで行う。図９および図１０および図１２のフ
ローチャートに従って説明すると、データ入力部６３１
０に入力された降雨量データおよび予測降雨量データお
よび降雨強度（瞬時値）データは、それぞれ時間平均降
雨量データ部６３１１，予測降雨量データ部６３１２，
降雨強度(瞬時値)データ部６３１３から判定部６３２０
の時間平均降雨量ファジィ評価部６３２１および予測降
雨量ファジィ評価部６３２２および降雨強度(瞬時値)フ
ァジィ評価部６３２３に伝送され図１１に示すようなメ
ンバーシップ関数で大雨の程度をファジィ評価される。
図１１の時間平均降雨量メンバーシップ関数では、現在
（時刻ｔ２）の時間平均降雨量がｙ１［mm／hr］である
ので、その帰属度はＸになる。予測降雨量メンバーシッ
プ関数では、現在（時刻ｔ２）における予測推移周期Ｔ
３後の予測降雨量がｙ２［mm／hr］であるので、その帰
属度はＹになる。予測降雨量ファジィ評価部6322におい
て、現在からいつの予測降雨量をもとに判断するかは、
予め予測推移時間Ｔ３を定めておくものとする。予測推
移時間Ｔ３は、予測降雨量の計算時間，予測精度等を考
慮して定めるものとする。降雨強度（瞬時値）メンバー
シップ関数では、現在（時刻ｔ２）の降雨強度（瞬時
値）がｙ３［mm／hr］であるので、その帰属度はＺにな
る。いま図１１の場合ではＸ＝０.４，Ｙ＝０.８４，Ｚ
＝0.44となる。 【００４８】次に、図１０の評価式部６３２４にいまフ
ァジィ評価された帰属度が伝送され、帰属度の寄与率
ａ，ｂ，ｃによってモード判定指数Ｓが計算される。時
間平均降雨量メンバーシップ帰属度の寄与率をａ，予測
降雨量メンバーシップ帰属度の寄与率をｂ，降雨強度
（瞬時値）メンバーシップ帰属度の寄与率をｃとする
と、モード判定指数Ｓ＝ａＸ＋ｂＹ＋ｃＺとなる。いま
ａ，ｂ，ｃの値をそれぞれａ＝０.３５（３５％），ｂ
＝０.３５（３５％），ｃ＝０.３(３０％）としたと
き、モード判定指数Ｓ＝ａＸ＋ｂＹ＋ｃＺ＝０.３５×
０.４＋０.３５×０.８４＋０.３×０.４４＝０.５６６
となり、０.５６６≧０.５ なので判定＝大雨モード
（ＯＮ）である。従って、図１２のフローチャートの通
り、現在（時刻ｔ２）においてファジィ評価結果が判定
基準Ｓ＝０.５ 以上かを判定し、Ｙｅｓであるため判定
＝大雨モード（ＯＮ）となり、タイマーＯＦＦの指令が
出される。図９の通り時刻ｔ２でタイマーカウント中で
あったが、判定の結果タイマーカウント終了時刻ｔ３を
待たずに、図１０のタイマー管理部６３３０からタイマ
ー６３４０に対しタイマーＯＦＦ処理が行われる。この
ように大雨モード（ＯＮ），小雨モード（ＯＦＦ）の判
定は図１２のフローチャートに示されるような手順によ
って行う。尚、本方法のメンバーシップ関数および評価
式部６３２４のメンバーシップ帰属度の寄与率ａ，ｂ，
ｃのチューニングによって、ある程度高い降雨量を境界
値Ｙｈとすることができ、基本的に小雨モードによるポ
ンプの平準化運転・ポンプの省力運転を実現させること
ができる。その理由は、本方法では流達時間のため、実
際にポンプ井へ雨水が流入するまでには時間遅れがある
ことによる。予測降雨量の予測精度のばらつきや流達時
間遅れを考慮してチューニングすることで降雨予測の誤
りによる大雨モード（ＯＮ）→小雨モード（ＯＦＦ）へ
のモードの切り替え抑制ができる。 【００４９】第４の方法は、流入量データによるファジ
ィ評価を用いたモード判定の方法である。図１３のよう
に前記流入量予測部５において計算された実績流入量デ
ータおよび予測流入量データを入力とし、流入量推移グ
ラフ６４００に示す現在までの流入量データと予測流入
量データをもとに、それぞれの流入量の程度をファジィ
評価を用いてモードの判定を行う。図１４のように、本
方法でのモード判定部６はデータ入力部６４１０，判定
部６４２０から構成される。データ入力部6410は、時間
平均流入量データ部６４１１と予測流入量データ部６４
１２および流入量（瞬時値）データ部６４１３から構成
される。判定部６４２０は、時間平均流入量ファジィ評
価部６４２１と予測流入量ファジィ評価部６４２２と流
入量（瞬時値）ファジィ評価部６４２３および評価式部
６４２４より構成される。図１４および図１５に示すよ
うに、時間平均流入量ファジィ評価部６４２１と予測流
入量ファジィ評価部６４２２および流入量（瞬時値）フ
ァジィ評価部６４２３では、それぞれの流入量の程度を
表すメンバーシップ関数をもつ。図１４のように、流入
量データおよび予測流入量データはデータ入力部６４１
０に入力され、それぞれ時間平均流入量データ部６４１
１，予測流入量データ部６４１２，流入量（瞬時値）デ
ータ部６４１３に時系列的に記憶されている。モード判
定は周期Ｔ１毎に判定部において行われる。このとき判
定周期Ｔ１がある程度長い場合には、データ入力部６４
１１において予め単位時間Ｔ２（Ｔ２＜Ｔ１）を定めて
流入量データおよび予測流入量データを正規化してもよ
い。通常、流入量データおよび予測流入量データは、計
測・計算結果がある単位時間で時間平均流入量，時間平
均予測流入量に換算されているので、モード判定周期Ｔ
１の都度そのまま現在の計測・計算周期データを用いて
もよい。流入量（瞬時値）データについては、前記流入
量予測部５からの流入量データをその計測・計算周期で
入力して時系列的に記憶し、最新の瞬時値データのみを
モード判定に用いる。ここで流入量（瞬時値）データの
単位として［ｍ³／min］を用いているが、一般的な流入
量における単位系としてこのような表記法をとった。流
入量（瞬時値）データについては、前記流入量予測部５
の計測・計算周期に依存した単位時間によるものとす
る。 【００５０】いま図１３の流入量推移グラフ６４００に
おいて時刻ｔ１（現在）に時間平均流入量が境界値Ｑｈ
より小さい場合、時間平均流入量（現在の流入量）と予
測流入量と流入量（瞬時値）の状態を図１６のような流
れでファジィ評価を用いてモード判定する。図１３と図
１４および図１６のフローチャートに従って説明する
と、データ入力部６４１０に入力された流入量データと
予測流入量データおよび流入量（瞬時値）データは、そ
れぞれ時間平均流入量データ部６４１１，予測流入量デ
ータ部６４１２，流入量（瞬時値）データ部６４１３か
ら判定部６４２０の時間平均流入量ファジィ評価部６４
２１および予測流入量ファジィ評価部6422および流入量
（瞬時値）ファジィ評価部６４２３に伝送され、図１５
に示すようなメンバーシップ関数で流入量の程度をファ
ジィ評価される。図１５の時間平均流入量メンバーシッ
プ関数では、現在（時刻ｔ１）の時間平均流入量がｑ１
［ｍ³／min］であるので、その帰属度はＵになる。予測
流入量メンバーシップ関数では、現在（時刻ｔ１)にお
ける予測推移周期Ｔ３後の予測流入量がｑ２［ｍ³／min
］であるので、その帰属度はＶになる。予測流入量フ
ァジィ評価部6422において現在からいつの予測流入量を
もとに判断するかは、予め予測推移時間Ｔ３を定めてお
くものとする。予測推移時間Ｔ３は、予測流入量の計算
時間，予測精度等を考慮して定めるものとする。流入量
（瞬時値）メンバーシップ関数では、現在（時刻ｔ１）
の流入量（瞬時値）がｑ３［ｍ³／min］であるので、そ
の帰属度はＷになる。いま図１５の場合ではＵ＝０.８
６，Ｖ＝０.８２，Ｗ＝０.４８となる。 【００５１】次に図１４の評価式部６４２４にいまファ
ジィ評価された帰属度が伝送され、帰属度の寄与率ａ，
ｂ，ｃによってモード判定指数Ｓが計算される。時間平
均流入量メンバーシップ帰属度の寄与率をａ，予測流入
量メンバーシップ帰属度の寄与率をｂ，流入量（瞬時
値）メンバーシップ帰属度の寄与率をｃとすると、モー
ド判定指数Ｓ＝ａＵ＋ｂＶ＋ｃＷとなる。いまａ，ｂ，
ｃの値をそれぞれａ＝０.３５（３５％），ｂ＝０.３５
（３５％），ｃ＝０.３（３０％)としたとき、モード判
定指数Ｓ＝ａＵ＋ｂＶ＋ｃＷ＝０.３５×０.８６＋０.
３５×０.８２＋０.３×０.４８＝０.７３２となり、
０.７３２≧０.５ なので判定＝大雨モード（ＯＮ）で
ある。従って、図１６のフローチャートの通り、現在
（時刻ｔ１）においてファジィ評価結果が判定基準Ｓ＝
０.５ 以上かを判定し、Ｙｅｓであるため判定＝大雨モ
ード（ＯＮ）となる。 【００５２】このように大雨モード（ＯＮ），小雨モー
ド（ＯＦＦ）の判定は、図１６のフローチャートに示さ
れるような手順によって行う。本方法によれば、タイマ
ーが存在せずモードの判定がすなわちモードの切り替え
になる。これは本方法がポンプ井への流入量の状態のみ
に着目しているため、排水区域３で降った雨が雨水排水
ポンプ所のポンプ井へ流入してくるまでの時間（流達時
間）については、前段にある流入量予測部５において考
慮されていることによるためである。尚、本方法のメン
バーシップ関数および評価式部６４２４のメンバーシッ
プ帰属度の寄与率ａ，ｂ，ｃのチューニングによって、
ある程度高い流入量を境界値Ｑｈとすることができ、基
本的に小雨モードによるポンプの平準化運転・ポンプの
省力運転を実現させることができる。その理由は、本方
法では判定の際に常に予測流入量についての考慮がなさ
れているため、ある程度の流入量の偏差があっても先を
見込した判定ができ、充分に適用可能であることによ
る。予測流入量の予測精度のばらつきを考慮してチュー
ニングすることで、流入量予測の誤りによる大雨モード
（ＯＮ）→小雨モード（ＯＦＦ）へのモードの切り替え
抑制ができる。 【００５３】第５の方法は、降雨量データによるニュー
ラルネットワーク評価を用いたモード判定の方法であ
る。図１７のように排水区域３に設置されたレーダ雨量
計１および地上雨量計２からの降雨量データと前記降雨
量予測部４において計算された予測降雨量データを入力
とし、降雨量推移グラフ６５００に示す現在までの降雨
量データと予測降雨量データをもとにそれぞれの大雨の
程度をニューラルネットワーク評価を用いてモードの判
定を行う。図１８のように、本方法でのモード判定部６
はデータ入力部６５１０，判定部６５２０，タイマー管
理部６５３０，タイマー６５４０から構成される。デー
タ入力部６５１０は時間平均降雨量データ入力部（６５
１１〜６５１２）および予測降雨量データ入力部（６５
１３〜６５１４）および降雨強度（瞬時値）データ入力
部（６５１５〜６５１６）から構成される。判定部６５
２０は、ニューラルネットワーク評価部６５２１および
モード判定結果部６５２２より構成される。ニューラル
ネットワーク評価部6521は、入力層６５２１ａと中間層
６５２１ｂおよび出力層６５２１ｃから構成される３層
のニューラルネットワークモデルである。図１８に示す
ように、ニューラルネットワーク評価部６５２１の動作
は、各々正規化（０〜１に換算）された時間平均降雨量
データ，予測降雨量データ，降雨強度(瞬時値)データか
らなる入力信号が、ニューラルネットワーク評価部６５
２１に提示(加えられる)されると、瞬時にニューラルネ
ットワークモデル(ニューラルネットワーク評価部６５
２１)の出力信号としてモード判定指数Ｓが出力され
る。このニューラルネットワーク評価部６５２１からの
モード判定指数Ｓを次段のモード判定結果部６５２２に
伝送し、図１９に示すようなモード判定を行う。 【００５４】以下ニューラルネットワークモデル(ニュ
ーラルネットワーク評価部６５２１)についての動作を
図２０を用いて説明する。公知の特開平5−303407 号公
報にも見られる通り、図２０はニューラルネットワーク
モデル（ニューラルネットワーク評価部６５２１）を構
成する一つのユニットであるニューロン素子モデル6560
を示す。ここで、ニューロン素子モデルへの入力信号Ｘ
１，Ｘ２，…，Ｘｎは、値域(０，１)を取るもので、シ
ナプス荷重Ｗ１，Ｗ２，…，Ｗｎは、値域（−∞，＋
∞）を取るものである。ここで、ｉ番目の入力信号Ｘｉ
からニューロン素子モデルへ伝わる入力ＵｉをＵｉ＝Ｘ
ｉ・Ｗｉとすると、ニューロン素子モデル６５６０への
総入力Ｕは、 【００５５】 【数１】 【００５６】となる。また、ニューロン素子モデル６５
６０の出力Ｙは、 【００５７】 【数２】 【００５８】で与えられる。ここで、Ｕ０はニューロン
素子モデルのしきい値(バイアス)である。本発明では、
上述したニューロン素子モデル６５６０を、図１８で示
したニューラルネットワーク評価部６５２１のように、
層状に配置し、各ニューロン素子モデルからの出力信号
を次層の各ニューロン素子モデルへの入力信号とする構
成を持つニューラルネットワークモデル（ニューラルネ
ットワーク評価部6521）とする。また、本発明では、あ
る入力信号パターンを入力層６５２１ａに与えたとき、
出力層６５２１ｃからの出力信号が期待すべき信号、す
なわち教師信号となるように、両者の誤差に応じて中間
層６５２１ｂおよび出力層６５２１ｃの各ニューロン素
子モデルへのシナプス荷重を修正する学習アルゴリズム
が示されている。この学習アルゴリズムは、バックプロ
パゲーション法（誤差逆伝搬法）と呼ばれる。本発明に
おいて、ニューラルネットワークモデル（ニューラルネ
ットワーク評価部６５２１）をモード判定に適用する際
には、入力信号（各々正規化された時間平均降雨量デー
タ，予測降雨量データ，降雨強度（瞬時値）データ）と
その入力信号に対応する教師データ（モード判定指数
Ｓ）をニューラルネットワークモデル（ニューラルネッ
トワーク評価部６５２１）に学習させておく必要があ
る。 【００５９】本発明においては、ニューラルネットワー
クモデル（ニューラルネットワーク評価部６５２１）の
学習は、モード判定部６に適用する以前に終了させてお
く。但し、いわゆる降雨現象は特定のパターンやルール
に依存しないため、対象とする排水区域３において最適
なモード判定指数Ｓを出力するようなニューラルネット
ワークモデル（ニューラルネットワーク評価部６５２
１）になるように定期的な再学習が必要である。いま図
１７の降雨量推移グラフ６５００において時刻ｔ１に時
間平均降雨量が境界値Ｙｈより小さくなる場合、ニュー
ラルネットワーク評価を用いたモード判定の結果、時刻
ｔ１以降最も早いモード判定周期時刻において図１８の
判定部６５２０はタイマー管理部６５３０に対してタイ
マーＯＮ（一定時間Δｔまで計時）の指令を出し、タイ
マー管理部６５３０はタイマー６５４０のタイマーを始
動させる。このとき時刻ｔ１では小雨モード（ＯＦＦ）
への切り替えはしない。これは本方法が降雨の状態のみ
に着目しているため、排水区域３で降った雨が雨水排水
ポンプ所のポンプ井へ流入してくるまでの時間（流達時
間）を考慮するためである。 【００６０】次に、時刻ｔ２（現在）に判定する場合に
は、現在の降雨量と予測降雨量と降雨強度（瞬時値）の
状態をみて、ニューラルネットワーク評価を用いたモー
ド判定を図１９のような流れで行う。以下図１７と図１
８および図１９のフローチャートに従って説明する。い
まデータ入力部６５１０には常に現在よりも一定時間Ｔ
１前および一定時間Ｔ２後までのデータが記憶されてい
る。レーダ雨量計１および地上雨量計２からの降雨量デ
ータと前記降雨量予測部４にて計算された予測降雨量デ
ータをデータ入力部６５１０に入力し、このデータの
内、降雨量データおよび予測降雨量データに関しては予
め単位時間Ｔ３を定めて単位時間Ｔ３で正規化（単位時
間当たりの降雨量および予測降雨量に換算）し、さらに
入力値の正規化（０〜１に換算）を行い、それぞれ時間
平均降雨量データ入力部（6511〜６５１２）および予測
降雨量データ入力部（６５１３〜６５１４）に時系列的
かつ離散値的に記憶する。もしくは、通常降雨量データ
および予測降雨量データは計測・計算結果がある単位時
間で時間平均降雨量，時間平均予測降雨量に換算されて
いるので、そのまま現在の計測・計算周期データを用い
て入力値の正規化（０〜１に換算）を行い、それぞれ時
間平均降雨量データ入力部（６５１１〜６５１２）およ
び予測降雨量データ入力部（６５１３〜６５１４）に時
系列的かつ離散値的に記憶する。降雨強度（瞬時値）デ
ータについては、レーダ雨量計１および地上雨量計２か
らの降雨量データをその計測周期で入力して入力値の正
規化（０〜１に換算）を行い、時系列的かつ離散値的に
記憶する。データ入力部６５１０（時間平均降雨量デー
タ入力部（６５１１〜６５１２）および予測降雨量デー
タ入力部（６５１３〜６５１４）および降雨強度（瞬時
値）データ入力部（６５１５〜６５１６））に入力され
時系列的かつ離散値的に記憶されているデータは、モー
ド判定周期毎にニューラルネットワーク評価部６５２１
内のそれぞれの入力層６５２１ａに入力され、先述のニ
ューロン素子の動作によって評価され、入力層６５２１
ａから中間層６５２１ｂを経て出力層６５２１ｃよりモ
ード判定指数Ｓが出力される。ニューラルネットワーク
評価部６５２１からモード判定結果部６５２２へ伝送さ
れたモード判定指数Ｓを図１９に示すフローチャートの
通り判定する。いま出力層６５２１ｃより出力されたモ
ード判定指数Ｓが0.5以上であった（降雨量推移グラフ
６５００のように予測降雨量が境界値Ｙｈを越える見込
みである場合）ので、図１９のフローチャートの通り現
在（時刻ｔ２）においてニューラルネットワーク評価結
果が判定基準Ｓ＝０.５ 以上かを判定し、Ｙｅｓである
ため判定＝大雨モード（ＯＮ）となり、タイマーＯＦＦ
の指令が出される。図１７の通り時刻ｔ２でタイマーカ
ウント中であったが、判定の結果タイマーカウント終了
時刻ｔ３を待たずに図１８のタイマー管理部６５３０か
らタイマー６５４０に対しタイマーＯＦＦ処理が行われ
る。このように大雨モード（ＯＮ），小雨モード（ＯＦ
Ｆ）の判定は図１９のフローチャートに示されるような
手順によって行う。 【００６１】尚、本方法のニューラルネットワーク評価
部６５２１の学習によって、ある程度高い降雨量を境界
値Ｙｈとすることができ、基本的に小雨モードによるポ
ンプの平準化運転・ポンプの省力運転を実現させること
ができる。その理由は、本方法では流達時間のため、実
際にポンプ井へ雨水が流入するまでには時間遅れがある
ことによる。予測降雨量の予測精度のばらつきや流達時
間遅れを考慮して学習することで、降雨予測の誤りによ
る大雨モード（ＯＮ）→小雨モード（ＯＦＦ）へのモー
ドの切り替え抑制ができる。 【００６２】第６の方法は、流入量データによるニュー
ラルネットワーク評価を用いたモード判定の方法であ
る。図２１のように排水区域３に設置されたレーダ雨量
計１および地上雨量計２からの流入量データと前記流入
量予測部５において計算された予測流入量データとを入
力とし、流入量推移グラフ６６００に示す現在までの流
入量データと予測流入量データをもとにそれぞれの流入
量の程度をニューラルネットワーク評価を用いてモード
の判定を行う。図２２のように、本方法でのモード判定
部６はデータ入力部６６１０，判定部６６２０から構成
される。データ入力部６６１０は、時間平均流入量デー
タ入力部（６６１１〜６６１２）と予測流入量データ入
力部（６６１３〜６６１４）および流入量（瞬時値）デ
ータ入力部（６６１５〜６６１６）から構成される。判
定部６６２０は、ニューラルネットワーク評価部６６２
１およびモード判定結果部６６２２より構成される。ニ
ューラルネットワーク評価部６６２１は、入力層６６２
１ａと中間層６６２１ｂおよび出力層６６２１ｃから構
成される３層のニューラルネットワークモデルである。 【００６３】図２２に示すように、ニューラルネットワ
ーク評価部６６２１の動作は、各々正規化（０〜１に換
算）された時間平均流入量データ，予測流入量データ，
流入量（瞬時値）データからなる入力信号が、ニューラ
ルネットワーク評価部6621に提示（加えられる）される
と、瞬時にニューラルネットワークモデル（ニューラル
ネットワーク評価部６６２１）の出力信号としてモード
判定指数Ｓが出力される。このニューラルネットワーク
評価部６６２１からのモード判定指数Ｓを次段のモード
判定結果部６６２２に伝送し、図２３に示すようなモー
ド判定を行う。ニューラルネットワークモデル（ニュー
ラルネットワーク評価部６６２１）についての動作は、
先述の第５の方法に詳しく説明した通りである。前掲図
２０のニューロン素子モデル６５６０はニューラルネッ
トワークモデル（ニューラルネットワーク評価部６６２
１）を構成する一つのユニットである。 【００６４】本発明では、先に述べたニューロン素子モ
デル６５６０を、図２２で示したニューラルネットワー
ク評価部６６２１のように、層状に配置し、各ニューロ
ン素子モデルからの出力信号を次層の各ニューロン素子
モデルへの入力信号とする構成を持つニューラルネット
ワークモデル（ニューラルネットワーク評価部6621）と
する。また、本発明では、ある入力信号パターンを入力
層６６２１ａに与えたとき、出力層６６２１ｃからの出
力信号が期待すべき信号、すなわち教師信号となるよう
に、両者の誤差に応じて中間層６６２１ｂおよび出力層
６６２１ｃの各ニューロン素子モデルへのシナプス荷重
を修正する学習アルゴリズムが示されている。この学習
アルゴリズムはバックプロパゲーション法（誤差逆伝搬
法）と呼ばれる。 【００６５】本発明において、ニューラルネットワーク
モデル（ニューラルネットワーク評価部６６２１）をモ
ード判定に適用する際には、入力信号（各々正規化され
た時間平均流入量データ，予測流入量データ，流入量
（瞬時値）データ）とその入力信号に対応する教師デー
タ（モード判定指数Ｓ）をニューラルネットワークモデ
ル（ニューラルネットワーク評価部６６２１）に学習さ
せておく必要がある。本発明においては、ニューラルネ
ットワークモデル（ニューラルネットワーク評価部６６
２１）の学習はモード判定部６に適用する以前に終了さ
せておく。但し、いわゆるポンプ井への流入現象は降雨
の状況に左右され、特定のパターンやルールに依存しな
いため、対象とする排水区域３において最適なモード判
定指数Ｓを出力するようなニューラルネットワークモデ
ル（ニューラルネットワーク評価部６６２１）になるよ
うに定期的な再学習が必要である。 【００６６】いま図２１の流入量推移グラフ６６００に
おいて時刻ｔ１（現在）の時間平均流入量が境界値Ｙｈ
より小さい場合において、ニューラルネットワーク評価
を用いたモード判定を行う場合について説明する。本方
法では、現在の流入量と予測流入量と流入量（瞬時値）
の状態をみてニューラルネットワーク評価を用いたモー
ド判定を図２３のような流れで行う。以下図２１および
図２２および図２３のフローチャートに従って説明す
る。いまデータ入力部６６１０には、常に現在よりも一
定時間Ｔ１前および一定時間Ｔ２後までのデータが記憶
されている。前記流入量予測部５にて計測・計算された
流入量データおよび予測流入量データをデータ入力部６
６１０に入力し、このデータの内、流入量データおよび
予測流入量データに関しては、予め単位時間Ｔ３を定め
て単位時間Ｔ３で正規化（単位時間当たりの流入量およ
び予測流入量に換算）し、さらに入力値の正規化（０〜
１に換算）を行い、それぞれ時間平均流入量データ入力
部（６６１１〜６６１２）および予測流入量データ入力
部（６６１３〜６６１４）に時系列的かつ離散値的に記
憶する。もしくは、通常流入量データおよび予測流入量
データは計測・計算結果がある単位時間で時間平均流入
量，時間平均予測流入量に換算されているので、そのま
ま現在の計測・計算周期データを用いて入力値の正規化
(０〜１に換算)を行い、それぞれ時間平均流入量データ
入力部（６６１１〜６６１２）および予測流入量データ
入力部（６６１３〜６６１４）に時系列的かつ離散値的
に記憶する。流入量（瞬時値）データについては、前記
流入量予測部５にて計測・計算された流入量データをそ
の計測・計算周期で入力して入力値の正規化（０〜１に
換算）を行い、時系列的かつ離散値的に記憶する。デー
タ入力部６６１０（時間平均流入量データ入力部（６６
１１〜６６１２）および予測流入量データ入力部(６６
１３〜６６１４）および流入量（瞬時値）データ入力部
(６６１５〜6616))に入力され時系列的かつ離散値的に
記憶されているデータは、モード判定周期毎にニューラ
ルネットワーク評価部６６２１内のそれぞれの入力層６
６２１ａに入力され、先述のニューロン素子の動作によ
って評価され、入力層６６２１ａから中間層６６２１ｂ
を経て出力層６６２１ｃよりモード判定指数Ｓが出力さ
れる。ニューラルネットワーク評価部６６２１からモー
ド判定結果部６６２２へ伝送されたモード判定指数Ｓ
を、図２３に示すフローチャートの通り判定する。いま
出力層６６２１ｃより出力されたモード判定指数Ｓが
０.５以上であった(流入量推移グラフ６６００のように
予測流入量が境界値Ｑｈを越える見込みである場合）の
で、図２３のフローチャートの通り現在（時刻ｔ１）に
おいてニューラルネットワーク評価結果が判定基準Ｓ＝
０.５ 以上かを判定し、Ｙｅｓであるため判定＝大雨モ
ード（ＯＮ）となる。このように大雨モード（ＯＮ），
小雨モード（ＯＦＦ）の判定は図２３のフローチャート
に示されるような手順によって行う。尚、本方法によれ
ばタイマーが存在せずモードの判定がすなわちモードの
切り替えになる。これは本方法がポンプ井への流入量の
状態のみに着目しているため、排水区域３で降った雨が
雨水排水ポンプ所のポンプ井へ流入してくるまでの時間
（流達時間）については前段にある前記流入量予測部５
において考慮されていることによるためである。 【００６７】本方法のニューラルネットワーク評価部６
６２１の学習によって、ある程度高い流入量を境界値Ｑ
ｈとすることができ、基本的に小雨モードによるポンプ
の平準化運転・ポンプの省力運転を実現させることがで
きる。その理由は、本方法では判定の際に常に予測流入
量についての考慮がなされているため、ある程度の流入
量の偏差があっても先を見込した判定ができ、充分に適
用可能であることによる。予測流入量の予測精度のばら
つきを考慮して学習することで、流入予測の誤りによる
流入量モード（ＯＮ）→小雨モード（ＯＦＦ）へのモー
ドの切り替え抑制ができる。 【００６８】本発明では以上に述べた通り、６通りのモ
ード判定部６のモード判定方法によってモード判定が自
動的に行われるような雨水排水ポンプ所制御システムに
ついて説明した。このモード判定による効果としては前
記運転方案評価部１２に具備される２通りの評価関数群
とその多様性にある。すなわち公知の特開平5− 265
513号公報あるいは特開平5−303407 号公報に見られる
ように、ポンプ所制御出力（前記運転方案１０に基づい
て前記運転方案シミュレーション部１１において演算さ
れたポンプ１台毎の吐出量，累積運転時間，運転切り替
え量，所要電力量差）についてパラメータ評価のための
メンバーシップ関数によって評価適合度を評価し、各パ
ラメータに評価適合度の有効度（寄与率）を評価式（ゲ
イン（荷重））を与えて総合的な評価指数として評価す
る方法や、吐出量，累積運転時間，運転切り替え量，所
要電力量差のそれぞれについて大雨モード時または小雨
モード時で異なった評価関数（ファジィ以外のいわゆる
数式で近似された関数）と総合評価のための重み係数と
を用いて評価する方法などを採用できることである。 【００６９】 【発明の効果】本発明は、下記のような効果をもたら
す。 【００７０】（１）ポンプ井への流入量の大小判定によ
り、大雨時，小雨時で異なったポンプ運転目標を自動的
に設定し運転できる。 【００７１】（２）運転組合せ案に対する評価項目が明
確なため、オペレータにとって制御目的の明瞭な制御シ
ステムを実現できる。 【００７２】（３）多数の運転方案ケースをシミュレー
トし、評価関数群式による評価で最適な制御出力（運転
方案）を決定する運転方案決定機構なので、運転方案と
して可能性のあるケースをすべて考慮の上で選ぶことが
でき、オペレータに安心感，満足感を与える。 【００７３】（４）運転方案は運転方案シミュレーショ
ン部にて数学モデル・制御ルール等によりシミュレート
しており、最終的に選択される運転方案が本制御機構の
初期の段階ではっきりしているため（多数の運転方案の
中から一つの運転方案を選ぶというポンプ制御方法であ
るため）、評価関数群の特質にかかわらず制御内容のし
くみがわかりやすい。 【００７４】（５）評価関数群は評価項目と制御目的と
の関係に基づいてチューニングすればよく、チューニン
グの容易な制御方式を構築できる。 【００７５】（６）ポンプ井への流入量を予測し、現状
のポンプ設備の稼働状況をふまえて様々なシミュレーシ
ョンケースを考慮し評価，決定方案により運転する雨水
排水ポンプ所制御方法を実現できる。Description: BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a rainwater drainage pon
Pump control system during rainfall at
Optimal pump for maintaining pump well level within acceptable range
Pump operation plan control system that determines the pump operation plan
I do. 2. Description of the Related Art Conventional microcomputers and automatic control by computers
(Also called rainwater pump number control)
Store the relationship between the pump well water level and the number of operating units in the computer
Measure the pump well water level at regular intervals,
Pump stand that operates according to the relationship between
It is common to determine the number. In this scheme,
In addition, vibration of the water level occurs near the switching point of the number of operating units
Hunting that starts and stops the pump repeatedly
To prevent the phenomenon, the hiss between the start and stop water levels
There is a teresis. In addition to the above method,
When deciding which pump unit to start or stop,
Algorithm for leveling operation time between pumps
Some are added. In these methods, only the water level of the pump well is used.
Control, it is difficult to follow sudden rainwater inflow.
And the effect of storage in the sewer has not been observed.
It is easy to pick up temporary fluctuations in water level due to starting
Actually rely on manual operation by a skilled operator
In most cases. In order to respond to a sudden rainwater inflow, for example,
For example, as disclosed in JP-A-64-19402,
A method of predicting the inflow into a well and controlling based on the predicted value
There is. In this example, the cal
The inflow prediction by the Man filter is performed. [0005] However, the inflow to the pump well depends on the inflow.
Not only are there no suitable sensors to measure,
Is hard to get good forecasts
New In addition, compared to the storage effect of pump wells,
Even though the effect is much greater,
Not. Also, what is the main target for the pump control output?
Is to be determined in such a way that rapid rainwater inflow can be predicted.
Stormwater drainage and inflow of water into pump wells
In this case, the pump is leveled. A method using the concept of fuzzy control
As described in JP-A-1-246601,
The conditions are expressed as fuzzy quantities such as heavy rain, moderate rain, and light rain.
And the control described in a natural language using the fuzzy quantity.
From set of rules (knowledge base) to fuzzy inference means
Therefore, there is a method of determining the control output. In this method
The rainfall conditions and the capacity of the generator,
Fuzzy numbers and based on control rules determined for each drainage area
Fuzzy inference, and the result of the inference (required generator capacity is
Some = which generator to drive), per drainage area
The largest inference result is the final inference value. Final
The inferred values are converted to generator capacity, and the state of the rainwater drainage pump is
The generator to be driven is determined according to the state. In other words, drainage area
Estimated required generator capacity for each region and its maximum inferred value
Control of rainwater drainage pump station by adopting
ing. In this example, the current rainfall and
Using the relationship of generator capacity as a fuzzy control rule,
It is controlled by fuzzy reasoning. But
However, in the method of this example, the control purpose (rainwater removal during heavy rain, small
When raining, we want to perform pump leveling operation)
There is no
Where and when to determine the barship function and control rules
Do not know how to change and tune
I have to be wrong. Especially during heavy rain and light rain
If you want to change the control purpose in the rain,
Is not easy. The invention described in Japanese Patent Application Laid-Open No. 5-265513
Then, create multiple pump operation combination plans and create fuzzy
Optimum driving combination plan by parameter evaluation method used
Is determined to be extracted. JP-A-5-303407 describes
In the invention, inflow forecasting using neural networks
In the same manner as in the invention of JP-A-5-265513, fuzzy
Optimal driving union by parameter evaluation method using vehicle
We have decided to extract the proposal. These methods are pump operation group
Tuning of membership functions that are matching plan evaluation functions
Is inevitable to remove rainwater during heavy rains such as torrential rain
Tend to be more optimal, and the optimal evaluation function
Even if a driving combination plan is extracted and determined,
In the case of continuous rainfall, etc.
We cannot cope with such conflicting objectives. It is to be noted that the mode is divided into a heavy rain mode and a light rain mode.
As a technique for performing pump control, there is another technique disclosed in Japanese Patent Laid-Open No. 5-134715.
JP-A-2-233890, JP-A-5-263767, JP-A-5-263767
No.-311727, JP-A-5-306684, JP-A-3-271816
There is a thing described in the report. [0010] Among the above prior arts,
Commonly used step wells based on pump well level
Control method can follow sudden fluctuations in rainwater inflow.
Instead, there are the following problems, for example. (1) Pump start time for sudden inflow
The response is delayed by the minute. (2) The starting interval is prolonged for a sudden inflow.
Pump discharge level cannot be secured and pump well water level rises sharply
Invite. (3) When the water level exceeds a predetermined water level,
Add the number of pumps without judging the situation such as the speed of change
Therefore, the number of pumps to be started is increased more than necessary. (4) Contrary to (3), the water level falls below a predetermined water level
Then, the pumps are stopped in order. After stopping, until restarting
Where no action can be taken against water level changes during
There is a case. (5) Precisely change every moment of rain condition
It is difficult to set and realize the captured pump operation target. Further, based on the predicted value of the inflow into the pump well,
In the method of controlling the number of pumps by
There was a problem with the prediction accuracy of. One method of controlling the rainwater drainage pump station is
When using inference, control objectives and control logic
The relationship is black-boxed, allowing for rainwater drainage during heavy rains.
Depending on rainfall conditions, such as removal and pump leveling operation during light rain
It is difficult to set and achieve different control objectives. sand
In other words, setting of control rules and members suitable for control purposes
The problem that tuning of the ship function is not easy
There is a point. The above problems can be summarized as follows.
You. (B) Utilize rainfall data effectively for control
Not. Operators usually operate with reference to rainfall
However, it is not used for automatic control. To the operator
Control that allows you to feel the visibility of the control method
A clear control system is desired. (B) System storage from rainfall to pump well inflow
It does not take into account the dynamics such as delay effect and time delay. (C) Whether the inflow is predicted or not.
Inaccurate. (D) Control purpose is set, and
Control rules and membership
Tuning of the tap function cannot be performed easily. An object of the present invention is to focus on the above problems,
Rainwater drainage pump station control system that is flexible and easy to tune
In providing the stem. According to the present invention, there is provided a method for measuring a rainfall amount.
To predict rainfall and inflow in drainage areas based on
Steps, rainfall measurement and predicted rainfall, actual flow in drainage area
Inflow and predicted inflow, current measured water level in sewer, pump well
Input water level measurement, pump operation status and river water level measurement
And simulate each of the multiple pump operation combinations
Means for creating a pump group operation combination plan for
Pump well level and pump operation for pump group operation combination plan
Time variation, pump operation switching amount, required power amount
Evaluation of multiple evaluation items using the evaluation function group
Pump group operation group to extract and determine the optimal operation combination plan
Rainwater drainage pump station control system with matching plan determination means
Measured rainfall and predicted rainfall or actual inflow
Current and predicted inflows based on the
For judging the magnitude of rainfall and inflow in the future
The pump group operation combination proposal is determined by the determination means.
Means for switching the evaluation function group of the setting means.
The feature is the rainwater drainage pump station control system. The pump station quickly collects rainwater from the drainage area.
Release to rivers, etc. to avoid flooding of drainage areas
Although it is intended, flooding at the pumping station requires a lot of time for restoration.
Must be avoided. Also,
When the air is sucked in, the pump vibrates in the pipe and the pump itself
The pump may be damaged (cavitation).
Determine the pump operation amount with a considerable weight at the well level.
I have decided. In addition, the operator can load (operate)
To avoid deviations, the pump is delayed when starting.
The start-up prohibition time until restarting after pump stop
Start as soon as possible and stop as late as possible
Operating. Keep these pump well water levels within a certain range.
Maintain the pump operation time and equalize the operation switching amount (rotation
Number of operation switching times (ON
/ OFF type fixed capacity pump)
To solve the problem, select the optimal pump
It is extremely effective to extract and decide
Yes, the present invention makes this possible. Further, a pump well which is a conventional automatic control system
Follow-up control (feedback) and pump based only on water level
In feedforward control based on prediction of inflow to a well,
Typhoon, thunderstorm
In the event of a torrential rain, etc.,
Load on the operator, such as starting the
It is a task that requires skill. The present invention
Forecast based on rainfall information, taking into account the system of sewer + pump well
(Feed forward) always proactive to control
Optimal control. The technical means of the present invention operates as follows.
You. (1) Operation amount evaluation function focusing on rainfall conditions
The switching method is adopted. It differs between heavy rain and light rain depending on the judgment of heavy rain and light rain
Evaluate the control plan. This allows for heavy rain and light rain
A pump operation plan satisfying each control purpose is determined.
Also, for control plan evaluation by multiple parameter evaluation,
Evaluation of pump well water level and achievement of leveling operation time
Because the same judgment can be made as for a skilled operator
Easy to get the best solution for decision. (2) Adoption of Predictive Control By adopting control that predicts the inflow, the inflow
For the purpose of controlling rainwater removal during heavy rain based on measured values
Acts to provide early control, and in light rain the pump level
The water level within the allowable range for the purpose of control
It works to avoid unnecessary pump startup and shutdown. Embodiments of the present invention will be described below with reference to the drawings.
You. FIG. 2 shows a general rainwater drainage pump station system.
This is an outline of the above. Rainwater that falls on drainage area 3
It passes through the sewer 22 and gathers at the pump station. Pumping station
Then, the fixed pump 24 and the variable pump 2
Operate the pump group consisting of 5 and release rainwater to the river
Out process. In general pump stations, rainwater
To collect water at the pumping station by gravity
The pump well 23 and the pump are located
If the rainwater is not properly treated, the pump station itself will be flooded.
At the same time, the discharge stoppage by the pump
Danger of flooding and causing enormous damage to nearby residents
Therefore, controlling the number of pumps is an important process. FIG. 2 shows a rainwater drainage pumping station system and the present invention.
Shows the overall configuration of the rainwater drainage pump control device 21 of FIG.
ing. Rainwater drainage pump control device 21 is located in drainage area 3
Installed radar rain gauge 1 and multiple ground rain gauges 2
Rainfall data and pipes installed at multiple locations in the sewer
Water level data from the underground water level gauge 7 and multiple
Pump well level 8 and river water level from the water level gauge installed at the station
26 and operating states of the fixed pump 24 and the variable pump 25
Is input, and the fixed pump 24 and the variable pump 25
The operation plan for the pump group to be formed is determined and the control output and
Is what you do. Next, the structure of the rainwater drainage pump control device 21 will be described.
This will be described with reference to FIG. FIG. 1 shows a rainwater drainage pump station control system.
It was done. Rainwater drainage pump station control system rains
Amount prediction unit 4, inflow amount prediction unit 5, mode determination unit 6, and driving method
It is composed of a plan simulation unit 11 and a driving plan evaluation unit 12.
Is done. The driving plan evaluation unit 12 is a heavy rain mode evaluation function.
It comprises a group 13 and a light rain mode evaluation function group 14.
The rainfall data that falls in drainage area 3 is stored in drainage area 3.
Radar rain gauge 1 and a plurality of ground rain gauges 2
The rainfall forecasting unit 4 and the inflow forecasting unit 5
Are input to the respective memory determination units 6. The rainfall prediction unit 4
Inputs rainfall data and predicts rainfall based on a rainfall prediction model.
Calculate rainfall. The inflow predicting section 5 calculates the rainfall data and the rainfall data.
Predicted rainfall and drainage area 3 calculated by rainfall prediction unit 4
From the water level meter 7 installed in the sewer at multiple locations in the sewer
Water level data and water level gauges installed at multiple locations within the pump station
Well level 8, pump discharge volume, and actual inflow volume from
Search the pump well water level-storage volume correspondence table to find the measured water level
From the measured water level data, this time measured water level and previous measured water level
And the sum of the pump total discharge volume and the
Calculate the inflow volume up to the number of times and use this as the actual inflow volume. )
Of the pump station and the sewerage
The estimated inflow into the system taking into account the amount of internal storage
Calculation based on the By using the actual inflow
Thus, the inflow amount is predicted by correcting the accuracy of the input data. One
In other words, the predicted inflow based on the previous inflow prediction model
Always accurate without using this input data
High inflow data (actual inflow) as input each time
Things. The RRL model (UK)
Road Research Laboratory model), tank model, ARMA model, etc.
Use a mathematical model as represented by Also, inflow
The prediction unit 5 is found in the known Japanese Patent Application Laid-Open No. 5-265513.
Table of pump well water level-storage volume and from last time to this time
Estimation Unit for Estimating Inflow Using Pump Well Water Level
Inflow calculation to estimate inflow using a computer and a mathematical model
And the two inflows calculated by the inflow estimation unit and the inflow calculation unit.
It consists of an inflow rate adoption unit that adopts either of the inflow rate prediction values.
And the method described in JP-A-5-303407.
Water level data, pump well water level, rainfall data
Data, pump discharge volume, and river water level
Such as using a neural network
The present invention can be applied even when employed. Driving plan 10
Is a known JP-A-5-265513 or JP-A-5-265513.
As with the generation of the driving plan as seen in
The pumps installed at the rainwater drainage pump station (fixed
Pumps and variable pumps) current pump cab
After a certain time from the present by inputting the speed and the variable pump speed
The operation amount of the pump group up to is determined in multiple cases. Multiple
For example, the fixed operation capacity
If there are 5 (ON / OFF) pumps, 2 to the 5th power
32 = 64 if there are 6
Generate a change plan. Suppose one of the five pumps is variable
Assuming that it is a power pump, a variable pump
100% range can be set.
In other words, the number of combinations is 42 × 2 × 2 × 2 × 2 = 672
Individual. Depending on the operation switching amount of the variable capacity pump,
As the number of pumps increases, the number of combinations can explode
Have sex. For this reason, the maximum amount of operation switching of the variable pump is
A mechanism that can arbitrarily set the low unit n% is adopted, and further, it is possible to define a function f represented by y = f (x) and y: operation switching amount. For example, the function f
Is f (x) = x ^Two , X: represented by an integer, and n = 2, and the current state of the variable pump is
Assuming that you are driving at 70% capacity, the proposed operation is
When the value of y is added and subtracted by changing every n from 0, 0 (OFF below 60), 66, 70, 74, 86, 1
00% ex) 66 = 70− (2) ^Two , 86 = 70 + (4) ^Two And the number can be limited. The characteristics of the pump are as follows:
Pumps that must not be restarted for a certain period of time
When the timer is operated after stopping and the timer value is other than 0
Is a procedure that is not subject to operation.
As a waiting time for the driving effect of
Have a new procedure. The driving plan simulation section 11
The estimated inflow from the inflow estimation unit 5 and the po
Input the measured value 9 in the pump station and the operation status of the pump group, and
Pump head performance per pump according to pump group operation plan 10.
Calculation, discharge amount calculation, cumulative operation time calculation, operation switching amount operation
Calculation and the required power amount difference calculation,
Output the product operation time, operation switching amount, and required power difference
You. These calculations are performed for the number of pumps. The operation plan evaluator 12 has a pump station control output.
(Simulation of the driving plan based on the driving plan 10)
Discharge for each pump calculated in the application section 11
Amount, cumulative operation time, operation switching amount, required power amount difference)
Parameters and evaluate the optimal driving plan
I do. The driving plan evaluator 12 evaluates this parameter.
Evaluation function group for heavy rain mode and light rain mode
Mode evaluation function group 14.
Evaluation for heavy rain mode based on the mode output determined by
Either the value function group 13 or the light rain mode evaluation function group 14
Are selected to determine a pump operation plan. Next, the mode determining section 6 will be described in detail.
You. The mode judging unit 6 calculates the rainfall data or the inflow data.
Heavy rain mode (ON) or light rain mode (OF
The mode determination of F) is performed. Mode determination based on rainfall data
If it is determined, the rainfall data and the rainfall prediction unit 4
The mode is determined based on the calculated predicted rainfall. Inflow
When the mode is determined based on the data, the inflow amount prediction unit
The actual inflow data and the predicted inflow data calculated in 5
The mode is determined based on the mode. Rainwater drainage pump system of the present invention
In the control system, the mode determination result of the mode determination unit 6 is used.
Pump operation plan evaluation function in the operation plan evaluation unit 12
The group is divided into a heavy rain mode evaluation function group 13 and a light rain mode evaluation function group.
Switch to one of several groups 14
During rain, rainwater is removed, and during light rain and intermittent rainfall with little rainfall
Are targets such as pump leveling operation and pump labor saving operation
The optimal pump operation plan can be extracted and determined under the following conditions. Pong
Evaluate driving plan by switching the group of driving plan evaluation functions
Automatically change the purpose of driving in real time
The resulting control output can be optimized. The mode determination unit 6
Mode determination in six ways as described in FIGS.
I do. Hereinafter, the mode determination method of the mode determination unit 6 will be described.
Will be explained. The first method is to change the amount of rainfall to date
This is a mode determination method based on the rainfall transition. See Figure 3
Radar rain gauge 1 installed in drainage area 3 and ground
The rainfall data from the rain gauge 2 and the rainfall prediction unit 4 are
Input the predicted rainfall data calculated
Rainfall data to date and forecast shown in transfer graph 6100
Look at the trend of rainfall data, and based on statistical data in advance
Rainfall is greater than thresholds Y1 and Y2 set
The mode is determined depending on whether the number is small. As shown in FIG.
In addition, the mode determination unit 6 in the present method includes a data input unit 610
1, judgment unit 6102, timer management unit 6103, timer 6
104. Rainfall data and predicted rainfall
Data is input to the data input unit 6101, and the data is
It is remembered. The mode determination is performed by the determination unit 61 every cycle T1.
02. At this time, the longer the judgment cycle T1 is,
If it is long, the unit is set in advance in the data input unit 6101.
The time T2 (T2 <T1) is determined and the rainfall data and
The rainfall data may be normalized. Normal rainfall data
And predicted rainfall data are in units with measured and calculated results
Between hourly average rainfall and hourly average rainfall
Therefore, each time the mode determination cycle T1
The determination may be made using the measurement / calculation cycle data. Figure 3 now
In the rainfall transition graph 6100 of FIG.
Mode (ON) and the time average rainfall at time t2
Is smaller than the threshold value Y1, the most after time t2
At an early mode determination cycle time, the determination unit 6102 of FIG.
Turns on the timer for the timer management unit 6103 (fixed
Command until the time Δt), and the timer management unit 61
03 starts the timer of the timer 6104. this
At time t2, switching to the light rain mode (OFF)
do not do. This is because the method focuses only on rainfall conditions
As a result, the rain from drainage area 3
Consider the time to flow into the well (delivery time)
That's why. Next, when the judgment is made at time t3 (present)
Fig. 5 shows the current and predicted rainfall conditions.
The determination is made according to the flow described in detail below. 3 and FIG.
Explaining according to the flowchart, at time t3,
Time average rainfall (current rainfall) is more than threshold Y1
And the next predicted rainfall is Y2 or more because it is No.
Is determined. Here, based on the predicted rainfall
Is determined in advance by predicting the transition time T3
And The predicted transition time T3 is the calculation time of the predicted rainfall,
It shall be determined in consideration of measurement accuracy. Rainfall estimation in Fig. 3
In the transfer graph 6100, the predicted rainfall becomes Y2 or more.
Therefore, the processing of Yes is performed and the judgment is: heavy rain mode (ON)
The command to turn off the timer is issued. As shown in FIG.
At time t3 (current), the timer was being counted.
4 without waiting for the timer end time t4.
Immer management unit 6103 sends a timer to timer 6104
A mer OFF process is performed. The heavy rain mode (O
N), the determination of the light rain mode (OFF) is shown in the flowchart of FIG.
Perform the procedure as shown in the chart. As described above, the threshold values Y1 and Y2 are
Set in advance based on statistical data, but somewhat high
Basically, it is possible to use
Leveling operation of pumps and labor-saving operation of pumps
Can be manifested. The reason is that this method
Because it is a short time before the rainwater actually flows into the pump well,
Due to the delay. Variations in prediction accuracy of predicted rainfall
Y1 <Y2 in consideration of sticking and delivery time delay
Heavy rain mode (ON) due to rainfall prediction error → light rain mode
Switching of the mode to (OFF) can be suppressed. The second method is a change in the inflow amount up to now +
This is a mode determination method based on the measured inflow amount transition. See Figure 6
The actual inflow calculated by the inflow estimation unit 5
Data and forecasted inflow data as inputs
Inflow data to date and predicted flow shown in graph 6200
Look at the changes in the input data and pre-
The inflow amount is larger than the set threshold values Q1 and Q2
The mode is determined depending on whether the mode is small or small. As shown in FIG.
In addition, the mode determination unit 6 in the present method includes a data input unit 620
1, a determination unit 6202. Inflow data and
And predicted inflow data are input to the data input unit 6201.
Are stored in chronological order. Input inflow data
Data and predicted inflow data are time averaged inflow, time average
The mode is determined every cycle T1 by the determination unit 62
02. Now, a graph 6200 of the inflow amount transition shown in FIG.
The mode is determined at time t1 (present)
The flow of the determination will be described with reference to the flowchart of FIG.
At time t1 (present) in FIG. 6, the current inflow amount is a threshold.
Although smaller than the value Q1, the predicted inflow amount is
Over the threshold value Q1 at time t3
It is included. Here, according to the flowchart of FIG.
At time t1 (present), first, the time average inflow (current inflow
Amount) is equal to or greater than the threshold value Q1.
It is determined whether the predicted inflow amount is equal to or more than Q2. Here from now
When to make a judgment based on the forecasted inflow volume,
The interval T2 is determined. The predicted transition time T2 is
Determined in consideration of the calculation time of the measured inflow, prediction accuracy, etc.
And In the inflow change graph 6200 in FIG.
Since the amount is equal to or more than Q2, Yes processing is performed and the determination is made =
Heavy rain mode (ON), heavy rain at time t1 as shown in FIG.
The mode (ON) is determined. Heavy rain mode
(ON) and light rain mode (OFF) are determined by the flowchart in FIG.
The procedure is as shown in the chart. This method
According to the report, there is no timer and the mode
Mode switching. This indicates that the method
Because the focus is only on the state of the incoming volume,
Until the rain falls into the pump well of the rainwater drainage pump station
Time (delivery time) is based on the inflow
This is because the measurement unit 5 takes this into consideration. As described above, the threshold values Q1 and Q2 are
Set in advance based on statistical data, but somewhat high
By setting the inflow as a threshold,
Leveling operation of pumps and labor-saving operation of pumps
Can be manifested. The reason is that this method
Is always taking into account the expected inflow,
Even if there is a certain amount of inflow deviation,
It is possible and fully applicable. Forecasted inflow
Q1 ≦ Q2 in consideration of the variation in prediction accuracy
Heavy rain mode (ON) due to inflow prediction error → light rain mode
Mode (OFF) mode switching can be suppressed. The third method uses fuzzy data based on rainfall data.
This is a mode determination method using evaluation. As shown in FIG.
Radar rain gauge 1 installed in drainage area 3 and ground rainfall
The rainfall data from the total 2 and the rainfall prediction unit 4
Using the calculated predicted rainfall data as input,
Rainfall data to date and predicted rainfall shown in rough 6300
Fuzzy evaluation of the degree of each heavy rain based on the amount data
Is used to determine the mode. As shown in FIG.
The mode determination unit 6 in the data input unit 6310 and the determination unit 6
320, timer management unit 6330, timer 6340
It is composed of Data input unit 6310 is the hourly average rainfall
Data section 6311 and predicted rainfall data section 6312
And rainfall intensity (instantaneous value) data section 6313
You. The determination unit 6320 is a fuzzy estimating unit 6 for the time average rainfall.
321 and the predicted rainfall fuzzy evaluation unit 6322 and
Rain intensity (instantaneous value) fuzzy evaluation unit 6323 and evaluation
It is composed of a formula part 6324. As shown in FIG. 10 and FIG.
The time average rainfall fuzzy evaluation unit 6321 and
And predicted rainfall fuzzy evaluation unit 6322 and rainfall intensity
(Instantaneous value) Each heavy rain is
Has a membership function that represents the degree of FIG. 9 and FIG.
As in 10, rainfall data and predicted rainfall data are
Input to the data input unit 6310,
Rainfall data section 6311, predicted rainfall data section 6312,
Rain intensity (instantaneous value) data section 6313 is stored in time series.
Have been. The mode determination is performed by the determination unit 6320 every cycle T1.
It is done in. At this time, the determination cycle T1 is somewhat long
In this case, the unit time T is set in advance in the data input unit 6310.
2 (T2 <T1) to determine rainfall data and predicted rainfall
The quantity data may be normalized. Normal rainfall data and
Predicted rainfall data is measured and calculated in a certain unit time
It is converted to inter-average rainfall and hourly averaged rainfall
And the current measurement / measurement
Calculation cycle data may be used. Rain intensity (instantaneous value) data
Data from radar rain gauge 1 and ground rain gauge 2
Rainfall data is input in the measurement cycle and stored in chronological order
Only the latest instantaneous value data is used at the time of mode determination.
Here, the unit of rainfall intensity (instantaneous value) data is [mm / h
r], but the unit system for general rainfall is
And I took such a notation. Rain intensity (instantaneous value)
For data, radar rain gauge 1 and ground rain gauge 2
It is based on the unit time depending on the measurement cycle. Now, the rainfall transition graph 6300 in FIG.
And at time t1, the time average rainfall is smaller than the boundary value Yh.
If the result of the mode judgment using fuzzy evaluation
At the earliest mode determination cycle time after time t1, FIG.
The judgment unit 6320 of the timer
Issue a command to switch on the immersion timer (measurement until a certain time Δt).
The Immer management unit 6330 sets the timer of the timer 6340
Start. At this time, at time t1, the light rain mode (OF
Do not switch to F). This is the condition when the method is raining
Because the focus is only on rain, the rain that falls in drainage area 3
The time until the water flows into the pump well of the drainage pumping station (flow
Arrival time). Next, when determining at time t2 (present)
Is the current rainfall, predicted rainfall, and rainfall intensity (instantaneous value).
The mode judgment using fuzzy evaluation based on the state is shown in FIG.
It is performed in such a flow. 9 and 10 and FIG.
Explaining according to the flowchart, the data input unit 631
The rainfall data and predicted rainfall data
And rainfall intensity (instantaneous value) data
Rainfall data section 6311, predicted rainfall data section 6312,
Rain intensity (instantaneous value) data section 6313 to determination section 6320
Average rainfall fuzzy evaluation unit 6321 and predicted rainfall
The rainfall fuzzy evaluation unit 6322 and the rainfall intensity (instantaneous value)
The message transmitted to the fuzzy evaluator 6323 as shown in FIG.
The degree of heavy rain is fuzzy evaluated by the membership function.
In the time average rainfall membership function in FIG.
The time average rainfall at (time t2) is y1 [mm / hr]
Therefore, the degree of belonging is X. Predicted rainfall membership
Function, the predicted transition period T at the current time (time t2)
The predicted rainfall after 3 is y2 [mm / hr].
The attribute is Y. Predicted rainfall fuzzy evaluation unit 6322
Therefore, when to judge based on the predicted rainfall from now on,
It is assumed that the predicted transition time T3 is determined in advance. Prediction
The transfer time T3 considers the calculation time of the predicted rainfall, prediction accuracy, etc.
Shall be determined with due consideration. Rainfall intensity (instantaneous value) member
In the ship function, the current (time t2) rainfall intensity (instantaneous
Value) is y3 [mm / hr], the degree of belonging is Z
You. Now, in the case of FIG. 11, X = 0.4, Y = 0.84, Z
= 0.44. Next, the evaluation expression section 6324 of FIG.
The fuzzy evaluation of the degree of belonging is transmitted, and the percentage of contribution of the degree of belonging
The mode determination index S is calculated from a, b, and c. Time
A, the contribution rate of the average rainfall membership membership
B is the contribution rate of rainfall membership membership, rainfall intensity
(Instantaneous value) Let c be the contribution rate of membership membership
And the mode determination index S = aX + bY + cZ. Now
The values of a, b, and c are respectively a = 0.35 (35%), b
= 0.35 (35%) and c = 0.3 (30%)
And the mode determination index S = aX + bY + cZ = 0.35 ×
0.4 + 0.35 × 0.84 + 0.3 × 0.44 = 0.566
Since 0.566 ≧ 0.5, judgment = heavy rain mode
(ON). Therefore, the flow chart of FIG.
And the fuzzy evaluation result is determined at the current time (time t2).
It is determined whether the standard S = 0.5 or more.
= Heavy rain mode (ON), timer OFF command
Will be issued. Timer is counting at time t2 as shown in FIG.
However, as a result of the determination, the timer count end time t3 is changed to
Without waiting, the timer management unit 6330 of FIG.
The timer OFF process is performed on the -6340. this
The heavy rain mode (ON) and light rain mode (OFF)
The setting is performed according to the procedure shown in the flowchart of FIG.
Do Note that the membership function and evaluation of the method
The contribution ratios a, b,
Bounds high rainfall to some extent by tuning c
Value Yh.
Achieve pump leveling operation and pump energy saving operation
Can be. The reason is that in this method, the delivery time is
There is a time delay before rainwater flows into the pump well
It depends. Variations in forecast accuracy of forecasted rainfall and when it arrives
Incorrect rainfall prediction by tuning in consideration of the delay
Heavy rain mode (ON) → light rain mode (OFF)
Mode switching can be suppressed. The fourth method uses fuzzy data based on inflow data.
This is a mode determination method using evaluation. As shown in FIG.
The actual inflow data calculated by the inflow estimation unit 5
Data and predicted inflow data,
Inflow data to date and predicted inflow shown in rough 6400
Based on the volume data, the degree of each inflow is fuzzy
The mode is determined using the evaluation. As shown in FIG.
The mode determination unit 6 in the method includes a data input unit 6410,
It comprises a part 6420. The data input 6410
Average inflow data section 6411 and predicted inflow data section 64
12 and an inflow (instantaneous value) data section 6413
Is done. The judgment unit 6420 calculates the time average inflow amount fuzzy evaluation.
Price section 6421 and predicted inflow fuzzy evaluation section 6422 and flow
Input (instantaneous value) fuzzy evaluation unit 6423 and evaluation expression unit
6424. As shown in FIG. 14 and FIG.
As shown in FIG.
Input fuzzy evaluator 6422 and inflow (instantaneous value)
The fuzzy evaluation unit 6423 determines the degree of each inflow amount.
Has a membership function to represent. As shown in FIG.
The amount data and the predicted inflow amount data are input to the data
0, each of which is input to the time averaged inflow data section 641
1, predicted inflow amount data section 6412, inflow amount (instantaneous value) data
The data is stored in the data unit 6413 in chronological order. Mode size
The determination is performed in the determination unit every cycle T1. At this time
If the fixed period T1 is long to some extent, the data input unit 64
At 11, a unit time T2 (T2 <T1) is determined in advance.
Inflow data and predicted inflow data may be normalized.
No. Typically, inflow data and predicted inflow data are
Measured / calculated result per unit time, time average inflow, time flat
Since it is converted to the average predicted inflow amount, the mode determination period T
Using the current measurement and calculation cycle data as it is each time
Is also good. For inflow amount (instantaneous value) data,
The flow rate data from the flow rate prediction unit 5 is measured and calculated
Input and store in chronological order, and only the latest instantaneous value data
Used for mode determination. Here, the inflow rate (instantaneous value) data
The unit is [m ^Three / Min], but general inflow
This notation was used as a unit system for quantities. Flow
For the input (instantaneous value) data, the inflow amount prediction unit 5
Unit time depending on the measurement and calculation cycle of
You. FIG. 13 is a graph 6400 showing the transition of the inflow amount.
At time t1 (present), the time-averaged inflow amount becomes the boundary value Qh.
If smaller, the time average inflow (current inflow) and
The state of the measured inflow and the inflow (instantaneous value) is shown in FIG.
Thus, the mode is determined using the fuzzy evaluation. FIG. 13 and FIG.
14 and the flowchart of FIG.
And the inflow amount data input to the data input unit 6410
The predicted inflow data and inflow (instantaneous value) data are
Time average inflow data section 6411, predicted inflow data
Data section 6412, inflow amount (instantaneous value) data section 6413
Fuzzy estimating unit 64
21 and predicted inflow amount fuzzy evaluation unit 6422 and inflow amount
(Instantaneous value) is transmitted to the fuzzy evaluation unit 6423,
The membership function as shown in
Jee is evaluated. The time-averaged inflow membership shown in FIG.
In the loop function, the current (time t1) time average inflow amount is q1
[M ^Three / Min], the degree of belonging is U. prediction
In the inflow volume membership function, the current (time t1)
The predicted inflow amount after the predicted transition period T3 is q2 [m ^Three / Min
], The degree of belonging is V. Predicted inflow volume
The fuzzy evaluation unit 6422 calculates the predicted inflow
Whether to make a judgment based on the estimated transition time T3 is determined in advance.
And The predicted transition time T3 is calculated as the predicted inflow
It shall be determined in consideration of time, prediction accuracy, etc. Inflow
In the (instantaneous value) membership function, the current (time t1)
Flow rate (instantaneous value) is q3 [m ^Three / Min], so
Is W. Now, in the case of FIG. 15, U = 0.8.
6, V = 0.82 and W = 0.48. Next, the evaluation formula section 6424 shown in FIG.
The degree of membership evaluated is transmitted, and the contribution rate a,
The mode determination index S is calculated from b and c. Time flat
A, the contribution rate of the average inflow membership membership
B is the contribution rate of the membership
Value) Assuming that the contribution rate of membership membership is c,
Then, the judgment index S becomes aU + bV + cW. Now a, b,
Let the values of c be a = 0.35 (35%) and b = 0.35, respectively.
(35%), c = 0.3 (30%)
Constant index S = aU + bV + cW = 0.35 × 0.86 + 0.8.
35 x 0.82 + 0.3 x 0.48 = 0.732,
0.732 ≥ 0.5, so judgment = heavy rain mode (ON)
is there. Therefore, as shown in the flowchart of FIG.
At (time t1), the result of the fuzzy evaluation is the judgment criterion S =
0.5 or more, and because it is Yes, the judgment = heavy rain
Mode (ON). As described above, the heavy rain mode (ON) and the light rain mode
(OFF) is shown in the flowchart of FIG.
The procedure is as follows. According to the method, the timer
No mode exists and mode judgment is made, that is, mode switching
become. This is because this method is only for the state of inflow into the pump well.
The rain that falls in drainage area 3
Time to flow into the pump well at the pumping station
) Is considered in the inflow estimation unit 5 in the previous stage.
It is because it is considered. Note that the method
Membership of the barship function and evaluation expression section 6424
By tuning the contribution ratios a, b, and c of the
A relatively high inflow can be used as the boundary value Qh.
Basically leveling operation of pump in light rain mode
Labor saving operation can be realized. The reason is that
Method does not always consider the predicted inflow
So that even if there is some inflow
It is possible to make a judgment
You. Tuning considering the dispersion of the prediction accuracy of the predicted inflow
Rainfall mode due to incorrect inflow prediction
Switching from (ON) to light rain mode (OFF)
Can be suppressed. The fifth method is a new method based on rainfall data.
Mode determination method using neural network evaluation
You. Radar rainfall installed in drainage area 3 as shown in Fig. 17
Rainfall data from rain gauge 1 and ground rain gauge 2 and the rainfall
Input the predicted rainfall data calculated by the rainfall prediction unit 4
And the rainfall up to the present shown in the rainfall transition graph 6500
Of each heavy rainfall based on the rainfall data and the predicted rainfall data
Determine the degree using the neural network evaluation.
Perform settings. As shown in FIG. 18, the mode determination unit 6 in this method
Indicates a data input unit 6510, a determination unit 6520, a timer tube
And a timer 6540. Day
Input unit 6510 is a time average rainfall data input unit (65
11 to 6512) and a predicted rainfall data input unit (65)
13-6514) and rainfall intensity (instantaneous value) data input
(6515 to 6516). Judgment unit 65
20 is a neural network evaluation unit 6521 and
It comprises a mode determination result section 6522. neural
The network evaluation unit 6521 includes an input layer 6521a and an intermediate layer
Three layers composed of 6521b and output layer 6521c
Is a neural network model. Shown in FIG.
The operation of the neural network evaluation unit 6521
Is the time-averaged rainfall normalized (converted to 0-1)
Data, predicted rainfall data, rainfall intensity (instantaneous value) data
The input signal consisting of
21 (instantaneously)
Network model (neural network evaluation unit 65
21) The mode determination index S is output as the output signal of 21).
You. From this neural network evaluation unit 6521
The mode determination index S is stored in the next-stage mode determination result section 6522.
The data is transmitted and the mode is determined as shown in FIG. The following neural network model (new
Operation of the neural network evaluator 6521).
This will be described with reference to FIG. Publicly known JP-A-5-303407
As you can see in the report, Fig. 20 shows the neural network
Model (neural network evaluation unit 6521)
One unit, the neuron element model 6560
Is shown. Here, the input signal X to the neuron element model
, Xn take a value range (0, 1).
The naps loads W1, W2,..., Wn are in the value range (−∞, +
Ii). Here, the i-th input signal Xi
The input Ui transmitted to the neuron element model from Ui = X
If i · Wi, the neuron element model 6560
The total input U is: Is as follows. In addition, the neuron element model 65
The output Y of 60 is: Is given by Where U0 is a neuron
This is the threshold value (bias) of the element model. In the present invention,
The above-described neuron element model 6560 is shown in FIG.
Like the neural network evaluation unit 6521
Output signals from each neuron element model arranged in layers
Is the input signal to each neuron element model in the next layer.
Neural network model with
Network evaluation unit 6521). In the present invention,
When the input signal pattern given to the input layer 6521a is
The signal expected from the output signal from the output layer 6521c is
In other words, intermediate between the two according to the error between them so that they become teacher signals.
Each neuron element of the layer 6521b and the output layer 6521c
Learning algorithm to correct synaptic weight on child model
It is shown. This learning algorithm is a
It is called the paging method (error back propagation method). In the present invention
In the neural network model (neural network
When applying the network evaluation unit 6521) to the mode determination
Is the input signal (each normalized time-averaged rainfall data
Data, predicted rainfall data, rainfall intensity (instantaneous value) data)
Teacher data (mode decision index) corresponding to the input signal
S) with a neural network model (neural network
Network evaluation section 6521).
You. In the present invention, the neural network
Model (neural network evaluation unit 6521)
Learning must be completed before application to the mode determination unit 6.
Good. However, the so-called rain phenomenon is a specific pattern or rule
Optimum in the target drainage area 3 because it does not depend on
Neural network that outputs a simple mode determination index S
Work model (neural network evaluation unit 652)
Periodic re-learning is necessary so as to become 1). Now
At time t1 in the rainfall transition graph 6500 of FIG.
If the inter-average rainfall becomes smaller than the boundary value Yh,
Result of mode judgment using neural network evaluation, time
At the earliest mode determination cycle time after t1, FIG.
Judgment unit 6520 ties timer management unit 6530
Issue a command to turn on the timer (measure until a certain time Δt)
The timer management unit 6530 starts the timer of the timer 6540.
Move. At this time, at time t1, light rain mode (OFF)
Do not switch to. This is only when the method is in rain
The rain that falls in drainage area 3
Time to flow into the pump well at the pumping station
Interval). Next, when determining at time t2 (present)
Is the current rainfall, predicted rainfall, and rainfall intensity (instantaneous value).
Looking at the state, the mode using neural network evaluation
Is determined according to the flow shown in FIG. FIG. 17 and FIG.
8 and the flowchart of FIG. I
The data input unit 6510 always has a fixed time T
Data before 1 and after a certain time T2 are stored.
You. Rainfall data from radar rain gauge 1 and ground rain gauge 2
Data and the predicted rainfall data calculated by the rainfall prediction unit 4.
The data is input to the data input section 6510, and the data
Rainfall data and forecasted rainfall data
The unit time T3 is determined and normalized by the unit time T3 (unit time
Rainfall per interval and estimated rainfall), and
Input values are normalized (converted to 0-1), and time
Average rainfall data input section (6511-6512) and forecast
Time-series data for rainfall data input section (6513-6514)
In addition, it is stored as a discrete value. Or, normal rainfall data
And predicted rainfall data are in units with measured and calculated results
Between hourly average rainfall and hourly average rainfall
Use the current measurement and calculation cycle data
Input value is normalized (converted to 0-1)
Mean rainfall data input section (6511-6512) and
And the predicted rainfall data input section (6513-6514)
It is stored as a series and discrete values. Rain intensity (instantaneous value)
For data, the radar rain gauge 1 and the ground rain gauge 2
Input the rainfall data in the measurement cycle and correct the input value.
Normalization (converted to 0-1), time-series and discrete values
Remember. Data input unit 6510 (Hourly average rainfall data
Data input section (6511-6512) and estimated rainfall data
Data input section (6513-6514) and rainfall intensity (instantaneous
Value) input to the data input section (6515 to 6516)
Data stored in time series and discrete values is
Neural network evaluation unit 6521 for each
Is input to each input layer 6521a, and
The input layer 6521 is evaluated by the operation of the
a from the output layer 6521c via the intermediate layer 6521b.
The code determination index S is output. neural network
The data transmitted from the evaluation unit 6521 to the mode determination result unit 6522
FIG. 19 is a flowchart showing the calculated mode determination index S.
Judge as The model output from the output layer 6521c
Mode index S was 0.5 or more (rainfall transition graph
Expected rainfall exceeds the boundary value Yh as in 6500
Only), so that the current
At present (time t2), neural network evaluation results
It is determined whether the result is equal to or greater than the determination criterion S = 0.5, and the result is Yes.
Judgment = heavy rain mode (ON) and timer OFF
Is issued. At time t2 as shown in FIG.
Although counting was in progress, timer counting ended as a result of determination
Without waiting for time t3, the timer management unit 6530 in FIG.
Timer OFF processing is performed for the timer 6540
You. Thus, heavy rain mode (ON) and light rain mode (OF)
The determination of F) is as shown in the flowchart of FIG.
Perform by the procedure. The neural network evaluation of this method
With the learning of the part 6521, a certain high rainfall
Value Yh.
Achieve pump leveling operation and pump energy saving operation
Can be. The reason is that in this method, the delivery time is
There is a time delay before rainwater flows into the pump well
It depends. Variations in forecast accuracy of forecasted rainfall and when it arrives
By taking into account the delay, learning by mistake in rainfall prediction
Mode from heavy rain mode (ON) to light rain mode (OFF)
Can be switched. The sixth method is a new method based on inflow data.
Mode determination method using neural network evaluation
You. Radar rainfall installed in drainage area 3 as shown in Fig. 21
Inflow data from the rain gauge 1 and the ground rain gauge 2 and the inflow
The predicted inflow data calculated by the flow prediction unit 5 is input.
And the flow up to the present time shown in the inflow change graph 6600
Inflow based on input data and predicted inflow data
Mode of degree of quantity using neural network evaluation
Is determined. As shown in FIG. 22, the mode is determined by this method.
The unit 6 includes a data input unit 6610 and a determination unit 6620
Is done. The data input unit 6610 stores the time average inflow data.
Data input part (6611-1661) and predicted inflow amount data input
Force part (6613-6614) and inflow amount (instantaneous value)
Data input section (6615-6616). Size
The determination unit 6620 includes a neural network evaluation unit 662
1 and a mode determination result section 6622. D
The neural network evaluation unit 6621 includes an input layer 662
1a, an intermediate layer 6621b and an output layer 6621c.
It is a three-layer neural network model formed. As shown in FIG. 22, the neural network
The operation of the network evaluator 6621 is normalized (converted to 0-1).
Calculated) hourly inflow data, predicted inflow data,
The input signal consisting of inflow (instantaneous value) data is
Presented (added) to the network evaluation unit 6621
And instantaneous neural network model (neural
Mode as output signal of network evaluation unit 6621)
The judgment index S is output. This neural network
The mode determination index S from the evaluation unit 6621 is set to the next stage mode.
The result is transmitted to the determination result section 6622, and the mode as shown in FIG.
Perform a judgment on Neural network model (new
The operation of the neural network evaluation unit 6621) is as follows.
This is as described in detail in the aforementioned fifth method. Above
The 20 neuron element models 6560 are neural networks.
Network model (neural network evaluation unit 662)
This is one unit constituting 1). In the present invention, the neuron element model described above is used.
Dell 6560 is connected to the neural network shown in FIG.
As shown in FIG.
The output signal from the neuron element model is applied to each neuron element in the next layer.
Neural network with configuration as input signal to model
Work model (neural network evaluation unit 6621) and
I do. In the present invention, a certain input signal pattern is input.
When applied to layer 6621a, output from output layer 6621c
Make the force signal the expected signal, that is, the teacher signal
The intermediate layer 6621b and the output layer
Synapse load on each neuron element model of 6621c
Is shown. This learning
The algorithm is a back propagation method (error back propagation
Law). In the present invention, the neural network
Model (neural network evaluation unit 6621)
When applied to code determination, the input signal (each normalized
Time average inflow data, predicted inflow data, inflow
(Instantaneous value) data) and teacher data corresponding to the input signal
Data (mode determination index S) to the neural network model
(Neural network evaluation unit 6621)
You need to keep it. In the present invention, the neural network
Network model (neural network evaluation unit 66)
The learning of 21) is completed before application to the mode determination unit 6.
Let me know. However, the phenomenon of inflow into the pump well is rainfall
And do not depend on specific patterns or rules.
Therefore, the optimal mode
A neural network model that outputs a constant index S
(Neural Network Evaluator 6621)
Regular re-learning is necessary. Now, the inflow amount transition graph 6600 in FIG.
In this case, the time average inflow amount at time t1 (present) is the boundary value Yh
If smaller, neural network evaluation
The case where the mode determination using is performed will be described. Head
Method, current inflow, predicted inflow and inflow (instantaneous value)
Mode using neural network evaluation
Is determined according to the flow shown in FIG. FIG. 21 and
This will be described with reference to the flowcharts of FIGS.
You. Now the data input section 6610 always has
Data before the fixed time T1 and after the fixed time T2 are stored
Have been. Measured and calculated by the inflow rate prediction unit 5
Data input unit 6 for inflow data and predicted inflow data
610, and among these data, the inflow amount data and
A unit time T3 is determined in advance for the predicted inflow data.
And normalized by the unit time T3 (inflow per unit time and
Input value) and normalization of input values (0-
1) and input the time average inflow data
(6611-6612) and predicted inflow data input
Section (6613-6614) in time series and discrete values
Remember Or, normal inflow data and predicted inflow
Data is averaged over a unit time with measured and calculated results
Volume and time-average predicted inflow volume.
Input value normalization using current measurement / calculation cycle data
(Converted to 0-1), and time averaged inflow data
Input unit (6611-1661) and estimated inflow data
Time series and discrete values are input to the input units (6613 to 6614).
To memorize. For inflow amount (instantaneous value) data,
The inflow data measured and calculated by the inflow prediction unit 5 is
Input at the measurement / calculation cycle of
Conversion) and stores the data in a time-series and discrete manner. Day
Data input unit 6610 (time average inflow data input unit (66
11 to 6612) and a predicted inflow data input unit (66)
13-6614) and inflow amount (instantaneous value) data input section
(6615-6616)) and time-series and discrete values
The stored data is updated every time the mode is determined.
Input layer 6 in the network evaluation unit 6621
621a, and is operated by the above-described operation of the neuron element.
From the input layer 6621a to the intermediate layer 6621b
, The mode determination index S is output from the output layer 6621c.
It is. The neural network evaluation unit
Mode determination index S transmitted to mode determination result unit 6622
Is determined according to the flowchart shown in FIG. Now
The mode determination index S output from the output layer 6621c is
It was more than 0.5 (as shown in the transition graph 6600
(If the predicted inflow is expected to exceed the boundary value Qh)
Then, as shown in the flow chart of FIG.
In which the evaluation result of the neural network is the criterion S =
0.5 or more, and because it is Yes, the judgment = heavy rain
Mode (ON). Thus, heavy rain mode (ON),
The determination of the light rain mode (OFF) is shown in the flowchart of FIG.
The procedure is as follows. In addition, according to this method
If there is no timer, the mode
Switching. This is because this method reduces the inflow to the pump well.
Because we focus only on the condition, the rainfall in drainage area 3
Time to flow into the pump well of the rainwater drainage pump station
Regarding (delivery time), the inflow amount prediction unit 5
This is because it is considered in the above. The neural network evaluation unit 6 of the present method
621, a relatively high inflow rate is applied to the boundary value Q.
h can be basically pump in light rain mode
Leveling operation and labor-saving operation of the pump can be realized.
Wear. The reason is that the method always predicts inflow
Some inflow due to volume considerations
Even if there is a deviation in the volume, it is possible to make a judgment
Depends on availability. Variations in forecast accuracy of forecast inflow
By learning in consideration of
Flow from inflow mode (ON) to light rain mode (OFF)
Can be switched. In the present invention, as described above, there are six modes.
Mode determination by the mode determination unit 6
For a stormwater drainage pump station control system that is performed dynamically
I explained it. The effect of this mode decision is
Two types of evaluation function groups provided in the driving plan evaluation unit 12
And its diversity. That is, publicly known JP-A-5-265
513 or JP-A-5-303407
Thus, the pump station control output (based on the operation plan 10)
Calculated by the driving plan simulation section 11
Discharge rate, cumulative operation time, operation switching for each pump
Difference in power and required power) for parameter evaluation.
Evaluate the fitness of evaluation using the membership function, and
Parameter to the evaluation conformance effectiveness (contribution rate)
In (load)) and evaluate as a comprehensive evaluation index
Method, discharge amount, cumulative operation time, operation switching amount, location
Heavy rain mode or light rain for each power requirement difference
In the mode, different evaluation functions (so-called non-fuzzy
Function approximated by a mathematical formula) and weighting factors for overall evaluation
It is possible to adopt a method of evaluating using the method. The present invention has the following effects.
You. (1) By judging the amount of inflow into the pump well
Different pump operation targets during heavy rain and light rain
Can be set and operated. (2) The evaluation items for the driving combination plan are clear.
The control system has a clear control
Stem can be realized. (3) Simulating a large number of driving plan cases
The optimal control output (operation
Method) to determine the driving plan, so the driving plan and
And consider all possible cases
And give the operator a sense of security and satisfaction. (4) Driving plan simulation
Simulated by mathematical model, control rules, etc.
The operation plan that is finally selected depends on the control mechanism.
Because it is clear at an early stage (a lot of driving plans
A pump control method that selects one operation plan from the
Control) regardless of the characteristics of the evaluation function group.
The mechanism is easy to understand. (5) The evaluation function group includes an evaluation item, a control purpose,
Tuning based on the relationship
It is possible to construct a control method that is easy to use. (6) Predict the inflow to the pump well and
Various simulations based on the operating conditions of
Rainwater operated according to the evaluation and decision plan considering the case
The control method of the drainage pump station can be realized.

【図面の簡単な説明】 【図１】雨水排水ポンプ所制御システムの構成図。 【図２】雨水排水ポンプ所システムの概要を示す説明
図。 【図３】現在までの降雨量推移＋予測降雨量推移による
判定を示す図。 【図４】現在までの降雨量推移＋予測降雨量推移による
判定モード判定部の構成図。 【図５】現在までの降雨量推移＋予測降雨量推移による
判定（フローチャート）を示す図。 【図６】現在までの流入量推移＋予測流入量推移による
判定を示す図。 【図７】現在までの流入量推移＋予測流入量推移による
判定モード判定部の構成図。 【図８】現在までの流入量推移＋予測流入量推移による
判定（フローチャート）を示す図。 【図９】降雨量データによるファジィ評価を用いた判定
を示す図。 【図１０】降雨量データによるファジィ評価を用いた判
定モード判定部の構成図。 【図１１】降雨データによるファジィ評価を用いた判定
を示す図。 【図１２】降雨量データによるファジィ評価を用いた判
定（フローチャート）を示す図。 【図１３】流入量データによるファジィ評価を用いた判
定を示す図。 【図１４】流入量データによるファジィ評価を用いた判
定モード判定部の構成図。 【図１５】流入量データによるファジィ評価を用いた判
定（メンバーシップ関数）を示す図。 【図１６】流入量データによるファジィ評価を用いた判
定（フローチャート）を示す図。 【図１７】降雨量データによるニューラルネットワーク
評価を用いた判定を示す図。 【図１８】降雨量データによるニューラルネットワーク
評価を用いた判定モード判定部の構成図。 【図１９】降雨量データによるニューラルネットワーク
評価を用いた判定（フローチャート）を示す図。 【図２０】ニューロン素子モデルを示す図。 【図２１】流入量データによるニューラルネットワーク
評価を用いた判定を示す図。 【図２２】流入量データによるニューラルネットワーク
評価を用いた判定モード判定部の構成図。 【図２３】流入量データによるニューラルネットワーク
評価を用いた判定（フローチャート）を示す図。 【符号の説明】 １…レーダ雨量計、２…地上雨量計、３…排水区域、４
…降雨量予測部、５…流入量予測部、６…モード判定
部、７…管渠内水位計、８…ポンプ井水位、９…ポンプ
所内計測値、１０…運転方案、１１…運転方案シミュレ
ーション部、１２…運転方案評価部、１３…大雨モード
用評価関数群、１４…小雨モード用評価関数群、１５…
ポンプ台数制御（制御出力）ポンプ運転量、２１…雨水
排水ポンプ制御装置、２２…下水管渠、２３…ポンプ
井、２４…固定ポンプ（回転速度固定能力ポンプ）、２
５…可変ポンプ（回転速度可変能力ポンプ）、２６…河
川水位。BRIEF DESCRIPTION OF THE DRAWINGS FIG. 1 is a configuration diagram of a rainwater drainage pump station control system. FIG. 2 is an explanatory diagram showing an outline of a rainwater drainage pump station system. FIG. 3 is a diagram showing a determination based on a change in rainfall up to now + a change in predicted rainfall. FIG. 4 is a configuration diagram of a determination mode determination unit based on a change in rainfall to date + a change in predicted rainfall. FIG. 5 is a diagram showing a determination (flowchart) based on a change in rainfall up to now + a change in predicted rainfall. FIG. 6 is a diagram showing a determination based on a change in inflow amount up to now + a change in predicted inflow amount. FIG. 7 is a configuration diagram of a determination mode determination unit based on a change in inflow amount up to now + a change in predicted inflow amount. FIG. 8 is a diagram showing a determination (flowchart) based on a change in inflow amount up to now + a change in predicted inflow amount. FIG. 9 is a diagram showing determination using fuzzy evaluation based on rainfall data. FIG. 10 is a configuration diagram of a determination mode determination unit using fuzzy evaluation based on rainfall data. FIG. 11 is a diagram showing determination using fuzzy evaluation based on rainfall data. FIG. 12 is a diagram showing a determination (flow chart) using fuzzy evaluation based on rainfall data. FIG. 13 is a diagram showing determination using fuzzy evaluation based on inflow amount data. FIG. 14 is a configuration diagram of a determination mode determination unit using fuzzy evaluation based on inflow amount data. FIG. 15 is a diagram showing a judgment (membership function) using fuzzy evaluation based on inflow amount data. FIG. 16 is a diagram showing a determination (flowchart) using fuzzy evaluation based on inflow amount data. FIG. 17 is a diagram showing determination using neural network evaluation based on rainfall data. FIG. 18 is a configuration diagram of a determination mode determination unit using neural network evaluation based on rainfall data. FIG. 19 is a diagram showing a determination (flowchart) using neural network evaluation based on rainfall data. FIG. 20 is a diagram showing a neuron element model. FIG. 21 is a diagram showing determination using neural network evaluation based on inflow amount data. FIG. 22 is a configuration diagram of a determination mode determination unit using neural network evaluation based on inflow amount data. FIG. 23 is a diagram showing a determination (flowchart) using neural network evaluation based on inflow amount data. [Description of Signs] 1 ... Radar rain gauge, 2 ... Ground rain gauge, 3 ... Drainage area, 4
... rainfall forecasting unit, 5 ... inflow forecasting unit, 6 ... mode determining unit, 7 ... pipe water level gauge, 8 ... pump well water level, 9 ... pump station measured value, 10 ... operation plan, 11 ... operation plan simulation Unit, 12: Driving plan evaluation unit, 13: Heavy rain mode evaluation function group, 14: Light rain mode evaluation function group, 15:
Pump number control (control output) Pump operation amount, 21 ... Rainwater drainage pump control device, 22 ... Sewer pipe, 23 ... Pump well, 24 ... Fixed pump (rotation speed fixed capacity pump), 2
5: Variable pump (rotation speed variable capacity pump), 26: River water level.

───────────────────────────────────────────────────── フロントページの続き (72)発明者 依田 幹雄 茨城県日立市大みか町五丁目２番１号 株式会社 日立製作所 大みか工場内 (56)参考文献 特開 昭64−19402（ＪＰ，Ａ) 特開 昭55−59508（ＪＰ，Ａ) 特開 平７−305694（ＪＰ，Ａ) 特開 平６−250705（ＪＰ，Ａ) 特開 平６−129361（ＪＰ，Ａ) 特開 平６−102911（ＪＰ，Ａ) 特開 平５−346807（ＪＰ，Ａ) 特開 平５−311727（ＪＰ，Ａ) 特開 平５−306684（ＪＰ，Ａ) 特開 平５−303407（ＪＰ，Ａ) 特開 平５−265513（ＪＰ，Ａ) 特開 平５−263767（ＪＰ，Ａ) 特開 平５−156689（ＪＰ，Ａ) 特開 平５−134715（ＪＰ，Ａ) 特開 平３−271816（ＪＰ，Ａ) 特開 平３−99303（ＪＰ，Ａ) 特開 平２−233890（ＪＰ，Ａ) 特開 平２−9967（ＪＰ，Ａ) 特開 平１−246601（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁷，ＤＢ名) F04B 49/00 - 49/10 F04D 15/00 E03F 1/00 G05B 13/02 ──────────────────────────────────────────────────続 き Continuing from the front page (72) Inventor Mikio Yoda 5-2-1 Omika-cho, Hitachi City, Ibaraki Prefecture Hitachi, Ltd. Omika Plant (56) References JP-A-64-19402 (JP, A) JP-A-55-59508 (JP, A) JP-A-7-305694 (JP, A) JP-A-6-250705 (JP, A) JP-A-6-129361 (JP, A) JP-A-6-102911 ( JP, A) JP-A-5-346807 (JP, A) JP-A-5-31727 (JP, A) JP-A-5-306684 (JP, A) JP-A-5-303407 (JP, A) JP-A-5-265513 (JP, A) JP-A-5-263767 (JP, A) JP-A-5-156689 (JP, A) JP-A-5-134715 (JP, A) JP-A-3-271816 (JP) JP-A-3-99303 (JP, A) JP-A-2-233890 (JP, A) JP-A-2-9967 (JP, A) JP-A-1-246601 (JP, A) (58) Fields investigated (Int. Cl. ⁷ , DB name) F04B 49/00-49/10 F04D 15/00 E03F 1 / 00 G05B 13/02

Claims (1)

(57)【特許請求の範囲】 【請求項１】降雨量計測値をもとに排水区域内の降雨量
および流入量を予測する手段と、降雨量計測値と予測降
雨量，排水区域内の実績流入量と予測流入量，現在の管
渠内水位計測値，ポンプ井水位計測値，ポンプ運転状態
及び河川水位計測値を入力とし、複数のポンプ運転組合
せ案の一つ一つをシミュレーションするポンプ群運転組
合せ案作成手段と、前記ポンプ群運転組合せ案に対して
ポンプ井水位，ポンプ運転時間のばらつき，ポンプ運転
切替量，所要電力量より選ばれた複数の評価項目につい
て評価関数群により評価を行い最適な運転組合せ案を抽
出決定するポンプ群運転組合せ案決定手段とを備えた雨
水排水ポンプ所制御システムにおいて、現在の降雨量計
測値と将来の予測降雨量の推移の組合わせ、又は、現在
の実績流入量と将来の予測流入量の推移の組合わせ、の
どちらか一方の組合わせをもとに大雨モードか小雨モー
ドかを判定する判定手段と、前記判定手段によって前記
ポンプ群運転組合せ案決定手段の評価関数群を切り替え
る手段とを設けたことを特徴とする雨水排水ポンプ所制
御システム。(57) [Claims] [Claim 1] Means for predicting the amount of rainfall and inflow in a drainage area based on a measured value of rainfall; A pump that simulates each of multiple pump operation combinations by taking the actual and predicted inflows, the current water level measurement in the sewer, the pump well water level, the pump operation status, and the river water level measurement. Means for preparing a group operation combination plan, and evaluating a plurality of evaluation items selected from the pump well water level, variation in pump operation time, pump operation switching amount, and required power amount by the evaluation function group for the pump group operation combination plan. in rainwater drainage pump plant control system comprising a pump unit operating combination plan determination means for extracting determine performs optimum operating combination plan, current rainfall measurement and combination of future predicted rainfall changes, or Current
Actual inflow and the combination of the future of the predicted inflow of transition, based on large rain mode or small rain mode either one of the combination of
Determining means for determining de, the determination means rainwater drainage pump plant control system characterized in that a means for switching the evaluation function group of the pump group operation combination plan determining means by.