JP4109303B2 - Tunnel ventilation control method and apparatus - Google Patents
Tunnel ventilation control method and apparatus Download PDFInfo
- Publication number
- JP4109303B2 JP4109303B2 JP2006298513A JP2006298513A JP4109303B2 JP 4109303 B2 JP4109303 B2 JP 4109303B2 JP 2006298513 A JP2006298513 A JP 2006298513A JP 2006298513 A JP2006298513 A JP 2006298513A JP 4109303 B2 JP4109303 B2 JP 4109303B2
- Authority
- JP
- Japan
- Prior art keywords
- tunnel
- error
- trend
- prediction
- carbon monoxide
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Ventilation (AREA)
- Feedback Control In General (AREA)
Description
本発明は、トンネル内を換気する制御装置の制御方法に係り、とりわけ制御モデルを用いた予測制御の高度化により制御精度を向上させる手法に関する。 The present invention relates to a control method for a control device for ventilating a tunnel, and more particularly to a method for improving control accuracy by sophisticating predictive control using a control model.
トンネル内の換気挙動を記述した物理モデルを用いてトンネル換気制御を高精度に行う従来手法として、例えば特開平5−321598号公報に示されているように、物理モデルを用いて将来のトンネル内部の汚染状態を予測し、予測結果をファジィ推論で評価した結果から排風機やジェットファンの運転状態を決定する方法があった。特開平5−321598記載の手法では、物理モデルが実際のトンネル内の物理挙動に対応している場合には精度の良い制御が行えるが、対応の度合いが低下している場合には、この度合いに応じて制御精度が低下する問題がある。測定できない自然風の影響を始め、車の汚染物質排気量のバラツキ等、種々の不確定要素があるため、モデルに依存した制御では良好な制御が継続できない場合が多い。 As a conventional method for performing tunnel ventilation control with high accuracy using a physical model describing the ventilation behavior in the tunnel, as shown in, for example, Japanese Patent Laid-Open No. 5-321598, There was a method to determine the operating state of the exhaust fan and jet fan from the result of predicting the pollution state of the air and evaluating the prediction result by fuzzy reasoning. In the method described in Japanese Patent Laid-Open No. 5-321598, when the physical model corresponds to the physical behavior in the actual tunnel, accurate control can be performed, but when the degree of correspondence decreases, this degree Accordingly, there is a problem that the control accuracy is lowered. Since there are various uncertain factors such as the influence of natural winds that cannot be measured and variations in vehicle pollutant displacement, good control cannot often be continued with model-dependent control.
さらに特開平5−141200号公報記載に示されているように、ニューラルネットを用いた学習によりトンネルプロセス特性の経年変化に対してもモデル精度を維持することで制御精度を向上させる手法があった。モデルを学習することで性能向上を図る特開平5−141200号公報記載の手法では、学習によるモデルと制御対象の合わせ込みでモデル誤差を低減できる場合がある。しかしながら上述したバラツキの効果も同様に学習してしまう場合がある。この場合は学習によりモデルの特性を変えることが逆に長期間に渡って制御精度を悪化させてしまう場合がある。 Furthermore, as disclosed in Japanese Patent Laid-Open No. 5-141200, there has been a technique for improving control accuracy by maintaining model accuracy against aging of tunnel process characteristics by learning using a neural network. . In the method described in Japanese Patent Laid-Open No. 5-141200, which improves the performance by learning a model, there are cases where the model error can be reduced by combining the model and the control target by learning. However, the above-described variation effect may be learned as well. In this case, changing the characteristics of the model by learning may adversely affect the control accuracy over a long period of time.
制御モデルを用いて算出した予測結果は、たとえ精緻な制御モデルが使われていても、モデル化されていない要因や測定不能な種々の影響、外乱等により、必ずしも常に高精度な結果が得られるとは限らない。 Prediction results calculated using a control model will always provide accurate results due to unmodeled factors, various effects that cannot be measured, disturbances, etc., even if precise control models are used. Not necessarily.
また、制御モデルに学習機能が組み込まれている場合には、モデル化対象(実体)の経年変化に対応した制御モデルのパラメータ変更がある程度は可能であるが、勿論完璧ではなく、また何らかの一時的な変化があった場合にはこれにも対応してしまい、一時的変化が解消し通常状態に復帰した後の制御モデルの算出した予測精度は著しく低下してしまう。 In addition, when the learning function is incorporated in the control model, it is possible to change the parameters of the control model in response to the secular change of the modeling target (entity). If there is a slight change, this will be dealt with, and the prediction accuracy calculated by the control model after the temporary change is resolved and the normal state is restored will be significantly reduced.
本発明の目的は、制御モデルを用いて算出した予測結果の予測精度向上させ、これを制御に用いることにより、トンネル換気制御装置における制御精度の劣化を防止させることにある。 An object of the present invention is to improve the prediction accuracy of a prediction result calculated using a control model, and to prevent deterioration of control accuracy in a tunnel ventilation control device by using this for control.
この発明に係る第1のトンネル換気制御装置は、トンネル内の煤煙濃度及び一酸化炭素濃度等の状態量を予測する予測演算部と、該予測結果を用いてジェットファン及び排風機等の運転量を決定する運転決定部を備えたトンネル換気制御装置において、該トンネルから検出した煤煙濃度及び一酸化炭素濃度等の状態量の実績値とジェットファンや排風機等の運転実績から予測結果に含まれる誤差の大きさを算出する予測誤差算出部を備え、該算出した予測誤差を用いて該予測演算部の出力を補償して制御に用いるものである。 A first tunnel ventilation control device according to the present invention includes a prediction calculation unit that predicts state quantities such as smoke concentration and carbon monoxide concentration in a tunnel, and operation amounts of a jet fan, an exhaust fan, and the like using the prediction results. In a tunnel ventilation control device having an operation determining unit for determining the state, it is included in the prediction result from the actual values of the state quantities such as the smoke concentration and the carbon monoxide concentration detected from the tunnel and the operation results of the jet fan, the exhaust fan, etc. A prediction error calculation unit for calculating the magnitude of the error is provided, and the output of the prediction calculation unit is compensated for using the calculated prediction error for control.
またこの発明に係る第2のトンネル換気制御装置は、上記第1の記載において、前記予測誤差算出部が、トンネル内の煤煙濃度及び一酸化炭素濃度等の状態量の振舞いを記述した予測モデルを用いて該煤煙濃度及び一酸化炭素濃度等の状態量を予測するものである。 In the second tunnel ventilation control device according to the present invention, in the first description, the prediction error calculation unit is a prediction model in which behaviors of state quantities such as smoke concentration and carbon monoxide concentration in the tunnel are described. It is used to predict state quantities such as smoke concentration and carbon monoxide concentration.
またこの発明に係る第3のトンネル換気制御装置は、上記第1〜2のいずれか一記載において、前記予測誤差算出部に、該トンネルから検出した煤煙濃度や一酸化炭素濃度等の状態量の実績値と該予測演算部の演算により煤煙濃度や一酸化炭素濃度等の状態量を推定するオブザーバと、オブザーバの出力を時系列トレンドとして編集する推定トレンド生成部と、該推定値に対応した煤煙濃度や一酸化炭素濃度の実績値を時系列トレンドとして編集する実績トレンド生成部と、実績トレンドと推定トレンドの差分を算出し誤差トレンドとして編集する誤差トレンド算出部と、該誤差トレンドの情報から予測誤差を推定する予測誤差推定部を備えているものである。 Moreover, the 3rd tunnel ventilation control apparatus which concerns on this invention is the prediction error calculation part in any one of said 1st-2nd. WHEREIN: State quantities, such as a smoke density | concentration detected from this tunnel, and a carbon monoxide density | concentration, An observer that estimates state quantities such as smoke concentration and carbon monoxide concentration by calculation of the actual value and the prediction calculation unit, an estimated trend generation unit that edits the output of the observer as a time series trend, and a smoke corresponding to the estimated value Predicted from information on error trend, actual trend generation unit that edits actual values of concentration and carbon monoxide concentration as time series trend, error trend calculation unit that calculates difference between actual trend and estimated trend, and edits as error trend A prediction error estimation unit for estimating the error is provided.
また、この発明に係る第4のトンネル換気制御装置は、上記第1〜3のいずれか一記載において、前記予測誤差推定部が、前記誤差トレンドの各誤差の値を重み付け加算することで予測誤差を算出するものである。 Moreover, the 4th tunnel ventilation control apparatus which concerns on this invention is a prediction error because the said prediction error estimation part weights and adds each error value of the said error trend in any one of the said 1-3. Is calculated.
また、この発明に係る第5のトンネル換気制御装置は、上記第3〜4のいずれか一記載において、前記予測誤差算出部に、前記誤差トレンドの自己相関を算出する自己相関算出部を備え、算出された自己相関の大きさにしたがって前記予測誤差算出部の出力を制限するものである。 Moreover, the 5th tunnel ventilation control apparatus which concerns on this invention is equipped with the autocorrelation calculation part which calculates the autocorrelation of the said error trend in the said prediction error calculation part in any one of the said 3rd-4th, The output of the prediction error calculation unit is limited according to the calculated autocorrelation.
また、この発明に係る第6のトンネル換気制御装置は、上記第3〜4のいずれか一記載において、前記の予測誤差算出部が、前記誤差トレンドの自己相関を算出する自己相関算出部を備え、算出された自己相関があらかじめ定められた値より小さい場合には前記予測誤差算出部の出力を無効とするものである。 Moreover, the 6th tunnel ventilation control apparatus which concerns on this invention is provided with the autocorrelation calculation part in which the said prediction error calculation part calculates the autocorrelation of the said error trend in any one of said 3rd-4th. When the calculated autocorrelation is smaller than a predetermined value, the output of the prediction error calculation unit is invalidated.
また、この発明に係る第7のトンネル換気制御装置は、上記第1〜6のいずれか一記載において、前記予測誤差算出部が、車両の通行量や大型車比の変化量を判定する通行量変化量判定部を備え、車両の通行量や大型車比の変化量が大きい場合には前記予測誤差算出部の出力を制限するかあるいは無効とするものである。 Further, a seventh tunnel ventilation control device according to the present invention is the traffic volume according to any one of the first to sixth aspects, wherein the prediction error calculation unit determines a traffic amount of a vehicle and a change amount of a large vehicle ratio. A change amount determination unit is provided to limit or invalidate the output of the prediction error calculation unit when the amount of vehicle traffic or the change in large vehicle ratio is large.
また、この発明に係る第8のトンネル換気制御方法は、トンネル内の煤煙濃度及び一酸化炭素濃度等の状態量の振舞いを予測するとともに、該トンネルから検出した煤煙濃度や一酸化炭素濃度の状態量の実績値とジェットファンや排風機等の運転実績から予測結果の誤差を算出し、予測値を誤差で補償した結果にしたがってジェットファン及び排風機等の運転量を決定するものである。 In addition, the eighth tunnel ventilation control method according to the present invention predicts the behavior of state quantities such as the smoke concentration and carbon monoxide concentration in the tunnel, and the state of the smoke concentration and carbon monoxide concentration detected from the tunnel. The error of the prediction result is calculated from the actual value of the amount and the operation result of the jet fan, the exhaust fan, etc., and the operation amount of the jet fan, the exhaust fan, etc. is determined according to the result of compensating the predicted value with the error.
また、この発明に係る第9のトンネル換気制御方法は、上記第8の記載において、前記トンネルから検出した煤煙濃度や一酸化炭素濃度等の状態量の実績値と前記予測演算部で算出した煤煙濃度や一酸化炭素濃度等の状態量の推定値を時系列トレンドとして編集するとともに、該推定値に対応した煤煙濃度や一酸化炭素濃度等の状態量の実績値を時系列トレンドとして編集し、実績トレンドと推定トレンドの差分を誤差トレンドとして編集し、誤差トレンドの情報から予測演算結果の誤差を推定するものである。 According to a ninth tunnel ventilation control method of the present invention, in the eighth aspect, the actual value of the state quantity such as the smoke concentration and the carbon monoxide concentration detected from the tunnel and the smoke calculated by the prediction calculation unit. Edit the estimated value of the state quantity such as concentration and carbon monoxide concentration as a time series trend, and edit the actual value of the state quantity such as smoke concentration and carbon monoxide concentration corresponding to the estimated value as a time series trend, The difference between the actual trend and the estimated trend is edited as an error trend, and the error of the prediction calculation result is estimated from the error trend information.
本発明によれば、直近のモデル誤差のみに着目して予測モデルの出力を補正する予測誤差算出部を設けたことにより、誤差を補正された高精度な予測結果を用いて運転案の選択を行うことができる。したがって運転案の選択を適切に行うことができ、制御精度を向上できる。またモデルパラメータ学習と異なり、モデル誤差の補償結果がモデル内に蓄えられることはない。したがって検出値のバラツキ等が後々の予測結果に悪影響を与えることはなく、安定した制御を継続することができる。 According to the present invention, by providing a prediction error calculation unit that corrects the output of the prediction model by paying attention only to the most recent model error, an operation plan can be selected using a highly accurate prediction result in which the error is corrected. It can be carried out. Therefore, the operation plan can be appropriately selected, and the control accuracy can be improved. Unlike model parameter learning, model error compensation results are not stored in the model. Therefore, variations in detected values do not adversely affect the subsequent prediction results, and stable control can be continued.
以下、本発明の実施例を図にしたがって詳細に説明する。 Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.
図1に本発明の第1の実施例を示す。 FIG. 1 shows a first embodiment of the present invention.
本実施例では、ジェットファン154や排風機155の運転形態にしたがってトンネル151内の風向・風速や煤煙濃度の状態量を予測する予測演算部102、得られた予測結果の望ましさに加えてエネルギー消費量や機器(ジェットファン154、排風機155)の起動/停止回数の小ささを定量的に評価する運転案評価部105、評価結果を総合的に加味して運転方式を決定する運転方式決定部106を備えたトンネル換気制御装置100に、直近の予測結果と対応した状態量の実績値のみに着目して予測誤差の時系列を生成し、これにしたがって予測演算部の予測結果を補正する予測誤差算出部104を設けた。以下詳細に説明する。
In this embodiment, the
制御装置100は何通りかの次回の運転案(ジェットファン154、排風機155の起動の有無、風量等)を決定し出力する運転案生成部101、運転案生成部101の出力した運転案を採用した場合にどのような風向・風速、煤煙濃度、CO濃度になるかを予測し、さらにエネルギー消費量、ジェットファン154、排風機155の起動停止回数を予測モデル103を用いて算出する予測演算部102、運転案生成部101の出力した運転案および制御対象150から検出した検出値を用いてモデル誤差を演算し補償する予測誤差算出部104、予測演算部102の結果を予測誤差算出部104で補償した結果にしたがって運転案を評価する運転案評価部105、運転案の評価結果にしたがって次回の運転方式を決定する運転方式決定部106から構成される。
The
また制御の目的はトンネル151の内部の空気を適切に換気することであり、本実施例では一方通行のトンネルに対して、縦流式と呼ばれるトンネルの長手方向に空気の流れを作り換気するシステムを例に説明する。 The purpose of the control is to properly ventilate the air inside the tunnel 151. In this embodiment, a system that creates a ventilation in the longitudinal direction of the tunnel, called a longitudinal flow type, and ventilates the one-way tunnel. Will be described as an example.
空気の流れを作るためにジェットファン154、排風機155が取り付けられている。いずれも複数台取り付けられることが多い。汚染気体をトンネル151の外に出す操作は、主として排風機155が行う。すなわち排風機155は上向きに風を送り、トンネル151内の空気を立杭153を通してトンネル外に排出する。一方ジェットファン154は車の進行方向に対して逆方向の風を送ることにより、杭口152からの汚染空気の漏れだし量を最小化する。
A
本実施例でトンネル内には、以下の検出器が取り付けられている。トンネル内に侵入する車両の台数、速度、大型車混入比はトラフィックカウンタ162で事前に検出する。また風向、風力はAV計156、157で、煤煙濃度はVI計158、159で、さらにCO濃度はCO計160、161で検出する。以下風向、風力の値をAV値と称する。一般のトンネルではこの程度の検出器が取り付けられている。
In the present embodiment, the following detectors are installed in the tunnel. The traffic counter 162 detects the number of vehicles entering the tunnel, the speed, and the mixing ratio of large vehicles in advance. The wind direction and wind force are detected by AV meters 156 and 157, the smoke concentration is detected by
制御装置100は、検出器からの信号でトンネル内の現在の状態を検出しつつ、予測モデル103を用いて将来の状態を予測し、適切な排風機155、ジェットファン154の運転形態を決定する。
The
図2に運転案生成部101が実行するアルゴリズムを示す。まずS2−1で運転方式決定部106から現在の運転方式を取りこむ。これをもとに可能となる次回の運転案を複数生成する。たとえば「排風機1台運転、風量200m3/分、ジェットファン2台高速運転」のような案をいくつか生成する。通常は現在の運転方式近傍の運転方式を運転案として生成すれば良いが、煤煙濃度が大きく変化した場合には、広い範囲で多くの運転案を生成し、選択範囲を広げる必要性が生じる場合もある。
FIG. 2 shows an algorithm executed by the operation
図3に予測演算部102が実行するアルゴリズムを示す。S3−1で制御対象150の各センサから現在の状態量の実績値を取りこむ。また運転案生成部101から次回の運転案を取りこむ。運転案は通常複数生成されているが、その場合は各運転案に対して以下の処理を同じく行うことになる。S3−2でトンネル内各部の風速を算出する。計算方法は例えば「道路トンネル技術基準(換気編)・同解説」(社団法人 日本道路境界編、昭和60年12月)に詳しいが、トンネル内をいくつかのメッシュに分割した上でトンネル内の気体流れのダイナミクスを記述した(数1)を用いることで数値解析的に解くことができる。
FIG. 3 shows an algorithm executed by the
S3−3でトンネル内部の煤煙濃度(VI値)、CO濃度(CO値)を算出する。各濃度は(数2)の対流拡散方程式に従うことが知られている。 In S3-3, the smoke concentration (VI value) and CO concentration (CO value) inside the tunnel are calculated. Each concentration is known to follow the convection diffusion equation of (Equation 2).
同様にトンネル内をいくつかのメッシュに分割した上で、S3−2で得た風速をuに適用し、さらに境界条件として杭口152のVI、CO値を0とすることで、トンネル各部位のVI、CO濃度を得ることが解くことができる。 Similarly, after dividing the tunnel into several meshes, the wind speed obtained in S3-2 is applied to u, and the VI and CO values of the pile mouth 152 are set to 0 as boundary conditions. It can be understood that the VI and CO concentrations can be obtained.
さらにS3−4で取りこんだ運転案に対して、ジェットファン154、排風機155を動作させるのに必要な電力消費量を算出する。(数3)に示すように出力を用いた簡単な数式で表すことができる。
Furthermore, the electric power consumption required for operating the
また取りこんだ運転案に対して、ジェットファン154、排風機155の運転台数が変化するかどうかを調べ、起動停止回数を算出する。ジェットファン154の運転台数を現在の運転台数に対して1台起動もしくは停止させる必要がある場合には、起動回数を1とする等で、簡単に対応付けることができる。
Further, for the operation plan taken in, it is examined whether or not the number of
以上のようにして運転案生成部101が提示した運転案について、これを採用したときの制御結果の状態量の予測値およびエネルギー消費量等を算出する。運転案は通常複数提示されるが、その場合には各運転案毎に同様の処理を繰り返し、対応した制御結果の状態量の予測値およびエネルギー消費量等を算出する必要がある。
For the driving plan presented by the driving
図4に本発明で実現された予測誤差算出部104の構成を示す。予測誤差算出部104はオブザーバ401、推定トレンド生成部402、実績トレンド生成部404、誤差系列算出部406、予測誤差推定部407、を備えている。本実施例では煤煙濃度(VI)の予測値を補償する場合を例に説明する。
FIG. 4 shows the configuration of the prediction
オブザーバ401は、予測演算部102と同様の演算を行うことでVI推定値を算出する。すなわち制御対象150から取りこんだ風速やVIの実績値を初期条件に設定し、運転案生成部101から取りこんだ排風機155およびジェットファン154の運転方式が実現された場合にVI値がどうなるかを、(数1)にしたがって風速を求めた後、(数2)に従った演算で推定する。
The
推定トレンド生成部402は、オブザーバ401の出力を時系列に編集し推定値のトレンドである推定トレンド403を生成する。
The estimated
同様に実績トレンド生成部404は、制御量の実績を取りこみ実績トレンド405を編集する。図に示すように、実績トレンド405および推定トレンド403は、現在時刻の値を最新とし、制御周期を過去に遡った値(−2、−3、・・・)をトレンドとして蓄えている。
Similarly, the actual
さらに実績トレンド405と推定トレンド403の差分を計算し誤差のトレンドを算出する誤差系列算出部406、誤差系列を取りこみ、予測演算部102が予測した次回のVI予測値が含んでいると予想される誤差の値を算定する予測誤差推定部407を備えている。
Further, an error
予測誤差推定部407は、(数3)で現される誤差系列に対して、例えば(数4)のような線形演算を行い、VI推定誤差の値VIerrを推定する。
The prediction
算定されたVI推定誤差(Vlerr)には(数5)に示すようにゲイン408(G1)が乗じられ、最終的なVI推定値補正量(VIcomp)として予測誤差算出部104から出力される。
The calculated VI estimation error (Vlerr) is multiplied by a gain 408 (G1) as shown in (Formula 5), and is output from the prediction
最終的には図1に示したように、予測演算部102の出力から予測誤差算出部104の出力を減じた値が予測制御に用いられる。
Finally, as shown in FIG. 1, a value obtained by subtracting the output of the prediction
図1ではVI検出計が2つ備えられているが、この場合はおのおのについて同様の演算を行うことで対応する。またオブザーバ401の演算は共通化することができる。本実施例ではVIの予測誤差を補償する場合を例に説明したが、CO値の予測誤差を補償する場合も同様の考え方で行うことができる。またAV値予測誤差の補償値は、(数2)に基づいた演算を省略することで得ることができる。
Although two VI detectors are provided in FIG. 1, this case can be dealt with by performing the same calculation for each. The operation of the
図5に運転案評価部105が行う処理を示す。運転案評価部105では、運転案生成部101が生成した複数の運転案のそれぞれについて、実現される制御量(AV値、VI値、CO値)、エネルギー消費量等の適切性を評価し、運転案選択の基準を生成する。
FIG. 5 shows processing performed by the operation
本実施例では予見ファジィ推論を用いて運転案を評価し、運転方式を決定する場合を示す。予見ファジィは図6に示すルールとメンバシップ関数の組み合わせからなり、ルールは「IF 運転案AによりVI値が満足 THEN 運転案Aを採用」のような、予見ファジィ特有の形態となっている。 In the present embodiment, a case is shown in which an operation plan is evaluated using predictive fuzzy reasoning to determine an operation method. The foreseeing fuzzy is composed of a combination of the rule and the membership function shown in FIG. 6, and the rule has a form unique to foreseeing fuzzy, such as “IF operation plan A satisfies VI value and THEN operation plan A is adopted”.
まずS5−1で、図1の流れに従って各制御量やエネルギー消費量の予測値を取りこむ。次にS5−2でメンバシップ関数を用いて予測値の適合度を算出する。適合度が大きいほど望ましい制御結果が実現されたことを示している。 First, in S5-1, the predicted values of each control amount and energy consumption are taken in according to the flow of FIG. Next, in S5-2, the fitness of the predicted value is calculated using the membership function. It shows that the desired control result is realized as the degree of conformity is larger.
第6図にメンバシップ関数を用いてVIの予測値に対する適合度を算出する例を示す。予測VI値が37%、メンバシップ関数(満足度関数)の形状として図6を仮定すると、適合度は図のような操作で0.4となる。同様の操作で、VI値、AV値、エネルギー消費量等の適合度も得ることができる。 FIG. 6 shows an example of calculating the fitness for the predicted value of VI using the membership function. Assuming that the predicted VI value is 37% and the shape of the membership function (satisfaction function) is FIG. 6, the fitness is 0.4 by the operation shown in the figure. By the same operation, it is possible to obtain the degree of adaptation such as VI value, AV value, energy consumption and the like.
最後にS5−3で各運転案jの総合満足度Wjを算出する。総合満足度Wjは例えば(数6)で算出する。β1、β2、β3、β4、・・・・・・は各評価ファクターの適合度に乗じる重みで、各評価ファクターの重要度に対応する。例えばAV値とエネルギー消費量を重要視する場合には、β1、β2、β6、β7を相対的に大きくすれば良い。あるいは重要度の高いファクターのみを選択的に用いて総合満足度の評価の対象にしても良い。 Finally, in S5-3, the overall satisfaction degree Wj of each operation plan j is calculated. The total satisfaction level Wj is calculated by, for example, (Equation 6). .beta.1, .beta.2, .beta.3, .beta.4,... are weights by which the fitness of each evaluation factor is multiplied, and correspond to the importance of each evaluation factor. For example, when importance is attached to the AV value and the energy consumption, β1, β2, β6, and β7 may be relatively increased. Alternatively, only a factor having high importance may be selectively used as a target for evaluating the overall satisfaction.
このようにして運転案に対応した総合満足度を算出できる。同様にして他の運転案の総合満足度を算出する。 In this way, the total satisfaction level corresponding to the driving plan can be calculated. In the same manner, the overall satisfaction level of other driving plans is calculated.
図7に運転方式決定部106が実行する処理を示す。S7−1で各運転案について総合満足度を計算した結果から最も望ましい運転案を選択する。そしてS7−2で、選択した運転方法に沿った操作量を各機器(ジェットファン154、排風機155)に出力する。本実施例では、S7−1で最も望ましい運転案を選択したが、望ましいいくつかの運転案に対して按分処理を行い、新たな運転案を生成し運転方式として出力しても良い。
FIG. 7 shows processing executed by the driving
本実施例では、運転案生成部101は運転方式決定部106の出力を用いて現在の運転方式を取りこんだが、制御対象150のジェットファン154、排風機155の出力を直接取りこんで、現在の運転方式として認識しても良い。またトンネルの換気方式として縦流式の場合を例に説明したが、横流式や半横流式等の他の方式にも同様の手法が適用できる。また特殊な例として、トレンドに含まれるデータ数が1の場合でも、(数4)の線形演算を省略することで本発明をそのまま適用できる。
In the present embodiment, the operation
図8に本発明の第2の実施例として、予測誤差算出部104に、モデル誤差時系列の自己相関を算出する自己相関算出部801と自己相関を評価し予測誤差推定部407の出力に乗じるゲインの値を決定する自己相関評価/ゲイン決定部802を備えた例を示す。
In FIG. 8, as a second embodiment of the present invention, the prediction
本実施例における予測誤差算出部104では、風向・風力、煤煙濃度、CO値等の状態量の予測結果に対して、これが有する誤差の値を推定し、この値を予測値から差し引くことにより、予測モデルのパラメータを修正することなく予測演算部の出力を高精度化する。
In the prediction
以下詳細に説明する。 This will be described in detail below.
自己相関算出部801は(数3)の誤差系列の自己相関係数を算出する。自己相関係数Coは、△iをxi、△i+1をyiとおいたxiとyiの時系列を用いて、例えば(数7)で算出すれば良い。
The
ここでCoは、隣接した△の関連性の大きさを表しており、Coが大きいことは隣接した誤差の相関が大きいことを意味している。Coが大きい場合には直近の誤差を用いた予測誤差の推定が高精度であることが期待できる。一方、Coが小さい場合には誤差の規則性が乏しく、予測誤差の推定が困難なことを示している。 Here, Co represents the magnitude of the relationship between adjacent triangles, and a large Co means that the correlation between adjacent errors is large. When Co is large, it can be expected that the estimation of the prediction error using the latest error is highly accurate. On the other hand, when Co is small, the regularity of the error is poor, and it is difficult to estimate the prediction error.
自己相関評価/ゲイン決定部802では、得られたCoを用いてゲイン408の値を決定する。
The autocorrelation evaluation /
図9に自己相関評価/ゲイン決定部802が行う処理を示す。
FIG. 9 shows processing performed by the autocorrelation evaluation /
S9−1で算出された自己相関Coを取りこむ。一般にCoが大きいことは誤差時系列の相関が大きいことを意味し、次回の予測誤差が高精度に推定可能なことと対応している。したがって1に近い大きなゲインを設定可能となる。一方、Coが小さいときには誤差時系列の相関が乏しいので、ゲインを小さくするかあるいは予測誤差算出部の出力を制御に用いない様にする(ゲインを0にする)必要がある。 The autocorrelation Co calculated in S9-1 is taken in. In general, a large Co means that the correlation of the error time series is large, which corresponds to the fact that the next prediction error can be estimated with high accuracy. Therefore, a large gain close to 1 can be set. On the other hand, since the correlation of the error time series is poor when Co is small, it is necessary to reduce the gain or not use the output of the prediction error calculation unit for control (set the gain to 0).
S9−2ではこのような観点でゲインの決定を行う。一例としては、自己相関の値Coをそのままゲインの値に対応付けることも考えられるが、Coが一定値以下の場合はゲインを0にしても良い。 In S9-2, the gain is determined from such a viewpoint. As an example, the autocorrelation value Co may be associated with the gain value as it is, but the gain may be set to 0 when Co is a predetermined value or less.
本実施例では誤差トレンドの自己相関を用いたが、自己相関の代わりに推定トレンドと実績トレンドの相互相関を用いても同様の効果を得ることができる。この場合は推定トレンドの各値をxi、実績トレンドの各値をyiとおけばほぼ同様の演算で実現できる。 Although the auto-correlation of the error trend is used in this embodiment, the same effect can be obtained even if the cross-correlation of the estimated trend and the actual trend is used instead of the auto-correlation. In this case, if each value of the estimated trend is xi and each value of the actual trend is yi, it can be realized by almost the same calculation.
図10に本発明のその他の実施例として、トラフィックカウンタ162の出力から車両の通行量や大型車比の変化量を判定し、ゲイン408を変化させる例を示す。通行量変化量判定部1001はトラフィックカウンタ162の出力を時系列に蓄積し、車両の通行量、大型車比が変化したかどうかを判定する。両者の変化が少ない場合にはゲイン408を大きな値とし、変化が大きい場合にはゲイン408を小さな値にするか、無効化する。車両通行台数が激変したタイミングではモデル誤差の補償精度が低下する場合があるが高いが、このような処理の結果、補償精度低下の影響を最小化できる。
FIG. 10 shows an example in which the
以上述べたように、本発明により、高精度な状態量の予測結果を用いて運転案の評価、運転方式の決定が行えるため、適切な運転案の選択が可能となる。 As described above, according to the present invention, an operation plan can be evaluated and a driving method can be determined using a highly accurate state quantity prediction result, so that an appropriate operation plan can be selected.
また状態量の実績値のバラツキやノイズはモデル誤差時系列の自己相関を低下させるが、自己相関の大きさにしたがって予測誤差算出部の出力を制限することにより、バラツキやノイズの影響を最小化できる。 In addition, variation in the actual value of the state quantity and noise reduce the autocorrelation of the model error time series, but by limiting the output of the prediction error calculation unit according to the size of the autocorrelation, the influence of variation and noise is minimized. it can.
また本発明では学習等によりモデルのパラメータを変化させることをしないので、学習制御で問題となる実績値のバラツキやノイズがモデルパラメータに悪影響を与える問題が生じない。また誤差推定値を次回の制御で速やかに補償できるので、補償の応答性を高めることもできる。 In the present invention, since the model parameters are not changed by learning or the like, there is no problem that the fluctuation of the actual values and noise, which are problems in learning control, adversely affect the model parameters. Further, since the estimated error value can be compensated promptly by the next control, the response of compensation can be improved.
100・・・制御装置、
101・・・運転案生成部、
102・・・予測演算部、
103・・・予測モデル、
104・・・予測誤差算出部、
105・・・運転案評価部、
106・・・運転方式決定部、
150・・・制御対象、
151・・・トンネル、
152・・・坑口、
153・・・立坑、
154・・・ジェットファン、
155・・・排風機、
156、157・・・AV計、
158、159・・・VI計、
160、161・・・CO計、
162・・・トラフィックカウンタ、
401・・・オブザーバ、
402・・・推定トレンド生成部、
403・・・推定トレンド、
404・・・実績トレンド生成部、
405・・・実績トレンド、
406・・・誤差トレンド系列算出部、
407・・・予測誤差推定部、
408・・・ゲイン、
801・・・自己相関算出部、
802・・・自己相関評価/ゲイン決定部、
1001・・通行量変化量判定部。
100 ... Control device,
101 ... Driving plan generation unit,
102 ... Prediction calculation unit,
103 ... prediction model,
104 ... Prediction error calculation unit,
105: Driving plan evaluation section,
106: Driving method determination unit,
150 ... control target,
151 ... Tunnel,
152 ... wellhead,
153 ... vertical shaft,
154 ... Jet fan,
155 ... Ventilator,
156, 157 ... AV meter,
158, 159 ... VI meter,
160, 161 ... CO meter,
162: Traffic counter,
401: Observer,
402 ... Estimated trend generator,
403 ... Estimated trend,
404 ... a result trend generation unit,
405 ... Trend of performance,
406 ... Error trend series calculation unit,
407 ... Prediction error estimation unit,
408 ... gain,
801 ... Autocorrelation calculation unit,
802 ... Autocorrelation evaluation / gain determination unit,
1001 .. Traffic amount change determination unit.
Claims (5)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006298513A JP4109303B2 (en) | 2006-11-02 | 2006-11-02 | Tunnel ventilation control method and apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006298513A JP4109303B2 (en) | 2006-11-02 | 2006-11-02 | Tunnel ventilation control method and apparatus |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2002321633A Division JP3904506B2 (en) | 2002-11-05 | 2002-11-05 | Tunnel ventilation control method and apparatus |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2007100503A JP2007100503A (en) | 2007-04-19 |
JP4109303B2 true JP4109303B2 (en) | 2008-07-02 |
Family
ID=38027699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2006298513A Expired - Fee Related JP4109303B2 (en) | 2006-11-02 | 2006-11-02 | Tunnel ventilation control method and apparatus |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4109303B2 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7207466B1 (en) | 2021-07-26 | 2023-01-18 | 栗田工業株式会社 | control system |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE112009005510A5 (en) * | 2008-01-31 | 2013-06-20 | Fisher-Rosemount Systems, Inc. | Robust adaptive model predictive controller with tuning to compensate for model mismatch |
CN107251356B (en) | 2015-02-23 | 2020-09-11 | 学校法人冲绳科学技术大学院大学学园 | System and method for determining prediction error of renewable energy fluctuations |
-
2006
- 2006-11-02 JP JP2006298513A patent/JP4109303B2/en not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7207466B1 (en) | 2021-07-26 | 2023-01-18 | 栗田工業株式会社 | control system |
Also Published As
Publication number | Publication date |
---|---|
JP2007100503A (en) | 2007-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Soualhi et al. | Prognosis of bearing failures using hidden Markov models and the adaptive neuro-fuzzy inference system | |
Badihi et al. | Fault-tolerant cooperative control in an offshore wind farm using model-free and model-based fault detection and diagnosis approaches | |
CN103023065B (en) | Wind power short-term power prediction method based on relative error entropy evaluation method | |
JP7079662B2 (en) | Power demand forecasting system, learning device and power demand forecasting method | |
CN107725283A (en) | A kind of fan trouble detection method based on depth belief network model | |
JP5292477B2 (en) | Diagnostic device and diagnostic method | |
KR101994465B1 (en) | Method for the computer-assisted monitoring of the operation of a technical system, particularly of an electrical energy-generating installation | |
JP4109303B2 (en) | Tunnel ventilation control method and apparatus | |
US7949497B2 (en) | Machine condition monitoring using discontinuity detection | |
US20110153273A1 (en) | Device and method for monitoring a gas turbine | |
KR20170127430A (en) | Method and system for detecting, classifying and / or mitigating sensor error | |
JP4094648B2 (en) | Tunnel ventilation control method and apparatus | |
CN116728783B (en) | Simulation method and system based on 3D printer | |
WO2020136859A1 (en) | Estimation device, estimation method, and computer-readable recording medium | |
JP2005163608A (en) | Output estimation method in wind power generation | |
JP3904506B2 (en) | Tunnel ventilation control method and apparatus | |
WO2022070656A1 (en) | Abnormality detection model assessment system and assessment method | |
KR101956530B1 (en) | Method and apparatus for prediction of wind direction, and method for yaw control of wind turbines using the same | |
JP7374868B2 (en) | Information processing device, information processing method and program | |
JP3978117B2 (en) | Tunnel ventilation control method and apparatus | |
US20230366377A1 (en) | Method for controlling noise generated by a wind farm | |
Palmé et al. | Hybrid modeling of heavy duty gas turbines for on-line performance monitoring | |
US20220292521A1 (en) | Computer-Assisted Method for Generating Training Data for a Neural Network for Predicting a Concentration of Pollutants | |
CN115795999B (en) | Early warning method for abnormal performance of long-term service pumped storage unit | |
KR20100071343A (en) | Appratus and method for flow estimation using neural network and genetic algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20071204 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080125 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20080311 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20080403 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110411 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 4109303 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120411 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120411 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130411 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130411 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140411 Year of fee payment: 6 |
|
LAPS | Cancellation because of no payment of annual fees |