JP4399318B2 - Pump control device - Google Patents
Pump control device Download PDFInfo
- Publication number
- JP4399318B2 JP4399318B2 JP2004178619A JP2004178619A JP4399318B2 JP 4399318 B2 JP4399318 B2 JP 4399318B2 JP 2004178619 A JP2004178619 A JP 2004178619A JP 2004178619 A JP2004178619 A JP 2004178619A JP 4399318 B2 JP4399318 B2 JP 4399318B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- pump
- sewage
- prediction
- inflow
- 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 - Lifetime
Links
- 239000010865 sewage Substances 0.000 claims description 315
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 78
- 238000005086 pumping Methods 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 37
- 230000007613 environmental effect Effects 0.000 claims description 28
- 238000013480 data collection Methods 0.000 claims description 22
- 238000004088 simulation Methods 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 20
- 239000003795 chemical substances by application Substances 0.000 claims description 19
- 238000013500 data storage Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 13
- 238000000926 separation method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 5
- 230000001172 regenerating effect Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 description 28
- 230000006870 function Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 16
- 238000011144 upstream manufacturing Methods 0.000 description 11
- 230000007423 decrease Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 5
- 230000002354 daily effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 239000010840 domestic wastewater Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000003287 bathing Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Images
Landscapes
- Flow Control (AREA)
Description
本発明は、終末処理場まで下水を輸送するため、複数箇所に配置されたポンプを統括して制御するポンプ制御装置に関する。 TECHNICAL FIELD The present invention relates to a pump control device that controls pumps arranged at a plurality of locations in order to transport sewage to a final treatment plant.
終末処理場において効率よく下水を処理するためには、1日の下水流入量の変動が少ないことが望ましい。このように下水流入量の変動を少なくするために、現状では下水道の中間または終末に多数配置されるポンプ井に流入する下水流入量を予測し、この予測した下水流入量に基づいてポンプの起動停止を制御することで、終末処理場に流れ込む下水流入量の変動を小さくしている。 In order to efficiently treat sewage at the final treatment plant, it is desirable that the fluctuation of the daily sewage inflow is small. In order to reduce the fluctuation of the sewage inflow in this way, currently, the sewage inflow that flows into the pump wells that are arranged in the middle or at the end of the sewer is predicted, and the pump start-up is based on the predicted sewage inflow. By controlling the stoppage, fluctuations in the amount of sewage inflow that flows into the final treatment plant are reduced.
このような下水流入量の変動抑制制御について図を参照しつつ説明する。図11は通常時の汚水流入量−時間特性図である。
一般的に汚水流入量は、生活排水によるものであるため、気象に関係なく時間により流入量が変化するという特徴がある。例えば、図11の通常時の汚水流入量−時間特性図で示すように、夕食時から就寝前までにかけて増加した汚水流入量が夜間は減少し、朝になるとまた汚水流入量が増大するというように、朝と夜とに流入ピークを持つというような特徴である。一方、雨水流入量は当然に降雨量により変化する。下水流入量は、これらのような特徴を有する汚水流入量・雨水流入量を合算したものである。
Such fluctuation suppression control of the sewage inflow amount will be described with reference to the drawings. FIG. 11 is a sewage inflow amount-time characteristic chart at normal times.
In general, the amount of inflow of sewage is due to domestic wastewater, so that the amount of inflow changes with time regardless of the weather. For example, as shown in the normal sewage inflow amount-time characteristic chart of FIG. 11, the sewage inflow amount increased from dinner time to before bedtime decreases at night, and the sewage inflow amount increases again in the morning. In addition, it is characterized by having an inflow peak in the morning and at night. On the other hand, the amount of rainwater inflow naturally varies depending on the amount of rainfall. Sewage inflow is the sum of sewage inflow and rainwater inflow with these characteristics.
下水流入量が下水処理場へ流入する際の変動抑制は、各下水ポンプ場において個別に制御されている。具体的には、下水ポンプ場にあるポンプ井内の下水の水位を高水位、中水位、低水位など複数の水位に定義し、時間帯ごとに規定水位になったらポンプを起動して下流の下水ポンプ場や終末処理場へ下水を送水する。例えば、下水流入量のピーク前の時間は高水位になるまではポンプ起動を抑制してポンプ井で下水を貯めて下水送水量が多くならないようにし、また、下水流入量のボトム前は低水位でもポンプ起動してポンプ井で下水を貯めないで下水送水量が少なくならないようにして、下流への下水の送水流量を平滑化している。
また、下水処理場の流量を平滑化する目的のほかに、雨天時は都市の浸水防止のため、降雨前に人間系(オペレータ)が判断して下水ポンプ場のポンプ井の水位をあらかじめ下げるようにポンプを先行起動する運転が行なわれている。
Fluctuation suppression when the amount of sewage inflow flows into the sewage treatment plant is individually controlled at each sewage pumping station. Specifically, the sewage water level in the pump well at the sewage pumping station is defined as multiple water levels such as high water level, medium water level, and low water level. Sewage is sent to pumping stations and final treatment plants. For example, during the period before the peak of sewage inflow, pump activation is suppressed until the high water level is reached, and sewage is stored in the pump well so that the amount of sewage is not increased. However, the pump is started and sewage is not stored in the pump well so that the amount of sewage is not reduced, and the downstream sewage flow is smoothed.
In addition to the purpose of smoothing the flow rate of the sewage treatment plant, in order to prevent inundation of the city during rainy weather, the human system (operator) should judge the water level of the pump well at the sewage pumping plant before raining. The pump is started in advance.
上記したようなポンプ制御は下水ポンプ場単位で個別に行っていた。また、近年では下水ポンプ場個別の制御ではなく、複数の下水ポンプ場をまとめて制御する方法が開発されており、例えば特許文献1、2が開示されている。
Pump control as described above was performed individually for each sewage pump station. In recent years, instead of individual control of sewage pump stations, a method of controlling a plurality of sewage pump stations collectively has been developed. For example,
特許文献1(特開平11−190283号公報、発明の名称「広域汚水送水系統の制御装置」)に記載された従来技術は、下水処理場への汚水流入量の変動が小さくなるように分子限定法にて制御方法を計画する方法である。
また、特許文献2(特開2000−105609号公報、「広域汚水送水系統の制御装置」)に記載された従来技術は、下水処理場への汚水流入量の変動が小さくなるようにGA(遺伝的アルゴリズム)にて制御方法を計画する方法である。
The conventional technology described in Patent Document 1 (Japanese Patent Application Laid-Open No. 11-190283, title “Control Device for Wide Area Sewage Water Supply System”) is molecularly limited so that the fluctuation of the amount of sewage flowing into the sewage treatment plant is reduced. It is a method of planning a control method by the method.
In addition, the conventional technique described in Patent Document 2 (Japanese Patent Laid-Open No. 2000-105609, “Regional control device for wide area sewage water transmission system”) has a GA (genetics) so that the fluctuation of the sewage inflow amount to the sewage treatment plant is reduced. This is a method of planning a control method by a dynamic algorithm.
前述のように、下水ポンプ場個別にポンプ制御する方法では、各下水ポンプ場の送水量の変動が最小でも下流にある下水ポンプ場や終末処理場への下水流入量の変動が最小になるとは限らないという問題がある。この点について図を参照しつつ説明する。図12は、下水道モデルを説明する説明図である。
図12の下水道モデルでは5箇所の下水ポンプ場1〜5と終末処理場6から構成されている。例えば、図12の下水ポンプ場4では下流の下水ポンプ場3および上流の下水ポンプ場5の貯水量や送水量を考慮して運転する必要がある。仮に下水ポンプ場3のポンプ井が小さくて貯水能力が小さい場合、下水ポンプ場4だけの送水量平滑化だけを考えて制御を行なった場合には、下流下水ポンプ場3に送水しすぎて浸水させるおそれがある。これを解決する、つまり終末処理場の下水流入量の変動を最小化させるためには、個別下水ポンプ場だけの情報だけでなく下水ポンプ場すべてのポンプを考慮の上、ポンプ運転計画を立案して制御しなければならない。
As mentioned above, in the method of pump control individually for each sewage pump station, the fluctuation of the sewage inflow amount to the downstream sewage pump station and the final treatment plant is minimized even if the fluctuation of the water supply amount of each sewage pump station is the smallest. There is a problem that is not limited. This point will be described with reference to the drawings. FIG. 12 is an explanatory diagram for explaining a sewer model.
The sewage model in FIG. 12 includes five
特許文献1、2に係る発明は、いずれも下水流入量を平滑化する目的の発明であり、上記のような問題は生じない。
しかしながら、特許文献1の従来技術は分子限定法を用いているため、下水ポンプ場の数が増えると指数関数的に計算量が増大する欠点がある。
また、特許文献2の従来技術では、GA(遺伝的アルゴリズム)を用いているため、比較的短い時間でも実行可能解を見つけることができる利点があるものの、GAは局所探索能力が弱いため、最良の解を得るためには長い計算時間が必要である欠点がある。そのため特許文献2の従来技術では1日1回の計算を前提にしている。さらに、1日における算出回数が制限されるため、流入量予測値が外れたときには、計画どおりに制御を続けることができないという欠点がある。
The inventions according to
However, since the prior art of
In the prior art of
また、これら特許文献1,2の従来技術では、共に予測が容易で予測誤差があまり発生しない分流式(雨水と汚水とで管が分かれている)下水の汚水流入量のみを対象とするものであり、合流式(雨水と汚水とで管が共通である)下水は対象外である。さらに、分流式下水でも誤接続や地下からの浸透などの影響により雨天時には流量が増加する。つまり特許文献1、2の従来技術では実システムに適用した場合に雨天時は汚水流入量予測が外れ、計画どおりに制御できなくなるおそれがある。
In addition, these conventional techniques of
また、特許文献1,2の従来技術では、共に使用エネルギー量や環境負荷については考慮していない。近年、下水道を管理する自治体においても環境やコストに対する意識が高まっており、使用エネルギー量、運用費、環境負荷削減のニーズがある。ポンプを起動停止する制御を行うにあたり、ポンプ起動に伴う使用エネルギー量を少なくして、運用費(電気代やガソリン代など)を安くするとともに、CO2などの環境負荷が小さいことが望ましい。しかしながら、これら含めて制御を行なう方法は現状ではなかった。
In addition, in the prior arts of
まとめると、
(1)終末処理場への下水流入量の変動を最小化させるため、複数の下水ポンプ場の情報を考慮し、ポンプ運転計画を立案し、制御する、
(2)下水流入量予測が外れても影響されずに適切な計画立案と制御ができる、
(3)分流式、合流式が混在していても適用できる、
(4)使用エネルギー量、運用費、環境負荷を考慮(最小化)することができる、
という要件を満たすようなポンプ制御装置が求められていた。
Summary,
(1) In order to minimize fluctuations in the amount of sewage inflow to the final treatment plant, the pump operation plan is formulated and controlled in consideration of information from multiple sewage pump stations.
(2) Appropriate planning and control can be performed without being affected even if the sewage inflow prediction is deviated.
(3) Applicable even when both diversion and merging are mixed.
(4) It is possible to consider (minimize) the amount of energy used, operating costs, and environmental impact.
There has been a demand for a pump control device that satisfies the above requirements.
この発明は上記課題を解決するためになされたものであり、その目的は、多数のポンプ場がある複雑な下水道に通流する下水を平準化させ、終末処理場に送水される下水流入量の変動、使用エネルギー量、運用費用、環境負荷が最小になるように制御するポンプ制御装置を提供することにある。 The present invention has been made to solve the above-mentioned problems, and its purpose is to equalize the amount of sewage inflow to be sent to the final treatment plant by leveling the sewage flowing through a complicated sewer having a number of pump stations. It is an object of the present invention to provide a pump control device that performs control so that fluctuation, amount of energy used, operation cost, and environmental load are minimized.
本発明の請求項1に係るポンプ制御装置は、
処理場へ下水を送水する下水管路網に設置される複数のポンプを制御するポンプ制御装置において、
ポンプが稼働できる状態か否かを表したポンプ稼働可否データを収集するポンプ稼働可否データ収集手段と、
ポンプが稼働しているか非稼働かを表すポンプ稼働状態データを収集するポンプ稼働状態データ収集手段と、
気象実績及び気象予報についての気象データを収集する気象データ収集手段と、
暦についての暦データを収集する暦データ収集手段と、
ポンプ井内の下水の水位についての水位データを収集する水位データ収集手段と、
ポンプ井の下水のポンプ揚水量についての揚水量データを収集するポンプ揚水量データ収集手段と、
前記ポンプ稼働可否データ、前記ポンプ稼働状態データ、前記暦データ、前記気象データ、前記水位データおよび前記ポンプ揚水量データを蓄積するデータ蓄積手段と、
前記暦データ、前記水位データ、前記ポンプ稼働可否データ、前記ポンプ稼働状態データおよび前記ポンプ揚水量データに基づいてポンプ井への下水流入量である下水流入量データを算出する下水流入量データ算出手段と、
前記暦データ、前記気象データ、前記下水流入量データを用いて予測モデルを構築し、構築した予測モデルを用いて下水流入量予測データを生成する予測手段と、
前記ポンプ稼働可否データに基づいて稼働可能なポンプを全て選択し、これらポンプについて所定時間間隔で所定時間先までの起動停止状態を二値により表すことによってポンプ運転計画データを生成するポンプ運転計画手段と、
前記下水流入量予測データおよび前記ポンプ運転計画データに基づいて下水モデルにおける下水ポンプ場のポンプ井での下水量予測データをシミュレーションにより求める下水モデルシミュレーション手段と、
前記下水量予測データからポンプ井での水位予測データを生成する水位予測データ算出手段と、
ポンプの起動時間に比例するエネルギー量予測データを算出するエネルギー量予測データ算出手段と、
前記エネルギー量予測データに比例する運用費予測データを算出する運用費予測データ算出手段と、
前記エネルギー量予測データに比例する環境負荷予測データを算出する環境負荷予測データ算出手段と、
前記水位予測データ、前記下水流入量予測データ、前記エネルギー量予測データ、前記運用費予測データ、前記環境負荷予測データを用いてポンプ運転計画を評価する評価手段と、
を有し、
前記ポンプ運転計画手段、前記下水モデルシミュレーション手段、前記水位予測データ算出手段、前記エネルギー量予測データ算出手段、前記運用費予測データ算出手段、前記環境負荷予測データ算出手段、前記評価手段を機能させて算出したポンプ運転計画データに基づいてポンプ運転を行うポンプ制御装置であって、
前記下水流入量予測データによる流量予測値が外れた場合に、前記ポンプ運転計画手段が、PSO(Particle Swarm Optimization)を用いてポンプ運転計画最適化アルゴリズムを実行することにより前記ポンプ運転計画データを再度生成すると共に、このポンプ運転計画データを用いてポンプ運転計画を立案し、
前記PSOを用いたポンプ運転計画最適化アルゴリズムは、エージェントの数や探索回数を設定する初期化ステップと、各ポンプの起動停止状態をランダムに設定することにより初期値を生成するステップと、エージェントの位置を修正することによりポンプ運転計画を変更する修正ステップと、エージェントの目的関数を算出して評価するステップとを有し、終了条件を満たしたときの各エージェントの目的関数値のうちの最良値から最終的なポンプ運転計画データを生成することを特徴とする。
A pump control device according to
In a pump control device that controls a plurality of pumps installed in a sewage pipeline network that sends sewage to a treatment plant,
A pump availability data collecting means for collecting pump availability data indicating whether or not the pump is operable;
Pump operating state data collecting means for collecting pump operating state data indicating whether the pump is operating or not operating;
Meteorological data collection means for collecting meteorological data on weather results and weather forecasts;
Calendar data collection means for collecting calendar data about the calendar;
Water level data collection means for collecting water level data about the sewage water level in the pump well,
Pump yield data collection means for collecting yield data on the pump yield of the sewage of the pump well,
A data storage means for storing the pump operation permission data, the pump operation state data, the ephemeris data, the weather data, the water level data and said pump pumping quantity data,
The almanac data, the water level data, the pump operation permission data, the pump operation state data and the sewage inflow data calculation means for calculating the sewage inflow data is sewage inflow into the pump well on the basis of the pump pumping quantity data When,
The almanac data, and predicting means for the meteorological data, to build a prediction model using the sewage inflow data to generate sewage inflow prediction data by using the prediction model constructed,
Select all operable pump based on the pump operation permission data, pump operation planning means for generating a pump operation plan data by about these pumps represented by binary start and stop state until a predetermined time later at predetermined time intervals When,
And sewage model simulation means for obtaining by simulation sewage amount prediction data in the pump well of sewage pumping station in sewage model based on the sewage inflow prediction data and said pump operation plan data,
A water level prediction data calculating means for generating a water level prediction data in the pump well from the sewage amount prediction data,
Energy amount prediction data calculating means for calculating energy amount prediction data proportional to the pump start time;
And operating expenses predictive data calculation means for calculating operating costs predictive data proportional to the energy amount prediction data,
And environmental load prediction data calculation means for calculating the environmental impact prediction data proportional to the energy amount prediction data,
The water level prediction data, and the sewage inflow prediction data, the energy amount prediction data, the operating costs predicted data, evaluation means for evaluating the pump operation plan using the environmental load prediction data,
Have
Said pump operation plan unit, the sewage model simulation means, the water level prediction data calculating means, said energy amount prediction data calculating means, said operational costs predicted data calculating means, said environmental load prediction data calculating means, to function the evaluation unit a row Upo pump controller pump operation based on the pump operation schedule data calculated Te,
When the predicted flow rate based on the sewage inflow prediction data deviates, the pump operation planning means executes the pump operation plan optimization algorithm using PSO (Particle Swarm Optimization), thereby regenerating the pump operation plan data. And create a pump operation plan using this pump operation plan data,
The pump operation plan optimization algorithm using the PSO includes an initialization step of setting the number of agents and the number of searches, a step of generating initial values by randomly setting the start / stop state of each pump, A correction step of changing the pump operation plan by correcting the position, and a step of calculating and evaluating the agent objective function, and the best value among the objective function values of each agent when the termination condition is satisfied The final pump operation plan data is generated from the above.
また、本発明の請求項2に係るポンプ制御装置は、
請求項1に記載のポンプ制御装置において、
前記予測手段は、
下水流入量データを分離して汚水流入量データと雨水流入量データとを算出する分離手段と、
暦データを入力因子とし、また、汚水流入量データを出力因子とするような汚水流入量予測モデルを構築する汚水流入量予測モデル構築手段と、
気象データを入力因子とし、また、雨水流入量データを出力因子とするような雨水流入量予測モデルを構築する雨水流入量予測モデル構築手段と、
予測に必要な暦データを汚水流入量予測モデルに入力して汚水流入量予測データを生成する汚水流入量予測手段と、
予測に必要な気象データを雨水流入量予測モデルに入力して雨水流入量予測データを生成する雨水流入量予測手段と、
生成した汚水流入量予測データと雨水流入量予測データとを合算して下水流入量予測データを生成する合算手段と、
を有することを特徴とする。
A pump control device according to
The pump control device according to
The prediction means includes
Separation means for separating sewage inflow data and calculating sewage inflow data and rainwater inflow data;
A sewage inflow prediction model construction means for constructing a sewage inflow prediction model with calendar data as an input factor and sewage inflow data as an output factor;
A stormwater inflow prediction model construction means for constructing a stormwater inflow prediction model using weather data as an input factor and stormwater inflow data as an output factor;
A sewage inflow forecasting means for generating sewage inflow forecast data by inputting calendar data necessary for prediction into the sewage inflow forecast model,
A stormwater inflow forecasting means for generating stormwater inflow forecast data by inputting meteorological data necessary for the forecast into the stormwater inflow forecast model;
A summing means for generating the sewage inflow prediction data by adding the generated sewage inflow prediction data and the rainwater inflow prediction data;
And wherein the Rukoto to have a.
また、本発明の請求項3に係るポンプ制御装置は、
請求項2に記載のポンプ制御装置において、
前記汚水流入量予測モデルは、
特異データが除去された上で、暦データと汚水流入量データとが連関して登録され、暦データが入力されると対応する汚水流入量データが抽出されることで予測する事例ベース推論による予測モデルであることを特徴とする。
A pump control device according to
The pump control device according to
The wastewater inflow prediction model,
Prediction based on case-based reasoning, in which calendar data and sewage inflow data are linked and registered after singular data is removed, and the corresponding sewage inflow data is extracted when calendar data is input model Oh, wherein the Rukoto.
また、本発明の請求項4に係るポンプ制御装置は、
請求項2または請求項3に記載のポンプ制御装置において、
前記雨水流入量予測モデルはニューラルネットワークによる予測モデルであることを特徴とする。
According to a fourth aspect of the present invention, there is provided a pump control device comprising:
In the pump control apparatus according to
The rainwater inflow prediction model is characterized by a predictive model using a neural network.
以上のような本発明によれば、多数のポンプなど複雑な下水道に通流する下水を平準化させ、下水処理場に送水される下水の流入量の変動、使用エネルギー量、運用費用、環境負荷が最小になるように制御するポンプ制御装置を提供することができる。 According to the present invention as described above, sewage flowing through a complicated sewage system such as a large number of pumps is leveled, fluctuations in the amount of inflow of sewage sent to the sewage treatment plant, amount of energy used, operation cost, environmental load It is possible to provide a pump control device that performs control so that is minimized.
以下、本発明を実施するための最良の形態のポンプ制御装置について図を参照しつつ説明する。図1は本形態のポンプ制御装置の構成図である。
ポンプ制御装置1は、入力手段10、出力手段20、記録媒体読書手段30、データ発信手段40、データ収集手段50、データ蓄積手段60、下水流入量データ算出手段70、分離手段80、モデル構築手段90、下水流入量予測手段100、ポンプ運転計画手段110、シミュレーション手段120、評価手段130を備えている。なお、分離手段80、モデル構築手段90、下水流入量予測手段100は予測手段200を構成している。
Hereinafter, a pump control apparatus according to the best mode for carrying out the present invention will be described with reference to the drawings. FIG. 1 is a configuration diagram of a pump control device of this embodiment.
The
入力手段10は、手入力を行うキーボードである。
出力手段20は、ディスプレイやプリンタなどであり、各種データ表示・印刷も行う。
記憶媒体読書手段30は、FD(Flexible Disc)、MO(Magnet Optical Disc)などの記憶媒体に対して情報の読み書きを行う装置である。
データ発信手段40は、ネットワーク2と接続するための手段であり、データ蓄積手段60から読み出した各種データを、データ発信手段40・ネットワーク2を経由して、外部へ情報の出力を行うことができるようになされている。
The input means 10 is a keyboard for performing manual input.
The
The storage medium reading means 30 is a device that reads and writes information from and to a storage medium such as an FD (Flexible Disc) or an MO (Magnet Optical Disc).
The data transmission means 40 is a means for connecting to the
データ収集手段50は、各下水ポンプ場や気象情報会社などからネットワーク2を介して各種データを取得する手段であり、さらにポンプ稼働可否データ収集手段51、ポンプ稼働状態データ収集手段52、気象データ収集手段53、暦データ収集手段54、水位データ収集手段55、ポンプ揚水量データ収集手段56を備える。
The data collection means 50 is a means for acquiring various data from each sewage pump station, a weather information company, etc. via the
ポンプ稼働可否データ収集手段51は、ポンプが稼働可能な状態であるか否かを二値データ(1か0か)で表したポンプ稼働可否データを収集する手段である。例えば、メンテナンス・故障等の理由で稼働できないようなポンプを判別できる。下水管網における全てのポンプから収集される。
The pump operation availability
ポンプ稼働状態データ収集手段52は、ポンプが稼働中であるか非稼働であるかを例えば二値データ(1か0か)で表したポンプ稼働状態データを収集する手段である。同じく、下水管網における全てのポンプから収集される。
The pump operating state
気象データ収集手段53は、気象実績および気象予報についての気象データを収集する手段である。ここでいう気象データとは、例えば天候(晴、雨、曇、雪)、雨量、気温、湿度、日照量等の少なくともひとつを指している。
気象実績とは過去の記録であり、気象実績についての気象データは、各下水ポンプ場を経由せずに気象情報サービス会社からネットワーク2を介して配信される気象データや、また、各下水ポンプ場に独自で設置した雨量計・湿度計などの計測装置・センサから収集整理して各下水ポンプ場を経由して入力された気象データである。
気象予報とは未来の予報であり、気象予報についての気象データは、気象情報サービス会社から気象予報を受信して得たデータである。
このように気象データ収集手段53では、予測対象の下水ポンプ場の気象実績に係る気象データ、予測対象の下水ポンプ場の気象予報に係る気象データを収集する。
The meteorological
The meteorological results are past records, and meteorological data about the meteorological results are met by the meteorological data distributed from the weather information service company via the
The weather forecast is a future forecast, and the weather data about the weather forecast is data obtained by receiving a weather forecast from a weather information service company.
Thus, the meteorological data collection means 53 collects meteorological data related to the weather results of the sewage pump station to be predicted and meteorological data related to the weather forecast of the sewage pump station to be predicted.
暦データ収集手段54は、暦に関するデータを収集する手段である。
暦データは年月日時分などの日時データ、その日時の特徴を表す平日・休日・曜日・季節(春夏秋冬)などの特徴データである。
なお、暦データは入力手段10のキーボードなどの装置にて手入力しても良いし、計算により算出しても良い。
The calendar
The calendar data is date / time data such as year / month / day / hour / minute and the like, and feature data such as weekdays / holidays / day of the week / season (spring / summer / autumn / winter) representing the characteristics of the date / time.
The calendar data may be manually input by a device such as a keyboard of the
水位データ収集手段55は、水位データを収集する手段である。
水位データは、下水ポンプ場にあるポンプ井内の下水の水位を表すデータである。
水位データはネットワーク2を介して複数下水ポンプ場のポンプ井にそれぞれ設置された多数の水位計から所定期間毎または常時入力される。従って水位データには下水ポンプ場を識別する識別データも付加される。
The water level data collecting means 55 is means for collecting water level data.
The water level data is data representing the sewage water level in the pump well in the sewage pump station.
Water level data is input via a
ポンプ揚水量データ収集手段56は、ポンプ揚水量データを収集する手段である。
ポンプ揚水量データは、下水ポンプ場にあるポンプ井からのポンプによる揚水量を表すデータである。ポンプ揚水量データはネットワーク2を介して複数下水ポンプ場のポンプに設けられた流量計から所定期間毎または常時入力される。この場合も下水ポンプ場を識別する識別データが付加される。
これら下水ポンプ場毎のポンプ稼働可否データ、ポンプ稼働状態データ、気象データ、暦データ、水位データおよび揚水量データをデータ蓄積手段60に保存し、日々更新してこれらデータを蓄積していく。これらは後述する学習・予測に使われる基礎データであり、必要時に何時でも取り出せるようにする。このデータ蓄積手段60では計測日時・曜日・季節が特定できる暦データを主キーとしてその日時におけるあるポンプ場のポンプ稼働可否データ、ポンプ稼働状態データ、気象データ、水位データおよび揚水量データが関連付けられて登録されてデータベース化されている。
The pump yield data collecting means 56 is means for collecting pump yield data.
Pump pumping volume data is data representing the pumping volume from the pump well in the sewage pumping station. Pump pumping amount data is inputted via a
These pump operation availability data, pump operation status data, weather data, calendar data, water level data, and pumping amount data for each sewage pump station are stored in the data storage means 60, and are updated daily and stored. These are basic data used for learning and prediction, which will be described later, and can be taken out whenever necessary. In this data storage means 60, calendar data that can specify the measurement date / time / day of the week / season is used as a main key, and pump operation availability data, pump operation status data, weather data, water level data, and pumping volume data at a certain pump station at that date / time are associated. Registered and databased.
下水流入量データ算出手段70は、暦データから検索して各時間における各下水ポンプ場での水位データ、ポンプ稼働可否データ、ポンプ稼働状態データ、および、各時間の各下水ポンプ場での揚水量(送水量)データをデータ蓄積手段60から読み出し、これらデータに基づいて各時間における各下水ポンプ場のポンプ井への下水流入量である下水流入量データを算出する。下水流入量は雨水・汚水流入量の総和である。 The sewage inflow data calculation means 70 retrieves from the calendar data, water level data at each sewage pump station at each time, pump availability data, pump operating state data, and pumped amount at each sewage pump station at each time. (Water supply amount) data is read from the data storage means 60, and based on these data, sewage inflow amount data, which is the sewage inflow amount to the pump well of each sewage pump station at each time, is calculated. Sewage inflow is the sum of rainwater and sewage inflow.
下水ポンプ場のポンプ井では、例えば、図2のポンプ井の説明図で示すように、通常は水位計が設置されているが、流入量計は設置されていることが少なく、水位からポンプ井内の下水流入量を算出する。
ポンプ井内のある時点の下水量をM1、ポンプ井内のある時点より一定時間前の下水量をM2、一定時間にポンプ井から揚水して送水したポンプ揚水量をP1、一定時間で上流側にあるポンプ井から送り出された上流ポンプ揚水量をP2とすると、下水流入量は以下のようになる。
In the pump well of the sewage pump station, for example, as shown in the explanatory diagram of the pump well in FIG. 2, a water level gauge is usually installed, but an inflow meter is rarely installed, Calculate the amount of sewage inflow.
The amount of sewage at a certain point in the pump well is M1, the amount of sewage a certain time before the point in the pump well is M2, the amount of pumped water pumped from the pump well at a certain time is P1, and is upstream at a certain time. Assuming that the upstream pumping amount pumped from the pump well is P2, the sewage inflow amount is as follows.
このような下水流入量は、ポンプからの揚水量を取り除き、純粋に外部から下水へ流入してくる量を表している。
ここに下水量M1はある時点におけるポンプ井の水位h1から算出した量、下水量M2はある時点からさらに一定時間前のポンプ井の水位h2から算出した量である。この下水量M1、M2の算出式は、ポンプ井の水位を入力因子とする回帰式が用いられることが多い。最も簡単な例では単純比例関係であり、算出式は、M1=a×h1、M2=a×h2となる。
Such inflow of sewage represents the amount of pure water that flows into the sewage from the outside after removing the pumping amount from the pump.
Here, the sewage amount M1 is an amount calculated from the water level h1 of the pump well at a certain time, and the sewage amount M2 is an amount calculated from the water level h2 of the pump well at a certain time before a certain time. As a calculation formula for the sewage amounts M1 and M2, a regression formula using the water level of the pump well as an input factor is often used. The simplest example is a simple proportional relationship, and the calculation formulas are M1 = a × h1 and M2 = a × h2.
なお、ポンプ井によっては複雑な算出式が必要になる場合もあるが、何れの場合でもある時点での水位を入力因子とする算出式である。
また、下水流入量から上流ポンプ揚水量(送水量)P2を除く理由であるが、上流ポンプ揚水量(送水量)P2は人為的な操作により変化するものであるため、ポンプ運転計画手段110やシミュレーション手段120にて利用するには上流下水ポンプ場からの上流ポンプ揚水量(送水量)P2を除いた下水流入量データの方が計算が便利だからである。図2における他の流入量M3が下水流入量として算出される。
なお、ポンプ稼働可否データが稼働不可を表していたり、また、ポンプ稼働状態データがポンプ非稼働を表している場合、上記のポンプ揚水量P1,上流ポンプ揚水量P2の値は0となる。
Depending on the pump well, a complicated calculation formula may be required. In any case, the calculation formula uses the water level at a certain point in time as an input factor.
Further, the reason is that the upstream pump pumping amount (pumped water amount) P2 is excluded from the sewage inflow amount. Since the upstream pump pumped pumping amount (pumped water amount) P2 is changed by an artificial operation, the pump operation planning means 110 and This is because the sewage inflow data excluding the upstream pump pumping amount (water supply amount) P2 from the upstream sewage pumping station is more convenient for calculation in the simulation means 120. The other inflow amount M3 in FIG. 2 is calculated as the sewage inflow amount.
In addition, when the pump operation availability data indicates that the operation is not possible or the pump operation state data indicates that the pump is not operating, the values of the pump pumping amount P1 and the upstream pump pumping amount P2 are 0.
もちろん、ポンプ井への流入量を計測する流量計がある場合には、数1を省略し、流量計からの下水流入量データを用いても良い。複数下水ポンプ場では、流量計がある箇所とない箇所とがある場合には併用しても良い。この流入量データ算出手段70によりある時点における下水流入量データが算出される。データ蓄積手段60では暦データを主キーとしてポンプ稼働可否データ、ポンプ稼働状態データ、気象データ、水位データ、揚水量データおよび下水流入量データが関連付けられて登録される。
Of course, when there is a flow meter for measuring the amount of inflow into the pump well,
分離手段80は、下水流入量を雨水流入量と汚水流入量とに分離するため、下水流入量データを用いて雨水流入量データと汚水流入量データとを算出する手段である。
まず汚水流入量と雨水流入量との特徴について一部重複するが説明する。汚水流入量は生活排水による流入量であって気象により変動しないが、一方、雨水流入量は、降雨による流入量であり、降雨時もしくは降雨後一定期間内しか表れない。下水ポンプ場への流入量は、分流式下水道では配管が異なるため別々に流入するが、合流式下水道では混ざり合って流入することになる。よって合流式下水道において流入量予測を行なう場合には、汚水流入量データと汚水流入量データの性質が異なるため、高精度予測のためには汚水流入量データと雨水流入量データを明確に区別して予測する必要がある。雨水流入量データは、雨天時の下水流入量データから汚水流入量データを引いたものであるので、次式にて雨水流入量データを分離する。
Separating means 80 is means for calculating rainwater inflow data and sewage inflow data using sewage inflow data in order to separate the sewage inflow into stormwater inflow and sewage inflow.
First, the characteristics of the inflow of sewage and the inflow of rainwater will be partially overlapped. The amount of sewage inflow is the amount of inflow due to domestic wastewater and does not vary depending on the weather. On the other hand, the amount of rainwater inflow is the amount of inflow due to rain, and can only appear during or after a period of rainfall. The amount of inflow to the sewage pumping station flows separately because the piping is different in the split-type sewer, but in the combined sewer, it flows in mixed. Therefore, when inflow prediction is performed in a combined sewer, the characteristics of sewage inflow data and sewage inflow data are different, so the sewage inflow data and rainwater inflow data are clearly distinguished for high-precision prediction. Need to predict. Since the rainwater inflow data is obtained by subtracting the sewage inflow data from the sewage inflow data in rainy weather, the rainwater inflow data is separated by the following equation.
雨水流入量データと汚水流入量データとを合計するともとの下水流入量になる。また、分流式下水道では分離は不要となる。 The sum of the stormwater inflow data and the sewage inflow data is the original sewage inflow. Also, separation is not necessary in the diversion sewer.
分離手法であるが、晴れている時間の下水流入量データは、雨水流入量データがないため、汚水流入量データにほぼ一致するものと考え、このような晴れている時間の汚水流入量データを時間ごと(0時、1時、2時、・・・、23時)に多数日にわたり取得し、さらに同時刻における多数の日の平均を取ることで、時間別の汚水流量データの平均データを算出する。これらを汚水流入量データとする。そして、時間ごとの下水流入量データから対応する時間の汚水流入量データを差し引けば、雨水流量データとなる。晴れの日では雨水流量データはほぼ0となるが、雨の日では雨水流量データが算出される。そして、これら汚水流入量データおよび雨水流入量データをデータ蓄積手段60に登録する。データ蓄積手段60では暦データを主キーとしてポンプ稼働可否データ、ポンプ稼働状態データ、気象データ、水位データ、揚水量データ、下水流入量データ、汚水流入量データおよび雨水流入量データが関連付けられて登録される。 Although it is a separation method, the sewage inflow data for clear hours is almost the same as the sewage inflow data because there is no rainwater inflow data. The average data of hourly sewage flow rate data can be obtained by taking many days every hour (0:00, 2:00, ..., 23:00) and taking the average of many days at the same time. calculate. These are used as sewage inflow data. Then, by subtracting the sewage inflow data for the corresponding time from the sewage inflow data for each hour, it becomes rainwater flow data. On a sunny day, the rainwater flow data is almost zero, but on a rainy day, the rainwater flow data is calculated. Then, the sewage inflow data and the rainwater inflow data are registered in the data storage means 60. In the data storage means 60, calendar data is used as a primary key, pump operation availability data, pump operation status data, weather data, water level data, pumping volume data, sewage inflow data, sewage inflow data and storm water inflow data are associated and registered. Is done.
モデル構築手段90は、モデルを構築する手段である。図3はモデル構築手段の構造図である。モデル構築手段90は、詳しくは図3で示すように、汚水流入量予測モデル構築手段91、雨水流入量予測モデル構築手段92を備える。なお、雨水流入量予測モデル構築手段91、汚水流入量予測モデル構築手段92で用いられる学習用のデータはデータ蓄積手段60に登録された過去の実績値である。
The model construction means 90 is a means for constructing a model. FIG. 3 is a structural diagram of the model construction means. As shown in detail in FIG. 3, the
汚水流入量予測モデル構築手段91は、暦データを入力因子とし、また、汚水流入量データを出力因子とするような汚水流入量予測モデルを構築する手段である。構築された汚水流入量予測モデルはデータ蓄積手段60により蓄積保存される。
雨水流入量予測モデル構築手段92は、気象データを入力因子とし、また、雨水流入量データを出力因子として雨水流入量予測モデルの構築する手段である。構築された雨水流入量予測モデルはデータ蓄積手段60により蓄積保存される。
The sewage inflow prediction model construction means 91 is a means for constructing a sewage inflow prediction model using calendar data as an input factor and sewage inflow data as an output factor. The constructed sewage inflow prediction model is stored and stored by the data storage means 60.
The rainwater inflow prediction model construction means 92 is means for constructing a rainwater inflow prediction model using weather data as an input factor and rainwater inflow data as an output factor. The constructed rainwater inflow prediction model is stored and stored by the data storage means 60.
このようなモデル構築手段90は、一定期間(例えば一ヶ月ごと)ごとに起動され、これら予測モデルを更新するようにする。なお、雨水流入量予測モデル・汚水流入量予測モデルとしては、RRL法や、ニューラルネットワーク、事例ベース推論、などによる予測するモデルを採用することができるが、最も好ましい予測モデルの詳細について以下説明する。 Such a model construction means 90 is activated every predetermined period (for example, every month), and updates these prediction models. As the rainwater inflow prediction model / sewage inflow prediction model, a prediction model using RRL method, neural network, case-based reasoning, or the like can be adopted. Details of the most preferable prediction model will be described below. .
まず、汚水流入量予測モデルについて説明する。このモデルは特に事例ベース推論によるモデルを採用することが好ましい。汚水流入量は、日々の変動が少ないことが知られており、過去の平均値をシステムに設定し、それを汚水予測値とすることが多い。しかし、人間が設定する方法では、季節が変わるごと、経年変化を起こすごとに再設定しなければならない問題がある。自動化する方法では、下水管清掃などに起因する特異データを識別しなければ適切な平均値を得ることができない。汚水流入量予測モデルでは、事例ベース推論にて、特異データを自動的に識別し、通常データのみで汚水予測するため、上記問題点を解決する。 First, the sewage inflow prediction model will be described. This model is preferably a model based on case-based reasoning. It is known that the amount of inflow of sewage does not fluctuate daily, and an average value in the past is set in the system, and it is often used as a predicted sewage value. However, the method set by humans has a problem that it has to be reset every time the season changes and every time the change occurs. In an automated method, an appropriate average value cannot be obtained unless specific data resulting from cleaning of a sewer pipe or the like is identified. In the sewage inflow prediction model, singular data is automatically identified by case-based reasoning, and sewage prediction is performed using only normal data.
本発明の事例ベース推論による汚水流入量データ予測モデルでは、以下3点の条件より予め推論しておいて構築しておくモデルである。
(1)気象(晴天時)
(2)前後日の汚水流入量形状(相関係数で一定値以上)
(3)暦情報(曜日、期間など)
The sewage inflow data prediction model based on case-based reasoning of the present invention is a model that is inferred in advance from the following three conditions.
(1) Weather (when sunny)
(2) Sewage inflow shape on the day before and after (more than a certain value in correlation coefficient)
(3) Calendar information (day of week, period, etc.)
(1)気象(晴天時)について
前述のように、下水流入量データは汚水流入量データと雨水流入量データの合算値である。しかしながら、下水への雨水流入量は雨天時にしかない流量であり、晴天時には雨水流入量は0になる。よって、事例ベース推論による予測汚水流入量予測モデルの学習では、過去一定期間内のデータから、晴天時の下水流入量データのみを抽出し、それを汚水流入量データとする。
(1) About the weather (at the time of fine weather) As mentioned above, the sewage inflow data is the sum of the sewage inflow data and the rainwater inflow data. However, the amount of rainwater inflow into the sewage is a flow rate that can only be obtained in rainy weather, and the amount of rainwater inflow is 0 in fine weather. Therefore, in the learning of the predicted sewage inflow prediction model by case-based reasoning, only sewage inflow data during clear weather is extracted from data within a certain period in the past and used as sewage inflow data.
(2)前後日の汚水流量形状(相関係数で一定値以上)について
ただし、これら抽出条件では特異データを排除することができない。特異データの例について説明する。例えば、下水道管内の汚れ清掃を行なう場合、下水ポンプ場内の汚水を貯め、一気に送水して下水管内に付着した汚れを取る方法を採用している。このため図4の特異時の汚水流入量−時間特性図のように、清掃前では汚水流入量が無くなり、また清掃時に汚水流入量が尖塔状になり、一時的に汚水流入量が無くなったり多くなったりして通常の特性図と大きく異なる。またこのようなデータは毎日行なわれるものではなく、数ヶ月に数回程度の頻度でしかない。よって、特異データは前後日のデータと比較して汚水流入量の形状が大きく異なる特徴がある。例えば、図5の通常データと特異データの比較図で示すように、4日から5日までが特異データであって通常データと大きく異なっている。逆をいうと通常データは前後日の汚水流入量データが同じ形状をしている。この特徴を利用して、汚水流入量データが前後日と同じ形状のものを抽出する。
ここで、抽出条件は、前後日の形状と比較して相関係数が一定値以上とすることで通常データのみ簡単に抽出できる。
(2) Concerning the shape of sewage flow before and after the day (more than a certain value in the correlation coefficient) However, the singular data cannot be excluded under these extraction conditions. An example of singular data will be described. For example, when cleaning dirt in the sewer pipe, a method is adopted in which the dirty water in the sewage pumping station is stored, and the dirt adhering to the sewage pipe is removed at a stretch. For this reason, as shown in the sewage inflow amount-time characteristic chart in FIG. 4, the sewage inflow amount disappears before cleaning, and the sewage inflow amount becomes a spire shape during cleaning, and the sewage inflow amount temporarily disappears or increases. It differs greatly from the normal characteristic diagram. In addition, such data is not performed every day, but only once every few months. Therefore, the peculiar data has a feature that the shape of the sewage inflow is greatly different from the data of the previous and next days. For example, as shown in the comparison diagram between the normal data and the specific data in FIG. 5, the data from the 4th to the 5th is specific data, which is greatly different from the normal data. In other words, normal data has the same shape as the sewage inflow data on the previous and next days. Using this feature, the sewage inflow data having the same shape as the previous and next days is extracted.
Here, as for the extraction condition, only normal data can be easily extracted by setting the correlation coefficient to be equal to or greater than a certain value as compared with the shape of the preceding and following days.
なお,相関係数とは、2つのデータの相関度合いを測る統計指標である。相関係数は−1≦r≦+1の値をとり、r>0のとき正相関、r<0のとき負相関、r=0のときに無相関であることを意味する。
前後日の汚水流入量の形状を判定するときには、例えば、毎時データを用いるときには、対象日の汚水流入量をx1,x2,・・・,x24(mm3/h)とし、前日の汚水流入量をy1,y2,...,y24(mm3/h)とすると、次式にて相関係数が算出される。
The correlation coefficient is a statistical index that measures the degree of correlation between two data. The correlation coefficient takes a value of −1 ≦ r ≦ + 1. When r> 0, it means a positive correlation, when r <0, a negative correlation, and when r = 0, there is no correlation.
When determining the shape of the amount of sewage inflow on the preceding and following days, for example, when using hourly data, the amount of sewage inflow on the target day is x1, x2, ..., x24 (mm 3 / h), and the amount of sewage inflow on the previous day. Y1, y2,. . . , Y24 (mm 3 / h), the correlation coefficient is calculated by the following equation.
この相関係数rが1に近いとき(例えば0.8以上)に同じ形状と判断し、それ以下のときに、対象日は特異データであると判断する。なお、ここでは前日データのみ比較したが、対象日と対象日の翌日とのデータを比較しても良い。 When the correlation coefficient r is close to 1 (for example, 0.8 or more), it is determined that the shape is the same, and when the correlation coefficient r is less than that, it is determined that the target date is singular data. Although only the previous day data is compared here, data of the target day and the next day of the target day may be compared.
(3)暦情報(曜日、期間など)
さらに、汚水流入量は、曜日により量や立ち上がり時間が若干異なる性質がある。よって、予測対象日と同じ曜日を抽出する。こうして条件に適合した汚水流入量データは、複数日抽出されることになるが、日々のばらつきをなくすため、平均化する。
なお春夏秋冬(夏はシャワーで冬は風呂であり、この点で相違する)を分けて平均化すると、さらに予測精度が高まる。また、暦情報以外にも、湿度・温度が高いとシャワーし、湿度・温度が低いと浴槽にお湯をいれる風呂とするなど、湿度・温度なども影響されるため、気象データを追加することもできるが、季節からも判別できるため、特に気象データは追加しなくとも良い。
このように曜日や季節(春夏秋冬)により異なる場合もあるため、季節別・曜日別・温湿度別も考慮した汚水流入量データとしても良い。
(3) Calendar information (day of week, period, etc.)
Furthermore, the amount of sewage inflow has the property that the amount and rise time differ slightly depending on the day of the week. Therefore, the same day of the week as the prediction target day is extracted. In this way, sewage inflow data that meets the conditions is extracted for a plurality of days, but is averaged to eliminate daily variations.
In addition, the prediction accuracy is further improved by dividing and averaging spring, summer, autumn and winter (summer is shower and winter is bath, which is different in this respect). In addition to calendar information, weather data may be added because humidity and temperature are affected, such as showering when the humidity and temperature are high, and bathing with hot water in the bathtub when the humidity and temperature are low. However, since it can also be determined from the season, it is not necessary to add weather data.
In this way, since it may vary depending on the day of the week and the season (spring, summer, autumn and winter), it may be the sewage inflow data considering the season, the day of the week, and the temperature and humidity.
以下事例ベース推論による予測汚水流入量予測モデルの学習について記す。
事例ベース推論による予測汚水流入量予測モデルの学習では、前述のように、過去一定期間内のデータから、晴天時の汚水流入量のみを抽出し、それを汚水流入量データとする。ただし、これら抽出条件では特異データを排除することができない。そこで、次に通常データのみ抽出する。
The following describes learning of a predictive sewage inflow prediction model using case-based reasoning.
In the learning of the predicted sewage inflow prediction model based on the case-based reasoning, as described above, only the sewage inflow in the clear weather is extracted from the data in the past fixed period and used as the sewage inflow data. However, specific data cannot be excluded under these extraction conditions. Therefore, only normal data is extracted next.
ここで、抽出条件は、前後日の形状と比較して相関係数が一定値以上とすることで簡単に抽出できる。さらに、汚水流入量は、曜日により量や立ち上がり時間が若干異なる性質がある。よって、予測対象日と同曜日を抽出する。こうして条件に適合した汚水流入量のデータは、複数日抽出されることになるが、日々のばらつきをなくすため、平均化する。 Here, the extraction condition can be easily extracted by setting the correlation coefficient to a certain value or more as compared with the shape of the previous and next days. Furthermore, the amount of sewage inflow has the property that the amount and rise time differ slightly depending on the day of the week. Therefore, the same day of the week as the prediction target day is extracted. In this way, the sewage inflow data that meets the conditions is extracted for a plurality of days, but is averaged to eliminate daily variations.
このようにして構築した汚水流量予測モデルでは、汚水流入量は先に述べたがポンプの清掃のような時以外は、時間別にほぼ同じ値を取るため、特異データを統計的判定方法にて除外した上で過去の時間に対応する実績値である汚水流入量データのデータベース化し、時間データ(たとえば4月10日・水曜日・春・午後10時)を入力すると対応する汚水流入量データを読み出して汚水流入量予測データを生成するモデルとしたため、月日・曜日・季節・時間を入力すると対応する汚水流入量予測データを選択して出力する。 In the sewage flow prediction model constructed in this way, the sewage inflow amount was described above, but it takes almost the same value by time except when cleaning the pump. In addition, the sewage inflow data that is the actual value corresponding to the past time is made into a database, and when the time data (for example, April 10, Wednesday, Spring, 10:00 pm) is input, the corresponding sewage inflow data is read out. Since the model generates sewage inflow prediction data, when the date, day, season, and time are input, the corresponding sewage inflow prediction data is selected and output.
続いてもう一つの雨水流入量予測モデルについて説明する。
雨水流入量予測モデルは、具体的にはニューラルネットワークによる予測モデルである。図6は雨水流入量を予測するニューラルネットワークの構成図である。
ニューラルネットワークによるモデルは、例えば、入力層、中間層、出力層の3層構造のパーセプトロンモデルなどであり、入力に対して所望の出力をするように学習できる。
なお、図6のニューラルネットワークは、多入力1出力のニューラルネットワークであるが、もちろん多入力多出力のニューラルネットワークを構築しても良い。
Next, another rainwater inflow prediction model will be described.
The rainwater inflow prediction model is specifically a prediction model using a neural network. FIG. 6 is a block diagram of a neural network that predicts the amount of rainwater inflow.
The model based on the neural network is, for example, a perceptron model having a three-layer structure of an input layer, an intermediate layer, and an output layer, and can learn to produce a desired output with respect to the input.
The neural network in FIG. 6 is a multi-input single-output neural network, but a multi-input multi-output neural network may be constructed.
ニューラルネットワークの入出力情報について説明する。学習段階で用いるニューラルネットワークの入力情報は、入力因子が過去の実績値であって気象データのうち特に雨量データを採用する。また出力因子が分離手段80により求められてデータ蓄積手段60に登録されたデータであって、過去の実績値である雨水流入量データであり、通常は数時間分のデータを用いる。
The input / output information of the neural network will be described. As the input information of the neural network used in the learning stage, the input factor is a past actual value, and particularly rain data among the weather data is adopted. The output factor is data obtained by the separating means 80 and registered in the
これら雨量データと雨水流入量データとの間には、通常、非線形な関係があり、線形的予測手法である回帰分析では必ずしも良好な予測結果を得ることができないが、このニューラルネットワークでは、データを学習するだけで適切な予測モデルを構築することができる。 There is usually a non-linear relationship between these rainfall data and stormwater inflow data. Regression analysis, which is a linear prediction method, cannot always provide good prediction results. An appropriate prediction model can be constructed only by learning.
なお、これらデータは通常は1時間単位のデータを用いるのが一般的であるが、10分単位のデータなど短い時間単位のデータを用いてもよい。また数時間の累積データにしてもよい。さらには各データの差分値や絶対量などの変換を行なっても良い。出力データとしては数分先から数時間先までの雨水流入量データである。通常は1時間先までの累積雨水流入量データを出力するように設計するが、ニューラルネットワークを多出力化し数時間先までのデータを一括で出力しても良い。また、データを加工し、現在からの差分値などにしても良い。 In general, data for each hour is used for these data, but data for a short time such as data for 10 minutes may be used. Further, it may be accumulated data for several hours. Furthermore, the conversion of the difference value or absolute amount of each data may be performed. The output data is rainwater inflow data from several minutes to several hours ahead. Normally, it is designed to output the accumulated rainwater inflow data up to one hour ahead, but it is also possible to output the data up to several hours in a lump by outputting multiple neural networks. Further, the data may be processed to obtain a difference value from the present.
本形態では説明の具体化のため、図6で示すように、時間を異ならせた複数の雨量データ(ある時点の雨量データ値、ある時点より1時間前の雨量データ、ある時点より1時間後の雨量データ)を入力因子とし、また、ある時点より1時間後の雨水流入量データを出力因子としている。 In this embodiment, for the sake of concrete explanation, as shown in FIG. 6, a plurality of rainfall data at different times (rainfall data values at a certain point in time, rainfall data one hour before a certain point in time, one hour after a certain point in time) Rainfall data) is used as an input factor, and rainwater inflow data one hour after a certain point in time is used as an output factor.
続いて上記した雨水流入量予測モデルの学習について説明する。ニューラルネットワークの学習では学習データを作成する必要がある。データ蓄積手段60により過去に蓄積した気象データに含まれる雨量データや、この雨量データに対応する雨水流入量データを時間別に収集し、上記ニューラルネットワークの入出力データセットを多数用意する。例えば、ある時点とある時点の一時間の前後の時刻の3点の雨量データを入力因子とし、また、ある時点から一時間先の雨水流入量データを出力因子とする入出力データセットである。このような入出力データセットを基準となる時点を異ならせて多数準備して、例えば周知のバックプロパゲーション法など周知の各種の学習アルゴリズムを用いてニューラルネットワークを構築する。
このようにして予測モデルが構築される。
Next, learning of the above-described rainwater inflow prediction model will be described. In the learning of the neural network, it is necessary to create learning data. Rain data included in the weather data accumulated in the past by the data storage means 60 and rain water inflow data corresponding to the rain data are collected according to time, and a large number of input / output data sets of the neural network are prepared. For example, it is an input / output data set in which three points of rainfall data at a certain point in time and one hour before and after one hour are used as input factors, and rainwater inflow data one hour after a certain point in time is used as an output factor. A large number of such input / output data sets are prepared at different reference time points, and a neural network is constructed using various known learning algorithms such as a known back-propagation method.
In this way, a prediction model is constructed.
続いて下水流入量予測手段100では、これら汚水流入量予測モデルおよび雨水流入量予測モデルを用いて予測を行う。図7は予測手段の構造図である。予測手段100は、詳しくは図7で示すように、汚水流入量予測手段101、雨水流入量予測手段102、合算手段103を備えている。
Subsequently, the sewage
汚水流入量予測手段101は、予測対象日時の暦データを汚水流入量予測モデルに入力して汚水流入量予測データを生成する手段である。汚水流入量は時間に依存しており、暦データを入力すれば、汚水流入量予測データを得られる。なお、出力因子は学習時では実績値に係る汚水流入量データであったが、予測時は将来値に係る汚水流入量予測データであり、相違している。
このような汚水流量予測モデルを用いる汚水流量予測手段では、月日・時間・曜日・季節を入力すると対応する汚水流入量予測データを選択して出力する。これは予め事例ベース推論にて、特異データが除去されており、通常時の汚水流入量データのみの平気値で予測値を出力するため、入力される暦データの月日・時間・曜日・季節に対応した汚水流入量データが出力され、従来技術での単なる平均値よりも大幅に予測精度が向上している。
The sewage inflow amount prediction means 101 is a means for inputting the calendar data of the prediction target date and time into the sewage inflow amount prediction model and generating sewage inflow amount prediction data. The amount of sewage inflow depends on time, and if calendar data is input, sewage inflow prediction data can be obtained. The output factor is the sewage inflow data related to the actual value at the time of learning, but is the sewage inflow prediction data related to the future value at the time of prediction.
In the sewage flow prediction means using such a sewage flow prediction model, when the date, time, day of the week, and season are input, the corresponding sewage inflow prediction data is selected and output. This is because example data is removed in advance by case-based reasoning, and because the predicted value is output as a normal value of only the sewage inflow data at normal time, the month / day / time / day of the week / season of the input calendar data The sewage inflow data corresponding to is output, and the prediction accuracy is greatly improved compared to the mere average value in the prior art.
雨水流入量予測手段102は、予測対象時の予報である気象データを雨水流入量予測モデルに入力して雨水流入量予測データを生成する手段である。入力される気象データは未来の気象データであり、予測対象日時の気象データを入力することにより、雨水流入量予測データが得られる。 The stormwater inflow prediction means 102 is means for generating stormwater inflow prediction data by inputting meteorological data, which is a forecast at the time of prediction, into the stormwater inflow prediction model. The meteorological data to be input is future meteorological data, and rainwater inflow prediction data can be obtained by inputting the meteorological data for the forecast date and time.
続いて上記した雨水流入量予測モデルの予測について説明する。予測段階では、上記にて作成したニューラルネットワークモデルに対し、学習時と同じ入力項目のデータを与えると所望の予測値が出力される。なお、出力因子は学習時では雨水流入量データであったが、予測時は雨水流入量予測データとなり、相違する。
例えば、図6で示す雨水流入量予測モデルでは、ある時刻を現在とし、現在の雨量データと1時間前の雨量は、下水ポンプ場もしくは気象情報サービス会社から配信される実績の雨量データが入力される。1時間先の雨量は、気象情報サービス会社から配信される予報の雨量データである。そして1時間先の雨水流入量予測データが出力される(図6では雨水流入量データとなっているが、予測時は雨水流入量予測データである)。
Next, the prediction of the rainwater inflow prediction model described above will be described. In the prediction stage, if the data of the same input items as in the learning are given to the neural network model created above, a desired prediction value is output. The output factor was rainwater inflow data at the time of learning, but it was different from the rainwater inflow prediction data at the time of prediction.
For example, in the stormwater inflow prediction model shown in FIG. 6, the current rainfall data and the rainfall one hour ago are input as the actual rainfall data distributed from the sewage pump station or the weather information service company. The The rainfall of one hour ahead is forecast rainfall data distributed from a weather information service company. Then, the rainwater inflow prediction data for one hour ahead is output (the rainwater inflow data is shown in FIG. 6, but the rainwater inflow prediction data is used at the time of prediction).
なお、図6は1時間先の雨水流入量の説明図であるが、同じニューラルネットワークに対し、入力情報を変えることで1時間先よりさらに先の雨水流入量予測データを得ることができる。例えば、図6の1時間前・ある時点・1時間先という雨量データを、それぞれ現在・1時間先・2時間先の雨量データとすれば、2時間先の雨水流入量予測データを得ることができる。現在の雨量データは、下水ポンプ場もしくは気象情報サービス会社から配信される雨量実績データが入力される。1時間先および2時間先の雨量は、気象情報サービス会社から配信される予報の雨量データである。これにより2時間先の雨水流入量予測データを得ることができる。
雨水流入量予測手段102はこのようなものである。
Although FIG. 6 is an explanatory diagram of the amount of rainwater inflow one hour ahead, it is possible to obtain rainwater inflow prediction data further ahead of the hour by changing input information for the same neural network. For example, if the rainfall data of 1 hour before, a certain time, and 1 hour ahead in FIG. 6 are the current, 1 hour ahead, and 2 hours ahead, respectively, the rainwater inflow prediction data of 2 hours ahead can be obtained. it can. As current rainfall data, actual rainfall data distributed from a sewage pump station or a weather information service company is input. The 1-hour ahead and 2-hour ahead rainfall is forecast rain data distributed from a weather information service company. Thereby, rainwater inflow prediction data of 2 hours ahead can be obtained.
The rainwater inflow prediction means 102 is such.
合算手段103は、生成した汚水流入量予測データと雨水流入量予測データとを合算して下水流入量予測データを生成する手段である。
このような下水流入量予測手段100では、通常は1時間単位で24時間先まで予測する。もちろん、時間間隔や期間については他でも良いが、後述する運転立案手段の時間間隔や期間と一致していることが望ましい。
このような予測手段100は、一定期間(例えば1時間ごと)ごとに起動され、下水流入量を予測する。
そして、データ蓄積手段60では未来の暦となる暦データに関連づけれて、汚水流入量予測データ、雨水流入量予測データ、下水流入量予測データが登録される。
The summing
In such a sewage inflow prediction means 100, the prediction is normally made up to 24 hours ahead in units of one hour. Of course, other time intervals and periods may be used, but it is desirable that they coincide with the time intervals and periods of the operation planning means described later.
Such a
In the data storage means 60, sewage inflow prediction data, rainwater inflow prediction data, and sewage inflow prediction data are registered in association with calendar data as a future calendar.
ポンプ運転計画手段110は、ポンプ稼働可否データに基づいて稼働可能なポンプを全て選択し、これらポンプについて稼働か非稼働かを表したポンプ運転計画データを生成する。通常は1時間単位で24時間先までのポンプ1台ごとの起動停止状態を計画する。例えば、あるポンプの起動状態が1、あるポンプの停止状態が0と表現する場合、(1、0 、0・・・)というデータとする。このポンプ運転計画データは、例えば1時間先のポンプ1は起動状態であることを意味し、ポンプ2、ポンプ3は停止状態であることを意味する。もちろん計画における時間間隔、期間はこれに固定されるものではなく、他の時間間隔や期間でも良い。なお、一番最初は適当な初期値(例えば全部稼働していることを表す(1、1 、1・・・))を24時間分付与すれば良い。ポンプ運転計画手段110、シミュレーション手段120、評価手段130と機能した後で再度ポンプ運転計画手段110が機能するがその場合、最初とは異なる処理をする。この処理を行うポンプ運転計画手段110を後述する。
The pump operation planning means 110 selects all the pumps that can be operated based on the pump operation availability data, and generates pump operation plan data that indicates whether these pumps are operating or not operating. Normally, start and stop states are planned for each pump up to 24 hours in an hour unit. For example, when the start state of a certain pump is 1 and the stop state of a pump is 0, the data is (1, 0, 0...). This pump operation plan data means, for example, that the
シミュレーション手段120は、詳しくは、図8で示すように、下水モデルシミュレーション手段121、水位予測データ算出手段122、エネルギー量予測データ算出手段123、運用費予測データ算出手段124、環境負荷予測データ算出手段125を備えている。各下水ポンプ場や任意地点の下水管水位、及びポンプ起動に伴うエネルギー量や運用費、環境負荷を、任意の時間間隔ごと設定された期間を通して算出する。
Specifically, as shown in FIG. 8, the
下水モデルシミュレーション手段121は、下水流入量予測データおよびポンプ運転計画データに基づいて下水モデルにおける下水ポンプ場のポンプ井での下水量予測データをシミュレーションにより求める。先の下水流入量予測手段100により予想された各時間における各下水ポンプ場への下水流入量予測データと、ポンプ運転計画手段110により計画された各時間における各下水ポンプ場におけるポンプの運転によるポンプ揚水量P1、上流ポンプ揚水量P2である揚水量データに基づいて下水管網で下水がどのように流れるかをシミュレーションする。先の数1を各予測データに当てはめると、下水流入量予測データ=下水量予測データM1−下水量予測データM2+ポンプ揚水量データP1−上流ポンプ揚水量データP2となるが、このうち下水流入量予測データや、ポンプ揚水量データP1、上流ポンプ揚水量データP2が与えられるため、下水量予測データM1、下水量予測データM2がシミュレーションにより算出される。
The sewage model simulation means 121 calculates | requires the sewage prediction data in the pump well of the sewage pump station in a sewage model by simulation based on sewage inflow prediction data and pump operation plan data. The sewage inflow prediction data to each sewage pump station at each time predicted by the previous sewage inflow prediction means 100 and the pump by the pump operation at each sewage pump station at each time planned by the pump operation planning means 110 It simulates how sewage flows in the sewer network based on the pumping amount data which is the pumping amount P1 and the upstream pumping amount P2. When the
水位予測データ算出手段122は、下水量予測データからポンプ井での水位データを生成する。先に説明したように下水量予測データM1、M2の算出式は、ポンプ井の水位を入力因子とする回帰式であり、例えば最も簡単な例では単純比例関係の算出式は、M1=a×h1、M2=a×h2となる。下水量予測データM1、M2はシミュレーション手段121から算出される、また係数aは既知のため、ポンプ井での下水の高さ水位予測データであるh1、h2が算出される。 The water level prediction data calculation means 122 generates water level data at the pump well from the sewage amount prediction data. As described above, the calculation formula of the sewage amount prediction data M1 and M2 is a regression formula using the water level of the pump well as an input factor. For example, in the simplest example, the calculation formula of the simple proportional relationship is M1 = a × h1, M2 = a × h2. The sewage amount prediction data M1 and M2 are calculated from the simulation means 121, and since the coefficient a is known, the sewage height prediction data h1 and h2 in the pump well are calculated.
エネルギー量予測データ算出手段123は、ポンプの起動時間に比例するエネルギー量予測データを算出する手段である。通常エネルギー量予測データはポンプの起動時間Tに比例する量であり、係数をbとすると、エネルギー量予測データU=b×Tで表すことができる。Tは1時間となる。なお、単純な式で代用できない場合には、各ポンプの特性に合わせた式により算出する。例えば最小自乗法により実験的に時間とエネルギー量の関係を求めても良い。 The energy amount prediction data calculation means 123 is means for calculating energy amount prediction data proportional to the pump activation time. The normal energy amount prediction data is an amount proportional to the pump start time T. If the coefficient is b, it can be expressed as energy amount prediction data U = b × T. T is 1 hour. If a simple formula cannot be substituted, the formula is calculated according to the characteristics of each pump. For example, the relationship between time and energy amount may be obtained experimentally by the method of least squares.
運用費予測データ算出手段124は、エネルギー量予測データに比例する運用費予測データを算出する。運用費予測データは、エネルギー量予測データにエネルギー単価係数をかけた値となり、エネルギー単価係数をcとすると、運用費予測データQ=c×Uで表すことができる。ここで、電動ポンプの電気料金に関しては季節や時間帯により料金が異なるため(深夜料金や昼料金など)季節や時間帯を考慮して算出する。エンジン式のポンプに関しては主にガソリン代になるため、購入時期に応じた単価をかける。
The operation cost prediction
環境負荷予測データ算出手段125は、エネルギー量予測データに比例する環境負荷予測データを算出する手段である。ここでいう環境負荷とは、主にCO2の算出を意味する。エネルギー量予測データにCO2の排出係数dをかけ、環境負荷予測データR=d×Uて算出する。
これら水位予測データ、エネルギー量予測データ、運用費予測データ、環境負荷予測データは、データ蓄積手段60で登録される。
The environmental load prediction
These water level prediction data, energy amount prediction data, operation cost prediction data, and environmental load prediction data are registered in the data storage means 60.
評価手段130は、これら水位予測データ、エネルギー量予測データ、運用費予測データ、環境負荷予測データを用いてポンプ運転計画を評価する手段である。
まず、水位予測データを用いて浸水の観点からポンプ運転計画を評価する。具体的には各下水ポンプ場の水位が以下の制約式を満たすか否かを監視する。
The
First, the pump operation plan is evaluated from the viewpoint of inundation using the water level prediction data. Specifically, it is monitored whether the water level of each sewage pump station satisfies the following constraint equation.
例えば、水位上限値を上回るポンプ井が一つでもあるならば、浸水の危険があるため、運転計画は不良である。
この制約式を満たす場合は、ポンプ井において下水が少なすぎたり、また、多すぎたりということがなく、最低限の運用制約が守られており、実行可能なポンプ運転計画といえる。
For example, if there is even one pump well that exceeds the upper limit of the water level, the operation plan is poor because there is a risk of flooding.
When this constraint equation is satisfied, the pump well does not have too little or too much sewage, and the minimum operation restrictions are observed, which can be said to be an executable pump operation plan.
続いて、エネルギー量予測データ、運用費予測データ、環境負荷予測データを用いてポンプ運転計画を評価する。この評価のため目的関数を使用する。目的関数は各種考えられるが、例えば次式が考えられる。 Subsequently, the pump operation plan is evaluated using the energy amount prediction data, the operation cost prediction data, and the environmental load prediction data. The objective function is used for this evaluation. Various objective functions can be considered. For example, the following expression can be considered.
この目的関数が最小であるときが最も評価が高いことを表しており、第1項では下水流入量の変動が少なくなれば値が小さくなり、第2項では運用費が少なくなれば値が小さくなり、第3項では環境負荷が小さくなれば値が小さくなることを表している。
なお、この式ではエネルギー量予測データが直接的には記載されていないが、エネルギー量予測データは先の説明から運用費予測データ・環境負荷予測データに含まれており、数5のように省略しても良いが、係数δを掛け合わせて評価関数第4項として含めても良い。
When the objective function is the minimum, the evaluation is the highest. In the first term, the value decreases when the fluctuation of the sewage inflow decreases, and in the second term, the value decreases when the operating cost decreases. Thus, the third term represents that the value decreases as the environmental load decreases.
Although the energy amount prediction data is not directly described in this formula, the energy amount prediction data is included in the operation cost prediction data / environmental load prediction data from the above explanation, and is omitted as in Equation 5. However, the evaluation function fourth term may be included by multiplying by the coefficient δ.
上記した制約式・目的関数による評価関数を用いるメリットは、雨水・汚水のいずれを意識することなく単に下水として評価できる点である。
晴天時には雨水がなく汚水のみ流入する。このときには数4の制約式である水位の上限値に制限されることはほとんどなく、下水処理場に流れ込む流入量の変動が少なく、運用費等が少ない計画が立案される。
雨天時は、制約式の水位の上限に制限されうるが、制約を逸脱しない範囲にて目的関数が最小化される。つまり、都市を浸水させない範囲にて流量の変動が小さく運用費等が少ないポンプの運転計画が立案される。以上の目的関数により、先に掲げた
(1)下水処理場への流入量の変動を最小化させるため、複数の下水ポンプ場の情報を考慮し、それら計画を立案し、制御する、
(3)分流式、合流式が混在していても適用できる、
(4)使用エネルギー量、運用費、環境負荷を考慮(最小化)することができる、
という要件を満たすようなポンプ制御装置となる。
The merit of using the evaluation function based on the constraint equation / objective function described above is that it can be evaluated simply as sewage without being aware of either rainwater or sewage.
In fine weather, there is no rain water and only sewage flows. At this time, the upper limit value of the water level, which is the constraint formula of
When it rains, it can be limited to the upper limit of the water level in the constraint equation, but the objective function is minimized without departing from the constraint. That is, an operation plan for a pump with a small change in flow rate and a low operation cost is established within a range that does not flood the city. The objective function of the following, in order to minimize variations in listed above (1) inflow into sewage treatment plants, taking into account the information of the plurality of sewage pumping stations, formulates them plan and control,
(3) Applicable even when both diversion and merging are mixed.
(4) It is possible to consider (minimize) the amount of energy used, operating costs, and environmental impact.
It becomes a pump control device that satisfies the requirement.
さらに(2)流量予測値が外れても適切な計画立案と制御ができるようにするため、この評価の結果に基づいて、再度ポンプ運転計画を行う。
計画手法としては、様々な方法が適用可能であるが、GA(遺伝的アルゴリズム)、PSOなどのメタヒューリスティック手法を用いるが、本形態ではPSOであるものとして説明する。
Further, (2) In order to enable appropriate planning and control even if the flow rate prediction value deviates, the pump operation plan is performed again based on the result of this evaluation.
Although various methods can be applied as the planning method, a metaheuristic method such as GA (genetic algorithm) or PSO is used, but in this embodiment, it will be described as a PSO.
PSO(Particle Swarm Optimization)の最大の特徴は、計算時間が短く、また計算途中であっても、実行可能な計画値が得られ、前述のとおり、一定時間ごとに計画を修正するのに適した方法と言える。
つまり、前述(2)の流量予測値が外れても適切な計画立案と制御ができるようにするためには、ポンプの運転計画を早く立案しなければならないのはいうまでもないが、万が一計算が終わらなかったとしても(例えば降雨状態が通常と異なり計算が収束しない、もしくは他のタスクの影響により計算が終わらなかったなど)、計算途中の計画値が制約式を違反しない実行可能解ならば、その値を用いて制御指令を出せることが望ましい。よって、本発明ではPSOを用いてポンプの運転計画を立案している。
The biggest feature of PSO (Particle Swarm Optimization) is that the calculation time is short, and an executable plan value can be obtained even during the calculation, and as described above, it is suitable for correcting the plan at regular intervals. It's a method.
In other words, in order to be able to plan and control appropriately even if the flow rate prediction value in (2) above deviates, it goes without saying that the pump operation plan must be made early, but in the unlikely event that it is calculated. If it is an executable solution that does not violate the constraint formula even if the calculation does not end (for example, the calculation does not converge due to the rain condition, or the calculation does not end due to the influence of other tasks) It is desirable that a control command can be issued using the value. Therefore, in the present invention, a pump operation plan is made using PSO.
ここでPSOについて説明する。PSOのアルゴリズムは、簡略化した社会モデルのシミュレーションを通して開発された最適化手法であり、鳥の群れの動きを連続変数の2次元空間で表現することを通して開発された。例えば図9のPSOによる探索の概念図では各エージェント(上述した鳥)の位置(状態量)をx、y座標で表し、前記位置(状態量)の変化分に相当する速度(ベクトル)をVx(x方向の速度)、Vy(y方向の速度)で表現する。
これら位置と速度情報から、次時点の各エージェントの位置を更新することができる。この概念に基づき、以下のような最適化手法として実現できる。
Here, PSO will be described. The PSO algorithm is an optimization method developed through simulation of a simplified social model, and was developed through expressing the movement of a flock of birds in a two-dimensional space of continuous variables. For example, in the conceptual diagram of the search by the PSO in FIG. 9, the position (state quantity) of each agent (the above-mentioned bird) is represented by x and y coordinates, and the velocity (vector) corresponding to the change in the position (state quantity) is represented by Vx. (Velocity in the x direction) and Vy (velocity in the y direction).
From the position and speed information, the position of each agent at the next time point can be updated. Based on this concept, the following optimization method can be realized.
つまり、各エージェントは、各々の探索における目的関数のそれまでの個々の最良値(pbest)と、その位置(状態量)を示すx、y座標とを覚えている。また各エージェントは集団のそれまでの目的関数の最良値(gbest)を共有している。
そして、各エージェントは現在の自己のx、y座標と速度Vx、Vy及びpbest、gbestとの距離に応じてpbest、gbestの存在する位置に方向を変更しようとしている。この変更しようとする行動は速度を修正することで表現される。現在の速度とpbest及びgbestを用いて各エージェントの速度は次式により修正される。
That is, each agent remembers the individual best value (pbest) of the objective function in each search and the x and y coordinates indicating the position (state quantity). Each agent shares the best value (gbest) of the objective function of the group.
Each agent tries to change the direction to the position where pbest and gbest exist according to the distance between the current x and y coordinates and the speeds Vx, Vy and pbest and gbest. The action to be changed is expressed by correcting the speed. Using the current speed and pbest and gbest, the speed of each agent is modified by the following equation.
以上のPSOのアルゴリズムを、本問題へのコーディングする方法について説明する。
まず、制御対象であるポンプがn台、T断面のポンプの起動停止状態を計画する場合、PSOはn×T次元の問題となる。つまり、図9は2次元の例であるが、本問題ではn×T次元となる。つまり、1断面目(例えば1時間先)のポンプ1をx1軸、ポンプ2をx2軸、・・・、ポンプnをxn軸に割り当て、T断面目(例えば24時間先)のポンプnをxT軸に割り当てる。エージェントの位置Sは(x1、x2、・・・、xT)のベクトルで表現される。ポンプの起動状態が1、ポンプの停止状態が0と表現する場合、S(1、0、0・・・)は1断面目(例えば1時間先)のポンプ1は起動状態であることを意味し、ポンプ2、ポンプ3は停止状態であることを意味する。通常のPSOは各軸の中で連続量(例えば0〜1)の値をとるため、起動1、停止0の値に変換しなければならない。そこで、規定値(例えば0.5)以下はポンプ停止、規定値以上はポンプ起動とみなす。または、福山他による「電圧信頼度を考慮したParticle Swarm Optimizationによる電圧無効電力制御方式の検討」電気学会論文誌B 119巻12号(1999年12月)等で提案されている方法、または、J. Kennedy とR. Eberhartによる「A discrete binary version of the particle swarm optimization algorithm」、 Proc. of the IEEE conference on Systems、 Man、 and Cybernetics (SMC'97)、 pp.4104-4109、 1997で提案されている方法により、0または1の値を取る離散値として扱うこともできる。
A method for coding the above PSO algorithm to this problem will be described.
First, when the number of pumps to be controlled is n and the start / stop state of a T-section pump is planned, PSO becomes an n × T-dimensional problem. In other words, FIG. 9 shows a two-dimensional example, but in this problem, there are n × T dimensions. That is, the
続いて、このようなポンプ運転計画手段110、シミュレーション手段120、評価手段130による動作を図10のポンプ運転計画最適化アルゴリズムのフローチャートで説明する。まず初期化を行う(ステップS1)。エージェントの数、上記数6の係数の値、探索回数を設定する。
Next, the operation of the pump
続いて、初期値を生成する(ステップS2)。各ポンプの起動停止状態をランダムに設定する。先に説明したが、ポンプ運転計画手段110で最初は全て起動しているものとした。また、シミュレーション手段120、評価手段130により、この状態における各エージェントの目的関数値を算出しpbestとする。またpbestの最良値をgbestとする。ここで、目的関数は前述のシミュレータを用いて算出する。
Subsequently, an initial value is generated (step S2). Set the start / stop status of each pump at random. As described above, it is assumed that the pump
続いて、各エージェントの位置(探索点)の修正を行う(ステップS3)。各エージェントの位置を数式6を用いて修正する。つまりポンプ運転計画が変更される。
続いて、各エージェントの評価を行う(ステップS4)。
シミュレーション手段120、評価手段130により各エージェントの目的関数を算出する。またpbest、gbestを修正する。
Subsequently, the position (search point) of each agent is corrected (step S3). The position of each agent is corrected using Equation 6. That is, the pump operation plan is changed.
Subsequently, each agent is evaluated (step S4).
The objective function of each agent is calculated by the simulation means 120 and the evaluation means 130. Also correct pbest and gbest.
そして終了条件を満たすか否かについて判定し(ステップS5)、終了条件を満たすまでは繰り返し上記のステップS3、S4を繰り返し、終了条件を満たしたなら終了する。 終了条件は探索回数が最大探索関数に達したら終了する。
そして、最終的なポンプ運転計画値はgbestの位置Sにより表現されている。
Then, it is determined whether or not the end condition is satisfied (step S5). The above steps S3 and S4 are repeated until the end condition is satisfied, and the process ends when the end condition is satisfied. The end condition ends when the number of searches reaches the maximum search function.
The final pump operation plan value is expressed by the position S of gbest.
本発明の全ての処理は、一定時間ごとに起動され、計画値が随時修正される。例えば1時間や30分ごとに計画値を修正する。この機能により、たとえ下水流入量予測データに誤差が多少含まれていたとしても、現在の水位や下水流入量より計画を速やかに修正できるため、制御に対し大きな悪影響は起こらない。また、何らかの原因によりポンプが計画どおり起動できなかった場合、もしくは人間系により計画外の運転が行なわれたとしても、速やかに現状の状態を反映してポンプ運転の計画を修正することができる。この計画の修正機能により前述(2)を実現することができる。 All processes of the present invention are started at regular intervals, and the planned values are corrected as needed. For example, the plan value is corrected every hour or 30 minutes. With this function, even if there are some errors in the sewage inflow prediction data, the plan can be corrected more quickly than the current water level and sewage inflow, so there is no significant adverse effect on the control. In addition, even if the pump cannot be started as planned for some reason, or even if an unplanned operation is performed by a human system, the pump operation plan can be quickly corrected to reflect the current state. The above function (2) can be realized by this plan correction function.
このようにして算出したポンプ運転計画データは、データ蓄積手段60に登録される。そして、出力手段20では、データ蓄積手段60に蓄積されたポンプ運転計画データを時系列的に表示する。表示されたポンプ運転計画データを運用者が修正したい場合には、入力手段10より修正値を入力することで実現できる。ここで、表示手段20、入力手段10は、1つの計算機の中にあることを想定しているが、図示しないネットワークに接続される他の計算機で実現しても良い。
The pump operation plan data calculated in this way is registered in the data storage means 60. The output means 20 displays the pump operation plan data accumulated in the data accumulation means 60 in time series. When the operator wants to correct the displayed pump operation plan data, it can be realized by inputting a correction value from the input means 10. Here, it is assumed that the
データ発信手段40は、1時間先から24時間先までの1時間毎のポンプ運転計画データを制御指令として各ポンプに別個指令を出す。このポンプ運転計画データは下水ポンプ場にあるローカル制御用コントローラへ入力されてポンプ運転計画データに沿ってポンプ制御を行う。なお、24時間先までポンプ制御が予定されているが、ポンプ運転計画の修正は1時間毎になされており、随時修正を行って、その時点で最適な制御とする。これにより下水の流れの平準化を図ることができる。 The data transmission means 40 issues a separate command to each pump using the pump operation plan data for every hour from 1 hour to 24 hours ahead as a control command. The pump operation plan data is input to a local control controller in the sewage pump station, and pump control is performed along the pump operation plan data. In addition, although pump control is scheduled until 24 hours ahead, the pump operation plan is corrected every hour, and correction is performed as needed to obtain optimal control at that time. Thereby, the flow of sewage can be leveled.
以上、本発明について説明した。本発明を用いることで、以下のメリットを持つポンプの自動制御装置を構築することができる。
(1)下水処理場への流入量の変動を最小化させるため、複数の下水ポンプ場の情報を考慮し、それら計画を立案し、制御する。
(2)複数の下水ポンプ場の計画を立案する
(3)流量予測値が外れても適切な計画立案と制御ができる。
(4)分流式、合流式が混在していても適用できる。
(5)使用エネルギー量、運用費、環境負荷を考慮することができる。
The present invention has been described above. By using the present invention, an automatic control device for a pump having the following merits can be constructed.
(1) In order to minimize fluctuations in the amount of inflow to the sewage treatment plant, the plan is formulated and controlled in consideration of information on a plurality of sewage pump stations.
(2) Make plans for multiple sewage pump stations (3) Proper planning and control are possible even if the predicted flow rate is off.
(4) The present invention can be applied even when a diversion type and a merging type are mixed.
(5) The amount of energy used, operating cost, and environmental load can be taken into consideration.
また、分流式の場合は予測モデルを単独で稼働させ、また、合流式でも両者の予測モデルを併用することにより、従来よりも高精度な予測値を提供することができる。なによりも、従来では、一度決定した予測モデル、予測値は自動的に変更することはできなく、修正のためには人手により膨大な作業を必要としたが、本発明を適用することにより、自動的に予測モデルが更新されるメリットがある。 Further, in the case of the shunt type, the prediction model is operated alone, and in the case of the merging type, it is possible to provide a prediction value with higher accuracy than in the past by using both prediction models together. Above all, in the past, the prediction model once determined, the prediction value cannot be automatically changed, and a large amount of work was required for correction manually, but by applying the present invention, There is an advantage that the prediction model is automatically updated.
1:ポンプ制御装置
10:入力手段
20:出力手段
30:記録媒体読書手段
40:データ発信手段
50:データ収集手段
51:ポンプ稼働可否データ収集手段
52:ポンプ稼働状態データ収集手段
53:気象データ収集手段
54:暦データ収集手段
55:水位データ収集手段
56:ポンプ揚水量データ収集手段
60:データ蓄積手段
70:下水流入量データ算出手段
80:分離手段
90:モデル構築手段
91:雨水流入量予測モデル構築手段
92:汚水流入量予測モデル構築手段
100:予測手段
101:汚水流入量予測手段
102:雨水流入量予測手段
103:合算手段
110:ポンプ運転計画手段
120:シミュレーション手段
121:下水モデルシミュレーション手段
122:水位予測データ算出手段
123:エネルギー量予測データ算出手段
124:運用費予測データ算出手段
125:環境負荷予測データ算出手段
130:評価手段
200:予測手段
2:ネットワーク
1: pump control device 10: input means 20: output means 30: recording medium reading means 40: data transmission means 50: data collection means 51: pump operation availability data collection means 52: pump operating state data collection means 53: meteorological data collection Means 54: Calendar data collection means 55: Water level data collection means 56: Pump pumping amount data collection means 60: Data storage means 70: Sewage inflow data calculation means 80: Separation means 90: Model construction means 91: Rainwater inflow prediction model Construction means 92: Sewage inflow prediction model construction means 100: Prediction means 101: Sewage inflow prediction means 102: Rainwater inflow prediction means 103: Summing means 110: Pump operation planning means 120: Simulation means 121: Sewage model simulation means 122 : Water level prediction data calculation means 123: Energy amount prediction data Detecting means 124: Operation costs predicted data calculating means 125: Environmental impact prediction data calculating means 130: evaluating means 200: prediction means 2: Network
Claims (4)
ポンプが稼働できる状態か否かを表したポンプ稼働可否データを収集するポンプ稼働可否データ収集手段と、
ポンプが稼働しているか非稼働かを表すポンプ稼働状態データを収集するポンプ稼働状態データ収集手段と、
気象実績及び気象予報についての気象データを収集する気象データ収集手段と、
暦についての暦データを収集する暦データ収集手段と、
ポンプ井内の下水の水位についての水位データを収集する水位データ収集手段と、
ポンプ井の下水のポンプ揚水量についての揚水量データを収集するポンプ揚水量データ収集手段と、
前記ポンプ稼働可否データ、前記ポンプ稼働状態データ、前記暦データ、前記気象データ、前記水位データおよび前記ポンプ揚水量データを蓄積するデータ蓄積手段と、
前記暦データ、前記水位データ、前記ポンプ稼働可否データ、前記ポンプ稼働状態データおよび前記ポンプ揚水量データに基づいてポンプ井への下水流入量である下水流入量データを算出する下水流入量データ算出手段と、
前記暦データ、前記気象データ、前記下水流入量データを用いて予測モデルを構築し、構築した予測モデルを用いて下水流入量予測データを生成する予測手段と、
前記ポンプ稼働可否データに基づいて稼働可能なポンプを全て選択し、これらポンプについて所定時間間隔で所定時間先までの起動停止状態を二値により表すことによってポンプ運転計画データを生成するポンプ運転計画手段と、
前記下水流入量予測データおよび前記ポンプ運転計画データに基づいて下水モデルにおける下水ポンプ場のポンプ井での下水量予測データをシミュレーションにより求める下水モデルシミュレーション手段と、
前記下水量予測データからポンプ井での水位予測データを生成する水位予測データ算出手段と、
ポンプの起動時間に比例するエネルギー量予測データを算出するエネルギー量予測データ算出手段と、
前記エネルギー量予測データに比例する運用費予測データを算出する運用費予測データ算出手段と、
前記エネルギー量予測データに比例する環境負荷予測データを算出する環境負荷予測データ算出手段と、
前記水位予測データ、前記下水流入量予測データ、前記エネルギー量予測データ、前記運用費予測データ、前記環境負荷予測データを用いてポンプ運転計画を評価する評価手段と、
を有し、
前記ポンプ運転計画手段、前記下水モデルシミュレーション手段、前記水位予測データ算出手段、前記エネルギー量予測データ算出手段、前記運用費予測データ算出手段、前記環境負荷予測データ算出手段、前記評価手段を機能させて算出したポンプ運転計画データに基づいてポンプ運転を行うポンプ制御装置であって、
前記下水流入量予測データによる流量予測値が外れた場合に、前記ポンプ運転計画手段が、PSO(Particle Swarm Optimization)を用いてポンプ運転計画最適化アルゴリズムを実行することにより前記ポンプ運転計画データを再度生成すると共に、このポンプ運転計画データを用いてポンプ運転計画を立案し、
前記PSOを用いたポンプ運転計画最適化アルゴリズムは、エージェントの数や探索回数を設定する初期化ステップと、各ポンプの起動停止状態をランダムに設定することにより初期値を生成するステップと、エージェントの位置を修正することによりポンプ運転計画を変更する修正ステップと、エージェントの目的関数を算出して評価するステップとを有し、終了条件を満たしたときの各エージェントの目的関数値のうちの最良値から最終的なポンプ運転計画データを生成することを特徴とするポンプ制御装置。 In a pump control device that controls a plurality of pumps installed in a sewage pipeline network that sends sewage to a treatment plant,
A pump availability data collecting means for collecting pump availability data indicating whether or not the pump is operable;
Pump operating state data collecting means for collecting pump operating state data indicating whether the pump is operating or not operating;
Meteorological data collection means for collecting meteorological data on weather results and weather forecasts;
Calendar data collection means for collecting calendar data about the calendar;
Water level data collection means for collecting water level data about the sewage water level in the pump well,
Pump yield data collection means for collecting yield data on the pump yield of the sewage of the pump well,
A data storage means for storing the pump operation permission data, the pump operation state data, the ephemeris data, the weather data, the water level data and said pump pumping quantity data,
The almanac data, the water level data, the pump operation permission data, the pump operation state data and the sewage inflow data calculation means for calculating the sewage inflow data is sewage inflow into the pump well on the basis of the pump pumping quantity data When,
The almanac data, and predicting means for the meteorological data, to build a prediction model using the sewage inflow data to generate sewage inflow prediction data by using the prediction model constructed,
Select all operable pump based on the pump operation permission data, pump operation planning means for generating a pump operation plan data by about these pumps represented by binary start and stop state until a predetermined time later at predetermined time intervals When,
And sewage model simulation means for obtaining by simulation sewage amount prediction data in the pump well of sewage pumping station in sewage model based on the sewage inflow prediction data and said pump operation plan data,
A water level prediction data calculating means for generating a water level prediction data in the pump well from the sewage amount prediction data,
Energy amount prediction data calculating means for calculating energy amount prediction data proportional to the pump start time;
And operating expenses predictive data calculation means for calculating operating costs predictive data proportional to the energy amount prediction data,
And environmental load prediction data calculation means for calculating the environmental impact prediction data proportional to the energy amount prediction data,
The water level prediction data, and the sewage inflow prediction data, the energy amount prediction data, the operating costs predicted data, evaluation means for evaluating the pump operation plan using the environmental load prediction data,
Have
Said pump operation plan unit, the sewage model simulation means, the water level prediction data calculating means, said energy amount prediction data calculating means, said operational costs predicted data calculating means, said environmental load prediction data calculating means, to function the evaluation unit a row Upo pump controller pump operation based on the pump operation schedule data calculated Te,
When the predicted flow rate based on the sewage inflow prediction data deviates, the pump operation planning means executes the pump operation plan optimization algorithm using PSO (Particle Swarm Optimization), thereby regenerating the pump operation plan data. And create a pump operation plan using this pump operation plan data,
The pump operation plan optimization algorithm using the PSO includes an initialization step of setting the number of agents and the number of searches, a step of generating initial values by randomly setting the start / stop state of each pump, A correction step of changing the pump operation plan by correcting the position, and a step of calculating and evaluating the agent objective function, and the best value among the objective function values of each agent when the termination condition is satisfied A final pump operation plan data is generated from the pump control apparatus.
前記予測手段は、
下水流入量データを分離して汚水流入量データと雨水流入量データとを算出する分離手段と、
暦データを入力因子とし、また、汚水流入量データを出力因子とするような汚水流入量予測モデルを構築する汚水流入量予測モデル構築手段と、
気象データを入力因子とし、また、雨水流入量データを出力因子とするような雨水流入量予測モデルを構築する雨水流入量予測モデル構築手段と、
予測に必要な暦データを汚水流入量予測モデルに入力して汚水流入量予測データを生成する汚水流入量予測手段と、
予測に必要な気象データを雨水流入量予測モデルに入力して雨水流入量予測データを生成する雨水流入量予測手段と、
生成した汚水流入量予測データと雨水流入量予測データとを合算して下水流入量予測データを生成する合算手段と、
を有することを特徴とするポンプ制御装置。 The pump control device according to claim 1,
The prediction means includes
Separation means for separating sewage inflow data and calculating sewage inflow data and rainwater inflow data;
A sewage inflow prediction model construction means for constructing a sewage inflow prediction model with calendar data as an input factor and sewage inflow data as an output factor;
A stormwater inflow prediction model construction means for constructing a stormwater inflow prediction model using weather data as an input factor and stormwater inflow data as an output factor;
A sewage inflow forecasting means for generating sewage inflow forecast data by inputting calendar data necessary for prediction into the sewage inflow forecast model,
A stormwater inflow forecasting means for generating stormwater inflow forecast data by inputting meteorological data necessary for the forecast into the stormwater inflow forecast model;
A summing means for generating the sewage inflow prediction data by adding the generated sewage inflow prediction data and the rainwater inflow prediction data;
Pump control apparatus according to claim Rukoto to have a.
前記汚水流入量予測モデルは、
特異データが除去された上で、暦データと汚水流入量データとが連関して登録され、暦データが入力されると対応する汚水流入量データが抽出されることで予測する事例ベース推論による予測モデルであることを特徴とするポンプ制御装置。 The pump control device according to claim 2 , wherein
The sewage inflow prediction model is
Prediction based on case-based reasoning, in which calendar data and sewage inflow data are linked and registered after singular data is removed, and the corresponding sewage inflow data is extracted when calendar data is input pump control apparatus according to claim Oh Rukoto model.
前記雨水流入量予測モデルはニューラルネットワークによる予測モデルであることを特徴とするポンプ制御装置。 In the pump control apparatus according to claim 2 or claim 3,
The rainwater inflow prediction model pump controller, characterized in that the predictive model by a neural network.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004178619A JP4399318B2 (en) | 2004-06-16 | 2004-06-16 | Pump control device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004178619A JP4399318B2 (en) | 2004-06-16 | 2004-06-16 | Pump control device |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2006004097A JP2006004097A (en) | 2006-01-05 |
JP4399318B2 true JP4399318B2 (en) | 2010-01-13 |
Family
ID=35772454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2004178619A Expired - Lifetime JP4399318B2 (en) | 2004-06-16 | 2004-06-16 | Pump control device |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4399318B2 (en) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5851710B2 (en) * | 2010-11-22 | 2016-02-03 | メタウォーター株式会社 | Data analysis device |
JP5783935B2 (en) * | 2012-03-06 | 2015-09-24 | 株式会社東芝 | Pump operation plan support device and water treatment system |
CN103645636B (en) * | 2013-11-25 | 2016-01-06 | 南京航空航天大学 | A kind of PID controller parameter optimization method |
CN104881512A (en) * | 2015-04-13 | 2015-09-02 | 中国矿业大学 | Particle swarm optimization-based automatic design method of ripple-free deadbeat controller |
CN105649177B (en) * | 2016-01-14 | 2018-04-10 | 浙江大学 | A kind of city drainage by open canal system control method based on rolling particle cluster algorithm |
JP6749254B2 (en) * | 2017-01-11 | 2020-09-02 | 株式会社日立製作所 | Sewer system monitoring control device and sewer pump station operation control method |
CN109162342B (en) * | 2018-07-20 | 2023-11-14 | 浙江绿维环境股份有限公司 | Intelligent multi-grid rain and sewage intercepting well |
CN109814510B (en) * | 2019-01-31 | 2022-02-22 | 中冶华天工程技术有限公司 | Sewage treatment lift pump optimal scheduling control method based on incoming water prediction |
JP7293106B2 (en) * | 2019-12-24 | 2023-06-19 | 株式会社クボタ | Simulation device and simulation method |
CN112487697B (en) * | 2020-12-10 | 2022-06-24 | 佛山科学技术学院 | Sewage treatment optimization control method based on improved particle swarm optimization |
JP2023084166A (en) * | 2021-12-07 | 2023-06-19 | 株式会社荏原製作所 | Drainage pump device, drainage pump management system, drainage pump support plan creation device, inference device, machine learning device, drainage pump support plan creation method, inference method, and machine learning method |
KR102514544B1 (en) * | 2022-06-22 | 2023-03-29 | 주식회사 비담 | Apparatus and method for monitoring and remote control of sewage treatment plant |
-
2004
- 2004-06-16 JP JP2004178619A patent/JP4399318B2/en not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
JP2006004097A (en) | 2006-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singh et al. | Short term load forecasting using artificial neural network | |
KR101864342B1 (en) | Method for Optimal Water Supply Pump Operation Based on Short-term Water Demand Forecasting Considering Disinfection Performance in Clearwell | |
JP6139127B2 (en) | Rainwater storage tank water level management system | |
Hsu et al. | Regional load forecasting in Taiwan––applications of artificial neural networks | |
JP4399318B2 (en) | Pump control device | |
JP4807565B2 (en) | Flow prediction device | |
Rao et al. | Development of a real-time, near-optimal control process for water-distribution networks | |
JP3795775B2 (en) | Sewage inflow amount prediction apparatus and method, server apparatus | |
KR0148039B1 (en) | Device for predicting water flow | |
CN106351793A (en) | System and method for improved wind power generation | |
JP2006304402A (en) | Control device for dispersed energy system, control method, program, and recording medium | |
Cembrano et al. | PLIO: a generic tool for real-time operational predictive optimal control of water networks | |
CN109063905B (en) | Water resource random planning method adapting to climate change | |
KR100741691B1 (en) | Water Management System and method for Optimal Operation and Control in Wide-area Waterworks using ubiquitous technology | |
KR101119983B1 (en) | Method for predicting water demand using Group Method of Data Handling algorithm | |
Kofinas et al. | Daily multivariate forecasting of water demand in a touristic island with the use of artificial neural network and adaptive neuro-fuzzy inference system | |
CN109814510A (en) | Sewage treatment elevator pump optimal dispatch control method based on forecasting of water inflow | |
CN111340316A (en) | Intelligent water supply management method and system | |
JP2023169099A (en) | Inflow prediction system | |
Geerse et al. | Assessing the performance of urban drainage systems:general approach'applied to the city of Rotterdam | |
Kariniotakis et al. | An advanced On-line Wind Resource Prediction system for the optimal management of wind park | |
Babu et al. | A review on energy forecasting algorithms crucial for energy industry development and policy design | |
JP4326408B2 (en) | Sewage inflow prediction device | |
WO2022264422A1 (en) | Rainy weather water infiltration rate estimation device, rainy weather water infiltration rate estimation method, and program | |
Chen et al. | The development of a real-time flooding operation model in the Tseng-Wen Reservoir |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20070215 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20080314 |
|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20080314 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20080317 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20080618 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20080618 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20090610 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090616 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090817 |
|
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: 20090930 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20091026 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121030 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 4399318 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: 20121030 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131030 Year of fee payment: 4 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |