JPH0861244A - Rainwater drainage pump station control system - Google Patents

Rainwater drainage pump station control system

Info

Publication number
JPH0861244A
JPH0861244A JP20172594A JP20172594A JPH0861244A JP H0861244 A JPH0861244 A JP H0861244A JP 20172594 A JP20172594 A JP 20172594A JP 20172594 A JP20172594 A JP 20172594A JP H0861244 A JPH0861244 A JP H0861244A
Authority
JP
Japan
Prior art keywords
rainfall
amount
inflow
pump
mode
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP20172594A
Other languages
Japanese (ja)
Other versions
JP3412274B2 (en
Inventor
Mikio Takaoka
幹男 高岡
Hideaki Nagarei
英明 永禮
Hideyuki Tadokoro
秀之 田所
Mikio Yoda
幹雄 依田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP20172594A priority Critical patent/JP3412274B2/en
Publication of JPH0861244A publication Critical patent/JPH0861244A/en
Application granted granted Critical
Publication of JP3412274B2 publication Critical patent/JP3412274B2/en
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Landscapes

  • Control Of Positive-Displacement Pumps (AREA)
  • Feedback Control In General (AREA)

Abstract

PURPOSE: To provide a rainwater drainage pump station control system constitut ed to be soft and facilitate tuning by a method wherein a heavy rainfall and a light rain are decided, a control plan difference according to the above is evaluated, and a pump operation plan to satisfy each control target is decided. CONSTITUTION: Data on an amount of rainfall falling at a drainage section 3 is measured by a radar rainfall meter 1 and a ground rainfall meter 2 set at the drainage section 3 is measured and the result is inputted to a rainfall amount predicting part 4, an inflow amount predicting part 5, and a mole deciding part 6. The rainfall amount predicting part 4 calculates a prediction rainfall amount based on a rainfall amount prediction model. The inflow amount prediction part 5 calculates water level data from a pipe conduit water level meter 7 and an inflow amount from a pump well water level 8 and a pump delivery amount and inputs a result to a mode deciding part 6. The mode deciding part 6 decides a mode of a heavy rainfall mode and a light rain mode from input data. From a decision result, switching to an evaluation function group 13 content for a heavy rainfall mode and an valuation function group 14 content for a light rain mode is effected and control 15 of the number of pumps to a value responding to a rainfall state is executed.

Description

【発明の詳細な説明】Detailed Description of the Invention

【０００１】[0001]

【産業上の利用分野】本発明は、下水道の雨水排水ポン
プ所における降雨時のポンプ制御システムに係り、特に
ポンプ井水位の許容範囲内の維持のための、最適なポン
プ運転方案を決定するポンプ運転方案制御システムに関
する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a pump control system at the time of rainfall in a rainwater drainage pump station for sewers, and more particularly to a pump for determining an optimum pump operation plan for maintaining the pump well water level within an allowable range. A driving plan control system.

【０００２】[0002]

【従来の技術】従来のマイコン，計算機による自動制御
（雨水ポンプ台数制御ともよばれる）では、マイコン，
計算機内に、ポンプ井水位と運転台数の関係を記憶させ
ておき、ポンプ井水位を一定周期で計測し、ポンプ井水
位と運転台数との関係にしたがって、運転するポンプ台
数を決定していく方法が一般的である。この方式では、
さらに、運転台数の切り替え点付近で水位の振動が発生
した場合に、ポンプの起動，停止を繰り返すハンチング
現象を防止するために、起動水位と停止水位の間にヒス
テリシスを設けている。また、上記の方法に加え、次に
起動または停止させるポンプ号機を決定する際に、複数
のポンプ間の運転時間の平準化のためのアルゴリズムを
付加しているものもある。2. Description of the Related Art Conventional microcomputers, automatic control by a computer (also called control of the number of rainwater pumps)
A method of storing the relationship between the pump well water level and the operating number in the computer, measuring the pump well water level at a fixed cycle, and determining the number of pumps to operate according to the relationship between the pump well water level and the operating number. Is common. With this method,
Furthermore, in order to prevent the hunting phenomenon in which the pump is repeatedly started and stopped when a vibration of the water level occurs near the switching point of the operating number, a hysteresis is provided between the start water level and the stop water level. In addition to the above method, there is a method in which an algorithm for leveling the operating time among a plurality of pumps is added when determining the pump number to be started or stopped next.

【０００３】これらの方法では、ポンプ井の水位のみで
制御しているため、急激な雨水の流入に追従できにく
く、また、管渠内の貯留効果をみていないため、ポンプ
の起動等に伴う一時的な水位の変動を拾ってしまいやす
く、実際は熟練オペレータによる手動運転に頼っている
場合がほとんどである。In these methods, it is difficult to follow the rapid inflow of rainwater because it is controlled only by the water level in the pump well, and since the storage effect in the pipe is not observed, it is possible that the pump is temporarily activated. It is easy to pick up fluctuations in water level, and in reality, most of the time they rely on manual operation by skilled operators.

【０００４】急激な雨水の流入に対応するために、例え
ば、特開昭64−19402 号公報にみられるように、ポンプ
井への流入量を予測し、予測値に基づいて制御する方法
がある。本例ではポンプ井への実績流入量に基づくカル
マンフィルタによる流入予測を行っている。In order to cope with a sudden inflow of rainwater, there is a method of predicting the inflow amount into a pump well and controlling it based on the predicted value, as disclosed in Japanese Patent Laid-Open No. 64-19402. . In this example, the Kalman filter is used to predict the inflow based on the actual inflow into the pump well.

【０００５】しかし、ポンプ井への流入量は、流入量を
計測するのに好適なセンサーが無いばかりでなく、ポン
プ運転の影響を強く受け、良好な予測値を得ることは難
しい。さらに、ポンプ井の貯留効果に比べて管渠の貯留
効果ははるかに大きいにもかかわらず、この点が考慮さ
れていない。However, the amount of inflow into the pump well is not only not suitable for measuring the amount of inflow, but is also strongly influenced by the pump operation, and it is difficult to obtain a good predicted value. Furthermore, although the storage effect of the drainage pipe is much larger than that of the pump well, this point is not taken into consideration.

【０００６】また、ポンプ制御出力として主目標をどう
定めるかについては、急激な雨水流入が予測されうる状
況においては雨水排除，ポンプ井への流入水が急激でな
い場合にあってはポンプの平準化運転となる。[0006] Regarding how to set the main target as the pump control output, in the situation where a sudden rainwater inflow can be predicted, rainwater removal is performed, and when the inflow water into the pump well is not abrupt, the leveling of the pump is performed. It will be driving.

【０００７】また、ファジィ制御の考え方を用いた方法
としては、特開平1−246601 号公報にあるように降雨状
態等を大雨・中雨・小雨といったファジィ量として表
し、前記ファジィ量を用い、自然言語で記述された制御
ルールの集合（知識ベース）より、ファジィ推論手段に
よって制御出力を決定していく方法がある。本方法では
降雨状態およびポンプ駆動動力源である発電機容量をフ
ァジィ数化し、排水区域毎に決まった制御ルールに基づ
きファジィ推論を行い、推論の結果（必要発電機容量は
いくらか＝駆動すべき発電機はどれか）、排水区域毎の
推論結果で最大のものを最終的な推論値とする。最終的
な推論値は発電機容量に変換され、雨水排水ポンプの状
態と合わせて駆動すべき発電機が決まる。つまり排水区
域毎の要求される発電機容量を推定してその最大推論値
を採用することによって雨水排水ポンプ所制御を実現し
ている。本例では現在の降雨量と排水区域毎の要求され
る発電機容量の関係をファジィ制御ルールとして用い、
ファジィ推論することによって制御している。しかしな
がら、本例の方法では制御目的（大雨時は雨水排除，小
雨時はポンプ平準化運転をしたいなど）が明示されてい
ないため、制御目的に応じた動作をさせるように、メン
バーシップ関数，制御ルールを決定する際、どこをどの
ように変更・チューニングしていいか分からず、試行錯
誤的にならざるを得ない。特に、大雨時，小雨時といっ
た、雨の降り方で制御目的を変更したい場合は、チュー
ニングが容易ではない。Further, as a method using the concept of fuzzy control, as described in Japanese Patent Laid-Open No. 1-246601, the state of rainfall is expressed as a fuzzy amount such as heavy rain, moderate rain, and light rain, and the fuzzy amount is used to naturally There is a method of determining control output by fuzzy inference means from a set of control rules (knowledge base) written in a language. In this method, the rain condition and the generator capacity that is the pump drive power source are fuzzy numbers, and fuzzy inference is performed based on the control rule decided for each drainage area, and the result of the inference (the required generator capacity is some What is the machine), the maximum inference result for each drainage area is the final inference value. The final inferred value is converted into generator capacity, and the generator to be driven is determined in accordance with the state of the rainwater drainage pump. In other words, rainwater drainage pump station control is realized by estimating the required generator capacity for each drainage area and adopting the maximum inferred value. In this example, the relationship between the current rainfall and the required generator capacity for each drainage area is used as a fuzzy control rule.
It is controlled by fuzzy reasoning. However, in the method of this example, the control purpose (rainwater removal during heavy rain, pump leveling operation during light rain, etc.) is not specified, so the membership function and control are performed so that the operation is performed according to the control purpose. When deciding the rules, I have no idea where to change or tune, and I have to make trial and error. In particular, when it is desired to change the control purpose depending on how it rains, such as during heavy rain or light rain, tuning is not easy.

【０００８】また特開平5−265513 号公報に記載の発明
では、複数のポンプ運転組合せ案を作成し、ファジィを
用いたパラメータ評価方法によって最適な運転組合せ案
を抽出決定している。特開平5−303407 号公報に記載の
発明では、ニューラルネットワークを用いて流入量予測
をし、前記特開平5−265513 号の発明と同様に、ファジ
ィを用いたパラメータ評価方法によって最適な運転組合
せ案を抽出決定している。これらの方法はポンプ運転組
合せ案評価関数であるメンバーシップ関数群のチューニ
ングがどうしても集中豪雨等の大雨時の雨水排除に片寄
ったものになってしまう傾向にあり、評価関数で最適な
運転組合せ案を抽出決定しても小雨時や雨量の少ない断
続的な降雨等の場合にポンプの省力運転や平準化運転と
いった相反する目的に対応しきれない。Further, in the invention described in Japanese Patent Laid-Open No. 5-265513, a plurality of pump operation combination plans are created, and the optimum operation combination plan is extracted and determined by the parameter evaluation method using fuzzy. In the invention described in Japanese Patent Application Laid-Open No. 5-303407, the inflow rate is predicted using a neural network, and as in the invention of the above-mentioned Japanese Patent Application Laid-Open No. 5-265513, an optimal operation combination plan is created by the parameter evaluation method using fuzzy. Has decided to extract. With these methods, the tuning of the membership function group, which is the pump operation combination plan evaluation function, tends to be biased towards the exclusion of rainwater during heavy rainfall such as heavy rainfall, and an optimum operation combination plan is evaluated using the evaluation function. Even if it is decided to extract it, it is not possible to meet the conflicting purposes such as labor saving operation and leveling operation of the pump in the case of light rain or intermittent rainfall with a small amount of rainfall.

【０００９】なお、大雨モードと小雨モ−ドに分けてポ
ンプ制御を行う技術としては、他に特開平5−134715
号，特開平2−233890号，特開平5−263767号，特開平5
−311727号，特開平5−306684号，特開平3−271816号公
報に記載のものがある。Incidentally, as a technique for controlling the pump separately for the heavy rain mode and the light rain mode, another technique is disclosed in JP-A-5-134715.
No. 2, JP-A-2-233890, JP-A-5-263767, JP-A-5
-311727, JP-A-5-306684, and JP-A-3-271816.

【００１０】[0010]

【発明が解決しようとする課題】上記従来技術のうち、
一般に用いられているポンプ井水位に基づく段階的ポン
プ台数制御方法では、急激な雨水流入の変動に追従でき
ずに、たとえば以下に示す問題点がある。Of the above-mentioned conventional techniques,
The generally used stepwise pump number control method based on the pump well water level cannot follow a rapid change in rainwater inflow, and has the following problems, for example.

【００１１】（１）急激な流入に対してポンプ起動時間
分だけ、応答が遅れる。(1) Response to a sudden inflow is delayed by the pump start time.

【００１２】（２）急激な流入に対して起動間隔が長す
ぎ必要吐出量が確保できず、急激なポンプ井水位の上昇
を招く。(2) The start-up interval is too long for a sudden inflow and the required discharge amount cannot be secured, resulting in a sudden rise in the pump well water level.

【００１３】（３）水位が所定水位を越えると、水位の
変化の速さ等の状況を判断せず、ポンプ台数を追加する
ため、必要以上にポンプ起動台数を追加してしまう。(3) When the water level exceeds the predetermined water level, the number of pumps is added without judging the situation such as the speed of change of the water level.

【００１４】（４)(３）と逆に水位が所定水位を下回る
と、ポンプを順に停止してしまう。停止後、再起動まで
の起動禁止時間中の水位変化に対して処置をできない場
合がある。(4) When the water level is lower than the predetermined water level contrary to (3), the pumps are stopped in order. After stopping, it may not be possible to take measures against the water level change during the start-up prohibition time until the restart.

【００１５】（５）降雨状態の時々刻々の変化を的確に
捕えたポンプ運転目標の設定と実現が困難である。(5) It is difficult to set and realize a pump operation target that accurately catches the momentary change of the rainfall condition.

【００１６】また、ポンプ井への流入量予測値に基づい
てポンプ台数を制御する方法では、ポンプ井への流入量
の予測精度に問題があった。Further, in the method of controlling the number of pumps based on the predicted value of the inflow amount into the pump well, there is a problem in the accuracy of predicting the inflow amount into the pump well.

【００１７】雨水排水ポンプ所制御の一方法としてファ
ジィ推論を用いる場合では、制御目的と制御ロジックの
関係がブラックボックス化されており、大雨時の雨水排
除，小雨時のポンプ平準化運転など、降雨状態に応じて
異なる制御目的を設定し、実現することが難しい。すな
わち、制御目的にみあった制御ルールの設定とメンバー
シップ関数のチューニングが容易にできないという問題
点がある。When fuzzy reasoning is used as a method of controlling a rainwater drainage pump station, the relationship between the control purpose and the control logic is black boxed, and rainwater removal during heavy rain, pump leveling operation during light rain, etc. It is difficult to set and realize different control objectives depending on the state. That is, there is a problem that it is not easy to set the control rule and tune the membership function according to the control purpose.

【００１８】以上の問題点をまとめると、次に集約され
る。The above problems can be summarized as follows.

【００１９】（イ）降雨量データを有効に制御に活用し
ていない。オペレータは、通常、降雨量をも参照し運転
するが、自動制御には使われていない。オペレータにと
って、制御手法の見通しのよさを実感できるような制御
目的の明瞭な制御システムが望まれる。(B) Rainfall data is not effectively used for control. The operator usually operates by also referring to the rainfall amount, but it is not used for automatic control. It is desirable for the operator to have a clear control system for the purpose of control so that the operator can feel the good visibility of the control method.

【００２０】（ロ）降雨からポンプ井流入までの系の貯
留効果，時間遅れ等のダイナミクスを考慮していない。(B) The storage effect of the system from rainfall to pump well inflow, dynamics such as time delay are not taken into consideration.

【００２１】（ハ）流入量を予測していないか、予測が
不正確。(C) The inflow is not predicted or the prediction is incorrect.

【００２２】（ニ）制御目的を設定して、その目的にみ
あった制御を行うための制御ルール、およびメンバーシ
ップ関数のチューニングが容易にできない。(D) It is not easy to set the control purpose and easily tune the control rule and the membership function for performing the control suitable for the purpose.

【００２３】本発明の目的は、上記の問題点に着目し、
柔軟かつチューニングの容易な雨水排水ポンプ所制御シ
ステムを提供するにある。The object of the present invention is to focus on the above problems,
It is to provide a rainwater drainage pump station control system that is flexible and easy to tune.

【００２４】[0024]

【課題を解決するための手段】本発明は、降雨量計測値
をもとに排水区域内の降雨量および流入量を予測する手
段と、降雨量計測値と予測降雨量，排水区域内の実績流
入量と予測流入量，現在の管渠内水位計測値，ポンプ井
水位計測値，ポンプ運転状態及び河川水位計測値を入力
とし、複数のポンプ運転組合せ案の一つ一つをシミュレ
ーションするポンプ群運転組合せ案作成手段と、前記ポ
ンプ群運転組合せ案に対してポンプ井水位，ポンプ運転
時間のばらつき，ポンプ運転切替量，所要電力量より選
ばれた複数の評価項目について評価関数群により評価を
行い最適な運転組合せ案を抽出決定するポンプ群運転組
合せ案決定手段とを備えた雨水排水ポンプ所制御システ
ムにおいて、降雨量計測値と予測降雨量、又は実績流入
量と予測流入量のどちらか一方の推移をもとに現在およ
び将来の降雨量または流入量の大小を判定する判定手段
と、前記判定手段によって前記ポンプ群運転組合せ案決
定手段の評価関数群を切り替える手段とを設けたことを
特徴とする雨水排水ポンプ所制御システムにある。Means for Solving the Problems The present invention is a means for predicting the amount of rainfall and inflow in a drainage area based on the measured value of rainfall, the measured value of rainfall and the predicted amount of rainfall, and the actual results in the drainage area. A pump group that simulates each of a plurality of combinations of pump operation by inputting inflow and predicted inflow, current measured water level in pipe, pump well water level, pump operating state and river water level The operation combination plan creating means and the pump group operation combination plan are evaluated by the evaluation function group for a plurality of evaluation items selected from the pump well water level, pump operation time variation, pump operation switching amount, and required power amount. In a rainwater drainage pump station control system equipped with a pump group operation combination plan determination means for extracting and determining the optimum operation combination plan, the measured rainfall amount and the predicted rainfall amount, or the actual inflow amount and the predicted inflow amount A determination means for determining the magnitude of the present or future rainfall or inflow based on the transition of one or the other, and means for switching the evaluation function group of the pump group operation combination plan determination means by the determination means are provided. It is located in the rainwater drainage pump station control system.

【００２５】ポンプ所は排水区域に降った雨水を速やか
に河川等に放出し、排水区域の浸水等を回避することを
目的としているが、ポンプ所の浸水は復旧に多大の時間
を要するため絶対に避けなければならない。また、ポン
プは空気を吸い込むと管内で振動を起こしポンプ自身に
損傷を与える（キャビテーション）恐れがあり、ポンプ
井水位にかなりのウエイトをおいてポンプの運転量を決
定している。この他に操作員は特定のポンプに負荷（運
転）が偏らないように配慮し、ポンプの始動時の遅延時
間，ポンプ停止後の再起動までの始動禁止時間等を考慮
し、なるべく早目に起動，できるだけ遅く停止するよう
に操作している。これらのポンプ井水位を一定範囲内に
維持する、ポンプ運転時間を平準化し運転切替量（回転
数可変能力ポンプ）を少なくする、運転切替回数（ＯＮ
／ＯＦＦ型の固定能力ポンプ）を少なくする、といった
課題に対し、ポンプ群運転組合せ案の中から最適なポン
プ群運転組合せ案を抽出決定することは、極めて有効で
あり、本発明はこれを可能にする。The pump station aims at promptly releasing rainwater that has fallen in the drainage area to rivers and the like to avoid inundation of the drainage area, etc. Must be avoided. Further, when the pump sucks in air, it may vibrate in the pipe and damage the pump itself (cavitation). Therefore, a considerable weight is given to the pump well water level to determine the operation amount of the pump. In addition to this, the operator should make sure that the load (operation) is not biased to a specific pump, consider the delay time at the time of starting the pump, the start prohibition time before restarting after stopping the pump, etc. as soon as possible. It is operated so that it starts and stops as late as possible. Keeping these pump well water levels within a certain range, leveling the pump operating time and reducing the operation switching amount (rotation speed variable capacity pump), operation switching frequency (ON
It is extremely effective to extract and determine the optimum pump group operation combination plan from the pump group operation combination plans to solve the problem of reducing the number of ON / OFF type fixed capacity pumps). To

【００２６】また、従来の自動制御方式であるポンプ井
水位のみによる後追い制御（フィードバック）やポンプ
井への流入予測に基づくフィードフォワード制御では、
急激な水位変化に対処できない場合があり、台風，雷雨
等の集中豪雨時は、操作員が降り始めと同時に予めポン
プの始動を行っている等、操作員に負荷がかかるほか、
熟練を要する作業となってしまっている。本発明は、降
雨情報に基づき、管渠＋ポンプ井の系を考慮して予測
（フィードフォワード）制御するため、常に先を見越し
た最適制御ができる。Further, in the conventional automatic control method, the follow-up control (feedback) based only on the water level in the pump well or the feedforward control based on the prediction of inflow to the pump well,
It may not be possible to cope with sudden changes in water level, and during heavy rainfall such as typhoons and thunderstorms, the operator may start the pump in advance at the same time as it begins to fall, and in addition to the load on the operator,
It has become a task that requires skill. Since the present invention performs predictive (feedforward) control in consideration of the system of pipes and pump wells based on rainfall information, optimal control can always be performed in anticipation.

【００２７】[0027]

【作用】本発明の技術的手段は、以下のように作用す
る。The technical means of the present invention operates as follows.

【００２８】（１）降雨状況に着目した運転量評価関数
切り替え方式の採用 大雨時，小雨時の判定により、大雨時，小雨時で異なる
制御方案評価を行う。これにより大雨時，小雨時にそれ
ぞれの制御目的を満たすポンプ運転方案が決定される。
また複数のパラメータ評価による制御方案評価のため、
ポンプ井水位の評価，運転時間の平準化の達成度の評価
等、熟練操作員と同等の判断が行えるためポンプ運転量
決定に最適解を得やすい。(1) Adopting the operation amount evaluation function switching method paying attention to the rainfall condition Different control plans are evaluated for heavy rain and light rain by judging heavy rain and light rain. As a result, a pump operation plan that meets the respective control objectives during heavy rain and light rain is determined.
Also, for the control plan evaluation by multiple parameter evaluation,
Since it is possible to make the same judgments as experienced operators, such as evaluation of pump well water level and evaluation of the leveling of operating hours, it is easy to obtain the optimum solution for determining the pump operation amount.

【００２９】（２）予測制御の採用 流入量を予測した制御を採用することにより、流入量予
測値をもとに大雨時では雨水排除という制御目的のため
早目の制御を行うように作用し、小雨時ではポンプ平準
化という制御目的のため水位許容範囲内を有効に使って
不必要なポンプの起動停止を避けようと作用する。(2) Employment of predictive control By adopting the control that predicts the inflow amount, it works to perform early control for the purpose of controlling rainwater removal during heavy rain based on the inflow estimated value. During a light rain, the water level allowable range is effectively used for the purpose of controlling the pump leveling to avoid unnecessary start / stop of the pump.

【００３０】[0030]

【実施例】以下、本発明の実施例を図面を用いて説明す
る。Embodiments of the present invention will be described below with reference to the drawings.

【００３１】図２は一般的な雨水排水ポンプ所システム
の概要を示したものである。排水区域３に降った雨水が
下水管渠２２を通りポンプ所に集まってくる。ポンプ所
では、制御装置を用いて固定ポンプ２４や可変ポンプ２
５により構成されるポンプ群を運転し、河川に雨水を放
出する処理を行っている。一般的なポンプ所では、雨水
を自然流下によってポンプ所に集めるために河川水位よ
りも低いところにポンプ井２３およびポンプがあり、流
入雨水を適切に処理しなければポンプ所自体を浸水させ
てしまうと同時にポンプによる放流停止が排水区域内の
浸水を引き起こし、付近の住民に多大な損害を与える恐
れがあるためポンプ台数制御は重要な処理である。FIG. 2 shows an outline of a general rainwater drainage pump station system. Rainwater that has fallen in the drainage area 3 passes through the sewer pipe 22 and collects at the pump station. At the pump station, the fixed pump 24 and the variable pump 2 are controlled by the control device.
The pump group composed of 5 is operated to perform the process of discharging rainwater to the river. In a general pumping station, there is a pump well 23 and a pump below the river water level in order to collect rainwater to the pumping station by gravity flow, and if the inflowing rainwater is not properly treated, the pumping station itself will be flooded. At the same time, stopping the discharge by the pump may cause flooding in the drainage area, which may cause a great deal of damage to residents in the vicinity, so controlling the number of pumps is an important process.

【００３２】図２は雨水排水ポンプ所システムと本発明
の雨水排水ポンプ制御装置２１との全体的な構成を示し
ている。雨水排水ポンプ制御装置２１は排水区域３内に
設置されたレーダ雨量計１および複数の地上雨量計２か
らの降雨量データと、管渠内の複数箇所に設置された管
渠内水位計７からの水位データと、ポンプ所内の複数箇
所に設置された水位計からのポンプ井水位８と河川水位
２６および固定ポンプ２４や可変ポンプ２５の運転状態
を入力とし、固定ポンプ２４や可変ポンプ２５により構
成されるポンプ群に対する運転方案を決定し制御出力と
するものである。次に雨水排水ポンプ制御装置２１の構
成を図１を用いて説明する。FIG. 2 shows the overall construction of the rainwater drainage pump station system and the rainwater drainage pump controller 21 of the present invention. The rainwater drainage pump control device 21 uses rainfall data from the radar rain gauge 1 and a plurality of ground rain gauges 2 installed in the drainage area 3, and the water level gauges 7 in the ditch installed at multiple points in the ditch. It is composed of the fixed pump 24 and the variable pump 25 with the water level data of the above and the pump well water level 8 and the river water level 26 and the operating states of the fixed pump 24 and the variable pump 25 from the water level gauges installed in the pump station as input. The operation plan for the pump group is determined and used as the control output. Next, the configuration of the rainwater drainage pump control device 21 will be described with reference to FIG.

【００３３】図１は雨水排水ポンプ所制御システムを示
したものである。雨水排水ポンプ所制御システムは降雨
量予測部４と流入量予測部５とモード判定部６と運転方
案シミュレーション部１１と運転方案評価部１２より構
成される。運転方案評価部１２は大雨モード用評価関数
群１３と小雨モード用評価関数群１４より構成される。
排水区域３に降った降雨量データは、排水区域３内に設
置されたレーダ雨量計１および複数の地上雨量計２によ
って計測され、降雨量予測部４と流入量予測部５とモー
ド判定部６にそれぞれ入力される。降雨量予測部４は降
雨量データを入力とし、降雨量予測モデルに基づいて予
測降雨量を計算する。FIG. 1 shows a rainwater drainage pump station control system. The rainwater drainage pump station control system includes a rainfall amount prediction unit 4, an inflow amount prediction unit 5, a mode determination unit 6, a driving plan simulation unit 11, and a driving plan evaluation unit 12. The driving plan evaluation unit 12 includes a heavy rain mode evaluation function group 13 and a light rain mode evaluation function group 14.
The rainfall data that has fallen in the drainage area 3 is measured by a radar rain gauge 1 and a plurality of ground rain gauges 2 installed in the drainage area 3, and a rainfall prediction unit 4, an inflow prediction unit 5, and a mode determination unit 6 Are input respectively. The rainfall prediction unit 4 receives the rainfall data as input and calculates the predicted rainfall based on the rainfall prediction model.

【００３４】流入量予測部５は、降雨量データと前記降
雨量予測部４で計算された予測降雨量および排水区域３
の管渠内の複数箇所に設置された管渠内水位計７からの
水位データとポンプ所内の複数箇所に設置された水位計
からのポンプ井水位８とポンプ吐出量，実績流入量（ポ
ンプ井水位−貯留量対応表を検索して今回計測水位と前
回計測水位のデータから、今回計測水位と前回計測水位
の容積の差分とポンプ総吐出量の和を求め、前回から今
回までの流入量を計算し、これを実績流入量とする。）
等のポンプ所内計測値９とを入力とし、ポンプ井と管渠
内貯留量を考慮した系への予測流入量を流入量予測モデ
ルに基づいて計算する。実績流入量を用いることによ
り、入力データの精度を補正して流入量予測を行う。つ
まり、前回の流入量予測モデルに基づいた予測流入量を
そのまま今回の流入量予測入力データとせずに常に精度
の高い流入量データ（実績流入量）をその都度入力とす
るものである。流入量予測モデルはＲＲＬモデル（英国
道路研究所モデル），タンクモデル，ＡＲＭＡモデル等
に代表されるような数学モデルを用いる。また、流入量
予測部５は、公知の特開平5−265513 号公報に見られる
ようにポンプ井水位−貯留量対応表と前回から今回まで
のポンプ井水位を用いて流入量を推定する流入量推定部
と数学モデル等を使用して流入量を推定する流入量演算
部と、流入量推定部および流入量演算部で求めた２つの
流入量予測値のどちらかを採用する流入量採用部とで構
成される方式や、公知の特開平5−303407 号公報に見ら
れるような管渠内水位データ，ポンプ井水位，降雨デー
タ，ポンプ吐出量，河川水位を入力として予測流入量を
ニューラルネットワークを用いて求めるといった方式を
採用する場合でも本発明の適用ができる。運転方案１０
は、公知の特開平5− 265513号公報あるいは特開平5
−303407 号公報に見られるような運転方案の生成と同
じで、雨水排水ポンプ所内に設置されたポンプ群（固定
ポンプおよび可変ポンプ）について現在のポンプ運転台
数と可変ポンプ回転数を入力として現在から一定時刻後
までのポンプ群の運転量を複数ケース決定する。複数ケ
ースの運転量（運転組合せ）としては例えば、固定能力
（ＯＮ／ＯＦＦ）のポンプが５台あるならば、２の５乗
個＝３２個、６台あれば６４個あり、これらすべての運
転方案を生成する。仮に５台のポンプの内１台が可変能
力のポンプであるとすると、可変ポンプは能力の６０〜
１００％の範囲を設定できることにより、１％単位で切
り替えると組合せ数は、４２×２×２×２×２＝６７２
個となる。可変能力ポンプの運転切り替え量により、ポ
ンプ台数が増えてくると組合せ数は爆発的に増える可能
性を持つ。このため、可変ポンプの運転切り替え量の最
低単位ｎ％を任意設定できる機構とし、更に、 ｙ＝ｆ（ｘ）、ｙ：運転切り替え量 で表される関数ｆの定義を可能とした。例えば、関数ｆ
が ｆ（ｘ）＝ｘ2 、ｘ：整数 で表され、ｎ＝２であるとし、可変ポンプの現在状態が
７０％の能力で運転中であるとすると、操作案は、ｘを
０からｎ毎変化させｙの値を加算，減算させてやると、 ０（６０以下はＯＦＦ），６６，７０，７４，８６，１
００％ ｅｘ） ６６＝７０−（２)2 ，８６＝７０＋（４)2 と数を限定できる。The inflow amount predicting unit 5 calculates the rainfall amount data and the predicted rainfall amount and drainage area 3 calculated by the rainfall amount predicting unit 4.
Water level data from the water level gauges 7 installed in multiple points in the drainage pipe of the river, and the pump well water level 8 and the pump discharge amount from the water level gauges installed in multiple places in the pump station Search the water level-storage amount correspondence table and find the sum of the difference between the volume of the current measured water level and the previously measured water level and the total pump discharge volume from the data of the currently measured water level and the previously measured water level, and calculate the inflow amount from the previous time to this time. Calculate and use this as the actual inflow amount.)
Using the measured values 9 in the pump station as input, calculate the predicted inflow to the system considering the pump well and the storage in the conduit based on the inflow prediction model. By using the actual inflow amount, the inflow amount is predicted by correcting the accuracy of the input data. In other words, the predicted inflow amount based on the previous inflow amount prediction model is not used as it is as the inflow amount prediction input data of this time, but the highly accurate inflow amount data (actual inflow amount) is input each time. A mathematical model represented by an RRL model (British Road Research Institute model), a tank model, an ARMA model, or the like is used as the inflow prediction model. Further, the inflow predictor 5 estimates the inflow using the pump well water level-reservoir volume correspondence table and the pump well water levels from the previous time to the present time as seen in the known Japanese Patent Laid-Open No. 5-265513. An inflow amount calculation unit that estimates the inflow amount using the estimation unit and a mathematical model, and an inflow amount adoption unit that adopts one of the two inflow amount prediction values obtained by the inflow amount estimation unit and the inflow amount calculation unit. Or a neural network for predicting inflow by inputting water level data in pipes, pump well water level, rainfall data, pump discharge rate, and river water level as seen in the publicly known Japanese Patent Laid-Open No. 5-303407. The present invention can be applied even when a method of obtaining by using is adopted. Driving plan 10
Is a known JP-A-5-265513 or JP-A-5-265513.
-303407 Same as generation of operation plan as seen in the publication, the current number of pumps and variable pump speed are input as input for the pump group (fixed pump and variable pump) installed in the rainwater drainage pump station. A plurality of cases are determined for the operation amount of the pump group up to a certain time later. As an operation amount (operation combination) of a plurality of cases, for example, if there are 5 fixed capacity (ON / OFF) pumps, there are 2 5 powers = 32, and if there are 6 pumps, there are 64 pumps. Generate a plan. If one of the five pumps has a variable capacity, the variable pump has a capacity of 60-
Since the range of 100% can be set, the number of combinations is 42 × 2 × 2 × 2 × 2 = 672 when switching in 1% units.
It becomes an individual. There is a possibility that the number of combinations will increase explosively as the number of pumps increases due to the switching amount of variable capacity pumps. For this reason, the minimum unit n% of the switching amount of the variable pump can be arbitrarily set, and further, the function f expressed by y = f (x), y: the switching amount can be defined. For example, the function f
Is represented by f (x) = x 2 , x: an integer, n = 2, and the current state of the variable pump is operating at 70% capacity, the operation plan is to set x from 0 to n. It is changed every time and the value of y is added and subtracted, 0 (60 or less is OFF), 66, 70, 74, 86, 1
00% ex) 66 = 70− (2) 2 , 86 = 70 + (4) 2 and the number can be limited.

【００３５】また、ポンプの特性として、運転停止後の
一定時間は再起動禁止とする必要のあるポンプには、停
止後タイマーを動作させ、タイマー値が０以外の場合
は、運転対象としない手続き、運転起動直後は、ポンプ
の運転効果待ち時間として、一定時間は停止対象としな
い手続きを持たせた。As a characteristic of the pump, for a pump which needs to be prohibited from being restarted for a certain time after the operation is stopped, a timer is operated after the operation is stopped. If the timer value is other than 0, the procedure is not performed. Immediately after the start of the operation, the procedure for waiting for the operation of the pump was set so that it will not be stopped for a certain period of time.

【００３６】運転方案シミュレーション部１１は、前記
流入量予測部５からの予測流入量と河川水位を含めたポ
ンプ所内計測値９，ポンプ群の運転状態を入力とし、ポ
ンプ群の運転方案１０に応じてポンプ１台毎に揚程演
算，吐出量演算，累積運転時間演算，運転切り替え量演
算，所要電力量差演算を行い、該当ポンプの吐出量，累
積運転時間，運転切り替え量，所要電力量差を出力す
る。これらの演算は、ポンプ台数分行われる。The operation plan simulation unit 11 receives the estimated inflow amount from the inflow amount prediction unit 5 and the measured value 9 in the pump station including the river water level and the operation state of the pump group, and responds to the operation plan 10 of the pump group. For each pump, lift head calculation, discharge amount calculation, cumulative operating time calculation, operation switching amount calculation, required power amount difference calculation is performed, and the discharge amount, cumulative operating time, operation switching amount, required power amount difference of the corresponding pump is calculated. Output. These calculations are performed for the number of pumps.

【００３７】運転方案評価部１２は、ポンプ所制御出力
（前記運転方案１０に基づいて前記運転方案シミュレー
ション部１１において演算されたポンプ１台毎の吐出
量，累積運転時間，運転切り替え量，所要電力量差）に
ついてパラメータ評価を行い最適な運転方案を抽出決定
する。運転方案評価部１２ではこのパラメータ評価のた
めの評価関数群を大雨モード用評価関数群１３と小雨モ
ード用評価関数群１４の２通り具備しており、モード判
定部６で判定されたモード出力によって大雨モード用評
価関数群１３と小雨モード用評価関数群１４のいずれか
の評価関数群が選択され、ポンプ運転方案を決定する。The operation plan evaluation unit 12 controls the pump station control output (the discharge amount per pump calculated by the operation plan simulation unit 11 based on the operation plan 10, the accumulated operation time, the operation switching amount, the required power). Parameter difference is evaluated for the quantity difference) and the optimum driving plan is extracted and determined. The driving plan evaluation unit 12 has two kinds of evaluation function groups for evaluating the parameters, a heavy rain mode evaluation function group 13 and a light rain mode evaluation function group 14, and the mode output determined by the mode determination unit 6 is used. Either one of the evaluation function group 13 for heavy rain mode and the evaluation function group 14 for light rain mode is selected to determine the pump operation plan.

【００３８】次にモード判定部６について詳細に説明す
る。モード判定部６は、降雨量データまたは流入量デー
タをもとに大雨モード（ＯＮ）または小雨モード（ＯＦ
Ｆ）のモード判定を行う。降雨量データによりモード判
定する場合は、降雨量データと前記降雨量予測部４で計
算された予測降雨量をもとにモード判定を行う。流入量
データによりモード判定する場合は、前記流入量予測部
５で計算された実績流入量データと予測流入量データを
もとにモード判定を行う。本発明の雨水排水ポンプ所制
御システムでは、モード判定部６のモード判定結果によ
り運転方案評価部１２におけるポンプ運転方案評価関数
群を大雨モード用評価関数群１３と小雨モード用評価関
数群１４のいずれかに切り替えし、降雨状況に応じて大
雨時には雨水排除，小雨や降雨量の少ない断続降雨時に
はポンプの平準化運転・ポンプの省力運転といった目標
のもとに最適なポンプ運転方案を抽出決定できる。ポン
プ運転方案評価関数群の切り替えにより、運転方案評価
の目的をリアルタイムで自動的に変え、運転方案評価結
果である制御出力を最適にできる。モード判定部６は図
３〜図２３で説明するような６通りの方法でモード判定
を行う。以下、モード判定部６のモード判定方法につい
て説明する。Next, the mode determining section 6 will be described in detail. The mode determination unit 6 determines the heavy rain mode (ON) or the light rain mode (OF) based on the rainfall amount data or the inflow amount data.
The mode determination of F) is performed. When determining the mode based on the rainfall amount data, the mode determination is performed based on the rainfall amount data and the predicted rainfall amount calculated by the rainfall amount prediction unit 4. When the mode is determined based on the inflow amount data, the mode is determined based on the actual inflow amount data calculated by the inflow amount prediction unit 5 and the predicted inflow amount data. In the rainwater drainage pump station control system of the present invention, the pump operation plan evaluation function group in the operation plan evaluation unit 12 is selected from the heavy rain mode evaluation function group 13 and the light rain mode evaluation function group 14 according to the mode determination result of the mode determination unit 6. Depending on the rainfall situation, it is possible to extract and decide the optimal pump operation plan based on the objectives of removing rainwater during heavy rain, and leveling the pump and labor-saving operation of the pump during light rain or intermittent rainfall with a small amount of rainfall. By switching the pump operation plan evaluation function group, the purpose of the operation plan evaluation can be automatically changed in real time, and the control output which is the operation plan evaluation result can be optimized. The mode determination unit 6 performs mode determination by six methods as described with reference to FIGS. Hereinafter, the mode determination method of the mode determination unit 6 will be described.

【００３９】第１の方法は、現在までの降雨量推移＋予
測降雨量推移によるモード判定の方法である。図３のよ
うに排水区域３に設置されたレーダ雨量計１および地上
雨量計２からの降雨量データと前記降雨量予測部４にお
いて計算された予測降雨量データを入力とし、降雨量推
移グラフ６１００に示す現在までの降雨量データと予測
降雨量データの推移を見て、予め統計的データに基づい
て設定されるしきい値Ｙ１およびＹ２よりも降雨量が多
いか少ないかによってモードの判定を行う。図４のよう
に、本方法でのモード判定部６はデータ入力部６１０
１，判定部6102，タイマー管理部６１０３，タイマー６
１０４から構成される。降雨量データおよび予測降雨量
データはデータ入力部６１０１に入力され、時系列的に
記憶されている。モード判定は周期Ｔ１毎に判定部６１
０２において行われる。このとき判定周期Ｔ１がある程
度長い場合にはデータ入力部６１０１において予め単位
時間Ｔ２（Ｔ２＜Ｔ１）を定めて降雨量データおよび予
測降雨量データを正規化してもよい。通常降雨量データ
および予測降雨量データは計測・計算結果がある単位時
間で時間平均降雨量，時間平均予測降雨量に換算されて
いるので、モード判定周期Ｔ１の都度そのまま現在の計
測・計算周期データを用いて判定してもよい。いま図３
の降雨量推移グラフ６１００において時刻ｔ１に大雨モ
ード（ＯＮ）の判定がされ、時刻ｔ２に時間平均降雨量
がしきい値Ｙ１より小さくなる場合、時刻ｔ２以降最も
早いモード判定周期時刻において図４の判定部６１０２
はタイマー管理部６１０３に対してタイマーＯＮ（一定
時間Δｔまで計時）の指令を出し、タイマー管理部６１
０３はタイマー６１０４のタイマーを始動させる。この
とき時刻ｔ２では小雨モード（ＯＦＦ）への切り替えは
しない。これは本方法が降雨の状態のみに着目している
ため、排水区域３で降った雨が雨水排水ポンプ所のポン
プ井へ流入してくるまでの時間（流達時間）を考慮する
ためである。The first method is a mode determination method based on the change in rainfall amount up to the present + the change in predicted rainfall amount. As shown in FIG. 3, the rainfall amount change graph 6100 is input with the rainfall amount data from the radar rain gauge 1 and the ground rainfall gauge 2 installed in the drainage area 3 and the predicted rainfall amount data calculated by the rainfall amount prediction unit 4 as input. The transition of the rainfall data and the predicted rainfall data up to the present shown in Fig. 7 is observed, and the mode is determined depending on whether the rainfall amount is larger or smaller than the threshold values Y1 and Y2 set based on the statistical data in advance. . As shown in FIG. 4, the mode determination unit 6 of the present method has a data input unit 610.
1, determination unit 6102, timer management unit 6103, timer 6
It is composed of 104. The rainfall amount data and the predicted rainfall amount data are input to the data input unit 6101 and stored in time series. The mode determination is performed by the determination unit 61 for each cycle T1.
02. At this time, if the determination cycle T1 is long to some extent, the unit time T2 (T2 <T1) may be set in advance in the data input unit 6101 to normalize the rainfall amount data and the predicted rainfall amount data. Since the normal rainfall data and the predicted rainfall data are converted into the time-averaged rainfall amount and the time-averaged forecasted rainfall amount in a unit time having a measurement / calculation result, the current measurement / calculation period data is kept unchanged at each mode determination period T1. May be used for the determination. Figure 3 now
When the heavy rain mode (ON) is determined at the time t1 in the rainfall amount transition graph 6100 and the time average rainfall becomes smaller than the threshold value Y1 at the time t2, at the earliest mode determination cycle time after the time t2, FIG. Determination unit 6102
Issues a command to the timer management unit 6103 to turn on the timer (measures until a certain time Δt), and the timer management unit 61
03 starts the timer of the timer 6104. At this time, at time t2, the mode is not switched to the light rain mode (OFF). This is because this method focuses only on the state of rainfall, so that the time (delivery time) until the rain that falls in the drainage area 3 flows into the pump well of the rainwater drainage pump station is considered. .

【００４０】次に、時刻ｔ３(現在)に判定する場合に
は、現在の降雨量と予測降雨量の状態を見て図５に詳し
く説明するような流れで判定する。図３および図５のフ
ローチャートに従って説明すると、時刻ｔ３においてま
ず時間平均降雨量（現在の降雨量）がしきい値Ｙ１以上
かを判定し、Ｎｏであるため次の予測降雨量がＹ２以上
かを判定する。ここで現在からいつの予測降雨量をもと
に判断するかは予め予測推移時間Ｔ３を定めておくもの
とする。予測推移時間Ｔ３は予測降雨量の計算時間，予
測精度等を考慮して定めるものとする。図３の降雨量推
移グラフ６１００では予測降雨量がＹ２以上になるた
め、Ｙｅｓの処理がされて判定＝大雨モード（ＯＮ）と
なり、タイマーＯＦＦの指令が出される。図３の通り時
刻ｔ３(現在)でタイマーカウント中であったが、判定の
結果タイマーカウント終了時刻ｔ４を待たずに図４のタ
イマー管理部６１０３からタイマー６１０４に対しタイ
マーＯＦＦ処理が行われる。このように大雨モード（Ｏ
Ｎ），小雨モード（ＯＦＦ）の判定は図５のフローチャ
ートに示されるような手順によって行う。Next, when the judgment is made at the time t3 (current), the judgment is made according to the flow which will be described in detail with reference to FIG. Explaining according to the flowcharts of FIGS. 3 and 5, first, at time t3, it is determined whether the time average rainfall amount (current rainfall amount) is the threshold value Y1 or more, and since it is No, it is determined whether the next predicted rainfall amount is Y2 or more. judge. Here, the predicted transition time T3 is set in advance as to when to make the judgment based on the predicted rainfall amount from the present. The predicted transition time T3 is set in consideration of the predicted rainfall calculation time, the prediction accuracy, and the like. In the rainfall amount transition graph 6100 of FIG. 3, since the predicted rainfall amount is Y2 or more, the process of Yes is performed and the determination = heavy rain mode (ON) is set, and a timer OFF command is issued. As shown in FIG. 3, the timer is counting at time t3 (current), but the timer management unit 6103 of FIG. 4 performs the timer OFF process on the timer 6104 without waiting for the timer count end time t4 as a result of the determination. In this way, heavy rain mode (O
N) and the light rain mode (OFF) are determined by the procedure shown in the flowchart of FIG.

【００４１】尚、先述の通りしきい値Ｙ１およびＹ２は
予め統計的データに基づいて設定されるが、ある程度高
い降雨量をしきい値とすることによって基本的に小雨モ
ードによるポンプの平準化運転・ポンプの省力運転を実
現させることができる。その理由は、本方法では流達時
間のため、実際にポンプ井へ雨水が流入するまでには時
間遅れがあることによる。予測降雨量の予測精度のばら
つきや流達時間遅れを考慮してＹ１＜Ｙ２としたことで
降雨予測の誤りによる大雨モード（ＯＮ）→小雨モード
（ＯＦＦ）へのモードの切り替え抑制ができる。As described above, the threshold values Y1 and Y2 are set in advance based on statistical data, but basically, the leveling operation of the pump in the light rain mode is basically performed by setting a certain amount of rainfall as a threshold value. -It is possible to realize labor-saving operation of the pump. The reason for this is that there is a time delay before rainwater actually flows into the pump well due to the delivery time in this method. By setting Y1 <Y2 in consideration of the variation in the prediction accuracy of the predicted rainfall amount and the arrival time delay, it is possible to suppress the switching of the mode from the heavy rain mode (ON) to the light rain mode (OFF) due to the rainfall prediction error.

【００４２】第２の方法は、現在までの流入量推移＋予
測流入量推移によるモード判定の方法である。図６のよ
うに前記流入量予測部５において計算された実績流入量
データおよび予測流入量データを入力とし、流入量推移
グラフ６２００に示す現在までの流入量データと予測流
入量データの推移を見て、予め統計的データに基づいて
設定されるしきい値Ｑ１およびＱ２よりも流入量が多い
か少ないかによってモードの判定を行う。図７のよう
に、本方法でのモード判定部６はデータ入力部６２０
１，判定部６２０２から構成される。流入量データおよ
び予測流入量データはデータ入力部６２０１に入力さ
れ、時系列的に記憶されている。入力される流入量デー
タおよび予測流入量データは時間平均流入量，時間平均
予測流入量とし、モード判定は周期Ｔ１毎に判定部６２
０２において行われる。The second method is a mode determination method based on the current inflow amount transition + predicted inflow amount transition. As shown in FIG. 6, the actual inflow amount data and the predicted inflow amount data calculated by the inflow amount prediction unit 5 are input, and the changes in the inflow amount data and the predicted inflow amount data up to the present shown in the inflow amount transition graph 6200 are checked. Then, the mode is determined depending on whether the inflow amount is larger or smaller than the threshold values Q1 and Q2 set in advance based on the statistical data. As shown in FIG. 7, the mode determination unit 6 of the present method has a data input unit 620.
1, a determination unit 6202. The inflow amount data and the predicted inflow amount data are input to the data input unit 6201 and stored in time series. The input inflow amount data and the predicted inflow amount data are the time average inflow amount and the time average predicted inflow amount, and the mode determination is performed by the determination unit 62 for each cycle T1.
02.

【００４３】いま図６の流入量推移グラフ６２００にお
いて時刻ｔ１（現在）にモード判定を行う場合について
図８のフローチャートを用いて判定の流れを説明する。
図６の時刻ｔ１（現在）において現在の流入量はしきい
値Ｑ１よりも小さいが、予測流入量は時刻ｔ２にはしき
い値Ｑ１を越え、時刻ｔ３にはしきい値Ｑ２を越える見
込みである。ここで、図８のフローチャートによると時
刻ｔ１(現在)においてまず時間平均流入量（現在の流入
量）がしきい値Ｑ１以上かを判定し、Ｎｏであるため次
の予測流入量がＱ２以上かを判定する。ここで現在から
いつの予測流入量をもとに判断するかは予め予測推移時
間Ｔ２を定めておくものとする。予測推移時間Ｔ２は予
測流入量の計算時間，予測精度等を考慮して定めるもの
とする。図６の流入量推移グラフ６２００では予測流入
量がＱ２以上になるため、Ｙｅｓの処理がされて判定＝
大雨モード（ＯＮ）となり、図６の通り時刻ｔ１で大雨
モード（ＯＮ）の判定が行われる。このように大雨モー
ド（ＯＮ），小雨モード（ＯＦＦ）の判定は図８のフロ
ーチャートに示されるような手順によって行う。本方法
によればタイマーが存在せずモードの判定がすなわちモ
ードの切り替えになる。これは本方法がポンプ井への流
入量の状態のみに着目しているため、排水区域３で降っ
た雨が雨水排水ポンプ所のポンプ井へ流入してくるまで
の時間（流達時間）については前段にある前記流入量予
測部５において考慮されていることによるためである。Now, the flow of determination will be described with reference to the flowchart of FIG. 8 when the mode determination is performed at time t1 (current) in the inflow amount transition graph 6200 of FIG.
At time t1 (current) in FIG. 6, the current inflow amount is smaller than the threshold value Q1, but the predicted inflow amount is expected to exceed the threshold value Q1 at time t2 and exceed the threshold value Q2 at time t3. is there. Here, according to the flow chart of FIG. 8, at time t1 (current), it is first determined whether the time average inflow amount (current inflow amount) is the threshold value Q1 or more, and if No, the next predicted inflow amount is Q2 or more. To judge. Here, the predicted transition time T2 is set in advance as to when to make the determination based on the predicted inflow amount from the present. The predicted transition time T2 is set in consideration of the predicted inflow calculation time, the prediction accuracy, and the like. In the inflow amount transition graph 6200 of FIG. 6, the predicted inflow amount is equal to or more than Q2, and thus the determination of Yes =
The heavy rain mode (ON) is set, and the heavy rain mode (ON) is determined at time t1 as shown in FIG. As described above, the heavy rain mode (ON) and the light rain mode (OFF) are determined by the procedure shown in the flowchart of FIG. According to this method, the timer does not exist and the mode determination is the mode switching. Since this method focuses only on the state of the inflow to the pump well, the time until the rain that has fallen in the drainage area 3 flows into the pump well of the rainwater drainage pump station (the delivery time) This is because it is taken into consideration in the inflow amount prediction unit 5 in the previous stage.

【００４４】尚、先述の通りしきい値Ｑ１およびＱ２は
予め統計的データに基づいて設定されるが、ある程度高
い流入量をしきい値とすることによって基本的に小雨モ
ードによるポンプの平準化運転・ポンプの省力運転を実
現することができる。その理由は、本方法では判定の際
に常に予測流入量についての考慮がなされているため、
ある程度の流入量の偏差があっても先を見込した判定が
でき、充分に適用可能であることによる。予測流入量の
予測精度のばらつきを考慮してＱ１≦Ｑ２としたことで
流入量予測の誤りによる大雨モード（ＯＮ）→小雨モー
ド（ＯＦＦ）のモードの切り替え抑制ができる。As described above, the threshold values Q1 and Q2 are set in advance based on statistical data, but basically the leveling operation of the pump in the light rain mode is performed by setting a certain high inflow amount as the threshold value. -It is possible to realize labor-saving operation of the pump. The reason for this is that this method always considers the predicted inflow rate when making a determination.
This is because even if there is some deviation in the inflow amount, it is possible to make a proactive judgment and to apply it sufficiently. By setting Q1 ≦ Q2 in consideration of the variation in the prediction accuracy of the predicted inflow, it is possible to suppress the switching of the mode from the heavy rain mode (ON) to the light rain mode (OFF) due to an error in the inflow prediction.

【００４５】第３の方法は、降雨量データによるファジ
ィ評価を用いたモード判定の方法である。図９のように
排水区域３に設置されたレーダ雨量計１および地上雨量
計２からの降雨量データと前記降雨量予測部４において
計算された予測降雨量データを入力とし、降雨量推移グ
ラフ６３００に示す現在までの降雨量データと予測降雨
量データをもとにそれぞれの大雨の程度をファジィ評価
を用いてモードの判定を行う。図１０のように、本方法
でのモード判定部６はデータ入力部６３１０，判定部６
３２０，タイマー管理部６３３０，タイマー６３４０か
ら構成される。データ入力部６３１０は時間平均降雨量
データ部６３１１および予測降雨量データ部６３１２お
よび降雨強度（瞬時値）データ部６３１３から構成され
る。判定部６３２０は時間平均降雨量ファジィ評価部６
３２１および予測降雨量ファジィ評価部６３２２および
降雨強度（瞬時値）ファジィ評価部６３２３および評価
式部６３２４より構成される。図１０および図１１に示
すように、時間平均降雨量ファジィ評価部６３２１およ
び予測降雨量ファジィ評価部６３２２および降雨強度
（瞬時値）ファジィ評価部６３２３にはそれぞれの大雨
の程度を表すメンバーシップ関数をもつ。図９および図
１０のように、降雨量データおよび予測降雨量データは
データ入力部６３１０に入力され、それぞれ時間平均降
雨量データ部６３１１，予測降雨量データ部６３１２，
降雨強度(瞬時値)データ部６３１３に時系列的に記憶さ
れている。モード判定は周期Ｔ１毎に判定部６３２０に
おいて行われる。このとき判定周期Ｔ１がある程度長い
場合にはデータ入力部６３１０において予め単位時間Ｔ
２（Ｔ２＜Ｔ１）を定めて降雨量データおよび予測降雨
量データを正規化してもよい。通常降雨量データおよび
予測降雨量データは計測・計算結果がある単位時間で時
間平均降雨量，時間平均予測降雨量に換算されているの
で、モード判定周期Ｔ１の都度そのまま現在の計測・計
算周期データを用いてもよい。降雨強度（瞬時値）デー
タについてはレーダ雨量計１および地上雨量計２からの
降雨量データをその計測周期で入力して時系列的に記憶
し、最新の瞬時値データのみをモード判定時に用いる。
ここで降雨強度（瞬時値）データの単位として［mm／h
r］を用いているが、一般的な降雨量における単位系と
してこのような表記法をとった。降雨強度（瞬時値）デ
ータについてはレーダ雨量計１および地上雨量計２の計
測周期に依存した単位時間によるものとする。The third method is a mode determination method using fuzzy evaluation based on rainfall data. As shown in FIG. 9, the rainfall amount change graph 6300 is input with the rainfall amount data from the radar rain gauge 1 and the ground rain gauge 2 installed in the drainage area 3 and the predicted rainfall amount data calculated by the rainfall amount prediction unit 4 as input. Based on the rainfall data up to the present and the predicted rainfall data shown in, the mode of each heavy rainfall is determined by using fuzzy evaluation. As shown in FIG. 10, the mode determination unit 6 in this method includes a data input unit 6310 and a determination unit 6.
320, a timer management unit 6330, and a timer 6340. The data input unit 6310 includes a time average rainfall amount data unit 6311, a predicted rainfall amount data unit 6312, and a rainfall intensity (instantaneous value) data unit 6313. The determination unit 6320 is a time average rainfall fuzzy evaluation unit 6.
321 and a predicted rainfall fuzzy evaluation unit 6322, a rainfall intensity (instantaneous value) fuzzy evaluation unit 6323, and an evaluation formula unit 6324. As shown in FIG. 10 and FIG. 11, the time average rainfall fuzzy evaluation unit 6321, the predicted rainfall fuzzy evaluation unit 6322, and the rainfall intensity (instantaneous value) fuzzy evaluation unit 6323 are provided with membership functions that represent the degree of heavy rainfall. Hold. As shown in FIGS. 9 and 10, the rainfall amount data and the predicted rainfall amount data are input to the data input unit 6310, and the time average rainfall amount data unit 6311, the predicted rainfall amount data unit 6312,
The rainfall intensity (instantaneous value) data portion 6313 is stored in time series. The mode determination is performed by the determination unit 6320 in each cycle T1. At this time, if the determination cycle T1 is long to a certain extent, the data input unit 6310 may use the unit time T
2 (T2 <T1) may be set and the rainfall data and the predicted rainfall data may be normalized. Since the normal rainfall data and the predicted rainfall data are converted into the time-averaged rainfall amount and the time-averaged forecasted rainfall amount in a unit time having a measurement / calculation result, the current measurement / calculation period data is kept unchanged at each mode determination period T1. May be used. Regarding the rainfall intensity (instantaneous value) data, the rainfall amount data from the radar rain gauge 1 and the ground rain gauge 2 are input in the measurement cycle and stored in time series, and only the latest instantaneous value data is used at the time of mode determination.
Here, the unit of rainfall intensity (instantaneous value) data is [mm / h
r] is used, but this notation is used as a unit system for general rainfall. The rainfall intensity (instantaneous value) data is based on a unit time depending on the measurement cycle of the radar rain gauge 1 and the ground rain gauge 2.

【００４６】いま図９の降雨量推移グラフ６３００にお
いて時刻ｔ１に時間平均降雨量が境界値Ｙｈより小さく
なる場合、ファジィ評価を用いたモード判定の結果、時
刻ｔ１以降最も早いモード判定周期時刻において図１０
の判定部６３２０はタイマー管理部６３３０に対してタ
イマーＯＮ（一定時間Δｔまで計時）の指令を出し、タ
イマー管理部６３３０はタイマー６３４０のタイマーを
始動させる。このとき時刻ｔ１では小雨モード（ＯＦ
Ｆ）への切り替えはしない。これは本方法が降雨の状態
のみに着目しているため、排水区域３で降った雨が雨水
排水ポンプ所のポンプ井へ流入してくるまでの時間（流
達時間）を考慮するためである。When the time average rainfall amount becomes smaller than the boundary value Yh at time t1 in the rainfall amount transition graph 6300 in FIG. 9, the result of the mode determination using the fuzzy evaluation indicates that the time is the earliest mode determination cycle time after time t1. 10
The determination unit 6320 issues a command to the timer management unit 6330 to turn on the timer (measures until a predetermined time Δt), and the timer management unit 6330 starts the timer of the timer 6340. At this time, at time t1, the light rain mode (OF
Do not switch to F). This is because this method focuses only on the state of rainfall, so that the time (delivery time) until the rain that falls in the drainage area 3 flows into the pump well of the rainwater drainage pump station is considered. .

【００４７】次に、時刻ｔ２（現在）に判定する場合に
は、現在の降雨量と予測降雨量と降雨強度（瞬時値）の
状態をみてファジィ評価を用いたモード判定を図１２の
ような流れで行う。図９および図１０および図１２のフ
ローチャートに従って説明すると、データ入力部６３１
０に入力された降雨量データおよび予測降雨量データお
よび降雨強度（瞬時値）データは、それぞれ時間平均降
雨量データ部６３１１，予測降雨量データ部６３１２，
降雨強度(瞬時値)データ部６３１３から判定部６３２０
の時間平均降雨量ファジィ評価部６３２１および予測降
雨量ファジィ評価部６３２２および降雨強度(瞬時値)フ
ァジィ評価部６３２３に伝送され図１１に示すようなメ
ンバーシップ関数で大雨の程度をファジィ評価される。
図１１の時間平均降雨量メンバーシップ関数では、現在
（時刻ｔ２）の時間平均降雨量がｙ１［mm／hr］である
ので、その帰属度はＸになる。予測降雨量メンバーシッ
プ関数では、現在（時刻ｔ２）における予測推移周期Ｔ
３後の予測降雨量がｙ２［mm／hr］であるので、その帰
属度はＹになる。予測降雨量ファジィ評価部6322におい
て、現在からいつの予測降雨量をもとに判断するかは、
予め予測推移時間Ｔ３を定めておくものとする。予測推
移時間Ｔ３は、予測降雨量の計算時間，予測精度等を考
慮して定めるものとする。降雨強度（瞬時値）メンバー
シップ関数では、現在（時刻ｔ２）の降雨強度（瞬時
値）がｙ３［mm／hr］であるので、その帰属度はＺにな
る。いま図１１の場合ではＸ＝０.４，Ｙ＝０.８４，Ｚ
＝0.44となる。Next, when the judgment is made at the time t2 (current), the mode judgment using the fuzzy evaluation is performed as shown in FIG. 12 by looking at the present rainfall amount, predicted rainfall amount and rainfall intensity (instantaneous value). Do by flow. Explaining according to the flowcharts of FIGS. 9, 10 and 12, the data input unit 631
The rainfall amount data, the predicted rainfall amount data, and the rainfall intensity (instantaneous value) data, which are input to 0, are respectively the time average rainfall amount data unit 6311, the predicted rainfall amount data unit 6312,
From the rainfall intensity (instantaneous value) data portion 6313 to the determination portion 6320
Is transmitted to the time average rainfall fuzzy evaluation unit 6321, the predicted rainfall fuzzy evaluation unit 6322, and the rainfall intensity (instantaneous value) fuzzy evaluation unit 6323, and the degree of heavy rainfall is fuzzy evaluated by the membership function shown in FIG.
In the time average rainfall membership function of FIG. 11, since the current (time t2) time average rainfall is y1 [mm / hr], the degree of belonging is X. In the predicted rainfall membership function, the predicted transition period T at the present time (time t2)
Since the predicted rainfall after 3 is y2 [mm / hr], the degree of belonging is Y. In the predicted rainfall fuzzy evaluation unit 6322, when to judge based on the predicted rainfall from the present,
It is assumed that the predicted transition time T3 is set in advance. The predicted transition time T3 is set in consideration of the calculation time of the predicted rainfall amount, the prediction accuracy, and the like. In the rainfall intensity (instantaneous value) membership function, since the rainfall intensity (instantaneous value) at the present time (time t2) is y3 [mm / hr], the degree of membership is Z. In the case of FIG. 11, X = 0.4, Y = 0.84, Z
= 0.44.

【００４８】次に、図１０の評価式部６３２４にいまフ
ァジィ評価された帰属度が伝送され、帰属度の寄与率
ａ，ｂ，ｃによってモード判定指数Ｓが計算される。時
間平均降雨量メンバーシップ帰属度の寄与率をａ，予測
降雨量メンバーシップ帰属度の寄与率をｂ，降雨強度
（瞬時値）メンバーシップ帰属度の寄与率をｃとする
と、モード判定指数Ｓ＝ａＸ＋ｂＹ＋ｃＺとなる。いま
ａ，ｂ，ｃの値をそれぞれａ＝０.３５（３５％），ｂ
＝０.３５（３５％），ｃ＝０.３(３０％）としたと
き、モード判定指数Ｓ＝ａＸ＋ｂＹ＋ｃＺ＝０.３５×
０.４＋０.３５×０.８４＋０.３×０.４４＝０.５６６
となり、０.５６６≧０.５ なので判定＝大雨モード
（ＯＮ）である。従って、図１２のフローチャートの通
り、現在（時刻ｔ２）においてファジィ評価結果が判定
基準Ｓ＝０.５ 以上かを判定し、Ｙｅｓであるため判定
＝大雨モード（ＯＮ）となり、タイマーＯＦＦの指令が
出される。図９の通り時刻ｔ２でタイマーカウント中で
あったが、判定の結果タイマーカウント終了時刻ｔ３を
待たずに、図１０のタイマー管理部６３３０からタイマ
ー６３４０に対しタイマーＯＦＦ処理が行われる。この
ように大雨モード（ＯＮ），小雨モード（ＯＦＦ）の判
定は図１２のフローチャートに示されるような手順によ
って行う。尚、本方法のメンバーシップ関数および評価
式部６３２４のメンバーシップ帰属度の寄与率ａ，ｂ，
ｃのチューニングによって、ある程度高い降雨量を境界
値Ｙｈとすることができ、基本的に小雨モードによるポ
ンプの平準化運転・ポンプの省力運転を実現させること
ができる。その理由は、本方法では流達時間のため、実
際にポンプ井へ雨水が流入するまでには時間遅れがある
ことによる。予測降雨量の予測精度のばらつきや流達時
間遅れを考慮してチューニングすることで降雨予測の誤
りによる大雨モード（ＯＮ）→小雨モード（ＯＦＦ）へ
のモードの切り替え抑制ができる。Next, the degree of membership which has been fuzzy evaluated is transmitted to the evaluation formula portion 6324 of FIG. 10, and the mode determination index S is calculated by the contribution rates a, b and c of the degree of membership. When the contribution rate of the time average rainfall membership membership is a, the contribution rate of the predicted rainfall membership membership is b, and the contribution rate of the rainfall intensity (instantaneous value) membership is c, the mode determination index S = It becomes aX + bY + cZ. Now, the values of a, b, and c are a = 0.35 (35%) and b, respectively.
= 0.35 (35%) and c = 0.3 (30%), the mode determination index S = aX + bY + cZ = 0.35 ×
0.4 + 0.35 × 0.84 + 0.3 × 0.44 = 0.566
Since 0.566 ≧ 0.5, the judgment is heavy rain mode (ON). Therefore, as shown in the flowchart of FIG. 12, it is determined at present (time t2) whether or not the fuzzy evaluation result is the criterion S = 0.5 or more. Since it is Yes, the determination = heavy rain mode (ON), and the timer OFF command is issued. Will be issued. Although the timer was counting at time t2 as shown in FIG. 9, the timer management unit 6330 of FIG. 10 performs the timer OFF processing on the timer 6340 without waiting for the timer count end time t3 as a result of the determination. As described above, the heavy rain mode (ON) and the light rain mode (OFF) are determined by the procedure shown in the flowchart of FIG. Incidentally, the contribution ratios a, b, of the membership membership degree of the membership function and evaluation formula part 6324 of this method,
By tuning c, a certain amount of rainfall can be set as the boundary value Yh, and basically leveling operation of the pump and light-saving operation of the pump in the light rain mode can be realized. The reason for this is that there is a time delay before rainwater actually flows into the pump well due to the delivery time in this method. It is possible to suppress the mode switching from heavy rain mode (ON) to light rain mode (OFF) due to an error in rainfall prediction by performing tuning in consideration of variations in the prediction accuracy of the predicted rainfall amount and the delay in the arrival time.

【００４９】第４の方法は、流入量データによるファジ
ィ評価を用いたモード判定の方法である。図１３のよう
に前記流入量予測部５において計算された実績流入量デ
ータおよび予測流入量データを入力とし、流入量推移グ
ラフ６４００に示す現在までの流入量データと予測流入
量データをもとに、それぞれの流入量の程度をファジィ
評価を用いてモードの判定を行う。図１４のように、本
方法でのモード判定部６はデータ入力部６４１０，判定
部６４２０から構成される。データ入力部6410は、時間
平均流入量データ部６４１１と予測流入量データ部６４
１２および流入量（瞬時値）データ部６４１３から構成
される。判定部６４２０は、時間平均流入量ファジィ評
価部６４２１と予測流入量ファジィ評価部６４２２と流
入量（瞬時値）ファジィ評価部６４２３および評価式部
６４２４より構成される。図１４および図１５に示すよ
うに、時間平均流入量ファジィ評価部６４２１と予測流
入量ファジィ評価部６４２２および流入量（瞬時値）フ
ァジィ評価部６４２３では、それぞれの流入量の程度を
表すメンバーシップ関数をもつ。図１４のように、流入
量データおよび予測流入量データはデータ入力部６４１
０に入力され、それぞれ時間平均流入量データ部６４１
１，予測流入量データ部６４１２，流入量（瞬時値）デ
ータ部６４１３に時系列的に記憶されている。モード判
定は周期Ｔ１毎に判定部において行われる。このとき判
定周期Ｔ１がある程度長い場合には、データ入力部６４
１１において予め単位時間Ｔ２（Ｔ２＜Ｔ１）を定めて
流入量データおよび予測流入量データを正規化してもよ
い。通常、流入量データおよび予測流入量データは、計
測・計算結果がある単位時間で時間平均流入量，時間平
均予測流入量に換算されているので、モード判定周期Ｔ
１の都度そのまま現在の計測・計算周期データを用いて
もよい。流入量（瞬時値）データについては、前記流入
量予測部５からの流入量データをその計測・計算周期で
入力して時系列的に記憶し、最新の瞬時値データのみを
モード判定に用いる。ここで流入量（瞬時値）データの
単位として［ｍ3／min］を用いているが、一般的な流入
量における単位系としてこのような表記法をとった。流
入量（瞬時値）データについては、前記流入量予測部５
の計測・計算周期に依存した単位時間によるものとす
る。The fourth method is a mode determination method using fuzzy evaluation based on the inflow amount data. As shown in FIG. 13, the actual inflow amount data and the predicted inflow amount data calculated by the inflow amount predicting unit 5 are input, and based on the inflow amount data and the estimated inflow amount data up to the present shown in the inflow amount transition graph 6400. , The mode of each inflow is judged by using fuzzy evaluation. As shown in FIG. 14, the mode determination unit 6 in this method includes a data input unit 6410 and a determination unit 6420. The data input unit 6410 includes a time average inflow amount data unit 6411 and a predicted inflow amount data unit 64.
12 and an inflow amount (instantaneous value) data part 6413. The determination unit 6420 includes a time average inflow amount fuzzy evaluation unit 6421, a predicted inflow amount fuzzy evaluation unit 6422, an inflow amount (instantaneous value) fuzzy evaluation unit 6423, and an evaluation formula unit 6424. As shown in FIGS. 14 and 15, in the time average inflow amount fuzzy evaluation unit 6421, the predicted inflow amount fuzzy evaluation unit 6422, and the inflow amount (instantaneous value) fuzzy evaluation unit 6423, the membership function representing the degree of each inflow amount With. As shown in FIG. 14, the inflow amount data and the predicted inflow amount data are stored in the data input unit 641.
0, and each time average inflow data part 641
1, the predicted inflow amount data part 6412 and the inflow amount (instantaneous value) data part 6413 are stored in time series. The mode determination is performed by the determination unit every cycle T1. At this time, if the determination cycle T1 is long to some extent, the data input unit 64
In 11, the unit time T2 (T2 <T1) may be set in advance to normalize the inflow amount data and the predicted inflow amount data. Normally, the inflow amount data and the estimated inflow amount data are converted into the time-averaged inflow amount and the time-averaged estimated inflow amount in a unit time having a measurement / calculation result.
The current measurement / calculation cycle data may be used as it is for each one. Regarding the inflow amount (instantaneous value) data, the inflow amount data from the inflow amount predicting unit 5 is input in the measurement / calculation cycle and stored in time series, and only the latest instantaneous value data is used for the mode determination. Here, [m 3 / min] is used as a unit of the inflow amount (instantaneous value) data, but such a notation is used as a unit system for a general inflow amount. For the inflow amount (instantaneous value) data, the inflow amount prediction unit 5
The unit time depends on the measurement and calculation cycle of.

【００５０】いま図１３の流入量推移グラフ６４００に
おいて時刻ｔ１（現在）に時間平均流入量が境界値Ｑｈ
より小さい場合、時間平均流入量（現在の流入量）と予
測流入量と流入量（瞬時値）の状態を図１６のような流
れでファジィ評価を用いてモード判定する。図１３と図
１４および図１６のフローチャートに従って説明する
と、データ入力部６４１０に入力された流入量データと
予測流入量データおよび流入量（瞬時値）データは、そ
れぞれ時間平均流入量データ部６４１１，予測流入量デ
ータ部６４１２，流入量（瞬時値）データ部６４１３か
ら判定部６４２０の時間平均流入量ファジィ評価部６４
２１および予測流入量ファジィ評価部6422および流入量
（瞬時値）ファジィ評価部６４２３に伝送され、図１５
に示すようなメンバーシップ関数で流入量の程度をファ
ジィ評価される。図１５の時間平均流入量メンバーシッ
プ関数では、現在（時刻ｔ１）の時間平均流入量がｑ１
［ｍ3／min］であるので、その帰属度はＵになる。予測
流入量メンバーシップ関数では、現在（時刻ｔ１)にお
ける予測推移周期Ｔ３後の予測流入量がｑ２［ｍ3／min
］であるので、その帰属度はＶになる。予測流入量フ
ァジィ評価部6422において現在からいつの予測流入量を
もとに判断するかは、予め予測推移時間Ｔ３を定めてお
くものとする。予測推移時間Ｔ３は、予測流入量の計算
時間，予測精度等を考慮して定めるものとする。流入量
（瞬時値）メンバーシップ関数では、現在（時刻ｔ１）
の流入量（瞬時値）がｑ３［ｍ3／min］であるので、そ
の帰属度はＷになる。いま図１５の場合ではＵ＝０.８
６，Ｖ＝０.８２，Ｗ＝０.４８となる。Now, in the inflow amount transition graph 6400 of FIG. 13, the time average inflow amount is the boundary value Qh at time t1 (current).
If it is smaller, the mode of the state of the time-averaged inflow amount (current inflow amount), the predicted inflow amount, and the inflow amount (instantaneous value) is determined using the fuzzy evaluation in the flow as shown in FIG. Referring to the flowcharts of FIGS. 13, 14 and 16, the inflow rate data, the predicted inflow rate data, and the inflow rate (instantaneous value) data input to the data input section 6410 are the time average inflow rate data section 6411 and the prediction value, respectively. Inflow amount data part 6412, inflow amount (instantaneous value) data part 6413 to time average inflow amount fuzzy evaluation part 64 of determination part 6420
21 and the estimated inflow amount fuzzy evaluation unit 6422 and the inflow amount (instantaneous value) fuzzy evaluation unit 6423,
The degree of inflow is fuzzy evaluated by the membership function as shown in. In the time-averaged inflow membership function of FIG. 15, the current (time t1) time-averaged inflow amount is q1.
Since it is [m 3 / min], the degree of belonging is U. In the predicted inflow membership function, the predicted inflow after the predicted transition period T3 at the current time (time t1) is q2 [m 3 / min].
], The degree of belonging becomes V. The predicted transition time T3 is set in advance when the predicted inflow amount fuzzy evaluation unit 6422 determines based on the predicted inflow amount from the present. The predicted transition time T3 is set in consideration of the predicted inflow calculation time, the prediction accuracy, and the like. Inflow amount (instantaneous value) membership function is currently (time t1)
Since the inflow amount (instantaneous value) of q3 is [m 3 / min], the degree of belonging is W. In the case of FIG. 15 now, U = 0.8
6, V = 0.82, W = 0.48.

【００５１】次に図１４の評価式部６４２４にいまファ
ジィ評価された帰属度が伝送され、帰属度の寄与率ａ，
ｂ，ｃによってモード判定指数Ｓが計算される。時間平
均流入量メンバーシップ帰属度の寄与率をａ，予測流入
量メンバーシップ帰属度の寄与率をｂ，流入量（瞬時
値）メンバーシップ帰属度の寄与率をｃとすると、モー
ド判定指数Ｓ＝ａＵ＋ｂＶ＋ｃＷとなる。いまａ，ｂ，
ｃの値をそれぞれａ＝０.３５（３５％），ｂ＝０.３５
（３５％），ｃ＝０.３（３０％)としたとき、モード判
定指数Ｓ＝ａＵ＋ｂＶ＋ｃＷ＝０.３５×０.８６＋０.
３５×０.８２＋０.３×０.４８＝０.７３２となり、
０.７３２≧０.５ なので判定＝大雨モード（ＯＮ）で
ある。従って、図１６のフローチャートの通り、現在
（時刻ｔ１）においてファジィ評価結果が判定基準Ｓ＝
０.５ 以上かを判定し、Ｙｅｓであるため判定＝大雨モ
ード（ＯＮ）となる。Next, the degree of membership that has been fuzzy evaluated is transmitted to the evaluation formula section 6424 of FIG.
The mode determination index S is calculated from b and c. When the contribution rate of the time-averaged inflow amount membership degree of membership is a, the contribution rate of the predicted inflow rate membership degree of membership is b, and the contribution rate of the inflow rate (instantaneous value) membership degree is c, the mode determination index S = It becomes aU + bV + cW. Now a, b,
The values of c are a = 0.35 (35%) and b = 0.35, respectively.
(35%) and c = 0.3 (30%), the mode determination index S = aU + bV + cW = 0.35 × 0.86 + 0.8.
35 x 0.82 + 0.3 x 0.48 = 0.732,
Since 0.732 ≧ 0.5, the judgment is heavy rain mode (ON). Therefore, as shown in the flow chart of FIG. 16, at present (time t1), the fuzzy evaluation result is the criterion S =
It is determined whether it is 0.5 or more. Since it is Yes, the determination is heavy rain mode (ON).

【００５２】このように大雨モード（ＯＮ），小雨モー
ド（ＯＦＦ）の判定は、図１６のフローチャートに示さ
れるような手順によって行う。本方法によれば、タイマ
ーが存在せずモードの判定がすなわちモードの切り替え
になる。これは本方法がポンプ井への流入量の状態のみ
に着目しているため、排水区域３で降った雨が雨水排水
ポンプ所のポンプ井へ流入してくるまでの時間（流達時
間）については、前段にある流入量予測部５において考
慮されていることによるためである。尚、本方法のメン
バーシップ関数および評価式部６４２４のメンバーシッ
プ帰属度の寄与率ａ，ｂ，ｃのチューニングによって、
ある程度高い流入量を境界値Ｑｈとすることができ、基
本的に小雨モードによるポンプの平準化運転・ポンプの
省力運転を実現させることができる。その理由は、本方
法では判定の際に常に予測流入量についての考慮がなさ
れているため、ある程度の流入量の偏差があっても先を
見込した判定ができ、充分に適用可能であることによ
る。予測流入量の予測精度のばらつきを考慮してチュー
ニングすることで、流入量予測の誤りによる大雨モード
（ＯＮ）→小雨モード（ＯＦＦ）へのモードの切り替え
抑制ができる。As described above, the heavy rain mode (ON) and the light rain mode (OFF) are determined by the procedure shown in the flowchart of FIG. According to this method, there is no timer, and the determination of the mode is the switching of the modes. Since this method focuses only on the state of the inflow to the pump well, the time until the rain that has fallen in the drainage area 3 flows into the pump well of the rainwater drainage pump station (the delivery time) This is because it is taken into consideration in the inflow amount prediction unit 5 in the preceding stage. In addition, by tuning the contribution functions a, b, and c of the membership membership degree of the evaluation function part 6424 and the membership function of this method,
A certain amount of inflow can be set as the boundary value Qh, and basically leveling operation of the pump and labor-saving operation of the pump in the light rain mode can be realized. The reason is that this method always takes into consideration the predicted inflow rate when making a determination, so even if there is some deviation in the inflow rate, it is possible to make a forward-looking determination and to apply it sufficiently. . By tuning in consideration of the variation in the prediction accuracy of the predicted inflow, it is possible to suppress the mode switching from the heavy rain mode (ON) to the light rain mode (OFF) due to an error in the prediction of the inflow.

【００５３】第５の方法は、降雨量データによるニュー
ラルネットワーク評価を用いたモード判定の方法であ
る。図１７のように排水区域３に設置されたレーダ雨量
計１および地上雨量計２からの降雨量データと前記降雨
量予測部４において計算された予測降雨量データを入力
とし、降雨量推移グラフ６５００に示す現在までの降雨
量データと予測降雨量データをもとにそれぞれの大雨の
程度をニューラルネットワーク評価を用いてモードの判
定を行う。図１８のように、本方法でのモード判定部６
はデータ入力部６５１０，判定部６５２０，タイマー管
理部６５３０，タイマー６５４０から構成される。デー
タ入力部６５１０は時間平均降雨量データ入力部（６５
１１〜６５１２）および予測降雨量データ入力部（６５
１３〜６５１４）および降雨強度（瞬時値）データ入力
部（６５１５〜６５１６）から構成される。判定部６５
２０は、ニューラルネットワーク評価部６５２１および
モード判定結果部６５２２より構成される。ニューラル
ネットワーク評価部6521は、入力層６５２１ａと中間層
６５２１ｂおよび出力層６５２１ｃから構成される３層
のニューラルネットワークモデルである。図１８に示す
ように、ニューラルネットワーク評価部６５２１の動作
は、各々正規化（０〜１に換算）された時間平均降雨量
データ，予測降雨量データ，降雨強度(瞬時値)データか
らなる入力信号が、ニューラルネットワーク評価部６５
２１に提示(加えられる)されると、瞬時にニューラルネ
ットワークモデル(ニューラルネットワーク評価部６５
２１)の出力信号としてモード判定指数Ｓが出力され
る。このニューラルネットワーク評価部６５２１からの
モード判定指数Ｓを次段のモード判定結果部６５２２に
伝送し、図１９に示すようなモード判定を行う。The fifth method is a mode determination method using neural network evaluation based on rainfall data. As shown in FIG. 17, the rainfall amount change graph 6500 is input with the rainfall amount data from the radar rain gauge 1 and the ground rainfall gauge 2 installed in the drainage area 3 and the predicted rainfall amount data calculated by the rainfall amount prediction unit 4 as input. Based on the rainfall data up to the present and the predicted rainfall data shown in, the mode of the degree of heavy rainfall is judged using neural network evaluation. As shown in FIG. 18, the mode determination unit 6 in this method
Is composed of a data input unit 6510, a determination unit 6520, a timer management unit 6530, and a timer 6540. The data input unit 6510 is a time average rainfall data input unit (65
11 to 6512) and the predicted rainfall data input unit (65
13-6514) and rainfall intensity (instantaneous value) data input section (6515-6516). Judgment unit 65
20 is composed of a neural network evaluation unit 6521 and a mode determination result unit 6522. The neural network evaluation unit 6521 is a three-layer neural network model including an input layer 6521a, an intermediate layer 6521b, and an output layer 6521c. As shown in FIG. 18, the operation of the neural network evaluation unit 6521 is the input signal including the normalized (converted to 0 to 1) time average rainfall data, predicted rainfall data, and rainfall intensity (instantaneous value) data. Is the neural network evaluation unit 65
21 is presented (added) to the neural network model (neural network evaluation unit 65
The mode determination index S is output as the output signal of 21). The mode determination index S from the neural network evaluation unit 6521 is transmitted to the next mode determination result unit 6522, and the mode determination as shown in FIG. 19 is performed.

【００５４】以下ニューラルネットワークモデル(ニュ
ーラルネットワーク評価部６５２１)についての動作を
図２０を用いて説明する。公知の特開平5−303407 号公
報にも見られる通り、図２０はニューラルネットワーク
モデル（ニューラルネットワーク評価部６５２１）を構
成する一つのユニットであるニューロン素子モデル6560
を示す。ここで、ニューロン素子モデルへの入力信号Ｘ
１，Ｘ２，…，Ｘｎは、値域(０，１)を取るもので、シ
ナプス荷重Ｗ１，Ｗ２，…，Ｗｎは、値域（−∞，＋
∞）を取るものである。ここで、ｉ番目の入力信号Ｘｉ
からニューロン素子モデルへ伝わる入力ＵｉをＵｉ＝Ｘ
ｉ・Ｗｉとすると、ニューロン素子モデル６５６０への
総入力Ｕは、The operation of the neural network model (neural network evaluation unit 6521) will be described below with reference to FIG. As can be seen from the publicly-known Japanese Patent Laid-Open No. 5-303407, FIG. 20 shows a neuron element model 6560 which is one unit forming a neural network model (neural network evaluation unit 6521).
Indicates. Here, the input signal X to the neuron element model
1, X2, ..., Xn take a value range (0, 1), and synapse loads W1, W2, ..., Wn have a value range (−∞, +).
∞). Here, the i-th input signal Xi
Input Ui transmitted from the robot to the neuron element model is Ui = X
If i · Wi, the total input U to the neuron element model 6560 is

【００５５】[0055]

【数１】 [Equation 1]

【００５６】となる。また、ニューロン素子モデル６５
６０の出力Ｙは、It becomes In addition, the neuron element model 65
The output Y of 60 is

【００５７】[0057]

【数２】 [Equation 2]

【００５８】で与えられる。ここで、Ｕ０はニューロン
素子モデルのしきい値(バイアス)である。本発明では、
上述したニューロン素子モデル６５６０を、図１８で示
したニューラルネットワーク評価部６５２１のように、
層状に配置し、各ニューロン素子モデルからの出力信号
を次層の各ニューロン素子モデルへの入力信号とする構
成を持つニューラルネットワークモデル（ニューラルネ
ットワーク評価部6521）とする。また、本発明では、あ
る入力信号パターンを入力層６５２１ａに与えたとき、
出力層６５２１ｃからの出力信号が期待すべき信号、す
なわち教師信号となるように、両者の誤差に応じて中間
層６５２１ｂおよび出力層６５２１ｃの各ニューロン素
子モデルへのシナプス荷重を修正する学習アルゴリズム
が示されている。この学習アルゴリズムは、バックプロ
パゲーション法（誤差逆伝搬法）と呼ばれる。本発明に
おいて、ニューラルネットワークモデル（ニューラルネ
ットワーク評価部６５２１）をモード判定に適用する際
には、入力信号（各々正規化された時間平均降雨量デー
タ，予測降雨量データ，降雨強度（瞬時値）データ）と
その入力信号に対応する教師データ（モード判定指数
Ｓ）をニューラルネットワークモデル（ニューラルネッ
トワーク評価部６５２１）に学習させておく必要があ
る。Is given by Here, U0 is a threshold value (bias) of the neuron element model. In the present invention,
The neuron element model 6560 described above is converted into the neural network evaluation unit 6521 shown in FIG.
The neural network model (neural network evaluation unit 6521) is arranged in layers and has a configuration in which an output signal from each neuron element model is used as an input signal to each neuron element model in the next layer. Further, in the present invention, when a certain input signal pattern is given to the input layer 6521a,
A learning algorithm is shown that corrects the synapse weight on each neuron element model of the intermediate layer 6521b and the output layer 6521c according to the error between the two so that the output signal from the output layer 6521c becomes an expected signal, that is, a teacher signal. Has been done. This learning algorithm is called a back propagation method (error back propagation method). In the present invention, when the neural network model (neural network evaluation unit 6521) is applied to the mode determination, the input signals (normalized time average rainfall data, predicted rainfall data, rainfall intensity (instantaneous value) data ) And teacher data (mode determination index S) corresponding to the input signal) must be learned in the neural network model (neural network evaluation unit 6521).

【００５９】本発明においては、ニューラルネットワー
クモデル（ニューラルネットワーク評価部６５２１）の
学習は、モード判定部６に適用する以前に終了させてお
く。但し、いわゆる降雨現象は特定のパターンやルール
に依存しないため、対象とする排水区域３において最適
なモード判定指数Ｓを出力するようなニューラルネット
ワークモデル（ニューラルネットワーク評価部６５２
１）になるように定期的な再学習が必要である。いま図
１７の降雨量推移グラフ６５００において時刻ｔ１に時
間平均降雨量が境界値Ｙｈより小さくなる場合、ニュー
ラルネットワーク評価を用いたモード判定の結果、時刻
ｔ１以降最も早いモード判定周期時刻において図１８の
判定部６５２０はタイマー管理部６５３０に対してタイ
マーＯＮ（一定時間Δｔまで計時）の指令を出し、タイ
マー管理部６５３０はタイマー６５４０のタイマーを始
動させる。このとき時刻ｔ１では小雨モード（ＯＦＦ）
への切り替えはしない。これは本方法が降雨の状態のみ
に着目しているため、排水区域３で降った雨が雨水排水
ポンプ所のポンプ井へ流入してくるまでの時間（流達時
間）を考慮するためである。In the present invention, the learning of the neural network model (neural network evaluation unit 6521) is finished before being applied to the mode determination unit 6. However, since the so-called rainfall phenomenon does not depend on a specific pattern or rule, a neural network model (neural network evaluation unit 652) that outputs the optimum mode determination index S in the target drainage area 3
Periodic re-learning is necessary to become 1). Now, in the rainfall amount transition graph 6500 of FIG. 17, when the time average rainfall amount becomes smaller than the boundary value Yh at time t1, as a result of the mode determination using the neural network evaluation, the time of the earliest mode determination cycle time after time t1 is as shown in FIG. The determination unit 6520 issues a command to the timer management unit 6530 to turn on the timer (clocks until a predetermined time Δt), and the timer management unit 6530 starts the timer of the timer 6540. At this time, at time t1, light rain mode (OFF)
Do not switch to. This is because this method focuses only on the state of rainfall, so that the time (delivery time) until the rain that falls in the drainage area 3 flows into the pump well of the rainwater drainage pump station is considered. .

【００６０】次に、時刻ｔ２（現在）に判定する場合に
は、現在の降雨量と予測降雨量と降雨強度（瞬時値）の
状態をみて、ニューラルネットワーク評価を用いたモー
ド判定を図１９のような流れで行う。以下図１７と図１
８および図１９のフローチャートに従って説明する。い
まデータ入力部６５１０には常に現在よりも一定時間Ｔ
１前および一定時間Ｔ２後までのデータが記憶されてい
る。レーダ雨量計１および地上雨量計２からの降雨量デ
ータと前記降雨量予測部４にて計算された予測降雨量デ
ータをデータ入力部６５１０に入力し、このデータの
内、降雨量データおよび予測降雨量データに関しては予
め単位時間Ｔ３を定めて単位時間Ｔ３で正規化（単位時
間当たりの降雨量および予測降雨量に換算）し、さらに
入力値の正規化（０〜１に換算）を行い、それぞれ時間
平均降雨量データ入力部（6511〜６５１２）および予測
降雨量データ入力部（６５１３〜６５１４）に時系列的
かつ離散値的に記憶する。もしくは、通常降雨量データ
および予測降雨量データは計測・計算結果がある単位時
間で時間平均降雨量，時間平均予測降雨量に換算されて
いるので、そのまま現在の計測・計算周期データを用い
て入力値の正規化（０〜１に換算）を行い、それぞれ時
間平均降雨量データ入力部（６５１１〜６５１２）およ
び予測降雨量データ入力部（６５１３〜６５１４）に時
系列的かつ離散値的に記憶する。降雨強度（瞬時値）デ
ータについては、レーダ雨量計１および地上雨量計２か
らの降雨量データをその計測周期で入力して入力値の正
規化（０〜１に換算）を行い、時系列的かつ離散値的に
記憶する。データ入力部６５１０（時間平均降雨量デー
タ入力部（６５１１〜６５１２）および予測降雨量デー
タ入力部（６５１３〜６５１４）および降雨強度（瞬時
値）データ入力部（６５１５〜６５１６））に入力され
時系列的かつ離散値的に記憶されているデータは、モー
ド判定周期毎にニューラルネットワーク評価部６５２１
内のそれぞれの入力層６５２１ａに入力され、先述のニ
ューロン素子の動作によって評価され、入力層６５２１
ａから中間層６５２１ｂを経て出力層６５２１ｃよりモ
ード判定指数Ｓが出力される。ニューラルネットワーク
評価部６５２１からモード判定結果部６５２２へ伝送さ
れたモード判定指数Ｓを図１９に示すフローチャートの
通り判定する。いま出力層６５２１ｃより出力されたモ
ード判定指数Ｓが0.5以上であった（降雨量推移グラフ
６５００のように予測降雨量が境界値Ｙｈを越える見込
みである場合）ので、図１９のフローチャートの通り現
在（時刻ｔ２）においてニューラルネットワーク評価結
果が判定基準Ｓ＝０.５ 以上かを判定し、Ｙｅｓである
ため判定＝大雨モード（ＯＮ）となり、タイマーＯＦＦ
の指令が出される。図１７の通り時刻ｔ２でタイマーカ
ウント中であったが、判定の結果タイマーカウント終了
時刻ｔ３を待たずに図１８のタイマー管理部６５３０か
らタイマー６５４０に対しタイマーＯＦＦ処理が行われ
る。このように大雨モード（ＯＮ），小雨モード（ＯＦ
Ｆ）の判定は図１９のフローチャートに示されるような
手順によって行う。Next, when the judgment is made at the time t2 (current), the mode judgment using the neural network evaluation is carried out by referring to the present state of the rainfall amount, the predicted rainfall amount and the rainfall intensity (instantaneous value). Follow the same flow. FIG. 17 and FIG. 1 below
8 and the flowchart of FIG. Now, the data input unit 6510 always has a fixed time T than the present time.
The data before 1 and after a predetermined time T2 are stored. The rainfall data from the radar rain gauge 1 and the ground rain gauge 2 and the predicted rainfall data calculated by the rainfall prediction unit 4 are input to the data input unit 6510. Among these data, the rainfall data and the predicted rainfall are input. Regarding the quantity data, the unit time T3 is set in advance, normalized by the unit time T3 (converted into the rainfall amount and the predicted rainfall amount per unit time), and the input value is further normalized (converted to 0 to 1). The time average rainfall data input unit (6511 to 6512) and the predicted rainfall data input unit (6513 to 6514) are stored in time series and discrete values. Or, the normal rainfall data and the predicted rainfall data are converted into the hourly average rainfall and the hourly average forecasted rainfall in the unit time with the measurement / calculation results, so input them using the current measurement / calculation cycle data as they are. The values are normalized (converted to 0 to 1) and stored in a time-averaged rainfall data input unit (6511 to 6512) and a predicted rainfall data input unit (6513 to 6514) in time series and discrete values. . For the rainfall intensity (instantaneous value) data, the rainfall data from the radar rain gauge 1 and the ground rain gauge 2 are input in the measurement cycle, and the input values are normalized (converted to 0 to 1) to obtain a time series. And it is stored as a discrete value. Data input unit 6510 (hourly average rainfall data input unit (6511 to 6512), predicted rainfall data input unit (6513 to 6514), and rainfall intensity (instantaneous value) data input unit (6515 to 6516)) Data that is stored as a static and discrete value is stored in the neural network evaluation unit 6521 for each mode determination cycle.
Input layer 6521a in each of the input layers 6521a and evaluated by the operation of the neuron element described above.
The mode determination index S is output from a through the intermediate layer 6521b and the output layer 6521c. The mode determination index S transmitted from the neural network evaluation unit 6521 to the mode determination result unit 6522 is determined according to the flowchart shown in FIG. The mode determination index S output from the output layer 6521c is 0.5 or more (when the predicted rainfall amount is expected to exceed the boundary value Yh as in the rainfall amount transition graph 6500). At (time t2), it is determined whether or not the neural network evaluation result is the criterion S = 0.5 or more. Since it is Yes, the determination is heavy rain mode (ON), and the timer is OFF.
Is issued. Although the timer was counting at time t2 as shown in FIG. 17, the timer management unit 6530 of FIG. 18 performs the timer OFF processing on the timer 6540 without waiting for the timer count end time t3 as a result of the determination. In this way, heavy rain mode (ON), light rain mode (OF
The determination of F) is performed by the procedure as shown in the flowchart of FIG.

【００６１】尚、本方法のニューラルネットワーク評価
部６５２１の学習によって、ある程度高い降雨量を境界
値Ｙｈとすることができ、基本的に小雨モードによるポ
ンプの平準化運転・ポンプの省力運転を実現させること
ができる。その理由は、本方法では流達時間のため、実
際にポンプ井へ雨水が流入するまでには時間遅れがある
ことによる。予測降雨量の予測精度のばらつきや流達時
間遅れを考慮して学習することで、降雨予測の誤りによ
る大雨モード（ＯＮ）→小雨モード（ＯＦＦ）へのモー
ドの切り替え抑制ができる。By learning the neural network evaluation unit 6521 of the present method, a certain amount of rainfall can be set as the boundary value Yh, and basically, the leveling operation of the pump and the labor-saving operation of the pump in the light rain mode are realized. be able to. The reason for this is that there is a time delay before rainwater actually flows into the pump well due to the delivery time in this method. By learning in consideration of the variation in the prediction accuracy of the predicted rainfall amount and the arrival time delay, the mode switching from heavy rain mode (ON) to light rain mode (OFF) due to rainfall prediction error can be suppressed.

【００６２】第６の方法は、流入量データによるニュー
ラルネットワーク評価を用いたモード判定の方法であ
る。図２１のように排水区域３に設置されたレーダ雨量
計１および地上雨量計２からの流入量データと前記流入
量予測部５において計算された予測流入量データとを入
力とし、流入量推移グラフ６６００に示す現在までの流
入量データと予測流入量データをもとにそれぞれの流入
量の程度をニューラルネットワーク評価を用いてモード
の判定を行う。図２２のように、本方法でのモード判定
部６はデータ入力部６６１０，判定部６６２０から構成
される。データ入力部６６１０は、時間平均流入量デー
タ入力部（６６１１〜６６１２）と予測流入量データ入
力部（６６１３〜６６１４）および流入量（瞬時値）デ
ータ入力部（６６１５〜６６１６）から構成される。判
定部６６２０は、ニューラルネットワーク評価部６６２
１およびモード判定結果部６６２２より構成される。ニ
ューラルネットワーク評価部６６２１は、入力層６６２
１ａと中間層６６２１ｂおよび出力層６６２１ｃから構
成される３層のニューラルネットワークモデルである。The sixth method is a mode determination method using neural network evaluation based on inflow data. As shown in FIG. 21, the inflow amount data from the radar rain gauge 1 and the ground rain gauge 2 installed in the drainage area 3 and the predicted inflow amount data calculated by the inflow amount prediction unit 5 are input, and an inflow amount transition graph Based on the inflow amount data up to the present and the estimated inflow amount data shown in 6600, the degree of each inflow amount is determined by using the neural network evaluation. As shown in FIG. 22, the mode determination unit 6 in this method includes a data input unit 6610 and a determination unit 6620. The data input unit 6610 includes a time average inflow amount data input unit (6611 to 6612), a predicted inflow amount data input unit (6613 to 6614), and an inflow amount (instantaneous value) data input unit (6615 to 6616). The determination unit 6620 is a neural network evaluation unit 662.
1 and a mode determination result unit 6622. The neural network evaluation unit 6621 uses the input layer 662.
This is a three-layer neural network model composed of 1a, an intermediate layer 6621b, and an output layer 6621c.

【００６３】図２２に示すように、ニューラルネットワ
ーク評価部６６２１の動作は、各々正規化（０〜１に換
算）された時間平均流入量データ，予測流入量データ，
流入量（瞬時値）データからなる入力信号が、ニューラ
ルネットワーク評価部6621に提示（加えられる）される
と、瞬時にニューラルネットワークモデル（ニューラル
ネットワーク評価部６６２１）の出力信号としてモード
判定指数Ｓが出力される。このニューラルネットワーク
評価部６６２１からのモード判定指数Ｓを次段のモード
判定結果部６６２２に伝送し、図２３に示すようなモー
ド判定を行う。ニューラルネットワークモデル（ニュー
ラルネットワーク評価部６６２１）についての動作は、
先述の第５の方法に詳しく説明した通りである。前掲図
２０のニューロン素子モデル６５６０はニューラルネッ
トワークモデル（ニューラルネットワーク評価部６６２
１）を構成する一つのユニットである。As shown in FIG. 22, the operation of the neural network evaluation unit 6621 is performed by normalizing (converted to 0 to 1) time average inflow data, predicted inflow data,
When an input signal composed of inflow amount (instantaneous value) data is presented (added) to the neural network evaluation unit 6621, the mode determination index S is instantaneously output as an output signal of the neural network model (neural network evaluation unit 6621). To be done. The mode determination index S from the neural network evaluation unit 6621 is transmitted to the next mode determination result unit 6622, and the mode determination as shown in FIG. 23 is performed. The operation of the neural network model (neural network evaluation unit 6621) is as follows.
This is as described in detail in the fifth method described above. The neuron element model 6560 shown in FIG. 20 is a neural network model (neural network evaluation unit 662).
It is one unit that constitutes 1).

【００６４】本発明では、先に述べたニューロン素子モ
デル６５６０を、図２２で示したニューラルネットワー
ク評価部６６２１のように、層状に配置し、各ニューロ
ン素子モデルからの出力信号を次層の各ニューロン素子
モデルへの入力信号とする構成を持つニューラルネット
ワークモデル（ニューラルネットワーク評価部6621）と
する。また、本発明では、ある入力信号パターンを入力
層６６２１ａに与えたとき、出力層６６２１ｃからの出
力信号が期待すべき信号、すなわち教師信号となるよう
に、両者の誤差に応じて中間層６６２１ｂおよび出力層
６６２１ｃの各ニューロン素子モデルへのシナプス荷重
を修正する学習アルゴリズムが示されている。この学習
アルゴリズムはバックプロパゲーション法（誤差逆伝搬
法）と呼ばれる。In the present invention, the above-described neuron element model 6560 is arranged in layers as in the neural network evaluation unit 6621 shown in FIG. 22, and the output signal from each neuron element model is output to each neuron in the next layer. A neural network model (neural network evaluation unit 6621) having a configuration as an input signal to the element model. Further, according to the present invention, when a certain input signal pattern is given to the input layer 6621a, the output signal from the output layer 6621c becomes an expected signal, that is, a teacher signal. A learning algorithm for correcting the synapse weight on each neuron element model of the output layer 6621c is shown. This learning algorithm is called a back propagation method (error back propagation method).

【００６５】本発明において、ニューラルネットワーク
モデル（ニューラルネットワーク評価部６６２１）をモ
ード判定に適用する際には、入力信号（各々正規化され
た時間平均流入量データ，予測流入量データ，流入量
（瞬時値）データ）とその入力信号に対応する教師デー
タ（モード判定指数Ｓ）をニューラルネットワークモデ
ル（ニューラルネットワーク評価部６６２１）に学習さ
せておく必要がある。本発明においては、ニューラルネ
ットワークモデル（ニューラルネットワーク評価部６６
２１）の学習はモード判定部６に適用する以前に終了さ
せておく。但し、いわゆるポンプ井への流入現象は降雨
の状況に左右され、特定のパターンやルールに依存しな
いため、対象とする排水区域３において最適なモード判
定指数Ｓを出力するようなニューラルネットワークモデ
ル（ニューラルネットワーク評価部６６２１）になるよ
うに定期的な再学習が必要である。In the present invention, when the neural network model (neural network evaluation unit 6621) is applied to the mode judgment, input signals (normalized time average inflow data, predicted inflow data, inflow (instantaneous) (Value) data) and teacher data (mode determination index S) corresponding to the input signal must be learned by the neural network model (neural network evaluation unit 6621). In the present invention, the neural network model (neural network evaluation unit 66
The learning of 21) is finished before being applied to the mode determination unit 6. However, since the so-called inflow phenomenon into the pump well depends on the rainfall condition and does not depend on a specific pattern or rule, a neural network model (neural) that outputs the optimum mode determination index S in the target drainage area 3 Periodic re-learning is necessary to become the network evaluation unit 6621).

【００６６】いま図２１の流入量推移グラフ６６００に
おいて時刻ｔ１（現在）の時間平均流入量が境界値Ｙｈ
より小さい場合において、ニューラルネットワーク評価
を用いたモード判定を行う場合について説明する。本方
法では、現在の流入量と予測流入量と流入量（瞬時値）
の状態をみてニューラルネットワーク評価を用いたモー
ド判定を図２３のような流れで行う。以下図２１および
図２２および図２３のフローチャートに従って説明す
る。いまデータ入力部６６１０には、常に現在よりも一
定時間Ｔ１前および一定時間Ｔ２後までのデータが記憶
されている。前記流入量予測部５にて計測・計算された
流入量データおよび予測流入量データをデータ入力部６
６１０に入力し、このデータの内、流入量データおよび
予測流入量データに関しては、予め単位時間Ｔ３を定め
て単位時間Ｔ３で正規化（単位時間当たりの流入量およ
び予測流入量に換算）し、さらに入力値の正規化（０〜
１に換算）を行い、それぞれ時間平均流入量データ入力
部（６６１１〜６６１２）および予測流入量データ入力
部（６６１３〜６６１４）に時系列的かつ離散値的に記
憶する。もしくは、通常流入量データおよび予測流入量
データは計測・計算結果がある単位時間で時間平均流入
量，時間平均予測流入量に換算されているので、そのま
ま現在の計測・計算周期データを用いて入力値の正規化
(０〜１に換算)を行い、それぞれ時間平均流入量データ
入力部（６６１１〜６６１２）および予測流入量データ
入力部（６６１３〜６６１４）に時系列的かつ離散値的
に記憶する。流入量（瞬時値）データについては、前記
流入量予測部５にて計測・計算された流入量データをそ
の計測・計算周期で入力して入力値の正規化（０〜１に
換算）を行い、時系列的かつ離散値的に記憶する。デー
タ入力部６６１０（時間平均流入量データ入力部（６６
１１〜６６１２）および予測流入量データ入力部(６６
１３〜６６１４）および流入量（瞬時値）データ入力部
(６６１５〜6616))に入力され時系列的かつ離散値的に
記憶されているデータは、モード判定周期毎にニューラ
ルネットワーク評価部６６２１内のそれぞれの入力層６
６２１ａに入力され、先述のニューロン素子の動作によ
って評価され、入力層６６２１ａから中間層６６２１ｂ
を経て出力層６６２１ｃよりモード判定指数Ｓが出力さ
れる。ニューラルネットワーク評価部６６２１からモー
ド判定結果部６６２２へ伝送されたモード判定指数Ｓ
を、図２３に示すフローチャートの通り判定する。いま
出力層６６２１ｃより出力されたモード判定指数Ｓが
０.５以上であった(流入量推移グラフ６６００のように
予測流入量が境界値Ｑｈを越える見込みである場合）の
で、図２３のフローチャートの通り現在（時刻ｔ１）に
おいてニューラルネットワーク評価結果が判定基準Ｓ＝
０.５ 以上かを判定し、Ｙｅｓであるため判定＝大雨モ
ード（ＯＮ）となる。このように大雨モード（ＯＮ），
小雨モード（ＯＦＦ）の判定は図２３のフローチャート
に示されるような手順によって行う。尚、本方法によれ
ばタイマーが存在せずモードの判定がすなわちモードの
切り替えになる。これは本方法がポンプ井への流入量の
状態のみに着目しているため、排水区域３で降った雨が
雨水排水ポンプ所のポンプ井へ流入してくるまでの時間
（流達時間）については前段にある前記流入量予測部５
において考慮されていることによるためである。Now, in the inflow amount transition graph 6600 of FIG. 21, the time average inflow amount at time t1 (current) is the boundary value Yh.
A case where the mode determination is performed using the neural network evaluation in the case of the smaller value will be described. In this method, the current inflow, predicted inflow, and inflow (instantaneous value)
23, the mode determination using the neural network evaluation is performed according to the flow shown in FIG. Description will be given below with reference to the flowcharts of FIGS. 21, 22, and 23. Now, the data input unit 6610 always stores data up to a fixed time T1 before and a fixed time T2 after the present. The inflow amount data measured and calculated by the inflow amount prediction unit 5 and the predicted inflow amount data are input to the data input unit 6
Input to 610, the inflow amount data and the predicted inflow amount data of this data are determined in advance by unit time T3 and normalized by the unit time T3 (converted into inflow amount and predicted inflow amount per unit time), Furthermore, normalize the input value (0 to
1) and store them in time-sequential and discrete values in the time average inflow amount data input unit (6611 to 6612) and the predicted inflow amount data input unit (6613 to 6614). Alternatively, since the normal inflow amount data and the predicted inflow amount data are converted into the time average inflow amount and the time average predicted inflow amount in the unit time with the measurement / calculation result, the current measurement / calculation cycle data is directly input. Value normalization
(Converted to 0 to 1) and stored in time-sequential and discrete values in the time-averaged inflow data input unit (6611 to 6612) and the predicted inflow data input unit (6613 to 6614), respectively. Regarding the inflow amount (instantaneous value) data, the inflow amount data measured / calculated by the inflow amount predicting unit 5 is input in the measurement / calculation cycle, and the input value is normalized (converted to 0 to 1). , Memorize in time series and discrete values. Data input unit 6610 (Time average inflow data input unit (66
11 to 6612) and a predicted inflow data input unit (66
13-6614) and inflow amount (instantaneous value) data input section
(6615 to 6616)) and the data stored in time series and discrete values are input to each input layer 6 in the neural network evaluation unit 6621 for each mode determination cycle.
621a, is evaluated by the operation of the neuron element described above, and is input from the input layer 6621a to the intermediate layer 6621b.
After that, the mode determination index S is output from the output layer 6621c. The mode determination index S transmitted from the neural network evaluation unit 6621 to the mode determination result unit 6622.
Is determined according to the flowchart shown in FIG. Since the mode determination index S output from the output layer 6621c is 0.5 or more (when the predicted inflow amount is expected to exceed the boundary value Qh as in the inflow amount transition graph 6600), the flowchart of FIG. At present (time t1), the evaluation result of the neural network is the criterion S =
It is determined whether it is 0.5 or more. Since it is Yes, the determination is heavy rain mode (ON). In this way, heavy rain mode (ON),
The light rain mode (OFF) is determined according to the procedure shown in the flowchart of FIG. According to this method, the timer does not exist and the mode determination is the mode switching. Since this method focuses only on the state of the inflow to the pump well, the time until the rain that has fallen in the drainage area 3 flows into the pump well of the rainwater drainage pump station (the delivery time) Is the inflow prediction unit 5 in the previous stage
This is because it is considered in.

【００６７】本方法のニューラルネットワーク評価部６
６２１の学習によって、ある程度高い流入量を境界値Ｑ
ｈとすることができ、基本的に小雨モードによるポンプ
の平準化運転・ポンプの省力運転を実現させることがで
きる。その理由は、本方法では判定の際に常に予測流入
量についての考慮がなされているため、ある程度の流入
量の偏差があっても先を見込した判定ができ、充分に適
用可能であることによる。予測流入量の予測精度のばら
つきを考慮して学習することで、流入予測の誤りによる
流入量モード（ＯＮ）→小雨モード（ＯＦＦ）へのモー
ドの切り替え抑制ができる。Neural network evaluation unit 6 of this method
By learning 621, a certain amount of inflow is set to the boundary value Q.
Therefore, the leveling operation of the pump and the labor saving operation of the pump in the light rain mode can be basically realized. The reason is that this method always takes into consideration the predicted inflow rate when making a determination, so even if there is some deviation in the inflow rate, it is possible to make a forward-looking determination and to apply it sufficiently. . By learning in consideration of the variation in the prediction accuracy of the predicted inflow, it is possible to suppress the mode switching from the inflow mode (ON) to the light rain mode (OFF) due to an error in the inflow prediction.

【００６８】本発明では以上に述べた通り、６通りのモ
ード判定部６のモード判定方法によってモード判定が自
動的に行われるような雨水排水ポンプ所制御システムに
ついて説明した。このモード判定による効果としては前
記運転方案評価部１２に具備される２通りの評価関数群
とその多様性にある。すなわち公知の特開平5− 265
513号公報あるいは特開平5−303407 号公報に見られる
ように、ポンプ所制御出力（前記運転方案１０に基づい
て前記運転方案シミュレーション部１１において演算さ
れたポンプ１台毎の吐出量，累積運転時間，運転切り替
え量，所要電力量差）についてパラメータ評価のための
メンバーシップ関数によって評価適合度を評価し、各パ
ラメータに評価適合度の有効度（寄与率）を評価式（ゲ
イン（荷重））を与えて総合的な評価指数として評価す
る方法や、吐出量，累積運転時間，運転切り替え量，所
要電力量差のそれぞれについて大雨モード時または小雨
モード時で異なった評価関数（ファジィ以外のいわゆる
数式で近似された関数）と総合評価のための重み係数と
を用いて評価する方法などを採用できることである。In the present invention, as described above, the rainwater drainage pump station control system in which the mode determination is automatically performed by the six mode determination methods of the mode determination section 6 has been described. The effects of this mode determination are two evaluation function groups provided in the driving plan evaluation unit 12 and their diversity. That is, known Japanese Patent Laid-Open No. 5-265
As can be seen in Japanese Patent Laid-Open No. 513 or JP-A-5-303407, pump station control output (discharging amount per pump calculated in the driving plan simulation unit 11 based on the driving plan 10 and accumulated operating time) , Evaluation of the evaluation suitability by the membership function for parameter evaluation for operation switching amount and required power difference), and the evaluation formula (gain (load)) for the effectiveness (contribution rate) of the evaluation suitability for each parameter. A method of giving a comprehensive evaluation index, and a different evaluation function for each of the discharge amount, cumulative operating time, operation switching amount, and required power amount difference in heavy rain mode or light rain mode (so-called mathematical expressions other than fuzzy It is possible to employ a method of evaluation using an approximated function) and a weighting coefficient for comprehensive evaluation.

【００６９】[0069]

【発明の効果】本発明は、下記のような効果をもたら
す。The present invention brings about the following effects.

【００７０】（１）ポンプ井への流入量の大小判定によ
り、大雨時，小雨時で異なったポンプ運転目標を自動的
に設定し運転できる。(1) It is possible to automatically set and operate different pump operation targets during heavy rain and light rain by judging the amount of inflow into the pump well.

【００７１】（２）運転組合せ案に対する評価項目が明
確なため、オペレータにとって制御目的の明瞭な制御シ
ステムを実現できる。(2) Since the evaluation items for the operation combination plan are clear, it is possible to realize a control system whose control purpose is clear for the operator.

【００７２】（３）多数の運転方案ケースをシミュレー
トし、評価関数群式による評価で最適な制御出力（運転
方案）を決定する運転方案決定機構なので、運転方案と
して可能性のあるケースをすべて考慮の上で選ぶことが
でき、オペレータに安心感，満足感を与える。(3) Since it is a driving plan deciding mechanism that simulates a large number of driving plan cases and decides the optimum control output (driving plan) by evaluation by the evaluation function group formula, all cases that are possible as driving plans It can be selected after consideration, giving the operator a sense of security and satisfaction.

【００７３】（４）運転方案は運転方案シミュレーショ
ン部にて数学モデル・制御ルール等によりシミュレート
しており、最終的に選択される運転方案が本制御機構の
初期の段階ではっきりしているため（多数の運転方案の
中から一つの運転方案を選ぶというポンプ制御方法であ
るため）、評価関数群の特質にかかわらず制御内容のし
くみがわかりやすい。(4) The driving plan is simulated in the driving plan simulation section by a mathematical model, control rules, etc., and the finally selected driving plan is clear at the initial stage of this control mechanism. (Because it is a pump control method that selects one operation plan from many operation plans), the mechanism of the control content is easy to understand regardless of the characteristics of the evaluation function group.

【００７４】（５）評価関数群は評価項目と制御目的と
の関係に基づいてチューニングすればよく、チューニン
グの容易な制御方式を構築できる。(5) The evaluation function group may be tuned based on the relationship between the evaluation item and the control purpose, and a control system with easy tuning can be constructed.

【００７５】（６）ポンプ井への流入量を予測し、現状
のポンプ設備の稼働状況をふまえて様々なシミュレーシ
ョンケースを考慮し評価，決定方案により運転する雨水
排水ポンプ所制御方法を実現できる。(6) A rainwater drainage pump station control method can be realized in which the amount of inflow into the pump well is predicted, and various simulation cases are taken into consideration and evaluated and determined based on the current operating conditions of the pump equipment.

【図面の簡単な説明】[Brief description of drawings]

【図１】雨水排水ポンプ所制御システムの構成図。FIG. 1 is a block diagram of a rainwater drainage pump station control system.

【図２】雨水排水ポンプ所システムの概要を示す説明
図。FIG. 2 is an explanatory diagram showing an outline of a rainwater drainage pump station system.

【図３】現在までの降雨量推移＋予測降雨量推移による
判定を示す図。FIG. 3 is a diagram showing a determination based on a change in rainfall amount up to the present + a predicted change in rainfall amount.

【図４】現在までの降雨量推移＋予測降雨量推移による
判定モード判定部の構成図。FIG. 4 is a configuration diagram of a determination mode determination unit based on rainfall amount change + predicted rainfall amount change up to the present.

【図５】現在までの降雨量推移＋予測降雨量推移による
判定（フローチャート）を示す図。FIG. 5 is a diagram showing a determination (flow chart) based on a change in rainfall amount to the present + a predicted change in rainfall amount.

【図６】現在までの流入量推移＋予測流入量推移による
判定を示す図。FIG. 6 is a diagram showing a determination based on a change in inflow amount to the present + a predicted change in inflow amount.

【図７】現在までの流入量推移＋予測流入量推移による
判定モード判定部の構成図。FIG. 7 is a configuration diagram of a determination mode determination unit based on the inflow amount transition + predicted inflow amount transition up to the present.

【図８】現在までの流入量推移＋予測流入量推移による
判定（フローチャート）を示す図。FIG. 8 is a diagram showing a determination (flow chart) based on a change in the inflow amount to the present + a predicted change in the inflow amount.

【図９】降雨量データによるファジィ評価を用いた判定
を示す図。FIG. 9 is a diagram showing judgment using fuzzy evaluation based on rainfall data.

【図１０】降雨量データによるファジィ評価を用いた判
定モード判定部の構成図。FIG. 10 is a configuration diagram of a determination mode determination unit using fuzzy evaluation based on rainfall data.

【図１１】降雨データによるファジィ評価を用いた判定
を示す図。FIG. 11 is a diagram showing judgment using fuzzy evaluation based on rainfall data.

【図１２】降雨量データによるファジィ評価を用いた判
定（フローチャート）を示す図。FIG. 12 is a diagram showing a determination (flow chart) using fuzzy evaluation based on rainfall data.

【図１３】流入量データによるファジィ評価を用いた判
定を示す図。FIG. 13 is a diagram showing determination using fuzzy evaluation based on inflow amount data.

【図１４】流入量データによるファジィ評価を用いた判
定モード判定部の構成図。FIG. 14 is a configuration diagram of a determination mode determination unit using fuzzy evaluation based on inflow amount data.

【図１５】流入量データによるファジィ評価を用いた判
定（メンバーシップ関数）を示す図。FIG. 15 is a diagram showing determination (membership function) using fuzzy evaluation based on inflow amount data.

【図１６】流入量データによるファジィ評価を用いた判
定（フローチャート）を示す図。FIG. 16 is a diagram showing a determination (flow chart) using fuzzy evaluation based on inflow amount data.

【図１７】降雨量データによるニューラルネットワーク
評価を用いた判定を示す図。FIG. 17 is a diagram showing determination using neural network evaluation based on rainfall data.

【図１８】降雨量データによるニューラルネットワーク
評価を用いた判定モード判定部の構成図。FIG. 18 is a configuration diagram of a determination mode determination unit using neural network evaluation based on rainfall data.

【図１９】降雨量データによるニューラルネットワーク
評価を用いた判定（フローチャート）を示す図。FIG. 19 is a diagram showing determination (flow chart) using neural network evaluation based on rainfall data.

【図２０】ニューロン素子モデルを示す図。FIG. 20 is a diagram showing a neuron element model.

【図２１】流入量データによるニューラルネットワーク
評価を用いた判定を示す図。FIG. 21 is a diagram showing determination using neural network evaluation based on inflow amount data.

【図２２】流入量データによるニューラルネットワーク
評価を用いた判定モード判定部の構成図。FIG. 22 is a configuration diagram of a determination mode determination unit using neural network evaluation based on inflow amount data.

【図２３】流入量データによるニューラルネットワーク
評価を用いた判定（フローチャート）を示す図。FIG. 23 is a diagram showing a determination (flow chart) using neural network evaluation based on inflow amount data.

【符号の説明】[Explanation of symbols]

１…レーダ雨量計、２…地上雨量計、３…排水区域、４
…降雨量予測部、５…流入量予測部、６…モード判定
部、７…管渠内水位計、８…ポンプ井水位、９…ポンプ
所内計測値、１０…運転方案、１１…運転方案シミュレ
ーション部、１２…運転方案評価部、１３…大雨モード
用評価関数群、１４…小雨モード用評価関数群、１５…
ポンプ台数制御（制御出力）ポンプ運転量、２１…雨水
排水ポンプ制御装置、２２…下水管渠、２３…ポンプ
井、２４…固定ポンプ（回転速度固定能力ポンプ）、２
５…可変ポンプ（回転速度可変能力ポンプ）、２６…河
川水位。1 ... Radar rain gauge, 2 ... Ground rain gauge, 3 ... Drainage area, 4
… Rainfall prediction part, 5… inflow prediction part, 6… mode determination part, 7… pipe water level gauge, 8… pump well water level, 9… pump station measured value, 10… driving plan, 11… driving plan simulation Part, 12 ... Driving plan evaluation part, 13 ... Heavy rain mode evaluation function group, 14 ... Light rain mode evaluation function group, 15 ...
Control of number of pumps (control output) Pump operating amount, 21 ... Rainwater drainage pump control device, 22 ... Sewer pipe, 23 ... Pump well, 24 ... Fixed pump (rotation speed fixed capacity pump), 2
5 ... Variable pump (rotation speed variable capacity pump), 26 ... River water level.

───────────────────────────────────────────────────── フロントページの続き (72)発明者 依田 幹雄 茨城県日立市大みか町五丁目２番１号 株 式会社日立製作所大みか工場内 ─────────────────────────────────────────────────── ─── Continuation of the front page (72) Inventor Mikio Yoda 52-1 Omika-cho, Hitachi-shi, Ibaraki Hitachi Ltd. Omika factory

Claims (7)

【特許請求の範囲】[Claims] 【請求項１】降雨量計測値をもとに排水区域内の降雨量
および流入量を予測する手段と、降雨量計測値と予測降
雨量，排水区域内の実績流入量と予測流入量，現在の管
渠内水位計測値，ポンプ井水位計測値，ポンプ運転状態
及び河川水位計測値を入力とし、複数のポンプ運転組合
せ案の一つ一つをシミュレーションするポンプ群運転組
合せ案作成手段と、前記ポンプ群運転組合せ案に対して
ポンプ井水位，ポンプ運転時間のばらつき，ポンプ運転
切替量，所要電力量より選ばれた複数の評価項目につい
て評価関数群により評価を行い最適な運転組合せ案を抽
出決定するポンプ群運転組合せ案決定手段とを備えた雨
水排水ポンプ所制御システムにおいて、 降雨量計測値と予測降雨量、又は実績流入量と予測流入
量のどちらか一方の推移をもとに現在および将来の降雨
量または流入量の大小を判定する判定手段と、前記判定
手段によって前記ポンプ群運転組合せ案決定手段の評価
関数群を切り替える手段とを設けたことを特徴とする雨
水排水ポンプ所制御システム。1. A means for predicting a rainfall amount and an inflow amount in a drainage area based on a rainfall amount measured value, a rainfall amount measurement value and an estimated rainfall amount, an actual inflow amount and an estimated inflow amount in the drainage area, presently. And a pump group operation combination plan preparing means for simulating each of a plurality of pump operation combination plans by inputting the water level measurement value in the pipe, the pump well water level measurement value, the pump operation state and the river water level measurement value, For the pump group operation combination plan, multiple evaluation items selected from the pump well water level, pump operation time variation, pump operation switching amount, and required electric energy are evaluated by the evaluation function group, and the optimum operation combination plan is extracted and determined. In a rainwater drainage pump station control system equipped with a pump group operation combination plan decision means that is based on the transition of either the measured rainfall amount and the predicted rainfall amount, or the actual inflow amount and the predicted inflow amount. A rainwater drainage pump station, characterized in that it is provided with judging means for judging the magnitude of present or future rainfall or inflow, and means for switching the evaluation function group of the pump group operation combination plan determining means by the judging means. Control system. 【請求項２】請求項１において、降雨量計測値と予測降
雨量をもとに予め統計的データに基づき定められたしき
い値を基準にして現在および将来のポンプ井への流入状
況が大雨モードであるか、小雨モードであるかを判定す
る判定手段を備えたことを特徴とする雨水排水ポンプ所
制御システム。2. The inflow situation into a pump well according to claim 1, wherein current and future inflow conditions are heavy rains based on a threshold value determined in advance based on statistical data based on the measured rainfall amount and the predicted rainfall amount. A rainwater drainage pump station control system comprising a determination means for determining whether it is a mode or a light rain mode. 【請求項３】請求項１において、実績流入量と予測流入
量をもとに予め統計的データに基づき定められたしきい
値を基準にして現在および将来のポンプ井への流入状況
が大雨モードであるか、小雨モードであるかを判定する
判定手段を備えたことを特徴とする雨水排水ポンプ所制
御システム。3. The heavy rain mode according to claim 1, wherein the current and future inflow conditions into the pump well are based on a threshold value that is previously determined based on statistical data based on the actual inflow amount and the predicted inflow amount. The rainwater drainage pump station control system is provided with a determination means for determining whether the vehicle is in the rain mode or the light rain mode. 【請求項４】請求項１において、降雨量計測値と予測降
雨量および降雨強度の瞬時値をもとに降雨量パラメータ
をファジィ量として評価して現在および将来のポンプ井
への流入状況が大雨モードであるか、小雨モードである
かを判定する判定手段を備えたことを特徴とする雨水排
水ポンプ所制御システム。4. The method according to claim 1, wherein the rainfall parameter is evaluated as a fuzzy amount based on the measured rainfall amount and the instantaneous value of the predicted rainfall amount and rainfall intensity, and the current and future inflow conditions into the pump well are subject to heavy rainfall. A rainwater drainage pump station control system comprising a determination means for determining whether it is a mode or a light rain mode. 【請求項５】請求項１において、実績流入量と予測流入
量および流入量の瞬時値をもとに流入量パラメータをフ
ァジィ量として評価して現在および将来のポンプ井への
流入状況が大雨モードであるか、小雨モードであるかを
判定する判定手段を備えたことを特徴とする雨水排水ポ
ンプ所制御システム。5. The inflow condition according to claim 1, wherein the inflow amount parameter is evaluated as a fuzzy amount based on the actual inflow amount, the predicted inflow amount, and the instantaneous value of the inflow amount, and the inflow situation into the present and future pump wells is in the heavy rain mode. The rainwater drainage pump station control system is provided with a determination means for determining whether the vehicle is in the rain mode or the light rain mode. 【請求項６】請求項１において、降雨量計測値と予測降
雨量および降雨強度の瞬時値をもとに降雨量パラメータ
をニューラルネットワークにより評価し、現在および将
来のポンプ井への流入状況が大雨モードであるか、小雨
モードであるかを判定する判定手段を備えたことを特徴
とする雨水排水ポンプ所制御システム。6. The method according to claim 1, wherein the rainfall amount parameter is evaluated by a neural network based on the measured rainfall amount, the predicted rainfall amount, and the instantaneous value of rainfall intensity, and the current and future inflow conditions into the pump well are subject to heavy rainfall. A rainwater drainage pump station control system comprising a determination means for determining whether it is a mode or a light rain mode. 【請求項７】請求項１において、流入量と予測流入量お
よび流入量の瞬時値をもとに流入量パラメータをニュー
ラルネットワークにより評価し、現在および将来のポン
プ井への流入状況が大雨モードであるか、小雨モードで
あるかを判定する判定手段を備えたことを特徴とする雨
水排水ポンプ所制御システム。7. The inflow parameter according to claim 1, wherein the inflow parameter is evaluated by a neural network based on the inflow amount, the predicted inflow amount, and the instantaneous value of the inflow amount, and the current and future inflow conditions into the pump well are in the heavy rain mode. A rainwater drainage pump station control system, comprising a determination means for determining whether the vehicle is in a rain mode or in a light rain mode.
JP20172594A 1994-08-26 1994-08-26 Rainwater drainage pump station control system Expired - Fee Related JP3412274B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP20172594A JP3412274B2 (en) 1994-08-26 1994-08-26 Rainwater drainage pump station control system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP20172594A JP3412274B2 (en) 1994-08-26 1994-08-26 Rainwater drainage pump station control system

Publications (2)

Publication Number Publication Date
JPH0861244A true JPH0861244A (en) 1996-03-08
JP3412274B2 JP3412274B2 (en) 2003-06-03

Family

ID=16445906

Family Applications (1)

Application Number Title Priority Date Filing Date
JP20172594A Expired - Fee Related JP3412274B2 (en) 1994-08-26 1994-08-26 Rainwater drainage pump station control system

Country Status (1)

Country Link
JP (1) JP3412274B2 (en)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006274786A (en) * 2005-02-25 2006-10-12 Toshiba Corp Rainwater drain support and control system
JP2018124982A (en) * 2017-01-31 2018-08-09 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ Control device and control method
JP2018178405A (en) * 2017-04-05 2018-11-15 株式会社日立製作所 Control device and control program for sewage treatment plant
US20210388566A1 (en) * 2020-06-10 2021-12-16 Eric Hanscom Tidal creator for a terminal lake and method of using the same for restoration efforts at the Salton Sea.
CN116700039A (en) * 2023-08-04 2023-09-05 山东科能电气设备有限公司 Control method, system, equipment and medium for urban emergency drainage system

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100863646B1 (en) * 2007-07-11 2008-10-15 현대중공업 주식회사 Cargo oil pump turbine controller

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006274786A (en) * 2005-02-25 2006-10-12 Toshiba Corp Rainwater drain support and control system
JP2018124982A (en) * 2017-01-31 2018-08-09 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ Control device and control method
JP2018178405A (en) * 2017-04-05 2018-11-15 株式会社日立製作所 Control device and control program for sewage treatment plant
US20210388566A1 (en) * 2020-06-10 2021-12-16 Eric Hanscom Tidal creator for a terminal lake and method of using the same for restoration efforts at the Salton Sea.
US11702809B2 (en) * 2020-06-10 2023-07-18 Eric Hanscom Tidal creator for a terminal lake and method of using the same for restoration efforts at the Salton Sea
CN116700039A (en) * 2023-08-04 2023-09-05 山东科能电气设备有限公司 Control method, system, equipment and medium for urban emergency drainage system

Also Published As

Publication number Publication date
JP3412274B2 (en) 2003-06-03

Similar Documents

Publication Publication Date Title
US5265222A (en) Symbolization apparatus and process control system and control support system using the same apparatus
US8660703B2 (en) Method and device for controlling a wastewater network
JP6261960B2 (en) Rainwater drainage pump control device, rainwater drainage system, and rainwater drainage pump control program
JPH0861244A (en) Rainwater drainage pump station control system
JP3693089B2 (en) Flow prediction method in dam
JPH05265513A (en) Method for controlling, number of pumps in operation at place of drainage pump and device therefor
US4178132A (en) Method and device for controlling the number of pumps to be operated
JP4739293B2 (en) Rainwater pump control device
CN115619437A (en) Real-time electricity price determining method and system
JP3906096B2 (en) Drain pump operation support device and drain pump control device
JPH06102911A (en) Method and device for predicting inflow water rate in drainage pump place
JPH0968170A (en) Sewage pump control device in sewage treatment plant
JPH05303407A (en) Method and device for controlling the number of running pumps in drainage pump station
JPH11259102A (en) Method for predicting quantity of water in dam
JPH05303406A (en) Method for controlling prediction of qualitative inference
KR102655556B1 (en) Relay Pumps Control System Based on Reinforcement Learning
JP2004234422A (en) Rainwater inflow prediction device
JPH01175613A (en) Pump controller
JP2006070543A (en) Stormwater drainage control system
JP3682137B2 (en) Drainage facility operation guidance system
JPH07259744A (en) Number of working pumps control device and control method
JP7105709B2 (en) Drainage facility operation guidance system
CN118068871A (en) Reservoir intelligent water level adjusting method
JP3278932B2 (en) Rainwater pump controller
JPH06129361A (en) Method and device for controlling number of pump operating tables in water drainage pumping place

Legal Events

Date Code Title Description
FPAY Renewal fee payment (prs date is renewal date of database)

Free format text: PAYMENT UNTIL: 20090328

Year of fee payment: 6

FPAY Renewal fee payment (prs date is renewal date of database)

Free format text: PAYMENT UNTIL: 20090328

Year of fee payment: 6

FPAY Renewal fee payment (prs date is renewal date of database)

Free format text: PAYMENT UNTIL: 20100328

Year of fee payment: 7

FPAY Renewal fee payment (prs date is renewal date of database)

Free format text: PAYMENT UNTIL: 20110328

Year of fee payment: 8

FPAY Renewal fee payment (prs date is renewal date of database)

Free format text: PAYMENT UNTIL: 20110328

Year of fee payment: 8

FPAY Renewal fee payment (prs date is renewal date of database)

Free format text: PAYMENT UNTIL: 20120328

Year of fee payment: 9

FPAY Renewal fee payment (prs date is renewal date of database)

Free format text: PAYMENT UNTIL: 20130328

Year of fee payment: 10

FPAY Renewal fee payment (prs date is renewal date of database)

Free format text: PAYMENT UNTIL: 20130328

Year of fee payment: 10

FPAY Renewal fee payment (prs date is renewal date of database)

Free format text: PAYMENT UNTIL: 20140328

Year of fee payment: 11

LAPS Cancellation because of no payment of annual fees