JPH11194803A - ダム出水量予測モデル構築方法及びダム出水量予測方法 - Google Patents
ダム出水量予測モデル構築方法及びダム出水量予測方法Info
- Publication number
- JPH11194803A JPH11194803A JP133898A JP133898A JPH11194803A JP H11194803 A JPH11194803 A JP H11194803A JP 133898 A JP133898 A JP 133898A JP 133898 A JP133898 A JP 133898A JP H11194803 A JPH11194803 A JP H11194803A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- data
- model
- prediction model
- linear
- 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.)
- Pending
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【課題】 熟練運用者に依存せず、入力データ選択のた
めの試行錯誤を不要にして、短時間で簡単に予測モデル
を構築する。また、実際の予測精度を向上させる。 【解決手段】 上流ダム放流量、河川流量、雨量等を入
力データとし、予測対象時刻の出水量予測値を出力デー
タとする予測モデルを、計算機により過去の実績値デー
タを用いて構築するダム出水量予測モデル構築方法、及
び実際の予測法法に関する。予測対象時刻を指定する第
１ステップＳ１１と、入力データと出力データとの相関
度を求める第２ステップＳ１２と、求められた相関度に
基づいて予測モデル構築及び予測に用いるデータを選択
する第３ステップＳ１３と、選択されたデータを用いて
予測モデルを構築する第４ステップＳ１４とを有する。
また、入力データの線形・非線形の判断結果に応じて予
測モデルを選択する。更に、線形モデル、非線形モデル
の予測結果をファジー融合する。
めの試行錯誤を不要にして、短時間で簡単に予測モデル
を構築する。また、実際の予測精度を向上させる。 【解決手段】 上流ダム放流量、河川流量、雨量等を入
力データとし、予測対象時刻の出水量予測値を出力デー
タとする予測モデルを、計算機により過去の実績値デー
タを用いて構築するダム出水量予測モデル構築方法、及
び実際の予測法法に関する。予測対象時刻を指定する第
１ステップＳ１１と、入力データと出力データとの相関
度を求める第２ステップＳ１２と、求められた相関度に
基づいて予測モデル構築及び予測に用いるデータを選択
する第３ステップＳ１３と、選択されたデータを用いて
予測モデルを構築する第４ステップＳ１４とを有する。
また、入力データの線形・非線形の判断結果に応じて予
測モデルを選択する。更に、線形モデル、非線形モデル
の予測結果をファジー融合する。
Description
【０００１】
【発明の属する技術分野】本発明は、系統制御所、給電
指令所、ダム管理所、水力発電所等において、計算機上
でダムの出水量予測（流入量予測）を自動的に行うため
の予測モデル構築方法、及び、構築されたモデルを用い
て実際に予測を行う予測方法に関する。
指令所、ダム管理所、水力発電所等において、計算機上
でダムの出水量予測（流入量予測）を自動的に行うため
の予測モデル構築方法、及び、構築されたモデルを用い
て実際に予測を行う予測方法に関する。
【０００２】
【従来の技術】ダムの出水量予測は、熟練運用者の経験
と直感的知識により行われていることが多い。このた
め、予測作業を自動化する例として、タンクモデル、貯
留関数法、ニューラルネットワーク等、様々な方法が提
案されている。しかし、タンクモデル、貯留関数法等の
方法は、非線形である水系の詳細なモデルを構築しなけ
ればならないため、モデルへの入出力データの選択やパ
ラメータの調整等の点で、一般にモデル構築に時間がか
かる。
と直感的知識により行われていることが多い。このた
め、予測作業を自動化する例として、タンクモデル、貯
留関数法、ニューラルネットワーク等、様々な方法が提
案されている。しかし、タンクモデル、貯留関数法等の
方法は、非線形である水系の詳細なモデルを構築しなけ
ればならないため、モデルへの入出力データの選択やパ
ラメータの調整等の点で、一般にモデル構築に時間がか
かる。
【０００３】一方、ニューラルネットワークによるモデ
ル構築方法が近年提案されてきている。ニューラルネッ
トワークは、入出力データを提示するだけで、その学習
能力により非線形な水系モデルを自動的に構築すること
が可能である。このニューラルネットワークを用いれ
ば、パラメータ調整が自動的に学習される等の理由によ
り、従来のタンクモデル、貯留関数法等と比べると非常
に簡単に、かつ短期間でモデルを構築することが可能で
ある。
ル構築方法が近年提案されてきている。ニューラルネッ
トワークは、入出力データを提示するだけで、その学習
能力により非線形な水系モデルを自動的に構築すること
が可能である。このニューラルネットワークを用いれ
ば、パラメータ調整が自動的に学習される等の理由によ
り、従来のタンクモデル、貯留関数法等と比べると非常
に簡単に、かつ短期間でモデルを構築することが可能で
ある。
【０００４】なお、線形モデルでは、回帰式を用いるの
が一般的である。回帰式も最小二乗法等によりデータを
提示するだけで構築することができるが、出水量予測に
用いる場合には非線形な水系を線形式で同定するため予
測精度が低く、回帰式単体ではダム出水量予測に用いら
れていない現状である。
が一般的である。回帰式も最小二乗法等によりデータを
提示するだけで構築することができるが、出水量予測に
用いる場合には非線形な水系を線形式で同定するため予
測精度が低く、回帰式単体ではダム出水量予測に用いら
れていない現状である。
【０００５】
【発明が解決しようとする課題】ダムの出水量予測を行
うには、膨大な専門知識と長年の経験が必要であるが、
近年この知識を有する熟練運用者は減少の一途をたどっ
ている。一方、ダムの出水量予測は、ダム運用の基盤で
あり、その予測精度の向上と自動化が切望されている。
自動化の例として、タンクモデル等を用いる従来の確立
された予測方法は、専門家が長時間をかけて、ダム１つ
ずつに対してモデルを構築するものであるため、高精度
な予測モデルを簡単に構築できる方法が望まれている。
この点、ニューラルネットワークは、非線形現象を簡単
にモデル化できる方法として、近年有望視されている手
法であるが、以下の点が課題として挙げられる。
うには、膨大な専門知識と長年の経験が必要であるが、
近年この知識を有する熟練運用者は減少の一途をたどっ
ている。一方、ダムの出水量予測は、ダム運用の基盤で
あり、その予測精度の向上と自動化が切望されている。
自動化の例として、タンクモデル等を用いる従来の確立
された予測方法は、専門家が長時間をかけて、ダム１つ
ずつに対してモデルを構築するものであるため、高精度
な予測モデルを簡単に構築できる方法が望まれている。
この点、ニューラルネットワークは、非線形現象を簡単
にモデル化できる方法として、近年有望視されている手
法であるが、以下の点が課題として挙げられる。
【０００６】（１）ダム出水量予測を行うため、河川や
その流域には多数の計測機器（雨量計、流量計等）が設
置されている。しかし、一般的に予測モデルの構築に当
たってモデルに入力する情報の選択手法はなく、試行錯
誤的に選ばれている。このことは、ニューラルネットワ
ークだけでなく、従来手法と共通した問題点であると言
える。
その流域には多数の計測機器（雨量計、流量計等）が設
置されている。しかし、一般的に予測モデルの構築に当
たってモデルに入力する情報の選択手法はなく、試行錯
誤的に選ばれている。このことは、ニューラルネットワ
ークだけでなく、従来手法と共通した問題点であると言
える。
【０００７】（２）ニューラルネットワークは非線形の
モデル化には強力であるものの、線形のモデル化には回
帰式の方が適している。つまり、非線形性の強い上流ダ
ムではニューラルネットワークは適するが、線形性の強
い下流ダム等では回帰式等の線形モデルによる予測手法
が適する場合がある。しかし、線形・非線形モデルの明
確な選択方法はなく、現在は両方のモデルを構築して実
験的に決定するか、経験的に決定している。
モデル化には強力であるものの、線形のモデル化には回
帰式の方が適している。つまり、非線形性の強い上流ダ
ムではニューラルネットワークは適するが、線形性の強
い下流ダム等では回帰式等の線形モデルによる予測手法
が適する場合がある。しかし、線形・非線形モデルの明
確な選択方法はなく、現在は両方のモデルを構築して実
験的に決定するか、経験的に決定している。
【０００８】本発明は、上記課題を解決するためになさ
れたものであり、予測モデル構築時において、熟練運用
者に依存したり、入力データの選択に当たって試行錯誤
を繰り返すこともなく、簡単かつ短期間で最適な予測モ
デルを構築可能なダム出水量予測モデル構築方法、及び
実際の予測方法を提供しようとするものである。
れたものであり、予測モデル構築時において、熟練運用
者に依存したり、入力データの選択に当たって試行錯誤
を繰り返すこともなく、簡単かつ短期間で最適な予測モ
デルを構築可能なダム出水量予測モデル構築方法、及び
実際の予測方法を提供しようとするものである。
【０００９】
【課題を解決するための手段】まず、請求項１記載の発
明は、上流ダム放流量、河川流量、雨量等を入力データ
とし、予測対象時刻の出水量予測値を出力データとする
予測モデルを、計算機により過去の実績値データを用い
て構築するダム出水量予測モデル構築方法において、多
数の計測機器から得られる多数のデータ（上流ダム放流
量、河川流量、雨量等）から必要かつ最適な入力データ
を選択するため、統計的数値評価手法による相関係数等
の相関度を用いることを特徴とする。
明は、上流ダム放流量、河川流量、雨量等を入力データ
とし、予測対象時刻の出水量予測値を出力データとする
予測モデルを、計算機により過去の実績値データを用い
て構築するダム出水量予測モデル構築方法において、多
数の計測機器から得られる多数のデータ（上流ダム放流
量、河川流量、雨量等）から必要かつ最適な入力データ
を選択するため、統計的数値評価手法による相関係数等
の相関度を用いることを特徴とする。
【００１０】相関係数は、入出力データの線形（ｙ＝ａ
ｘ＋ｂ）の関係度を示す指標であって、例えば−１．０
〜１．０の値をとり、正の線形関係で１．０、負の線形
関係で−１．０、線形の相関が全くない場合には０で表
される。そこで、ダム上流域観測所の多数の計測機器か
ら得られる全データの相関係数を求め、相関係数の高い
データを予測モデルの入力情報として選択することとし
た。
ｘ＋ｂ）の関係度を示す指標であって、例えば−１．０
〜１．０の値をとり、正の線形関係で１．０、負の線形
関係で−１．０、線形の相関が全くない場合には０で表
される。そこで、ダム上流域観測所の多数の計測機器か
ら得られる全データの相関係数を求め、相関係数の高い
データを予測モデルの入力情報として選択することとし
た。
【００１１】図１は、請求項１記載の発明の処理を示す
フローチャートである。以下、各処理の内容を説明す
る。 （１）予測対象時刻指定ステップ（Ｓ１１） このステップでは、何時（現在時刻から何時間後）の出
水量を予測するかを指定する。予測対象ダムの遙か上流
の河川水量データは、ダムに流れ込むまでに時間がかか
るため数時間先の当該ダムの出水量との相関度が高い。
逆に、予測対象ダムに近い河川水量データは、数十分先
の当該ダムの出水量との相関度が高い。また、雨量等の
データは、降雨が一度地面に吸い込まれるため、数時間
先の出水量との相関度が高くなる傾向がある。このよう
に、予測対象時刻によりデータの重要度（相関度）が異
なるので、あらかじめ予測対象時刻を指定する必要があ
る。
フローチャートである。以下、各処理の内容を説明す
る。 （１）予測対象時刻指定ステップ（Ｓ１１） このステップでは、何時（現在時刻から何時間後）の出
水量を予測するかを指定する。予測対象ダムの遙か上流
の河川水量データは、ダムに流れ込むまでに時間がかか
るため数時間先の当該ダムの出水量との相関度が高い。
逆に、予測対象ダムに近い河川水量データは、数十分先
の当該ダムの出水量との相関度が高い。また、雨量等の
データは、降雨が一度地面に吸い込まれるため、数時間
先の出水量との相関度が高くなる傾向がある。このよう
に、予測対象時刻によりデータの重要度（相関度）が異
なるので、あらかじめ予測対象時刻を指定する必要があ
る。
【００１２】（２）相関係数計算ステップ（Ｓ１２） ダム上流域にある計測機器から得られる全データについ
て、予測モデルの出力データである出水量との相関係数
を計算する。ここで、相関係数の計算自体は本発明の要
旨ではなく、標準的な統計計算式を用いればよい。な
お、前述の如く、相関係数は入出力データの線形（ｙ＝
ａｘ＋ｂ）の関係度を示す指標として、例えば−１．０
〜１．０の値をとる。
て、予測モデルの出力データである出水量との相関係数
を計算する。ここで、相関係数の計算自体は本発明の要
旨ではなく、標準的な統計計算式を用いればよい。な
お、前述の如く、相関係数は入出力データの線形（ｙ＝
ａｘ＋ｂ）の関係度を示す指標として、例えば−１．０
〜１．０の値をとる。
【００１３】（３）入力データ選択ステップ（Ｓ１３） 相関係数の絶対値の大きい入力データから、予測モデル
構築に用いるデータを順に選択する。このとき、単に相
関係数の絶対値の大きさ順にデータを選択するのではな
く、データの性質から分類される複数のカテゴリー（自
ダム流入量、上流ダム放流量、雨量等）ごとに、１つも
しくは複数個ずつ選択するようにする。
構築に用いるデータを順に選択する。このとき、単に相
関係数の絶対値の大きさ順にデータを選択するのではな
く、データの性質から分類される複数のカテゴリー（自
ダム流入量、上流ダム放流量、雨量等）ごとに、１つも
しくは複数個ずつ選択するようにする。
【００１４】（４）予測モデル構築ステップ（Ｓ１４） ステップＳ１３で選択した入力データを用いて、実際に
予測モデルを構築する。予測モデルは、ニューラルネッ
トワーク、回帰式、タンクモデル等、種々の方法で構築
することが考えられるが、本発明では特に何れかに限定
されるものではない。一般に、ニューラルネットワーク
ではバックプロパゲーション、回帰式では最小二乗法に
よって予測モデルが構築される。
予測モデルを構築する。予測モデルは、ニューラルネッ
トワーク、回帰式、タンクモデル等、種々の方法で構築
することが考えられるが、本発明では特に何れかに限定
されるものではない。一般に、ニューラルネットワーク
ではバックプロパゲーション、回帰式では最小二乗法に
よって予測モデルが構築される。
【００１５】次に、請求項２に記載した発明につき説明
する。前述した請求項１の発明は、予測モデル構築に当
たって最適な入力データを選択するものである。しか
し、相関係数の観点から最適な入力データを用いたつも
りでも、上流ダムのように非線形性の強い場合に線形式
を用いて予測モデルを構築したり、下流ダムのように線
形性の強い場合に非線形モデルを用いて予測モデルを構
築したりすると、予測精度は良好なものにならない。そ
こで本発明では、求めた相関係数から入力データの線形
性・非線形性を判断して予測モデルを自動的に選択する
こととした。
する。前述した請求項１の発明は、予測モデル構築に当
たって最適な入力データを選択するものである。しか
し、相関係数の観点から最適な入力データを用いたつも
りでも、上流ダムのように非線形性の強い場合に線形式
を用いて予測モデルを構築したり、下流ダムのように線
形性の強い場合に非線形モデルを用いて予測モデルを構
築したりすると、予測精度は良好なものにならない。そ
こで本発明では、求めた相関係数から入力データの線形
性・非線形性を判断して予測モデルを自動的に選択する
こととした。
【００１６】つまり、本発明は、請求項１の発明におけ
るステップＳ１３とステップＳ１４との間に適用するこ
とにより、入力データの性質に応じて適切な予測モデル
を構築しようとするものである。また、請求項１の発明
により線形・非線形モデルの両方を構築していた場合に
は、予測段階において適切なモデルを選択することが可
能になる。
るステップＳ１３とステップＳ１４との間に適用するこ
とにより、入力データの性質に応じて適切な予測モデル
を構築しようとするものである。また、請求項１の発明
により線形・非線形モデルの両方を構築していた場合に
は、予測段階において適切なモデルを選択することが可
能になる。
【００１７】図２は、請求項２記載の発明の処理を示す
フローチャートである。以下、各処理の内容を説明す
る。 （１）相関係数計算ステップ（Ｓ２１） 予測モデル構築に使用される入出力データ（入力データ
と出水量）の相関係数を計算する。このステップは、実
質的に請求項１の発明におけるステップＳ１２と同一で
ある。
フローチャートである。以下、各処理の内容を説明す
る。 （１）相関係数計算ステップ（Ｓ２１） 予測モデル構築に使用される入出力データ（入力データ
と出水量）の相関係数を計算する。このステップは、実
質的に請求項１の発明におけるステップＳ１２と同一で
ある。
【００１８】（２）線形性・非線形性判断ステップ（Ｓ
２２） 計算された相関係数に基づいて請求項１の発明と同様に
予測モデル構築に用いる入力データを選択し、選択され
た入力データと出水量との相関係数から、入力データの
線形性・非線形性、言い換えれば予測に用いるモデルの
線形性・非線形性を判断する。このとき、平均的な相関
係数だけではなく、雨量別、流入量別、時間帯別等の分
類ごとに相関係数を求めて判断する。判断基準は、例え
ば、相関係数の絶対値が０．９５以上の場合には線形の
予測モデル、０．９５未満の場合には非線形の予測モデ
ルを用いるといった基準を使用する。
２２） 計算された相関係数に基づいて請求項１の発明と同様に
予測モデル構築に用いる入力データを選択し、選択され
た入力データと出水量との相関係数から、入力データの
線形性・非線形性、言い換えれば予測に用いるモデルの
線形性・非線形性を判断する。このとき、平均的な相関
係数だけではなく、雨量別、流入量別、時間帯別等の分
類ごとに相関係数を求めて判断する。判断基準は、例え
ば、相関係数の絶対値が０．９５以上の場合には線形の
予測モデル、０．９５未満の場合には非線形の予測モデ
ルを用いるといった基準を使用する。
【００１９】（３）予測モデル選択ステップ（Ｓ２３） ステップＳ２２の判断結果に従い、予測モデルを線形と
するか非線形とするかを選択する。
するか非線形とするかを選択する。
【００２０】次に、請求項３に記載した発明を説明す
る。この発明は、請求項２の発明により選択して構築し
た予測モデルを用いて出水量を予測する場合に、ファジ
ー理論を適用することを特徴とする。すなわち、請求項
２の発明では相関係数をアナログ数値（−１．０〜１．
０）として計算し、その結果からデジタル的に線形・非
線形を判断して予測モデルを選択しているのに対し、本
発明では、アナログ数値である相関係数を対象として、
ファジー理論により線形・非線形を曖昧に判断し、線形
の予測モデルと非線形の予測モデルとを用いて両者の予
測値をファジー融合するものである。
る。この発明は、請求項２の発明により選択して構築し
た予測モデルを用いて出水量を予測する場合に、ファジ
ー理論を適用することを特徴とする。すなわち、請求項
２の発明では相関係数をアナログ数値（−１．０〜１．
０）として計算し、その結果からデジタル的に線形・非
線形を判断して予測モデルを選択しているのに対し、本
発明では、アナログ数値である相関係数を対象として、
ファジー理論により線形・非線形を曖昧に判断し、線形
の予測モデルと非線形の予測モデルとを用いて両者の予
測値をファジー融合するものである。
【００２１】以下、図３、図４を参照しながら本発明の
処理の内容を説明する。 （１）相関係数計算ステップ（Ｓ３１） 予測モデル構築に使用される入出力データ（入力データ
と出水量）の相関係数を計算する。このステップも、実
質的に請求項１の発明におけるステップＳ１２と同一で
ある。
処理の内容を説明する。 （１）相関係数計算ステップ（Ｓ３１） 予測モデル構築に使用される入出力データ（入力データ
と出水量）の相関係数を計算する。このステップも、実
質的に請求項１の発明におけるステップＳ１２と同一で
ある。
【００２２】（２）線形性・非線形性に対する適合度判
断ステップ（Ｓ３２） 計算された相関係数に基づいて請求項１の発明と同様に
予測モデル構築に用いる入力データを選択し、選択され
た入力データの相関係数の、線形性・非線形性に対する
適合度を判断する。このとき、平均的な相関係数だけで
はなく、雨量別、流入量別、時間帯別等の分類毎に相関
係数を求めて適合度を判断する。適合度判断は、例えば
図４のメンバシップ関数で判断する。
断ステップ（Ｓ３２） 計算された相関係数に基づいて請求項１の発明と同様に
予測モデル構築に用いる入力データを選択し、選択され
た入力データの相関係数の、線形性・非線形性に対する
適合度を判断する。このとき、平均的な相関係数だけで
はなく、雨量別、流入量別、時間帯別等の分類毎に相関
係数を求めて適合度を判断する。適合度判断は、例えば
図４のメンバシップ関数で判断する。
【００２３】図４の意味するところは、相関係数が−
１．０または１．０に極めて近い場合には線形、相関係
数が−０．９または０．９近辺では線形でもあり非線形
でもある曖昧な状態、それ以内の範囲（ほぼ−０．９〜
０．９の範囲）は非線形であることを示している。つま
り、相関係数が−０．９または０．９近辺では線形・非
線形を一義的に決定せずに、線形の予測モデルと非線形
の予測モデルとの両方の出力をファジー融合して最終的
な予測値を得るようにした。
１．０または１．０に極めて近い場合には線形、相関係
数が−０．９または０．９近辺では線形でもあり非線形
でもある曖昧な状態、それ以内の範囲（ほぼ−０．９〜
０．９の範囲）は非線形であることを示している。つま
り、相関係数が−０．９または０．９近辺では線形・非
線形を一義的に決定せずに、線形の予測モデルと非線形
の予測モデルとの両方の出力をファジー融合して最終的
な予測値を得るようにした。
【００２４】（３）予測値ファジー融合ステップ（Ｓ３
３） ステップＳ３２で求めた適合度に応じて、線形モデルに
よる予測値と非線形モデルによる予測値とをファジー融
合して最終的な予測値とする。予測値の融合には、例え
ば以下の数式を用いる。 ｙ＝（ω1ｙ1＋ω2ｙ2）／（ω1＋ω2） 但し、ｙ：最終予測値、ω1：線形の適合度、ω2：非線
形の適合度、ｙ1：線形モデルの予測値、ｙ2：非線形モ
デルの予測値である。
３） ステップＳ３２で求めた適合度に応じて、線形モデルに
よる予測値と非線形モデルによる予測値とをファジー融
合して最終的な予測値とする。予測値の融合には、例え
ば以下の数式を用いる。 ｙ＝（ω1ｙ1＋ω2ｙ2）／（ω1＋ω2） 但し、ｙ：最終予測値、ω1：線形の適合度、ω2：非線
形の適合度、ｙ1：線形モデルの予測値、ｙ2：非線形モ
デルの予測値である。
【００２５】
【発明の実施形態】以下、本発明の実施形態を説明す
る。この実施形態は、あるダムへの流入量を、河川に設
置された複数の流量計の出力データや雨量計の出力デー
タに基づいて予測する場合のものである。表１に、予測
モデル構築及び実際の予測に用いたデータのデータ名、
期間、データ数を示す。用いたデータは計３期間のデー
タ（ａｄａｔａ，ｂｄａｔａ，ｃｄａｔａ）であり、２
期間のデータ（ａｄａｔａ，ｂｄａｔａ）を予測モデル
構築用に、１期間のデータ（ｃｄａｔａ）を予測用に用
いた。なお、各データは１０分毎のデータである。
る。この実施形態は、あるダムへの流入量を、河川に設
置された複数の流量計の出力データや雨量計の出力デー
タに基づいて予測する場合のものである。表１に、予測
モデル構築及び実際の予測に用いたデータのデータ名、
期間、データ数を示す。用いたデータは計３期間のデー
タ（ａｄａｔａ，ｂｄａｔａ，ｃｄａｔａ）であり、２
期間のデータ（ａｄａｔａ，ｂｄａｔａ）を予測モデル
構築用に、１期間のデータ（ｃｄａｔａ）を予測用に用
いた。なお、各データは１０分毎のデータである。
【００２６】
【表１】
【００２７】表２に、各時間毎の入力データの相関係数
を示す。計測器は、流入量計、流量計、雨量計の３種あ
るが、流量計は河川に計５個設置されている。２時間先
の流入量を予測する場合（表２において相関係数（−１
２０ｍｉｎ）と記載されている行を示す）、５つある流
量計の中で上流ダム放流量に対応する流量計３が相関係
数０．８８４と最も大きい。よって、予測モデル構築に
使用するデータは各分類毎に、請求項１の発明によって
「流入量」、「流量計３」、「雨量（１時間累計流域平
均雨量）」の３種類を選択した。
を示す。計測器は、流入量計、流量計、雨量計の３種あ
るが、流量計は河川に計５個設置されている。２時間先
の流入量を予測する場合（表２において相関係数（−１
２０ｍｉｎ）と記載されている行を示す）、５つある流
量計の中で上流ダム放流量に対応する流量計３が相関係
数０．８８４と最も大きい。よって、予測モデル構築に
使用するデータは各分類毎に、請求項１の発明によって
「流入量」、「流量計３」、「雨量（１時間累計流域平
均雨量）」の３種類を選択した。
【００２８】
【表２】
【００２９】また、表２において、２時間先の流入量を
予測する場合の各データの相関係数の絶対値は概して小
さいため、請求項２の発明により非線形と判断し、非線
形モデル（ニューラルネットワーク）を用いることとし
た。
予測する場合の各データの相関係数の絶対値は概して小
さいため、請求項２の発明により非線形と判断し、非線
形モデル（ニューラルネットワーク）を用いることとし
た。
【００３０】これらのデータを用いて、ニューラルネッ
トワークにより予測モデルを構築する。ただし、本実施
例では、流入量の時系列性も考慮するため、各データを
時系列的に入力した。モデル構造を図５に示す。図５に
示すニューラルネットワークは、流量計３のデータ、自
ダム流入量（実績値）、流域平均雨量が入力される入力
層と、中間層と、２時間後の流入量（予測値）が出力さ
れる出力層とを有している。
トワークにより予測モデルを構築する。ただし、本実施
例では、流入量の時系列性も考慮するため、各データを
時系列的に入力した。モデル構造を図５に示す。図５に
示すニューラルネットワークは、流量計３のデータ、自
ダム流入量（実績値）、流域平均雨量が入力される入力
層と、中間層と、２時間後の流入量（予測値）が出力さ
れる出力層とを有している。
【００３１】表３及び図６に、予測結果を示す。図６か
ら明らかなように、流入量の実績値は予測値と良く一致
しており、請求項１の発明により選択したデータを用い
たことで流入量の良好な予測結果を得ることができた。
また、請求項２の発明により非線形モデル（ニューラル
ネットワーク）を構築して予測したが、表３に示すよう
に、同条件で構築した回帰式よりも良好な結果を得るこ
とができた。
ら明らかなように、流入量の実績値は予測値と良く一致
しており、請求項１の発明により選択したデータを用い
たことで流入量の良好な予測結果を得ることができた。
また、請求項２の発明により非線形モデル（ニューラル
ネットワーク）を構築して予測したが、表３に示すよう
に、同条件で構築した回帰式よりも良好な結果を得るこ
とができた。
【００３２】
【表３】
【００３３】なお、表２において、入力データとして相
関係数が０．９付近のデータが選択される場合、請求項
３に記載したように、相関係数に応じて選択された線形
モデル、非線形モデルの双方の出力を融合させて予測を
行っても良い。
関係数が０．９付近のデータが選択される場合、請求項
３に記載したように、相関係数に応じて選択された線形
モデル、非線形モデルの双方の出力を融合させて予測を
行っても良い。
【００３４】
【発明の効果】以上述べたように、請求項１の発明は、
予測モデルの構築及び実際の予測に使用するべきデータ
の選択方法に関するものである。通常、ダム上流域には
多数の計測機器が設置されており、熟練運用者はその時
々の状況を経験的に判断して、必要な計測機器の計測デ
ータを採用し予測を行っている。また、予測業務の自動
化のため予測モデルを構築する場合には、多数のデータ
の組み合わせの中から実験的にデータを選択している。
これに対し、入出力データの相関係数に着目した本発明
を用いることにより、多数のデータの中から重要なデー
タのみを自動的に抽出することができ、モデル構築時の
試行錯誤的な実験をすることなく最適な予測モデルを短
期間で容易に構築することができる。
予測モデルの構築及び実際の予測に使用するべきデータ
の選択方法に関するものである。通常、ダム上流域には
多数の計測機器が設置されており、熟練運用者はその時
々の状況を経験的に判断して、必要な計測機器の計測デ
ータを採用し予測を行っている。また、予測業務の自動
化のため予測モデルを構築する場合には、多数のデータ
の組み合わせの中から実験的にデータを選択している。
これに対し、入出力データの相関係数に着目した本発明
を用いることにより、多数のデータの中から重要なデー
タのみを自動的に抽出することができ、モデル構築時の
試行錯誤的な実験をすることなく最適な予測モデルを短
期間で容易に構築することができる。
【００３５】請求項２の発明は、予測モデルの線形・非
線形のタイプを自動的に決定するものである。ダムは上
流と下流において性質が異なり、通常、上流ダムは非線
形性が非常に強く、下流ダムは線形性が強い。予測モデ
ル構築のための手法は数多く存在し、それぞれ得手不得
手が存在する。従来より線形化モデルの代表的手法には
回帰式があり、非線形モデル化の手法としてニューラル
ネットワークがあるが、本発明によれば、線形・非線形
を的確に判断して最適な予測手法を選択することができ
る。
線形のタイプを自動的に決定するものである。ダムは上
流と下流において性質が異なり、通常、上流ダムは非線
形性が非常に強く、下流ダムは線形性が強い。予測モデ
ル構築のための手法は数多く存在し、それぞれ得手不得
手が存在する。従来より線形化モデルの代表的手法には
回帰式があり、非線形モデル化の手法としてニューラル
ネットワークがあるが、本発明によれば、線形・非線形
を的確に判断して最適な予測手法を選択することができ
る。
【００３６】請求項３の発明は、予測に用いるモデルの
線形・非線形性をデジタル的に判断するのではなく、フ
ァジー理論を用いて線形・非線形の境界を曖昧に判断す
ることにより、一層実際的な予測を行うものである。こ
の発明を用いることにより、非線形・線形関係が曖昧な
中流ダム等において線形・非線形モデルのそれぞれの予
測値をファジー融合して良好な予測値を求めることが可
能となる。また、同一のダムでも、流量が少ない場合に
は線形性が強く、流量が多い場合には非線形性が強くな
る等、条件により線形・非線形性が変化することがあ
る。このように線形性が変化する場合においても、流量
が中くらいの場合には両モデルの予測値をファジー融合
することにより、良好な予測結果を得ることができる。
線形・非線形性をデジタル的に判断するのではなく、フ
ァジー理論を用いて線形・非線形の境界を曖昧に判断す
ることにより、一層実際的な予測を行うものである。こ
の発明を用いることにより、非線形・線形関係が曖昧な
中流ダム等において線形・非線形モデルのそれぞれの予
測値をファジー融合して良好な予測値を求めることが可
能となる。また、同一のダムでも、流量が少ない場合に
は線形性が強く、流量が多い場合には非線形性が強くな
る等、条件により線形・非線形性が変化することがあ
る。このように線形性が変化する場合においても、流量
が中くらいの場合には両モデルの予測値をファジー融合
することにより、良好な予測結果を得ることができる。
【図１】請求項１に記載した発明の処理を示すフローチ
ャートである。
ャートである。
【図２】請求項２に記載した発明の処理を示すフローチ
ャートである。
ャートである。
【図３】請求項３に記載した発明の処理を示すフローチ
ャートである。
ャートである。
【図４】請求項３に記載した発明におけるメンバシップ
関数の説明図である。
関数の説明図である。
【図５】請求項２の発明の実施形態により選択された予
測モデル（ニューラルネットワーク）の構成図である。
測モデル（ニューラルネットワーク）の構成図である。
【図６】図５の予測モデルを用いて流入量を予測した場
合の予測結果を示す図である。
合の予測結果を示す図である。
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.6 識別記号 ＦＩ // Ｇ０６Ｆ 17/00 Ｇ０６Ｆ 15/20 Ｆ
Claims (3)
- 【請求項１】 上流ダム放流量、河川流量、雨量等を入
力データとし、予測対象時刻の出水量予測値を出力デー
タとする予測モデルを、計算機により過去の実績値デー
タを用いて構築するダム出水量予測モデル構築方法にお
いて、 予測対象時刻を指定する第１ステップと、 入力データと出力データとの相関度を求める第２ステッ
プと、 求められた相関度に基づいて予測モデル構築及び予測に
用いるデータを選択する第３ステップと、 選択されたデータを用いて予測モデルを構築する第４ス
テップと、を有することを特徴とするダム出水量予測モ
デル構築方法。 - 【請求項２】 請求項１記載のダム出水量予測モデル構
築方法において、 前記第３ステップにより選択されたデータの線形性、非
線形性の判断結果に応じ、予測モデルを選択して構築す
るステップを有することを特徴とするダム出水量予測モ
デル構築方法。 - 【請求項３】 請求項１記載の前記第２ステップにより
求められた相関度の、前記第３ステップにより選択され
たデータの線形性、非線形性に対する適合度を判断する
ステップと、 この適合度の判断結果に応じて、線形の予測モデル、非
線形の予測モデルによる予測値をファジー融合させて最
終予測値を求めるステップと、 を有することを特徴とするダム出水量予測方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP133898A JPH11194803A (ja) | 1998-01-07 | 1998-01-07 | ダム出水量予測モデル構築方法及びダム出水量予測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP133898A JPH11194803A (ja) | 1998-01-07 | 1998-01-07 | ダム出水量予測モデル構築方法及びダム出水量予測方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH11194803A true JPH11194803A (ja) | 1999-07-21 |
Family
ID=11498721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP133898A Pending JPH11194803A (ja) | 1998-01-07 | 1998-01-07 | ダム出水量予測モデル構築方法及びダム出水量予測方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH11194803A (ja) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004006336A (ja) * | 2002-04-30 | 2004-01-08 | Xtreme Technologies Gmbh | パルス駆動されるガス放電連関式の放射線源における放射線出力を安定化するための方法 |
| JP2005044337A (ja) * | 2003-06-05 | 2005-02-17 | Fisher Rosemount Syst Inc | 非線形予測機能を備える多重入力／多重出力制御ブロック |
| JP2007172429A (ja) * | 2005-12-26 | 2007-07-05 | Nomura Research Institute Ltd | 文献情報分析装置及び文献情報分析方法 |
| JP2007226450A (ja) * | 2006-02-22 | 2007-09-06 | Fuji Electric Systems Co Ltd | 流量予測装置、流量予測方法および流量予測プログラム |
| JP2012012907A (ja) * | 2010-07-05 | 2012-01-19 | Chubu Electric Power Co Inc | ダム計測データ評価方法、およびダム計測データ評価システム |
| JP2020129390A (ja) * | 2015-01-22 | 2020-08-27 | 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ | 異種環境におけるエッジデバイスのためのモデルフィルタリングおよびモデルミキシングによる機械学習 |
| JP2021033915A (ja) * | 2019-08-29 | 2021-03-01 | 株式会社日立パワーソリューションズ | コンピュータプログラムおよびダム流入量予測プログラム並びにダム流入量予測システム |
| WO2023007704A1 (ja) * | 2021-07-30 | 2023-02-02 | 日本電信電話株式会社 | 予測装置、予測方法、及び、予測プログラム |
| JPWO2023063343A1 (ja) * | 2021-10-12 | 2023-04-20 |
-
1998
- 1998-01-07 JP JP133898A patent/JPH11194803A/ja active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004006336A (ja) * | 2002-04-30 | 2004-01-08 | Xtreme Technologies Gmbh | パルス駆動されるガス放電連関式の放射線源における放射線出力を安定化するための方法 |
| JP2005044337A (ja) * | 2003-06-05 | 2005-02-17 | Fisher Rosemount Syst Inc | 非線形予測機能を備える多重入力／多重出力制御ブロック |
| JP2007172429A (ja) * | 2005-12-26 | 2007-07-05 | Nomura Research Institute Ltd | 文献情報分析装置及び文献情報分析方法 |
| JP2007226450A (ja) * | 2006-02-22 | 2007-09-06 | Fuji Electric Systems Co Ltd | 流量予測装置、流量予測方法および流量予測プログラム |
| JP2012012907A (ja) * | 2010-07-05 | 2012-01-19 | Chubu Electric Power Co Inc | ダム計測データ評価方法、およびダム計測データ評価システム |
| JP2020129390A (ja) * | 2015-01-22 | 2020-08-27 | 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ | 異種環境におけるエッジデバイスのためのモデルフィルタリングおよびモデルミキシングによる機械学習 |
| JP2021033915A (ja) * | 2019-08-29 | 2021-03-01 | 株式会社日立パワーソリューションズ | コンピュータプログラムおよびダム流入量予測プログラム並びにダム流入量予測システム |
| WO2023007704A1 (ja) * | 2021-07-30 | 2023-02-02 | 日本電信電話株式会社 | 予測装置、予測方法、及び、予測プログラム |
| JPWO2023063343A1 (ja) * | 2021-10-12 | 2023-04-20 | ||
| WO2023063343A1 (ja) * | 2021-10-12 | 2023-04-20 | サントリーホールディングス株式会社 | 推定モデル取得装置、河川流量推定装置、推定モデルの製造方法、河川流量推定方法、及びプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113222296B (zh) | 一种基于数字孪生的防洪调度方法 | |
| Ellis et al. | Inspection, maintenance, and repair with partial observability | |
| JP4807565B2 (ja) | 流量予測装置 | |
| CN111815043B (zh) | 一种基于暴雨特征的洪水流量预测方法及系统 | |
| CN114548680B (zh) | 城市暴雨洪水管理模型参数自动率定方法及系统 | |
| Ferreira et al. | A segment-linked optimization model for deterministic pavement management systems | |
| CN116701970B (zh) | 基于双层相似度聚类的排水管网监测点优化布置方法 | |
| CN100524128C (zh) | 预测系统 | |
| Gardner et al. | Stochastic conceptual cost estimating of highway projects to communicate uncertainty using bootstrap sampling | |
| CN113378484A (zh) | 一种基于机器学习的平原河网地区洪水过程预报方法 | |
| CN113221439A (zh) | 一种基于bp神经网络的排水系统实时率定与动态预测方法 | |
| JPH11194803A (ja) | ダム出水量予測モデル構築方法及びダム出水量予測方法 | |
| JP4146053B2 (ja) | ダムまたは河川における流量予測方法 | |
| CN116124390A (zh) | 一种桥梁健康监测预警方法及系统 | |
| DeGagne et al. | A decision support system for the analysis and use of stage-discharge rating curves | |
| JP2006092058A (ja) | 流量予測装置 | |
| JP2000055703A (ja) | ダムにおける流量予測方法 | |
| CN117390842B (zh) | 一种基于贝叶斯优化框架的排水管网模型自动率定方法 | |
| CN120220358A (zh) | 一种河流汛期污染强度预测预警方法及系统 | |
| JPH10260718A (ja) | ダムにおける水量予測方法 | |
| Yazdi et al. | A stochastic optimization algorithm for optimizing flood risk management measures including rainfall uncertainties and nonphysical flood damages | |
| CN116228334A (zh) | 输变电工程造价的预测方法、预测装置 | |
| Angkasuwansiri et al. | Development of wastewater pipe performance index and performance prediction model | |
| CN119757792A (zh) | 一种水流流速高精度监测方法、系统、介质和程序产品 | |
| JP2007226450A (ja) | 流量予測装置、流量予測方法および流量予測プログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20040205 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20040421 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20040427 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20041019 |