CN104571262B - 短期风电功率区间概率预测方法 - Google Patents
短期风电功率区间概率预测方法 Download PDFInfo
- Publication number
- CN104571262B CN104571262B CN201510024662.7A CN201510024662A CN104571262B CN 104571262 B CN104571262 B CN 104571262B CN 201510024662 A CN201510024662 A CN 201510024662A CN 104571262 B CN104571262 B CN 104571262B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- interval
- mtd
- mfrac
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Peptides Or Proteins (AREA)
Abstract
本发明公开一种短期风电功率区间概率预测方法，包括：获取风电场若干历史风电功率作为样本集；结合预测区间覆盖概率、预测区间带宽均方根和平均偏移量构建优化准则；建立基于人工蜂群神经网络的短期风电功率区间预测模型，通过人工蜂群算法对优化准则进行寻优更新神经网络权值阈值；根据最优权值阈值建立神经网络，对待预测风电功率进行区间预测；对历史风电功率进行状态划分，建立马尔科夫链预测模型，计算各状态状态转移概率；通过马尔科夫链状态转移概率结合区间预测对风电功率区间预测，对预测区间内数值点计算概率。本发明在短期风电功率区间预测的同时考虑了区间内数值点概率分布，为优化系统提供依据。
Description
技术领域
本发明属于电力系统技术领域，具体涉及一种短期风电功率区间概率预测方法。
背景技术
风能是一种理想的洁净能源。随着风电装机容量不断增加，风电所具有的间隙性和不确定性给电力系统的稳定运行和电网调度带来新的挑战。实现风电功率的准确预测对电力系统的功率平衡、经济调度和设备安全具有重要意义。不仅可以优化备用容量、降低电网运行成本，更可以减小风电对电网的冲击，提高电网运行的可靠性。风电功率预测方法一般可分为2类：一是利用数值天气预报,建立预测模型将天气数据转换成风电功率输出；二是基于历史数据进行预测，分为统计方法和学习方法。其中统计方法包括时间序列法、灰色预测法和卡尔曼滤波法，学习方法包括神经网络、支持向量机等智能方法。
目前风电功率预测普遍为单一的点预测，而风电出力受湍流、风轮机状态和背景噪声等诸多不确定因素的影响，单一的点预测无法准确反映其中的不确定性因素。因此，需要进行风电功率区间预测。在区间预测的基础上，通过马尔科夫链状态转移概率对预测区间内数值点进行计算分析，为优化系统提供依据。
发明内容
针对现有技术存在的上述问题，本发明提出了一种短期风电功率区间概率预测方法。
本发明包含以下步骤：
步骤1：获取风电场历史风电功率数据；
步骤2：结合预测区间覆盖概率δPISCP、预测区间带宽均方根ψMRPI和平均偏移量φMO构建优化准则ΤCWCC；
步骤3：建立基于人工蜂群神经网络的短期风电功率区间预测模型，通过人工蜂群算法对优化准则进行寻优更新神经网络权值阈值；
步骤4：根据最优权值阈值建立神经网络，对待预测风电功率进行区间预测；
步骤5：对历史风电功率进行状态划分，建立马尔科夫链预测模型，计算各状态转移概率；
步骤6：通过马尔科夫链状态转移概率结合区间预测对风电功率区间预测，对预测区间内数值点计算概率。
通过本发明方法对风电功率区间进行预测，并对区间内数值点进行计算分析，能够得到较好的预测结果，为优化电力系统提供依据。
附图说明
图1为本发明短期风电功率区间概率预测方法的流程示意图。
图2为某风电场风电功率区间预测结果。
图3为某风电场风电功率预测区间内数值点概率分布情况。
具体实施方式
下面结合附图举例对本发明作进一步说明。
参阅图1，为本发明短期风电功率区间概率预测方法的流程示意图，本发明短期风电功率区间概率预测方法，包含以下步骤：
S101获取风电场历史风电功率数据，算例风电场为我国某风电场，包含27台变桨距调节三叶片水平轴异步发电机，总装机容量为33.75MW。该风电功率序列包含连续2个月实际风电功率数据，分辨率为15min。
S102构建结合预测区间覆盖概率δPISCP、预测区间带宽均方根ψMRPI和平均偏移量φMO的优化准则ΤCWCC，包括以下计算步骤：
式中：N为样本总数，ζi为实际风电功率，Li为预测下界，Ui为预测上界。μ为(1-α)置信水平的置信区间，η为δPISCP未达到置信区间μ时的惩罚量，λ为平均偏移量的惩罚项系数。
S103建立基于人工蜂群神经网络的短期风电功率区间预测模型，通过人工蜂群算法对优化准则进行寻优更新神经网络权值阈值，包括以下步骤：
1)风电功率时间序列归一至[0,1]区间，分为训练集和测试集；
2)神经网络初始化，设置神经网络结构。人工蜂群算法初始化，设置种群个数S和最大迭代次数M。
3)雇佣蜂按式(7)初始化蜜源，返回蜂巢共享蜜源；
式中vpq为随机寻找新蜜源(新解)，xpq与xtq为旧解，t∈{1,2,…S}，q∈{1,2,…D}，且t≠p，D是解的维数。为[-1,1]的随机数，对应初始解的邻域；
4)非雇佣蜂等待蜜源信息和每个蜜源的适应度值。若非雇佣蜂接受蜜源信息，则转变成跟随蜂，根据(8)计算每个解的概率：
然后在[0,1]区间产生一个随机数，如果解的概率大于该随机数，则跟随蜂由式(9)产生一个新解，并判断是否优于之前的解，选择较优解保留；若非雇佣蜂不接受蜜源信息，则转变成侦查蜂并通过式(9)产生一个新蜜源，xmaxq与xminq为旧解最大值与最小值；
xpq＝xminq+rand(0,1)×(xmaxq-xminq) (9)
5)将产生的新蜜源作为神经网络的权值和阈值，并通过式(5)计算ΤCWCC；
6)判断新蜜源对应的ΤCWCC是否最优；若ΤCWCC不是最优，雇佣蜂返回蜂巢转变成非雇佣蜂；若ΤCWCC是最优，更新神经网络的权值和阈值；
7)判断是否达到最大迭代次数M；若未达到最大迭代，雇佣蜂返回蜂巢分享蜜源信息；若已达最大迭代次数，输出最优蜜源。
S104根据最优权值阈值建立神经网络，对待预测风电功率进行区间预测，如附图2所示。
S105对历史风电功率进行状态划分，建立马尔科夫链预测模型，计算各状态转移概率：
m为状态数，状态转移概率P内部元素pjk表示该随机过程由状态j转移至状态k的状态转移概率
Njk为状态j转移至状态k的转移频数，j,k∈[0,m]。
S106通过马尔科夫链状态转移概率结合区间预测对风电功率区间预测，对预测区间内数值点计算概率，如附图3所示。
以上给出的实施例用以说明本发明和它的实际应用，并非对本发明作任何形式上的限制，任何一个本专业的技术人员在不偏离本发明技术方案的范围内，依据以上技术和方法作一定的修饰和变更当视为等同变化的等效实施例。
Claims (2)
1.一种短期风电功率区间概率预测方法，其特征在于，包括以下步骤：
步骤1：获取风电场历史风电功率数据；
步骤2：结合预测区间覆盖概率δPISCP、预测区间带宽均方根ψMRPI和平均偏移量φMO构建优化准则TCWCC，包括以下计算步骤：
<mrow>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>P</mi>
<mi>I</mi>
<mi>S</mi>
<mi>C</mi>
<mi>P</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&zeta;</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<msub>
<mi>L</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>U</mi>
<mi>i</mi>
</msub>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&zeta;</mi>
<mi>i</mi>
</msub>
<mo>&NotElement;</mo>
<mo>&lsqb;</mo>
<msub>
<mi>L</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>U</mi>
<mi>i</mi>
</msub>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&psi;</mi>
<mrow>
<mi>M</mi>
<mi>R</mi>
<mi>P</mi>
<mi>I</mi>
</mrow>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>U</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&zeta;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>+</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>L</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&zeta;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&phi;</mi>
<mrow>
<mi>M</mi>
<mi>O</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mrow>
<mfrac>
<mrow>
<msub>
<mi>U</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>L</mi>
<mi>i</mi>
</msub>
</mrow>
<mn>2</mn>
</mfrac>
<mo>-</mo>
<msub>
<mi>&zeta;</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>|</mo>
<mo>/</mo>
<mfrac>
<mrow>
<msub>
<mi>U</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>L</mi>
<mi>i</mi>
</msub>
</mrow>
<mn>2</mn>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>C</mi>
<mi>W</mi>
<mi>C</mi>
<mi>C</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>&psi;</mi>
<mrow>
<mi>M</mi>
<mi>R</mi>
<mi>P</mi>
<mi>I</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>&gamma;</mi>
<mrow>
<mi>P</mi>
<mi>I</mi>
<mi>S</mi>
<mi>C</mi>
<mi>P</mi>
</mrow>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>&eta;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>P</mi>
<mi>I</mi>
<mi>S</mi>
<mi>C</mi>
<mi>P</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>+</mo>
<mi>&lambda;</mi>
<mo>(</mo>
<mrow>
<msup>
<mi>e</mi>
<msub>
<mi>&phi;</mi>
<mrow>
<mi>M</mi>
<mi>O</mi>
</mrow>
</msub>
</msup>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&gamma;</mi>
<mrow>
<mi>P</mi>
<mi>I</mi>
<mi>S</mi>
<mi>C</mi>
<mi>P</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>P</mi>
<mi>I</mi>
<mi>S</mi>
<mi>C</mi>
<mi>P</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<mi>&mu;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>P</mi>
<mi>I</mi>
<mi>S</mi>
<mi>C</mi>
<mi>P</mi>
</mrow>
</msub>
<mo><</mo>
<mi>&mu;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
式中：N为样本总数，ζi为实际风电功率，Li为预测下界，Ui为预测上界，μ为(1-α)置信水平的置信区间，η为δPISCP未达到置信区间μ时的惩罚量，λ为平均偏移量的惩罚项系数；
步骤3：建立基于人工蜂群神经网络的短期风电功率区间预测模型，通过人工蜂群算法对优化准则进行寻优更新神经网络权值阈值；
步骤4：根据最优权值阈值建立神经网络，对待预测风电功率进行区间预测；
步骤5：对历史风电功率进行状态划分，建立马尔科夫链预测模型，计算各状态转移概率；
步骤6：通过马尔科夫链状态转移概率结合区间预测对风电功率区间预测，对预测区间内数值点计算概率。
2.根据权利要求1所述的短期风电功率区间概率预测方法，其特征在于，所述的步骤6中计算马尔科夫链状态转移概率并结合风电功率预测区间，对预测区间内各状态数值点计算概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510024662.7A CN104571262B (zh) | 2015-01-16 | 2015-01-16 | 短期风电功率区间概率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510024662.7A CN104571262B (zh) | 2015-01-16 | 2015-01-16 | 短期风电功率区间概率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104571262A CN104571262A (zh) | 2015-04-29 |
| CN104571262B true CN104571262B (zh) | 2017-10-24 |
Family
ID=53087572
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510024662.7A Expired - Fee Related CN104571262B (zh) | 2015-01-16 | 2015-01-16 | 短期风电功率区间概率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104571262B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805319B (zh) * | 2017-04-28 | 2021-01-15 | 中国电力科学研究院有限公司 | 一种风电功率建模最优状态数的确定方法及系统 |
| CN107192898B (zh) * | 2017-05-25 | 2020-07-03 | 南方电网科学研究院有限责任公司 | 一种直流输电线路可听噪声概率预测方法及系统 |
| CN107194476B (zh) * | 2017-05-26 | 2019-12-10 | 中国南方电网有限责任公司超高压输电公司天生桥局 | 基于半马尔科夫链的变压器预防老化维修策略制定方法 |
| CN107317323A (zh) * | 2017-06-16 | 2017-11-03 | 江南大学 | 短期微电网负荷功率区间概率预测方法 |
| CN108052387B (zh) * | 2017-11-15 | 2021-07-27 | 青海大学 | 一种移动云计算中的资源分配预测方法及系统 |
| CN108448572A (zh) * | 2018-03-20 | 2018-08-24 | 江南大学 | 一种短期微电网负荷区间概率预测方法 |
| CN110082717A (zh) * | 2019-04-30 | 2019-08-02 | 上海海事大学 | 一种水下无线传感器节点定位方法 |
| CN111091236B (zh) * | 2019-11-27 | 2023-06-20 | 长春吉电能源科技有限公司 | 一种按桨距角分类的多分类深度学习短期风功率预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103117546A (zh) * | 2013-02-28 | 2013-05-22 | 武汉大学 | 一种超短期风电功率滑动预测方法 |
| CN103530531A (zh) * | 2013-11-06 | 2014-01-22 | 国家电网公司 | 一种基于极大似然估计的风电功率持续特性描述方法 |
| CN103871002A (zh) * | 2014-03-25 | 2014-06-18 | 上海电机学院 | 基于自适应蜂群算法的风电功率预测方法及装置 |
| CN103903067A (zh) * | 2014-04-09 | 2014-07-02 | 上海电机学院 | 风电功率短期组合预测方法 |
-
2015
- 2015-01-16 CN CN201510024662.7A patent/CN104571262B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103117546A (zh) * | 2013-02-28 | 2013-05-22 | 武汉大学 | 一种超短期风电功率滑动预测方法 |
| CN103530531A (zh) * | 2013-11-06 | 2014-01-22 | 国家电网公司 | 一种基于极大似然估计的风电功率持续特性描述方法 |
| CN103871002A (zh) * | 2014-03-25 | 2014-06-18 | 上海电机学院 | 基于自适应蜂群算法的风电功率预测方法及装置 |
| CN103903067A (zh) * | 2014-04-09 | 2014-07-02 | 上海电机学院 | 风电功率短期组合预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| Short-Term Load and Wind Power Forecasting;Hao Quan等;《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》;20130816;303-315 * |
| Synchronous and asynchronous Pareto-based;B Akay;《Journalof Global Optimization》;20121018;第57卷(第2期);415-445 * |
| 一种风电功率混沌时间序列概率区间简易预测模型;章国勇等;《物理学报》;20140805;138801-1~138801-9 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104571262A (zh) | 2015-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104571262B (zh) | 短期风电功率区间概率预测方法 | |
| CN107887903A (zh) | 考虑元件频率特性的微电网鲁棒优化调度方法 | |
| CN103138256B (zh) | 一种新能源电力消纳全景分析系统及方法 | |
| CN104751246B (zh) | 一种基于随机机会约束的有源配电网规划方法 | |
| ES2644528T3 (es) | Método para la determinación asistida por ordenador del uso de energía eléctrica producida por una central de generación de energía, particularmente una central de generación de energía renovable | |
| CN102478584B (zh) | 基于小波分析的风电场风速预测方法及系统 | |
| CN104636823B (zh) | 一种风电功率预测方法 | |
| CN106295899B (zh) | 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法 | |
| CN110516840A (zh) | 基于改进随机森林方法的风光发电出力的短期预测方法 | |
| CN107358060A (zh) | 一种基于隐马尔科夫模型的对风电功率预测误差区间进行估计的方法 | |
| CN108921347B (zh) | 一种风电变流器故障预测方法 | |
| CN102004835A (zh) | 一种面向发电风险的水电站优化调度图编制方法 | |
| Kolhe et al. | GA-ANN for short-term wind energy prediction | |
| CN106130066A (zh) | 一种用于独立微电网系统的多目标鲁棒频率控制方法 | |
| CN104467029A (zh) | 一种区域小水电、风电日内联合优化调度的方法 | |
| CN102509026A (zh) | 基于最大信息熵原理的风电场短期输出功率预测综合模型 | |
| CN104732300A (zh) | 一种基于模糊分区理论的神经网络风功率短期预测方法 | |
| CN106529741A (zh) | 一种基于空间相关特征的超短期风电功率预测方法 | |
| CN106897793A (zh) | 一种可保证安全距离的基于遗传算法的风电场风力发电机排布优化方法 | |
| CN109345009A (zh) | 二阶灰色神经网络和马尔科夫链的短期风速区间预测方法 | |
| CN105678415A (zh) | 一种分布式电源配电网的净负荷预测方法 | |
| CN114301089A (zh) | 一种风光联合发电系统储能容量配置优化方法 | |
| CN109726416A (zh) | 一种基于新能源集群预测及潮流计算的调度决策方法 | |
| CN106026191B (zh) | 用于最小化弃光电量光伏电站发电权置换电量评估的方法 | |
| CN107330248A (zh) | 一种基于改进型神经网络的短期风功率预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171024 Termination date: 20190116 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |