JP2001227792A - 空調負荷予測方法およびその装置 - Google Patents
空調負荷予測方法およびその装置Info
- Publication number
- JP2001227792A JP2001227792A JP2000043605A JP2000043605A JP2001227792A JP 2001227792 A JP2001227792 A JP 2001227792A JP 2000043605 A JP2000043605 A JP 2000043605A JP 2000043605 A JP2000043605 A JP 2000043605A JP 2001227792 A JP2001227792 A JP 2001227792A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- conditioning load
- air
- factor
- factors
- 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
Links
Landscapes
- Air Conditioning Control Device (AREA)
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【課題】 少ないデータで最適な予測因子を選択して空
調負荷を高精度に予測する。 【解決手段】 複数個のセンサ１と、各センサ１からの
出力信号を時系列的に保持する予測候補因子保持部２
と、最適な予測候補因子を保持している予測候補因子保
持部２を選択して予測因子とする選択部３と、選択され
た予測因子を入力として予測アルゴリズムを用いて翌日
の空調負荷を予測する空調負荷予測部４とを有する。
調負荷を高精度に予測する。 【解決手段】 複数個のセンサ１と、各センサ１からの
出力信号を時系列的に保持する予測候補因子保持部２
と、最適な予測候補因子を保持している予測候補因子保
持部２を選択して予測因子とする選択部３と、選択され
た予測因子を入力として予測アルゴリズムを用いて翌日
の空調負荷を予測する空調負荷予測部４とを有する。
Description
【０００１】
【発明の属する技術分野】この発明は、蓄熱空調システ
ムにおいて、所定の期間における所定の予測因子に基づ
いて翌日の空調負荷を予測するための方法およびその装
置に関する。
ムにおいて、所定の期間における所定の予測因子に基づ
いて翌日の空調負荷を予測するための方法およびその装
置に関する。
【０００２】
【従来の技術】従来から、電力需要が少ない時間帯に蓄
熱運転を行って蓄熱槽に蓄熱し、電力需要が大きい時間
帯に蓄熱槽からの放熱を行うことによって電力需要の平
準化を達成するようにした蓄熱空調システムが提案され
ている。
熱運転を行って蓄熱槽に蓄熱し、電力需要が大きい時間
帯に蓄熱槽からの放熱を行うことによって電力需要の平
準化を達成するようにした蓄熱空調システムが提案され
ている。
【０００３】このような蓄熱空調システムにおいては、
蓄熱量が過剰にならないようにするとともに、不足しな
いようにすることが必要であるから、所定期間の予測因
子を用いて翌日の空調負荷を予測し、予測空調負荷に応
じた量の蓄熱を行うことが一般的に行われている。
蓄熱量が過剰にならないようにするとともに、不足しな
いようにすることが必要であるから、所定期間の予測因
子を用いて翌日の空調負荷を予測し、予測空調負荷に応
じた量の蓄熱を行うことが一般的に行われている。
【０００４】具体的には、予測最高気温でモデル（相関
式）を分類し、モデルを用いて空調負荷を予測する方
法、および複数の物理量をデータベース化し、このデー
タベースを用いて季節を特定し、特定された季節に応じ
て空調負荷を予測する方法（特開平６−１３１３２３号
公報参照）が提案されている。
式）を分類し、モデルを用いて空調負荷を予測する方
法、および複数の物理量をデータベース化し、このデー
タベースを用いて季節を特定し、特定された季節に応じ
て空調負荷を予測する方法（特開平６−１３１３２３号
公報参照）が提案されている。
【０００５】
【発明が解決しようとする課題】予想最高気温でモデル
を分類する方法を採用した場合には、季節を正確に特定
できない可能性が高く、ひいては空調負荷の予測精度が
低下してしまう可能性が高い。
を分類する方法を採用した場合には、季節を正確に特定
できない可能性が高く、ひいては空調負荷の予測精度が
低下してしまう可能性が高い。
【０００６】さらに説明する。
【０００７】空調負荷を予測するために最適な予測因子
は季節に応じて変化することが知られている。したがっ
て、使用する因子を固定すると空調負荷の予測精度が低
下してしまうことになる。
は季節に応じて変化することが知られている。したがっ
て、使用する因子を固定すると空調負荷の予測精度が低
下してしまうことになる。
【０００８】また、季節に切り替わりは毎年変化し、同
じではないので、予め予測因子を換える日を特定するこ
とができない。
じではないので、予め予測因子を換える日を特定するこ
とができない。
【０００９】この結果、季節の特定精度が低い場合に
は、モデルを換えるべきであるにも拘わらず、従前のモ
デルを用いて空調負荷の予測を行い、またはモデルを換
えるべきでないにも拘わらず、モデルを換えて空調負荷
の予測を行う可能性が高くなってしまい、ひいては空調
負荷の予測精度が低下してしまうことになるという不都
合がある。
は、モデルを換えるべきであるにも拘わらず、従前のモ
デルを用いて空調負荷の予測を行い、またはモデルを換
えるべきでないにも拘わらず、モデルを換えて空調負荷
の予測を行う可能性が高くなってしまい、ひいては空調
負荷の予測精度が低下してしまうことになるという不都
合がある。
【００１０】複数の物理量をデータベース化し、このデ
ータベースを用いて季節を特定し、特定された季節に応
じて空調負荷を予測する方法を採用した場合には、１年
間を通じてのデータを用いてデータベースを作成してお
くことが必要であり、データベースを作成するために多
大の労力が必要になるとともに、著しいコストアップを
招いてしまうという不都合がある。
ータベースを用いて季節を特定し、特定された季節に応
じて空調負荷を予測する方法を採用した場合には、１年
間を通じてのデータを用いてデータベースを作成してお
くことが必要であり、データベースを作成するために多
大の労力が必要になるとともに、著しいコストアップを
招いてしまうという不都合がある。
【００１１】
【発明の目的】この発明は上記の問題点に鑑みてなされ
たものであり、少ないデータで最適な予測因子を選択し
て空調負荷を高精度に予測することができる空調負荷予
測方法およびその装置を提供することを目的としてい
る。
たものであり、少ないデータで最適な予測因子を選択し
て空調負荷を高精度に予測することができる空調負荷予
測方法およびその装置を提供することを目的としてい
る。
【００１２】
【課題を解決するための手段】請求項１の空調負荷予測
方法は、空調負荷を予測するための複数の予測候補因子
の中から、最新の所定期間での最適な予測候補因子を選
択して予測因子として採用し、最新の所定期間における
採用した予測因子に基づいて空調負荷を予測する方法で
ある。
方法は、空調負荷を予測するための複数の予測候補因子
の中から、最新の所定期間での最適な予測候補因子を選
択して予測因子として採用し、最新の所定期間における
採用した予測因子に基づいて空調負荷を予測する方法で
ある。
【００１３】請求項２の空調負荷予測方法は、空調負荷
を予測するための複数の予測候補因子の中から使用可能
な予測候補因子を抽出し、抽出された予測候補因子の中
から最新の所定期間での最適な予測候補因子を選択して
予測因子として採用する方法である。
を予測するための複数の予測候補因子の中から使用可能
な予測候補因子を抽出し、抽出された予測候補因子の中
から最新の所定期間での最適な予測候補因子を選択して
予測因子として採用する方法である。
【００１４】請求項３の空調負荷予測方法は、複数の予
測候補因子を複数のグループに分類し、各グループ毎に
請求項１または請求項２の方法を行う方法である。
測候補因子を複数のグループに分類し、各グループ毎に
請求項１または請求項２の方法を行う方法である。
【００１５】請求項４の空調負荷予測方法は、最新の所
定期間を最適な所定期間に設定し、最適な所定期間にお
ける採用した予測因子に基づいて空調負荷を予測する方
法である。
定期間を最適な所定期間に設定し、最適な所定期間にお
ける採用した予測因子に基づいて空調負荷を予測する方
法である。
【００１６】請求項５の空調負荷予測装置は、空調負荷
を予測するための複数の予測候補因子の中から、最新の
所定期間での最適な予測候補因子を選択して予測因子と
して採用する予測因子採用手段と、最新の所定期間にお
ける採用した予測因子に基づいて空調負荷を予測する空
調負荷予測手段とを含むものである。
を予測するための複数の予測候補因子の中から、最新の
所定期間での最適な予測候補因子を選択して予測因子と
して採用する予測因子採用手段と、最新の所定期間にお
ける採用した予測因子に基づいて空調負荷を予測する空
調負荷予測手段とを含むものである。
【００１７】請求項６の空調負荷予測装置は、前記予測
因子採用手段として、空調負荷を予測するための複数の
予測候補因子の中から使用可能な予測候補因子を抽出
し、抽出された予測候補因子の中から最新の所定期間で
の最適な予測候補因子を選択して予測因子として採用す
るものを採用するものである。
因子採用手段として、空調負荷を予測するための複数の
予測候補因子の中から使用可能な予測候補因子を抽出
し、抽出された予測候補因子の中から最新の所定期間で
の最適な予測候補因子を選択して予測因子として採用す
るものを採用するものである。
【００１８】請求項７の空調負荷予測装置は、前記予測
因子採用手段として、複数の予測候補因子を複数のグル
ープに分類し、各グループ毎に空調負荷を予測するため
の複数の予測候補因子の中から、最新の所定期間での最
適な予測候補因子を選択して予測因子として採用し、ま
たは空調負荷を予測するための複数の予測候補因子の中
から使用可能な予測候補因子を抽出し、抽出された予測
候補因子の中から最新の所定期間での最適な予測候補因
子を選択して予測因子として採用するものを採用するも
のである。
因子採用手段として、複数の予測候補因子を複数のグル
ープに分類し、各グループ毎に空調負荷を予測するため
の複数の予測候補因子の中から、最新の所定期間での最
適な予測候補因子を選択して予測因子として採用し、ま
たは空調負荷を予測するための複数の予測候補因子の中
から使用可能な予測候補因子を抽出し、抽出された予測
候補因子の中から最新の所定期間での最適な予測候補因
子を選択して予測因子として採用するものを採用するも
のである。
【００１９】請求項８の空調負荷予測装置は、最新の所
定期間を最適な所定期間に設定する期間設定手段をさら
に含み、前記空調負荷予測手段として、最適な所定期間
における採用した予測因子に基づいて空調負荷を予測す
るものを採用するものである。
定期間を最適な所定期間に設定する期間設定手段をさら
に含み、前記空調負荷予測手段として、最適な所定期間
における採用した予測因子に基づいて空調負荷を予測す
るものを採用するものである。
【００２０】
【作用】請求項１の空調負荷予測方法であれば、空調負
荷を予測するための複数の予測候補因子の中から、最新
の所定期間での最適な予測候補因子を選択して予測因子
として採用し、最新の所定期間における採用した予測因
子に基づいて空調負荷を予測するのであるから、空調負
荷の予測精度を高めることができる。
荷を予測するための複数の予測候補因子の中から、最新
の所定期間での最適な予測候補因子を選択して予測因子
として採用し、最新の所定期間における採用した予測因
子に基づいて空調負荷を予測するのであるから、空調負
荷の予測精度を高めることができる。
【００２１】請求項２の空調負荷予測方法は、空調負荷
を予測するための複数の予測候補因子の中から使用可能
な予測候補因子を抽出し、抽出された予測候補因子の中
から最新の所定期間での最適な予測候補因子を選択して
予測因子として採用するのであるから、センサなどの不
具合により何れかの予測因子が使用できなくなったよう
な場合に、使用可能な予測因子の中から最適な予測因子
を選択することにより、空調負荷の予測の信頼性を高め
ることができる。
を予測するための複数の予測候補因子の中から使用可能
な予測候補因子を抽出し、抽出された予測候補因子の中
から最新の所定期間での最適な予測候補因子を選択して
予測因子として採用するのであるから、センサなどの不
具合により何れかの予測因子が使用できなくなったよう
な場合に、使用可能な予測因子の中から最適な予測因子
を選択することにより、空調負荷の予測の信頼性を高め
ることができる。
【００２２】請求項３の空調負荷予測方法であれば、複
数の予測候補因子を複数のグループに分類し、各グルー
プ毎に請求項１または請求項２の方法を行うのであるか
ら、互いに相関の高い因子の重複による精度の低下を避
けることができ、空調負荷の予測精度を一層高めること
ができる。
数の予測候補因子を複数のグループに分類し、各グルー
プ毎に請求項１または請求項２の方法を行うのであるか
ら、互いに相関の高い因子の重複による精度の低下を避
けることができ、空調負荷の予測精度を一層高めること
ができる。
【００２３】請求項４の空調負荷予測方法であれば、最
新の所定期間を最適な所定期間に設定し、最適な所定期
間における採用した予測因子に基づいて空調負荷を予測
するのであるから、空調負荷の予測精度を一層高めるこ
とができる。
新の所定期間を最適な所定期間に設定し、最適な所定期
間における採用した予測因子に基づいて空調負荷を予測
するのであるから、空調負荷の予測精度を一層高めるこ
とができる。
【００２４】請求項５の空調負荷予測装置であれば、予
測因子採用手段によって、空調負荷を予測するための複
数の予測候補因子の中から、最新の所定期間での最適な
予測候補因子を選択して予測因子として採用し、空調負
荷予測手段によって、最新の所定期間における採用した
予測因子に基づいて空調負荷を予測することができる。
測因子採用手段によって、空調負荷を予測するための複
数の予測候補因子の中から、最新の所定期間での最適な
予測候補因子を選択して予測因子として採用し、空調負
荷予測手段によって、最新の所定期間における採用した
予測因子に基づいて空調負荷を予測することができる。
【００２５】したがって、空調負荷の予測精度を高める
ことができる。
ことができる。
【００２６】請求項６の空調負荷予測装置であれば、前
記予測因子採用手段として、空調負荷を予測するための
複数の予測候補因子の中から使用可能な予測候補因子を
抽出し、抽出された予測候補因子の中から最新の所定期
間での最適な予測候補因子を選択して予測因子として採
用するものを採用するのであるから、センサなどの不具
合により何れかの予測因子が使用できなくなったような
場合に、使用可能な予測因子の中から最適な予測因子を
選択することにより、空調負荷の予測の信頼性を高める
ことができる。
記予測因子採用手段として、空調負荷を予測するための
複数の予測候補因子の中から使用可能な予測候補因子を
抽出し、抽出された予測候補因子の中から最新の所定期
間での最適な予測候補因子を選択して予測因子として採
用するものを採用するのであるから、センサなどの不具
合により何れかの予測因子が使用できなくなったような
場合に、使用可能な予測因子の中から最適な予測因子を
選択することにより、空調負荷の予測の信頼性を高める
ことができる。
【００２７】請求項７の空調負荷予測装置であれば、前
記予測因子採用手段として、複数の予測候補因子を複数
のグループに分類し、各グループ毎に空調負荷を予測す
るための複数の予測候補因子の中から、最新の所定期間
での最適な予測候補因子を選択して予測因子として採用
し、または空調負荷を予測するための複数の予測候補因
子の中から使用可能な予測候補因子を抽出し、抽出され
た予測候補因子の中から最新の所定期間での最適な予測
候補因子を選択して予測因子として採用するものを採用
するのであるから、互いに相関の高い因子の重複による
精度の低下を避けることができ、空調負荷の予測精度を
一層高めることができる。
記予測因子採用手段として、複数の予測候補因子を複数
のグループに分類し、各グループ毎に空調負荷を予測す
るための複数の予測候補因子の中から、最新の所定期間
での最適な予測候補因子を選択して予測因子として採用
し、または空調負荷を予測するための複数の予測候補因
子の中から使用可能な予測候補因子を抽出し、抽出され
た予測候補因子の中から最新の所定期間での最適な予測
候補因子を選択して予測因子として採用するものを採用
するのであるから、互いに相関の高い因子の重複による
精度の低下を避けることができ、空調負荷の予測精度を
一層高めることができる。
【００２８】請求項８の空調負荷予測装置であれば、最
新の所定期間を最適な所定期間に設定する期間設定手段
をさらに含み、前記空調負荷予測手段として、最適な所
定期間における採用した予測因子に基づいて空調負荷を
予測するものを採用するのであるから、空調負荷の予測
精度を一層高めることができる。
新の所定期間を最適な所定期間に設定する期間設定手段
をさらに含み、前記空調負荷予測手段として、最適な所
定期間における採用した予測因子に基づいて空調負荷を
予測するものを採用するのであるから、空調負荷の予測
精度を一層高めることができる。
【００２９】
【発明の実施の形態】以下、添付図面を参照して、この
発明の空調負荷予測方法およびその装置の実施の態様を
詳細に説明する。なお、以下の実施態様は、蓄熱空調シ
ステムに適用されるものとして説明している。
発明の空調負荷予測方法およびその装置の実施の態様を
詳細に説明する。なお、以下の実施態様は、蓄熱空調シ
ステムに適用されるものとして説明している。
【００３０】図１はこの発明の空調負荷予測装置の一実
施態様を示すブロック図である。
施態様を示すブロック図である。
【００３１】この空調負荷予測装置は、複数個のセンサ
１と、各センサ１からの出力信号（予測候補因子）を時
系列的に保持する予測候補因子保持部２と、最適な予測
候補因子を保持している予測候補因子保持部２を選択し
て予測因子とする選択部３と、選択された予測因子を入
力としてニューラルネットワーク、カルマンフィルタな
どの予測アルゴリズムを用いて翌日の空調負荷を予測す
る空調負荷予測部４とを有している。
１と、各センサ１からの出力信号（予測候補因子）を時
系列的に保持する予測候補因子保持部２と、最適な予測
候補因子を保持している予測候補因子保持部２を選択し
て予測因子とする選択部３と、選択された予測因子を入
力としてニューラルネットワーク、カルマンフィルタな
どの予測アルゴリズムを用いて翌日の空調負荷を予測す
る空調負荷予測部４とを有している。
【００３２】前記センサ１としては、外気温度、建造物
の躯体温度、室内温度、湿度、日照時間などを検出する
ものが例示できる。
の躯体温度、室内温度、湿度、日照時間などを検出する
ものが例示できる。
【００３３】前記選択部３は、例えば、重回帰分析を行
って最適な予測候補因子を保持している予測候補因子保
持部２を選択して予測因子とするものである。ここで、
重回帰分析による予測因子の選択は、例えば、目的変数
（日、時刻別空調負荷など）をｎ種の予測候補因子によ
り表し、偏相関係数（大きいほど有為）、ＡＩＣ基準
（有為な予測候補因子を抽出）、Ｆ値（有為な予測候補
因子を抽出）などを用いて最適な予測候補因子を抽出す
ることにより達成される。したがって、季節に応じて最
適の予測候補因子を選択することができる。
って最適な予測候補因子を保持している予測候補因子保
持部２を選択して予測因子とするものである。ここで、
重回帰分析による予測因子の選択は、例えば、目的変数
（日、時刻別空調負荷など）をｎ種の予測候補因子によ
り表し、偏相関係数（大きいほど有為）、ＡＩＣ基準
（有為な予測候補因子を抽出）、Ｆ値（有為な予測候補
因子を抽出）などを用いて最適な予測候補因子を抽出す
ることにより達成される。したがって、季節に応じて最
適の予測候補因子を選択することができる。
【００３４】前記偏相関係数を選択した場合には、ＰＲ
h＝−ｒhy／（ｒhh・ｒyy）1/2の演算を行ってｈ番目の
予測候補因子についての偏相関係数ＰＲhを求める。そ
して、偏相関係数ＰＲhが大きい予測候補因子を選択す
る。ただし、ｒhh、ｒyy、ｒh yはＲzz＝［ｒij］の逆行
列の（ｈ，ｈ）成分、（ｙ，ｙ）成分、（ｈ，ｙ）成分
である。Ｒzzは、予測候補因子（ｎ個）と空調負荷予測
値（ｙ番目とする）を一緒にした（ｎ＋１）個の変数間
の相関係数行列である。ｒijはｉ番目とｊ番目の変数の
相関係数である。
h＝−ｒhy／（ｒhh・ｒyy）1/2の演算を行ってｈ番目の
予測候補因子についての偏相関係数ＰＲhを求める。そ
して、偏相関係数ＰＲhが大きい予測候補因子を選択す
る。ただし、ｒhh、ｒyy、ｒh yはＲzz＝［ｒij］の逆行
列の（ｈ，ｈ）成分、（ｙ，ｙ）成分、（ｈ，ｙ）成分
である。Ｒzzは、予測候補因子（ｎ個）と空調負荷予測
値（ｙ番目とする）を一緒にした（ｎ＋１）個の変数間
の相関係数行列である。ｒijはｉ番目とｊ番目の変数の
相関係数である。
【００３５】前記ＡＩＣ基準を採用した場合には、ΔＡ
ＩＣ＝ｋ・ｌｏｇ［（１−Ｒh-1 2）／（１−Ｒh 2）］−
２の演算を行ってｈ番目の予測候補因子についてのΔＡ
ＩＣを求める。そして、ΔＡＩＣが負となる予測候補因
子を選択する。ただし、Ｒhはｈ番目までの予測候補因
子による重相関係数、ｋはデータ数である。
ＩＣ＝ｋ・ｌｏｇ［（１−Ｒh-1 2）／（１−Ｒh 2）］−
２の演算を行ってｈ番目の予測候補因子についてのΔＡ
ＩＣを求める。そして、ΔＡＩＣが負となる予測候補因
子を選択する。ただし、Ｒhはｈ番目までの予測候補因
子による重相関係数、ｋはデータ数である。
【００３６】前記Ｆ値を採用した場合には、Ｆ０＝（ｋ
−ｈ−１）（Ｒh 2−Ｒh-1 2）／（１−Ｒh 2）の演算を行
ってＦ０を求め、Ｆ０≧Ｆｉｎならば該当する予測候補
因子を含め、Ｆ０＜Ｆｏｕｔならば対当する予測候補因
子を含めない。ただし、Ｒhはｈ番目までの予測候補因
子による重相関係数、ｋはデータ数、Ｆｉｎ、Ｆｏｕｔ
は予め設定された定数、例えば、Ｆｉｎ＝Ｆｏｕｔ＝２
に設定される。
−ｈ−１）（Ｒh 2−Ｒh-1 2）／（１−Ｒh 2）の演算を行
ってＦ０を求め、Ｆ０≧Ｆｉｎならば該当する予測候補
因子を含め、Ｆ０＜Ｆｏｕｔならば対当する予測候補因
子を含めない。ただし、Ｒhはｈ番目までの予測候補因
子による重相関係数、ｋはデータ数、Ｆｉｎ、Ｆｏｕｔ
は予め設定された定数、例えば、Ｆｉｎ＝Ｆｏｕｔ＝２
に設定される。
【００３７】前記空調負荷予測部４は、例えば、ニュー
ラルネットワーク、カルマンフィルタなどを用いて将来
の空調負荷を予測するものである。
ラルネットワーク、カルマンフィルタなどを用いて将来
の空調負荷を予測するものである。
【００３８】図２はこの発明の空調負荷予測方法の一実
施態様を説明するフローチャートである。ステップＳＰ
１において、各予測候補因子を時系列的に検出し、ステ
ップＳＰ２において、重回帰分析を行って最適な予測候
補因子を抽出し、ステップＳＰ３において、抽出された
予測候補因子を予測因子として翌日の空調負荷を予測
し、そのまま元の処理に戻る。
施態様を説明するフローチャートである。ステップＳＰ
１において、各予測候補因子を時系列的に検出し、ステ
ップＳＰ２において、重回帰分析を行って最適な予測候
補因子を抽出し、ステップＳＰ３において、抽出された
予測候補因子を予測因子として翌日の空調負荷を予測
し、そのまま元の処理に戻る。
【００３９】上記の何れかの実施態様を採用した場合に
は、季節などに応じて最適の予測候補因子を選択できる
ので、空調負荷の予測精度を高めることができる。
は、季節などに応じて最適の予測候補因子を選択できる
ので、空調負荷の予測精度を高めることができる。
【００４０】図３はこの発明の空調負荷予測装置の他の
実施態様を示すブロック図である。
実施態様を示すブロック図である。
【００４１】この空調負荷予測装置が図１の空調負荷予
測装置と異なる点は、予測候補因子保持部２と選択部３
との間に、正常な予測候補因子のみを選択部３に供給す
る正常因子抽出部５をさらに設けた点のみである。
測装置と異なる点は、予測候補因子保持部２と選択部３
との間に、正常な予測候補因子のみを選択部３に供給す
る正常因子抽出部５をさらに設けた点のみである。
【００４２】前記正常因子抽出部５は、値が得られなか
った因子、予想される上下限値を越える値を有する因子
などを異常な予測候補因子であると認識し、これら以外
の因子を正常な予測候補因子と認識して選択部３に供給
するものである。
った因子、予想される上下限値を越える値を有する因子
などを異常な予測候補因子であると認識し、これら以外
の因子を正常な予測候補因子と認識して選択部３に供給
するものである。
【００４３】図４はこの発明の空調負荷予測方法の他の
実施態様を説明するフローチャートである。
実施態様を説明するフローチャートである。
【００４４】このフローチャートが図２のフローチャー
トと異なる点は、ステップＳＰ１とステップＳＰ２との
間に、正常な予測候補因子のみを抽出するステップＳＰ
１ａを設けた点のみである。
トと異なる点は、ステップＳＰ１とステップＳＰ２との
間に、正常な予測候補因子のみを抽出するステップＳＰ
１ａを設けた点のみである。
【００４５】図３または図４の実施態様を採用した場合
には、センサなどの異常により正常な値が得られなくな
った予測候補因子が存在するような状態において、正常
な値が得られる予測候補因子のみを抽出し、これらの中
から最適の予測候補因子を選択することができる。この
結果、空調負荷の予測の信頼性を高めることができる。
には、センサなどの異常により正常な値が得られなくな
った予測候補因子が存在するような状態において、正常
な値が得られる予測候補因子のみを抽出し、これらの中
から最適の予測候補因子を選択することができる。この
結果、空調負荷の予測の信頼性を高めることができる。
【００４６】図５はこの発明の空調負荷予測装置のさら
に他の実施態様を示すブロック図である。
に他の実施態様を示すブロック図である。
【００４７】この空調負荷予測装置は、複数の予測候補
因子のそれぞれを保持する第１予測候補因子保持部１１
と、複数の予測候補因子を入力として重回帰分析を行っ
て有効な予測候補因子を抽出する重回帰分析部１２と、
抽出された予測候補因子を表すデータを保持する第２予
測候補因子保持部１３と、複数の予測候補因子の組み分
けを行う組分け部１４と、組み分けされた予測候補因子
を入力として所定の予測アルゴリズム（ニューラルネッ
トワーク、カルマンフィルタなど）を用いて空調負荷の
予測を行う予測モデル部１５と、予測された空調負荷を
保持する第１予測空調負荷保持部１６と、第２予測候補
因子保持部１３に保持されている予測候補因子を入力と
して何れかの第１予測空調負荷保持部１６を選択する選
択部１７と、選択された予測空調負荷を最終的に選択さ
れた予測空調負荷として保持する第２予測空調負荷保持
部１８とを有している。
因子のそれぞれを保持する第１予測候補因子保持部１１
と、複数の予測候補因子を入力として重回帰分析を行っ
て有効な予測候補因子を抽出する重回帰分析部１２と、
抽出された予測候補因子を表すデータを保持する第２予
測候補因子保持部１３と、複数の予測候補因子の組み分
けを行う組分け部１４と、組み分けされた予測候補因子
を入力として所定の予測アルゴリズム（ニューラルネッ
トワーク、カルマンフィルタなど）を用いて空調負荷の
予測を行う予測モデル部１５と、予測された空調負荷を
保持する第１予測空調負荷保持部１６と、第２予測候補
因子保持部１３に保持されている予測候補因子を入力と
して何れかの第１予測空調負荷保持部１６を選択する選
択部１７と、選択された予測空調負荷を最終的に選択さ
れた予測空調負荷として保持する第２予測空調負荷保持
部１８とを有している。
【００４８】前記組み分け部１４は、３種〜全種の予測
候補因子を組として組み分けを行うものである。
候補因子を組として組み分けを行うものである。
【００４９】この実施態様を採用した場合には、最適の
予測候補因子の組み分けに基づく空調負荷の予測を行う
ことができ、互いに相関の高い因子の重複による精度の
低下を避けることができ、空調負荷の予測精度を高める
ことができる。
予測候補因子の組み分けに基づく空調負荷の予測を行う
ことができ、互いに相関の高い因子の重複による精度の
低下を避けることができ、空調負荷の予測精度を高める
ことができる。
【００５０】図６はこの発明の空調負荷予測方法のさら
に他の実施態様を説明するフローチャートである。
に他の実施態様を説明するフローチャートである。
【００５１】ステップＳＰ１において、予測候補因子の
組み分けでモデル化を行い、ステップＳＰ２において、
各モデル毎に予測アルゴリズムを用いて空調負荷を予測
し、ステップＳＰ３において、重回帰分析を行って予測
候補因子を抽出し、ステップＳＰ４において、抽出され
た予測候補因子に対応する空調負荷予測結果を選択し
（ただし、重回帰分析の各手法毎に選択された予測候補
因子に対応するモデルでの空調負荷予測結果を平均して
予測空調負荷としてもよい）、そのまま元の処理に戻
る。
組み分けでモデル化を行い、ステップＳＰ２において、
各モデル毎に予測アルゴリズムを用いて空調負荷を予測
し、ステップＳＰ３において、重回帰分析を行って予測
候補因子を抽出し、ステップＳＰ４において、抽出され
た予測候補因子に対応する空調負荷予測結果を選択し
（ただし、重回帰分析の各手法毎に選択された予測候補
因子に対応するモデルでの空調負荷予測結果を平均して
予測空調負荷としてもよい）、そのまま元の処理に戻
る。
【００５２】ただし、２種以上の手法で抽出された予測
候補因子に対応するモデルでの予測結果を採用してもよ
い。選択基準を３種〜全種としてもよい。
候補因子に対応するモデルでの予測結果を採用してもよ
い。選択基準を３種〜全種としてもよい。
【００５３】また、予測候補因子を内的因子、外的因
子、建築物による因子に訳、各部類毎に、最も相関の高
い因子のみを採用することも可能である。内的因子Ａｉ
としては室内温度、室内湿度などが例示でき、外的因子
Ｂｉとしては外気温度、外湿度などが例示でき、建築物
による因子Ｃｉとしては躯体温度などが例示できる。
子、建築物による因子に訳、各部類毎に、最も相関の高
い因子のみを採用することも可能である。内的因子Ａｉ
としては室内温度、室内湿度などが例示でき、外的因子
Ｂｉとしては外気温度、外湿度などが例示でき、建築物
による因子Ｃｉとしては躯体温度などが例示できる。
【００５４】例えば、重回帰分析により抽出され、相関
の高い順に、Ｂ２、Ａ２、Ｂ１、Ｃ３、Ｃ２、Ｂ３、Ａ
１と並べられたとすると、Ａ２、Ｂ２、Ｃ３を予測因子
として採用する。
の高い順に、Ｂ２、Ａ２、Ｂ１、Ｃ３、Ｃ２、Ｂ３、Ａ
１と並べられたとすると、Ａ２、Ｂ２、Ｃ３を予測因子
として採用する。
【００５５】上記の方法を採用することにより、各手法
による抽出結果の違いが考慮され、信頼性が向上する。
すなわち、複数手法の結果を平均することにより、予測
が大きく外れることが回避される。さらに、異常な予測
値を排除するためには、平均の際に最大値や最小値を除
いたり、中央値を用いたりするることができる。
による抽出結果の違いが考慮され、信頼性が向上する。
すなわち、複数手法の結果を平均することにより、予測
が大きく外れることが回避される。さらに、異常な予測
値を排除するためには、平均の際に最大値や最小値を除
いたり、中央値を用いたりするることができる。
【００５６】以上の各実施態様においては、各予測候補
因子にｋ個のデータ（例えば、ｋ日分のデータ）が用い
られている。
因子にｋ個のデータ（例えば、ｋ日分のデータ）が用い
られている。
【００５７】ただし、季節に応じて最適な個数が変化す
るので、以下の手順で個数を更新することが好ましい。
るので、以下の手順で個数を更新することが好ましい。
【００５８】先ず、ｋ個、ｋ＋δ個、ｋ−δ個のデータ
で空調負荷の予測を行う。ただし、その日の空調負荷予
測値としては個数をｋ個に設定した場合の予測値を採用
する。
で空調負荷の予測を行う。ただし、その日の空調負荷予
測値としては個数をｋ個に設定した場合の予測値を採用
する。
【００５９】次いで、実績空調負荷値と比較してｋを増
減する。すなわち、実空調負荷値が得られた段階で各個
数での予測値の評価を行い、好ましい個数に移行する。
例えば、ｋ個のデータによる予測結果が最も実績値に近
ければ、ｋは増減させない。ただし、ｋ＋δ個のによる
予測結果が最も実績値に近ければ、ｋを、例えば１だけ
増加させる。逆に、ｋ−δ個のによる予測結果が最も実
績値に近ければ、ｋを、例えば１だけ減少させる（ただ
し、ｋ＞予測候補因子数）。
減する。すなわち、実空調負荷値が得られた段階で各個
数での予測値の評価を行い、好ましい個数に移行する。
例えば、ｋ個のデータによる予測結果が最も実績値に近
ければ、ｋは増減させない。ただし、ｋ＋δ個のによる
予測結果が最も実績値に近ければ、ｋを、例えば１だけ
増加させる。逆に、ｋ−δ個のによる予測結果が最も実
績値に近ければ、ｋを、例えば１だけ減少させる（ただ
し、ｋ＞予測候補因子数）。
【００６０】また、δ（＞０）としては、例えば、δ＝
１が採用される。
１が採用される。
【００６１】
【発明の効果】請求項１の発明は、空調負荷の予測精度
を高めることができるという特有の効果を奏する。
を高めることができるという特有の効果を奏する。
【００６２】請求項２の発明は、請求項１の効果に加
え、センサなどの不具合により何れかの予測因子が使用
できなくなったような場合に、使用可能な予測因子の中
から最適な予測因子を選択することにより、空調負荷の
予測の信頼性を高めることができるという特有の効果を
奏する。
え、センサなどの不具合により何れかの予測因子が使用
できなくなったような場合に、使用可能な予測因子の中
から最適な予測因子を選択することにより、空調負荷の
予測の信頼性を高めることができるという特有の効果を
奏する。
【００６３】請求項３の発明は、請求項１または請求項
２の効果に加え、互いに相関の高い因子の重複による精
度の低下を避けることができ、空調負荷の予測精度を一
層高めることができるという特有の効果を奏する。
２の効果に加え、互いに相関の高い因子の重複による精
度の低下を避けることができ、空調負荷の予測精度を一
層高めることができるという特有の効果を奏する。
【００６４】請求項４の発明は、請求項１から請求項３
の何れかの効果に加え、空調負荷の予測精度を一層高め
ることができるという特有の効果を奏する。
の何れかの効果に加え、空調負荷の予測精度を一層高め
ることができるという特有の効果を奏する。
【００６５】請求項５の発明は、空調負荷の予測精度を
高めることができるという特有の効果を奏する。
高めることができるという特有の効果を奏する。
【００６６】請求項６の発明は、請求項５の効果に加
え、センサなどの不具合により何れかの予測因子が使用
できなくなったような場合に、使用可能な予測因子の中
から最適な予測因子を選択することにより、空調負荷の
予測の信頼性を高めることができるという特有の効果を
奏する。
え、センサなどの不具合により何れかの予測因子が使用
できなくなったような場合に、使用可能な予測因子の中
から最適な予測因子を選択することにより、空調負荷の
予測の信頼性を高めることができるという特有の効果を
奏する。
【００６７】請求項７の発明は、請求項５または請求項
６の効果に加え、互いに相関の高い因子の重複による精
度の低下を避けることができ、空調負荷の予測精度を一
層高めることができるという特有の効果を奏する。
６の効果に加え、互いに相関の高い因子の重複による精
度の低下を避けることができ、空調負荷の予測精度を一
層高めることができるという特有の効果を奏する。
【００６８】請求項８の発明は、請求項５から請求項７
の何れかの効果に加え、空調負荷の予測精度を一層高め
ることができるという特有の効果を奏する。
の何れかの効果に加え、空調負荷の予測精度を一層高め
ることができるという特有の効果を奏する。
【図１】この発明の空調負荷予測装置の一実施態様を示
すブロック図である。
すブロック図である。
【図２】この発明の空調負荷予測方法の一実施態様を説
明するフローチャートである。
明するフローチャートである。
【図３】この発明の空調負荷予測装置の他の実施態様を
示すブロック図である。
示すブロック図である。
【図４】この発明の空調負荷予測方法の他の実施態様を
説明するフローチャートである。
説明するフローチャートである。
【図５】この発明の空調負荷予測装置のさらに他の実施
態様を示すブロック図である。
態様を示すブロック図である。
【図６】この発明の空調負荷予測方法のさらに他の実施
態様を説明するフローチャートである。
態様を説明するフローチャートである。
３ 選択部 ４ 空調負荷予測部 ５ 正常因子抽出部 １２ 重回帰分析部 １５ 予測モデル部
───────────────────────────────────────────────────── フロントページの続き (72)発明者 佐々木 能成 滋賀県草津市岡本町字大谷1000番地の２ ダイキン工業株式会社滋賀製作所内 (72)発明者 山口 一朗 滋賀県草津市岡本町字大谷1000番地の２ ダイキン工業株式会社滋賀製作所内 (72)発明者 橋本 哲 滋賀県草津市岡本町字大谷1000番地の２ ダイキン工業株式会社滋賀製作所内 (72)発明者 長谷 健章 滋賀県草津市岡本町字大谷1000番地の２ ダイキン工業株式会社滋賀製作所内 Ｆターム(参考） 3L060 AA03 AA08 CC01 CC02 CC03 CC06 CC08 CC19 EE41 5H004 GA15 GB20 HB01 JB07 JB23 KC23 KC26 KC28 KD42
Claims (8)
- 【請求項１】 空調負荷を予測するための複数の予測候
補因子の中から、最新の所定期間での最適な予測候補因
子を選択して予測因子として採用し、最新の所定期間に
おける採用した予測因子に基づいて空調負荷を予測する
ことを特徴とする空調負荷予測方法。 - 【請求項２】 空調負荷を予測するための複数の予測候
補因子の中から使用可能な予測候補因子を抽出し、抽出
された予測候補因子の中から最新の所定期間での最適な
予測候補因子を選択して予測因子として採用する請求項
１に記載の空調負荷予測方法。 - 【請求項３】 複数の予測候補因子を複数のグループに
分類し、各グループ毎に請求項１または請求項２の方法
を行う請求項１または請求項２に記載の空調負荷予測方
法。 - 【請求項４】 最新の所定期間を最適な所定期間に設定
し、最適な所定期間における採用した予測因子に基づい
て空調負荷を予測する請求項１から請求項３の何れかに
記載の空調負荷予測方法。 - 【請求項５】 空調負荷を予測するための複数の予測候
補因子の中から、最新の所定期間での最適な予測候補因
子を選択して予測因子として採用する予測因子採用手段
（３）（５）（１２）と、最新の所定期間における採用
した予測因子に基づいて空調負荷を予測する空調負荷予
測手段（４）（１５）とを含むことを特徴とする空調負
荷予測装置。 - 【請求項６】 前記予測因子採用手段（３）（５）（１
２）は、空調負荷を予測するための複数の予測候補因子
の中から使用可能な予測候補因子を抽出し、抽出された
予測候補因子の中から最新の所定期間での最適な予測候
補因子を選択して予測因子として採用するものである請
求項５に記載の空調負荷予測装置。 - 【請求項７】 前記予測因子採用手段（３）（５）（１
２）は、複数の予測候補因子を複数のグループに分類
し、各グループ毎に空調負荷を予測するための複数の予
測候補因子の中から、最新の所定期間での最適な予測候
補因子を選択して予測因子として採用し、または空調負
荷を予測するための複数の予測候補因子の中から使用可
能な予測候補因子を抽出し、抽出された予測候補因子の
中から最新の所定期間での最適な予測候補因子を選択し
て予測因子として採用するものである請求項５または請
求項６に記載の空調負荷予測装置。 - 【請求項８】 最新の所定期間を最適な所定期間に設定
する期間設定手段をさらに含み、前記空調負荷予測手段
（４）（１５）は、最適な所定期間における採用した予
測因子に基づいて空調負荷を予測するものである請求項
５から請求項７の何れかに記載の空調負荷予測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000043605A JP4461551B2 (ja) | 2000-02-16 | 2000-02-16 | 空調負荷予測方法およびその装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000043605A JP4461551B2 (ja) | 2000-02-16 | 2000-02-16 | 空調負荷予測方法およびその装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2001227792A true JP2001227792A (ja) | 2001-08-24 |
| JP4461551B2 JP4461551B2 (ja) | 2010-05-12 |
Family
ID=18566497
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2000043605A Expired - Fee Related JP4461551B2 (ja) | 2000-02-16 | 2000-02-16 | 空調負荷予測方法およびその装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4461551B2 (ja) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014109290A1 (ja) * | 2013-01-11 | 2014-07-17 | パナソニック株式会社 | 室温推定装置、プログラム |
| JP2014194290A (ja) * | 2013-03-28 | 2014-10-09 | Fujitsu Advanced Engineering Ltd | 空調設定温度算出装置、空調設定温度算出プログラム、及び空調設定温度算出方法 |
| WO2016009506A1 (ja) * | 2014-07-16 | 2016-01-21 | 三菱電機株式会社 | 空調制御装置、空調制御方法、および、プログラム |
| CN108241891A (zh) * | 2016-12-27 | 2018-07-03 | 株式会社捷太格特 | 解析装置以及解析系统 |
| CN110701732A (zh) * | 2019-12-10 | 2020-01-17 | 南昌掘策数据服务有限公司 | 能耗数据分析方法、系统及中央空调的节能方法和系统 |
| CN111967655A (zh) * | 2020-07-28 | 2020-11-20 | 中国南方电网有限责任公司 | 一种短期负荷预测方法及系统 |
| WO2023037683A1 (ja) * | 2021-09-08 | 2023-03-16 | ダイキン工業株式会社 | 診断システム、診断方法、診断プログラム、及び、空気調和機 |
-
2000
- 2000-02-16 JP JP2000043605A patent/JP4461551B2/ja not_active Expired - Fee Related
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014109290A1 (ja) * | 2013-01-11 | 2014-07-17 | パナソニック株式会社 | 室温推定装置、プログラム |
| JP2014134360A (ja) * | 2013-01-11 | 2014-07-24 | Panasonic Corp | 室温推定装置、プログラム |
| JP2014194290A (ja) * | 2013-03-28 | 2014-10-09 | Fujitsu Advanced Engineering Ltd | 空調設定温度算出装置、空調設定温度算出プログラム、及び空調設定温度算出方法 |
| WO2016009506A1 (ja) * | 2014-07-16 | 2016-01-21 | 三菱電機株式会社 | 空調制御装置、空調制御方法、および、プログラム |
| JPWO2016009506A1 (ja) * | 2014-07-16 | 2017-04-27 | 三菱電機株式会社 | 空調制御装置、空調制御方法、および、プログラム |
| CN108241891A (zh) * | 2016-12-27 | 2018-07-03 | 株式会社捷太格特 | 解析装置以及解析系统 |
| CN108241891B (zh) * | 2016-12-27 | 2023-09-01 | 株式会社捷太格特 | 解析装置以及解析系统 |
| CN110701732A (zh) * | 2019-12-10 | 2020-01-17 | 南昌掘策数据服务有限公司 | 能耗数据分析方法、系统及中央空调的节能方法和系统 |
| CN111967655A (zh) * | 2020-07-28 | 2020-11-20 | 中国南方电网有限责任公司 | 一种短期负荷预测方法及系统 |
| WO2023037683A1 (ja) * | 2021-09-08 | 2023-03-16 | ダイキン工業株式会社 | 診断システム、診断方法、診断プログラム、及び、空気調和機 |
| JP2023039065A (ja) * | 2021-09-08 | 2023-03-20 | ダイキン工業株式会社 | 診断システム、診断方法、診断プログラム、及び、空気調和機 |
| JP7348538B2 (ja) | 2021-09-08 | 2023-09-21 | ダイキン工業株式会社 | 診断システム、診断方法、診断プログラム、及び、空気調和機 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP4461551B2 (ja) | 2010-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11802704B2 (en) | Predictive temperature scheduling for a thermostat using machine learning | |
| JP2022500769A (ja) | 電力システム熱負荷の予測方法及び予測装置 | |
| US9488969B2 (en) | Configuring building energy management systems using knowledge encoded in building management system points lists | |
| US20220042695A1 (en) | Error correction for predictive schedules for a thermostat | |
| US20210199326A1 (en) | Thermostat scheduling using user devices and machine learning | |
| JP2019019988A (ja) | 空調運転条件作成装置、空調運転条件作成方法、プログラム、および空調システム | |
| WO2016056113A1 (ja) | 省エネルギ化診断装置、省エネルギ化診断方法およびプログラム | |
| CN113685962B (zh) | 一种基于相关性分析的机房温度高效控制方法及其系统 | |
| US11609014B2 (en) | Predictive presence scheduling for a thermostat using machine learning | |
| CN110736225A (zh) | 空调的控制方法和装置 | |
| CN111156657A (zh) | 空调结霜状态确定方法和装置 | |
| KR101727434B1 (ko) | 랜덤 포레스트 모델을 이용한 냉동기의 성능 판단 방법 | |
| CN112329813B (zh) | 一种能耗预测用特征提取方法及系统 | |
| JP2001227792A (ja) | 空調負荷予測方法およびその装置 | |
| CN115127192B (zh) | 基于图神经网络的半监督的冷水机组故障诊断方法及系统 | |
| CN113468157A (zh) | 一种基于能耗分析的相似建筑挑选方法和装置 | |
| TW202347062A (zh) | 用於半導體廠房中之等待時間預測之方法 | |
| US20210117861A1 (en) | Machine learning variable selection and root cause discovery by cumulative prediction | |
| JP2000276460A (ja) | 電力需要量予測方法 | |
| NL2028971A (en) | System and method for recognizing dynamic anomalies of multiple livestock equipment in smart farm system | |
| CN112686442A (zh) | 基于运行多样性空调末端能耗预测方法和系统 | |
| CN117494546A (zh) | 数据驱动的空调设定温度相关性仿真方法、设备和介质 | |
| KR102145402B1 (ko) | 건물 리트로핏을 위하여 에너지 절감 조치를 결정하는 장치 및 방법 | |
| Platon et al. | CBR model for predicting a building’s electricity use: on-line implementation in the absence of historical data | |
| CN113254876B (zh) | 一种空调能耗数据确定方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20060928 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20080904 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080909 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090309 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090410 |
|
| RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20090529 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20090804 |
|
| RD05 | Notification of revocation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7425 Effective date: 20090918 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20091028 |
|
| A911 | Transfer of reconsideration by examiner before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20091111 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20100126 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20100208 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130226 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130226 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140226 Year of fee payment: 4 |
|
| LAPS | Cancellation because of no payment of annual fees |