JP2020088944A - Power demand prediction device, power demand prediction method, and program therefor - Google Patents
Power demand prediction device, power demand prediction method, and program therefor Download PDFInfo
- Publication number
- JP2020088944A JP2020088944A JP2018216271A JP2018216271A JP2020088944A JP 2020088944 A JP2020088944 A JP 2020088944A JP 2018216271 A JP2018216271 A JP 2018216271A JP 2018216271 A JP2018216271 A JP 2018216271A JP 2020088944 A JP2020088944 A JP 2020088944A
- Authority
- JP
- Japan
- Prior art keywords
- data
- power demand
- weather forecast
- forecast
- weather
- 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
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
- Y02A30/00—Adapting or protecting infrastructure or their operation
Abstract
Description
本発明は、電力需要を予測する電力需要予測装置、電力需要予測方法およびコンピュータプログラムに関する。 The present invention relates to a power demand prediction device, a power demand prediction method, and a computer program that predict power demand.
安全性および経済性を考慮した発電機の運用計画を立てる上で重要な役目を持つ電力需要予測は、従来から様々な研究開発が行われてきている。電力需要を予測する方法として、大きく二つの方法がある。まず一つ目は、電力需要と関係性の強い予測因子（例えば、気温や湿度）と、電力需要との関係を、重回帰式やニューラルネットワークなどを用いて予測モデルとして構築する方法である。その予測モデルと予測因子から電力需要予測を得る。例えば、特許文献１は、重回帰分析を用いて、説明変数と目的関数との関係を線形関数にてモデル化している。 Various electric power demand forecasts, which have an important role in making a generator operation plan in consideration of safety and economy, have been researched and developed. There are roughly two methods for predicting power demand. The first is a method of constructing a relationship between a power factor and a predictor having a strong relationship with the power demand (for example, temperature and humidity) as a prediction model by using a multiple regression equation or a neural network. The power demand forecast is obtained from the forecast model and the forecast factors. For example, Patent Document 1 uses multiple regression analysis to model the relationship between an explanatory variable and an objective function with a linear function.
次に二つ目は、過去の電力需要量が予測対象日の電力需要量に類似すると推定される日を類似日として抽出する方法である。例えば、特許文献２では、予測日と条件（曜日や気象条件）が類似する類似日の電力量実績を抽出する抽出部と、抽出された類似日の電力量実績を用いて、前記予測日の電力量の予測値を算出している。 Next, the second method is to extract a day on which the past power demand is estimated to be similar to the power demand on the prediction target day as a similar day. For example, in Patent Document 2, the prediction date is calculated by using an extraction unit that extracts the electric energy record of a similar day whose condition (day of week or weather condition) is similar to the predicted date The predicted value of electric energy is calculated.
しかしながら、従来の方法では、電力需要予測の予測精度は、その予測因子である気象予報の予報精度に依存するという課題がある。つまり、気象予報が外れた場合には電力需要予測も外れやすい。 However, the conventional method has a problem that the prediction accuracy of the power demand prediction depends on the prediction accuracy of the weather forecast, which is the prediction factor. That is, if the weather forecast is missed, the power demand forecast is also missed easily.
本発明の電力需要予測装置は、電力需要予測に影響を与える要因である気象予報データを複数種類の気象予報手段から取得する気象予報取得部と、前記複数種類の気象予報データを統合するデータ統合部と、過去の電力需要データと、過去の気象実績データと、前記統合した気象予報データを用いて、電力需要予測を行う電力需要予測部と、を有することを特徴とする。 The power demand prediction apparatus of the present invention includes a weather forecast acquisition unit that acquires weather forecast data, which is a factor affecting power demand forecast, from a plurality of types of weather forecast means, and data integration that integrates the plurality of types of weather forecast data. Unit, past power demand data, past meteorological record data, and a power demand forecasting unit that forecasts power demand using the integrated weather forecast data.
本発明は、気象予報の予報精度に依存しにくい電力需要予測装置を提供することである。 An object of the present invention is to provide a power demand prediction device that does not easily depend on the forecast accuracy of weather forecasts.
図１は、本発明における電力需要予測装置１００の機能構成図である。電力需要予測装置１００は、複数の気象予報提供者１〜３（サーバ）および電力会社サーバ１０と、ネットワーク２０を介して接続される。電力需要予測装置１００は、データ入力部１３０、データベース１４０、前処理部１５０、データ統合部１６０および電力需要予測部１７０から構成される。 FIG. 1 is a functional configuration diagram of a power demand prediction device 100 according to the present invention. The power demand prediction apparatus 100 is connected to a plurality of weather forecast providers 1 to 3 (servers) and a power company server 10 via a network 20. The power demand prediction device 100 includes a data input unit 130, a database 140, a preprocessing unit 150, a data integration unit 160, and a power demand prediction unit 170.
データ入力部１３０は、ネットワーク２０を介して、複数の気象予報提供者１〜３（サーバ）から気象予報データを取得する。気象予報データは、ある特定の地域における気温、湿度、日射量、天気（晴れ、曇り、雨、雪、台風等）、気圧、雲量、風速、風向、降水量等の一つまたは複数を含む。気象予報提供者１〜３は、気象庁や民間の気象予報事業者である。データ入力部１３０は、ネットワーク２０を介して、電力会社サーバ１０から、電力需要実績データを取得する。電力会社サーバ10には、ある特定の地域における電力系統で消費された電力量である電力需要実績データが格納されている。データ入力部１３０は、ネットワーク２０を介して例えば気象庁のサーバから気象実績データを取得する。
データベース１４０は、電力需要実績データ１４１、気象実績データ１４２、気象予報データ１４３を記憶する。
The data input unit 130 acquires weather forecast data from a plurality of weather forecast providers 1 to 3 (server) via the network 20. The weather forecast data includes one or more of temperature, humidity, insolation, weather (clear, cloudy, rain, snow, typhoon, etc.), atmospheric pressure, cloud cover, wind speed, wind direction, precipitation, etc. in a specific area. The weather forecast providers 1 to 3 are meteorological agency and private weather forecast business operators. The data input unit 130 acquires the power demand record data from the power company server 10 via the network 20. The electric power company server 10 stores electric power demand performance data, which is the amount of electric power consumed in the electric power system in a specific area. The data input unit 130 acquires meteorological achievement data from a server of the Meteorological Agency, for example, via the network 20.
The database 140 stores power demand record data 141, weather record data 142, and weather forecast data 143.
前処理部１５０は、データ入力部１３０で取得した気象予報データ、気象実績データの前処理として、各データを取得した日時およびデータ形式を揃える。例えば、複数の気象予報提供者からの気象予報データのデータ形式を揃える場合は、気象予報の気温、湿度、などのデータ順序および個数を揃える。気象予報データおよび気象実績データのなかに、異常値や外れ値が含まれる場合には削除することが望ましい。異常値とは、計測、記入ミスなどが原因で起こる異常な値である。異常値の判定には、予め定められた数値範囲を外れているか否かで判定してもよい。また、外れ値とは、統計において他の値から大きく外れる値である。異常値の判定は、公知の技術である、スミルノフ・グラブス検定などの統計手法を用いてもよい。 The preprocessing unit 150 arranges the date and time when each data is acquired and the data format as the preprocessing of the weather forecast data and the meteorological performance data acquired by the data input unit 130. For example, when aligning the data formats of the weather forecast data from a plurality of weather forecast providers, the data order and number of the weather forecast temperature, humidity, etc. are aligned. If the weather forecast data and the actual weather data include abnormal values or outliers, it is desirable to delete them. An abnormal value is an abnormal value that is caused by a measurement or a mistake in writing. To determine the abnormal value, it may be determined whether it is out of a predetermined numerical range. The outlier is a value that greatly deviates from other values in statistics. For the determination of the abnormal value, a statistical technique such as Smirnov-Grubbs test, which is a known technique, may be used.
データ統合部１６０は、複数の気象予報提供者からの気象予報データを統合し、１つの気象予報データに加工する。詳細は後述する。
電力需要予測部１７０は、電力需要実績データ、気象実績データおよび気象予報データから、電力需要を予測する。予測方法は、前述したが、構築した予測モデル用いる方法または類似日を抽出する方法がある。まず一つ目は、電力需要と関係性の強い予測因子（例えば、気温や湿度）と、電力需要との関係を、重回帰式やニューラルネットワークなどを用いて予測モデルとして構築する方法である。その予測モデルと予測因子から電力需要予測を得る。例えば、特許文献１は、重回帰分析を用いて、説明変数と目的関数との関係を線形関数にてモデル化している。次に二つ目は、過去の電力需要量が予測対象日の電力需要量に類似すると推定される日を類似日として抽出する方法である。例えば、特許文献２では、予測日と条件（曜日や気象条件）が類似する類似日の電力量実績を抽出する抽出部と、抽出された類似日の電力量実績を用いて、前記予測日の電力量の予測値を算出している。
The data integration unit 160 integrates the weather forecast data from a plurality of weather forecast providers and processes it into one weather forecast data. Details will be described later.
The power demand prediction unit 170 predicts power demand from the power demand record data, the weather record data, and the weather forecast data. As the prediction method, as described above, there is a method of using the constructed prediction model or a method of extracting similar days. The first is a method of constructing a relationship between a power factor and a predictor having a strong relationship with the power demand (for example, temperature and humidity) as a prediction model by using a multiple regression equation or a neural network. The power demand forecast is obtained from the forecast model and the forecast factors. For example, Patent Document 1 uses multiple regression analysis to model the relationship between an explanatory variable and an objective function with a linear function. Next, the second method is to extract a day on which the past power demand is estimated to be similar to the power demand on the prediction target day as a similar day. For example, in Patent Document 2, the prediction date is calculated by using an extraction unit that extracts the electric energy record of a similar day whose condition (day of week or weather condition) is similar to the predicted date and the extracted electric energy record of a similar day. The predicted value of electric energy is calculated.
図２は、本発明における電力需要予測装置１００のハードウェアの一例を示す図である。電力需要予測装置１００は、ＣＰＵ１０１（中央演算装置）、記憶部１０２、ネットワークＩ／Ｆ１０３（ネットワークインターフェース）、入力Ｉ／Ｆ１０４（入力インターフェース）、および出力Ｉ／Ｆ１０５（出力インターフェース）を備える。電力需要予測装置１００は、パーソナルコンピュータ、サーバ、またはワークステーション等の情報処理装置、すなわち、コンピュータである。 FIG. 2 is a diagram showing an example of hardware of the power demand prediction device 100 according to the present invention. The power demand prediction device 100 includes a CPU 101 (central processing unit), a storage unit 102, a network I/F 103 (network interface), an input I/F 104 (input interface), and an output I/F 105 (output interface). The power demand prediction device 100 is an information processing device such as a personal computer, a server, or a workstation, that is, a computer.
ＣＰＵ１０１は、電力需要予測装置１００が実行する各種処理および各種制御を実現するための演算と各種データの加工とを行う演算装置である。さらに、ＣＰＵ１０１は、電力需要予測装置１００が有するハードウェアを制御する制御装置である。
記憶部１０２は、電力需要予測装置１００が使うデータ、プログラムおよび設定値等を記憶する。また、記憶部１０２は、いわゆるメモリ等である。なお、記憶部１０２は、ハードディスク（ｈａｒｄｄｉｓｋ）等の補助記憶装置等を有してもよい。プログラムは、電力需要予測プログラムであり、コンピュータを、予測対象日における電力需要予測する電力需要予測部として機能させる。
The CPU 101 is an arithmetic unit that performs arithmetic operations for implementing various processes and various controls executed by the power demand prediction apparatus 100 and processes various data. Further, the CPU 101 is a control device that controls the hardware included in the power demand prediction device 100.
The storage unit 102 stores data, programs, set values, and the like used by the power demand prediction device 100. The storage unit 102 is a so-called memory or the like. The storage unit 102 may include an auxiliary storage device such as a hard disk. The program is a power demand forecasting program, and causes the computer to function as a power demand forecasting unit that forecasts power demand on the forecast target day.
ネットワークＩ／Ｆ１０３は、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等のネットワークを介して接続される装置との間で各種データ等を送受信するためのネットワークインターフェースである。例えば、ネットワークＩ／Ｆ１０３は、ＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃｏｎｔｒｏｌｌｅｒ）およびＬＡＮケーブルを接続させるコネクタ等である。なお、ネットワークＩ／Ｆ１０３は、ネットワークを利用するＩ／Ｆに限られず、ケーブル、無線又はコネクタ等によって外部装置と送受信するＩ／Ｆであってもよい。 The network I/F 103 is a network interface for transmitting and receiving various data and the like to and from devices connected via a network such as a LAN (Local Area Network). For example, the network I/F 103 is a connector or the like for connecting a NIC (Network Interface Controller) and a LAN cable. The network I/F 103 is not limited to an I/F that uses a network, but may be an I/F that transmits/receives data to/from an external device via a cable, a radio, a connector, or the like.
入力Ｉ／Ｆ１０４および出力Ｉ／Ｆ１０５は、電力需要予測装置１００を使うユーザとのインターフェースである。具体的には、入力Ｉ／Ｆ１０４はユーザの設定を受け入れ、出力Ｉ／Ｆ１０５は、電力需要予測装置１００が行う各種処理の処理結果等をユーザに出力する。例えば、出力Ｉ／Ｆ１０５は、ディスプレイ等の出力装置および出力装置を電力需要予測装置１００に接続させるコネクタ等である。
なお、電力需要予測装置１００は、各ハードウェア資源による処理等を補助する補助装置を更に有する構成でもよい。また、電力需要予測装置１００は、各種処理を並列、冗長又は分散して処理する構成でもよい。さらに、電力需要予測装置１００は、複数の情報処理装置で構成されてもよい。
The input I/F 104 and the output I/F 105 are interfaces with a user who uses the power demand prediction device 100. Specifically, the input I/F 104 accepts the setting made by the user, and the output I/F 105 outputs the processing results of various processes performed by the power demand prediction apparatus 100 to the user. For example, the output I/F 105 is an output device such as a display and a connector that connects the output device to the power demand prediction device 100.
The power demand prediction apparatus 100 may be configured to further include an auxiliary device that assists processing and the like by each hardware resource. Moreover, the power demand prediction apparatus 100 may be configured to perform various processes in parallel, redundantly, or in a distributed manner. Further, the power demand prediction device 100 may be configured with a plurality of information processing devices.
図３は、本発明の実施形態における電力需要予測装置１００の全体処理の一例を示すフローチャートである。
データ入力部１３０は、電力需要実績データ１４１、過去の気象実績データ１４２を取得する（ステップＳ１）。
さらに、データ入力部１３０は、複数の気象予報提供者からの気象予報データ１４３を取得する（ステップＳ２）。
前処理部１５０は、複数の気象予報データ１４３に含まれる気象要因データ（気温、湿度、天気等）の順序やデータ数を揃えたデータ形式で、気象予報データＸを生成し、気象予報データＸをデータベースに格納する。また、前処理部１５０は、気象予報データに加えて気象実績データのデータ形式も同様に揃える。同時に異常値や外れ値の判断を行い、それらの値は消去してもよい。（ステップＳ３）。
データ統合部１６０は、データ形式が揃った複数の気象予報データXを入力とし、気象予報統合値Yを演算し、出力する（ステップＳ４）。
FIG. 3 is a flowchart showing an example of overall processing of the power demand prediction device 100 according to the embodiment of the present invention.
The data input unit 130 acquires the power demand record data 141 and the past weather record data 142 (step S1).
Further, the data input unit 130 acquires the weather forecast data 143 from a plurality of weather forecast providers (step S2).
The preprocessing unit 150 generates the weather forecast data X in a data format in which the order and the number of pieces of weather factor data (temperature, humidity, weather, etc.) included in the plurality of weather forecast data 143 are arranged, and the weather forecast data X is generated. Is stored in the database. In addition to the weather forecast data, the preprocessing unit 150 also prepares the data format of the actual weather data. At the same time, abnormal values and outliers may be determined and those values may be deleted. (Step S3).
The data integration unit 160 receives a plurality of weather forecast data X having a uniform data format as input, calculates a weather forecast integrated value Y, and outputs it (step S4).
電力需要予測部１７０は、過去の電力需要実績データ１４１、過去の気象実績データ１４２および統合した気象予報統合値Yを入力として、電力需要予測値を演算し、出力する（ステップＳ５）。
次に、データ統合部１６０での処理内容を詳しく説明する。ここで、気象予報事業者数はMとする。また、需要予測に影響を与える要因のうち、気象に関する要因である気象要因の数はNとする（気象要因の例：前日10時の気温、湿度、最高気温等）。
データ統合部１６０は、式１に示すように、前処理部１５０で生成した気象予報データXの重み付き平均をとり、Yを出力する。ここで、Yは気象予報統合値、Rは重み付き平均の重み、Xは前処理部１５０で生成した複数の気象予報データを表す。
The power demand prediction unit 170 receives the past power demand record data 141, the past meteorological record data 142, and the integrated weather forecast integrated value Y, calculates a power demand forecast value, and outputs it (step S5).
Next, the processing content of the data integration unit 160 will be described in detail. Here, the number of weather forecast business operators is M. In addition, the number of meteorological factors that are weather-related factors among the factors that affect the demand forecast is N (examples of meteorological factors: temperature, humidity, maximum temperature at 10:00 on the previous day, etc.).
As shown in Expression 1, the data integration unit 160 takes a weighted average of the weather forecast data X generated by the preprocessing unit 150, and outputs Y. Here, Y represents a weather forecast integrated value, R represents a weight of the weighted average, and X represents a plurality of weather forecast data generated by the preprocessing unit 150.
気象予報統合値Yは、式２に示すように要素N個のベクトルとなる。例えば、気象要因が気温と湿度の２つの場合は、N=2となる。Tは転置行列を表す。 The weather forecast integrated value Y is a vector with N elements as shown in Expression 2. For example, if the weather factors are temperature and humidity, N=2. T represents a transposed matrix.
複数の気象予報データXは、式３、４に示すように要素M個のベクトルがN個含まれる行列となる。つまり、複数の気象予報データXは、（M×N）行１列の行列となる。 The plurality of meteorological forecast data X is a matrix including N vectors of M elements as shown in Expressions 3 and 4. That is, the plurality of weather forecast data X is a matrix of (M×N) rows and 1 column.
式５，６に示すように、重み行列Rは、N行（N×M）列の行列となる。 As shown in Expressions 5 and 6, the weight matrix R is a matrix of N rows (N×M) columns.
＜実施例１＞
データ統合部１６０で用いる重みRの設定方法の実施例１を説明する。実施例１では、M個の気象予報値の単純平均を取ることで、統合を行う。
<Example 1>
A first embodiment of a method of setting the weight R used in the data integration unit 160 will be described. In the first embodiment, integration is performed by taking a simple average of M weather forecast values.
図４は、データ統合部１６０の機能構成を表した図である。データ統合部１６０に、重みRと気象予報データXが入力され、乗算部にて、RとXの乗算を行い、気象予報統合値Yが出力される。 FIG. 4 is a diagram showing a functional configuration of the data integration unit 160. The weight R and the weather forecast data X are input to the data integration unit 160, the multiplication unit multiplies R and X, and the integrated weather forecast value Y is output.
重みRの要素ｒｎ１〜ｒｎMは、式７、８に示す条件にて予め設定されデータベース１４０に格納されている。例えば、気象予報事業者数Mが3、気象要因数Nが2の場合は、式９に示すように、各気象要因に対する重みは1/3に設定される。重みRは、予めユーザに設定されデータベース１４０に格納されていてもよい。 The elements rn1 to rnM of the weight R are preset under the conditions shown in Expressions 7 and 8 and stored in the database 140. For example, when the number M of weather forecast business operators is 3 and the number N of weather factors is 2, the weight for each weather factor is set to 1/3 as shown in Expression 9. The weight R may be set in advance by the user and stored in the database 140.
図５は、本発明の実施例１におけるデータ統合部１６０のフローチャートである。
データ統合部１６０は、重みRおよび気象予報データXをデータベース１４０から取得する（ステップＳ１１）。
データ統合部１６０は重み行列Rと気象予報行列Xの乗算をする（ステップＳ１２）。
データ統合部１６０は統合後気象予報行列Yを出力する（ステップＳ１３）。
次に数値例を用いて説明する。気象予報提供者が３社（M=3）あり、気象要因は気温と湿度の２つ（N=2）であり、気象予報データXや重みRが式１０で表される場合、気象予報統合値Yは式１で計算され、式１１のようになる。
FIG. 5 is a flowchart of the data integration unit 160 according to the first embodiment of the present invention.
The data integration unit 160 acquires the weight R and the weather forecast data X from the database 140 (step S11).
The data integration unit 160 multiplies the weight matrix R and the weather forecast matrix X (step S12).
The data integration unit 160 outputs the integrated weather forecast matrix Y (step S13).
Next, a numerical example will be described. If there are three weather forecast providers (M=3), the weather factors are two of temperature and humidity (N=2), and the weather forecast data X and the weight R are expressed by Equation 10, the weather forecast integration is performed. The value Y is calculated by Equation 1 and becomes Equation 11.
実施例１におけるデータ統合部１６０によると、各気象予報値の平均をとることで、気象予報が外れた場合の影響を受けにくい気象予報統合値を得ることができ、その気象予報統合値を用いた需要予測手法においては気象予報精度に依存しにくい結果を得ることが可能となる。
＜実施例２＞
データ統合部１６０で用いる重みRの設定方法についての実施例２を説明する。実施例１では、M個の気象予報値の単純平均を取ることで統合を行ったが、実施例２では、過去のある期間において、各気象予報の精度を評価し、予報精度が高い気象予報データの重みを大きくすることで統合をする。
本発明の実施例２における電力需要予測装置１００の機能構成を図６に示す。図１との違いは、データベース１４０に格納するデータに、気象予報の過去データ１４４と評価期間情報T１４５が追加となった点と、データ統合部１６０から１６０ｂとなった点である。その他の構成は同じであるため、説明は省略する。
図７は、データ統合部１６０ｂの機能構成を表した図である。データ統合部１６０ｂに、評価期間情報T１４５、気象予報の過去データ１４４、気象実績データ１４２および気象予報データXが入力され、予測精度評価部１６０２と乗算部１６０１を経て、その結果である気象予報統合値Yが出力される。気象予報の過去データ１４４は、気象予報データXを評価期間情報Tのデータ分だけ記憶部に記憶させておいたものを用いてもよい。
予測精度評価部１６０２では、評価期間Ｔにおける気象予報の精度を評価する。具体的には、気象予報の過去データと気象実績データの差（誤差）を算出し、気象予報の誤差の大きさを算出・比較する。予測精度評価部１６０２の結果は、重みRとして出力する。
下記フローチャートを用いて、詳細に説明をする。
図８は、本発明の実施例２におけるデータ統合部１６０ｂのフローチャートである。
データ統合部１６０ｂは、評価期間情報T１４５、気象実績データ１４２、過去の気象予報データ１４４および、気象予報データXをデータベース１４０から取得する（ステップＳ２１）。
データ統合部１６０ｂは、重みRの全ての要素を０に初期化する（ステップＳ２２）。
予測精度評価部１６０２は、全ての気象予報提供会社のデータに関して、全ての気象要因についての、評価期間Ｔにおける過去の気象予報データと気象実績データの誤差を算出する（ステップＳ２３〜２６）。
予測精度評価部１６０２は、ある特定の気象要因について誤差をＭ個分算出した後に、その中で最も誤差が小さい気象予報提供者の重みＲを大きく設定する（ステップＳ２７）。
データ統合部１６０ｂは、重み行列Rと気象予報データXの乗算をする（ステップＳ２９）。
データ統合部１６０ｂは統合後気象予報行列Yを出力する（ステップＳ３０）。
次に、数値を用いた具体例を説明する。気象要因が“10時における気温”と“湿度”の２つ（N=2）で、気象予報提供者数が３（M=3）である場合、気象予報データXは例えば式１２のように表される。
According to the data integration unit 160 in the first embodiment, by averaging each weather forecast value, it is possible to obtain a weather forecast integrated value that is unlikely to be affected when the weather forecast goes wrong, and use the weather forecast integrated value. It is possible to obtain results that are difficult to depend on the accuracy of the weather forecast with the conventional demand forecasting method.
<Example 2>
A second embodiment of a method of setting the weight R used in the data integration unit 160 will be described. In the first embodiment, the integration is performed by taking a simple average of the M weather forecast values, but in the second embodiment, the accuracy of each weather forecast is evaluated in a certain past period, and the weather forecast with high forecast accuracy is obtained. Integration is performed by increasing the weight of data.
FIG. 6 shows a functional configuration of the power demand prediction device 100 according to the second embodiment of the present invention. The difference from FIG. 1 is that the past data 144 of the weather forecast and the evaluation period information T145 are added to the data stored in the database 140, and that the data integration unit 160 to 160b is added. Since other configurations are the same, the description is omitted.
FIG. 7 is a diagram showing the functional configuration of the data integration unit 160b. The evaluation period information T145, the weather forecast past data 144, the meteorological achievement data 142, and the meteorological forecast data X are input to the data integration section 160b, and the results are passed through the prediction accuracy evaluation section 1602 and the multiplication section 1601 and the result is the meteorological forecast integration. The value Y is output. As the past data 144 of the weather forecast, data obtained by storing the weather forecast data X for the data of the evaluation period information T in the storage unit may be used.
The prediction accuracy evaluation unit 1602 evaluates the accuracy of the weather forecast during the evaluation period T. Specifically, the difference (error) between the past data of the weather forecast and the actual weather data is calculated, and the magnitude of the error of the weather forecast is calculated and compared. The result of the prediction accuracy evaluation unit 1602 is output as the weight R.
Details will be described with reference to the following flowchart.
FIG. 8 is a flowchart of the data integration unit 160b according to the second embodiment of the present invention.
The data integration unit 160b acquires the evaluation period information T145, the meteorological record data 142, the past weather forecast data 144, and the weather forecast data X from the database 140 (step S21).
The data integration unit 160b initializes all the elements of the weight R to 0 (step S22).
The prediction accuracy evaluation unit 1602 calculates the error between the past weather forecast data and the meteorological performance data in the evaluation period T for all the weather factors for the data of all the weather forecast providing companies (steps S23 to 26).
The prediction accuracy evaluation unit 1602 calculates M errors for a specific weather factor, and then sets a large weight R for the weather forecast provider having the smallest error among them (step S27).
The data integration unit 160b multiplies the weight matrix R and the weather forecast data X (step S29).
The data integration unit 160b outputs the integrated weather forecast matrix Y (step S30).
Next, a specific example using numerical values will be described. When there are two weather factors (temperature at 10 o'clock and humidity) (N=2) and the number of weather forecast providers is 3 (M=3), the weather forecast data X is, for example, as shown in Equation 12. expressed.
また、“10時の気温”の実績値と、“10時の気温”を予報した過去の予報値１〜３は、評価期間Tが2017年12月1日から13日の13日間である場合は、表１に示すようなデータとなる。 In addition, the actual value of "temperature at 10:00" and the past forecast values 1 to 3 that predict "temperature at 10:00" indicate that the evaluation period T is 13 days from December 1 to 13, 2017. Is data as shown in Table 1.
予測精度評価部１６０２は、例えば表２に示す誤差指標の式を用いて、ａとｂに実績データと予測データをそれぞれ当てはめることで、評価期間Tにおける各気象予報提供者が提供した予報値１〜３の評価を行う。 The prediction accuracy evaluation unit 1602 applies the actual data and the prediction data to a and b, respectively, using the formula of the error index shown in Table 2, for example, to obtain the forecast value 1 provided by each weather forecast provider in the evaluation period T. ~3 is evaluated.
その結果は、例えば表３のように、各予報値１〜３の誤差指標が計算される。誤差を表す、平均誤差（ＭＥ）、平均絶対誤差（ＭＡＥ）、平均誤差率（ＭＰＥ）、平均絶対誤差率（ＭＡＰＥ）、平均二乗誤差（ＭＳＥ）、平均平方二乗誤差（ＲＭＳＥ）、および平均平方二乗誤差率（ＲＭＳＰＥ）は、０に近いほど、誤差が小さく予測精度が高いことを表す。また、誤差のばらつきを表す、標準偏差、絶対誤差の標準偏差、誤差率の標準偏差および絶対誤差率の標準偏差の指標値は値が小さいほど誤差のばらつきが少なく、予測精度が高いことを表す。誤差のばらつきを表す指標値（標準偏差、絶対誤差の標準偏差、誤差率の標準偏差および絶対誤差率の標準偏差）は、誤差を表す指標値（平均誤差、平均絶対誤差、平均誤差率、平均絶対誤差率、平均二乗誤差、平均平方二乗誤差、および平均平方二乗誤差率）と併用することで、より予測精度が高い評価を行うことができる。例えば、誤差が少なく、誤差のばらつきが少ない予測値が最も精度が高いと評価できる。
その結果を用いて、予測精度評価部１６０２は、予報値１〜３から算出した誤差指標のなかで、最も予測精度が高いと思われる予報値を選定し、その重みを“１”とする。予報値１〜３に対する誤差指標の結果を比較し、誤差を表す指標値（平均誤差、平均絶対誤差、平均誤差率、平均絶対誤差率、平均二乗誤差、平均平方二乗誤差、および平均平方二乗誤差率）は最も０に近い結果が出ている予報値１が最も精度が高いといえる。本実施例では、予測精度評価部１６０２が算出した誤差指標のなかで、ある特定の気象予報提供者の重みは１と設定し、その他の重みは０に設定する。その結果、式１３のRの１行１列の要素に重み“１”が入る。次の気象因子である湿度に関しても、気温と同様に、各予報値の予測精度の評価を行い、最も予測精度が高い予報値３の重みを“１”に設定する。その結果、式１３のRの２行６列の要素に重み“１”が入る。 Using the result, the prediction accuracy evaluation unit 1602 selects the prediction value that is considered to have the highest prediction accuracy among the error indexes calculated from the prediction values 1 to 3, and sets the weight to "1". The result of the error index for forecast values 1 to 3 is compared, and the index value indicating the error (average error, average absolute error, average error rate, average absolute error rate, average squared error, average squared squared error, and average squared squared error) It can be said that the forecast value 1 is the most accurate because the rate is closest to 0. In the present embodiment, among the error indexes calculated by the prediction accuracy evaluation unit 1602, the weight of a specific weather forecast provider is set to 1 and the other weights are set to 0. As a result, a weight “1” is entered in the element of row 1, column 1 of R in equation 13. Regarding the next meteorological factor, humidity, similarly to the temperature, the prediction accuracy of each prediction value is evaluated, and the weight of the prediction value 3 having the highest prediction accuracy is set to "1". As a result, the weight “1” is entered in the element in the 2nd row and the 6th column of R in Expression 13.
予測精度評価部１６０２が設定した式１３に示す重みRと式１２に示す予報値データXを乗算し、式１４のように統合値Yを出力する。 The prediction accuracy evaluation unit 1602 multiplies the weight R shown in Expression 13 and the forecast value data X shown in Expression 12 and outputs the integrated value Y as shown in Expression 14.
以上実施例２におけるデータ統合部によると、各気象因子において、評価期間内の最も予測精度が高い予報値を選択することで、気象因子全体として気象予報の精度を高いデータとして統合することができる。
＜実施例３＞
データ統合部１６０で用いる重みRの設定方法についての実施例３を説明する。実施例３は、過去のある評価期間において、予報精度に関する評価が最大となるように重みRを決定する。
本発明の実施例３における電力需要予測装置１００の機能構成を図９に示す。図６との違いは、データ統合部１６０ｂから１６０ｃとなった点である。その他の構成は同じであるため、説明は省略する。
図１０は、データ統合部１６０ｃの機能構成を表した図である。データ統合部１６０ｃに、評価期間情報T１４５、気象予報の過去データ１４４、気象実績データ１４２および気象予報データXが入力され、最適化部１６０３と乗算部１６０１を経て、その結果である気象予報統合値Yが出力される。
最適化部１６０３では、過去のある期間において、予報精度に関する評価が最大となるように重みRを決定する。具体的には、式１５に示す、気象予報の過去データと気象実績データの差（誤差）の総和をとる誤差評価関数を目的関数とし、式１６、１７を制約条件とし、重みRを決定変数とした最小化問題を解く。最適化部１６０３の結果は、重みRとして出力する。
As described above, according to the data integration unit in the second embodiment, by selecting the forecast value having the highest prediction accuracy within the evaluation period for each meteorological factor, it is possible to integrate the meteorological factor as a whole with high accuracy of the weather forecast. ..
<Example 3>
A third embodiment of a method of setting the weight R used in the data integration unit 160 will be described. In the third embodiment, the weight R is determined so that the evaluation regarding the forecast accuracy is maximized during a certain evaluation period in the past.
FIG. 9 shows a functional configuration of the power demand prediction apparatus 100 according to the third embodiment of the present invention. The difference from FIG. 6 is that the data integration unit 160b is changed to 160c. Since other configurations are the same, the description is omitted.
FIG. 10 is a diagram showing the functional configuration of the data integration unit 160c. The evaluation period information T145, the weather forecast past data 144, the meteorological result data 142, and the meteorological forecast data X are input to the data integrating section 160c, and the result is passed through the optimizing section 1603 and the multiplying section 1601 and the resultant meteorological forecast value. Y is output.
The optimization unit 1603 determines the weight R so that the evaluation regarding the forecast accuracy is maximized in a certain past period. Specifically, the error evaluation function that sums the difference (error) between the past data of the weather forecast and the meteorological performance data shown in Expression 15 is used as an objective function, Expressions 16 and 17 are used as constraint conditions, and the weight R is a decision variable. And solve the minimization problem. The result of the optimization unit 1603 is output as the weight R.
下記フローチャートを用いて、詳細に説明をする。
図１１は、本発明の実施例３におけるデータ統合部１６０ｃのフローチャートである。
データ統合部１６０ｃは、評価期間情報T１４５、気象実績データ１４２、過去の気象予報データ１４４および、気象予報データXをデータベース１４０から取得する（ステップＳ３１）。
データ統合部１６０ｃは、重みRの全ての要素を０に初期化する（ステップＳ３２）。
最適化部１６０３は、過去の評価期間Ｔにおける気象予報値の統合値と実績値の誤差評価関数が最小となる重みRを、気象要因毎に求める（ステップＳ３３〜３５）。
乗算部１６０１は、重み行列Rと気象予報データXの乗算をする（ステップＳ３６）。
データ統合部１６０ｃは統合後気象予報行列Yを出力する（ステップＳ３７）。
以上の実施例３におけるデータ統合部１６０ｃによると、各気象因子において、過去の評価期間内で過去の気象予報データXを統合した、過去の気象予報統合値Yと気象の実績値とが最も近くなるように重みRを求めることでき、そのため将来の気象予報統合値Yを精度よく求めることができる重みRを設定することができる。
上記の実施例では、複数の気象予報提供サーバを備える場合を示したが、電力需要予測装置１００が気象予報手段を持ち、その手段によるデータを用いてもよい。
上記の実施例では、全ての気象要因についての評価を行う場合について記載したが、全ての気象要因ではなくある特定の気象要因についての評価を行ってもよい。例えば、電力需要に影響を大きく与える気象要因に対し、誤差評価を行い、その評価結果を他の気象要因に対する重みを用いてもよい。
A detailed description will be given using the following flowchart.
FIG. 11 is a flowchart of the data integration unit 160c in the third embodiment of the present invention.
The data integration unit 160c acquires the evaluation period information T145, the meteorological record data 142, the past meteorological forecast data 144, and the meteorological forecast data X from the database 140 (step S31).
The data integration unit 160c initializes all the elements of the weight R to 0 (step S32).
The optimization unit 1603 obtains, for each weather factor, the weight R that minimizes the error evaluation function between the integrated value of the weather forecast values and the actual value in the past evaluation period T (steps S33 to S35).
The multiplication unit 1601 multiplies the weight matrix R and the weather forecast data X (step S36).
The data integration unit 160c outputs the integrated weather forecast matrix Y (step S37).
According to the data integration unit 160c in the third embodiment described above, the past weather forecast integrated value Y obtained by integrating the past weather forecast data X within the past evaluation period and the past actual weather value are closest to each other for each weather factor. Therefore, the weight R can be obtained so that the weight R that can accurately obtain the future weather forecast integrated value Y can be set.
In the above embodiment, the case where a plurality of weather forecast providing servers are provided has been described, but the power demand prediction device 100 may have a weather forecast means, and data obtained by the means may be used.
In the above embodiment, the case where all the meteorological factors are evaluated has been described, but the evaluation may be performed not for all the meteorological factors but for a specific meteorological factor. For example, an error evaluation may be performed on a weather factor that greatly affects the power demand, and the evaluation result may be weighted with respect to another weather factor.
１〜３・・・気象予報提供者、１０・・・電力会社サーバ、２０・・・通信ネットワーク、１００・・・電力需要予測装置、１３０・・・データ入力部、１４０・・・データベース、１５０・・・前処理部、１６０、１６０ｂ、１６０ｃ・・データ統合部、１７０・・・電力需要予測部 1-3... Weather forecast provider, 10... Power company server, 20... Communication network, 100... Power demand forecasting device, 130... Data input unit, 140... Database, 150 ... Preprocessing unit, 160, 160b, 160c... Data integration unit, 170... Electric power demand prediction unit
Claims (8)
前記複数種類の気象予報データを統合するデータ統合部と、
過去の電力需要データと、過去の気象実績データと、前記統合した気象予報データを用いて、電力需要予測を行う電力需要予測部と、
を有することを特徴とする電力需要予測装置。 A weather forecast acquisition unit that obtains weather forecast data, which is a factor affecting the power demand forecast, from a plurality of types of weather forecast means,
A data integration unit that integrates the plurality of types of weather forecast data,
Using the past power demand data, past meteorological performance data, and the integrated weather forecast data, a power demand forecasting unit that forecasts power demand,
An electric power demand prediction apparatus comprising:
請求項１において、
前記データ統合部は、前記複数種類の予報データの重み付き平均をとることで統合することを特徴とする電力需要予測装置。 *Examples 1 to 3
In claim 1,
The data integration unit integrates by taking a weighted average of the plurality of types of forecast data to integrate the forecast data.
請求項２において、
前記データ統合部は、ある評価期間における、過去の気象実績データと、過去の気象予報値の差分から、複数種類の気象予報データの予報精度に関する評価を行い、前記評価を基に、前記複数種類の気象予報データの統合をすることを特徴とする電力需要予測装置。 *Examples 2 and 3
In claim 2,
The data integration unit evaluates the forecast accuracy of a plurality of types of weather forecast data based on a difference between past weather record data and past weather forecast values in a certain evaluation period, and based on the evaluation, the plurality of types. A power demand forecasting device characterized by integrating weather forecast data.
請求項３において、
前記データ統合部は、
前記評価の高い種類の予報データにかかる重みを前記評価が低い予報データよりも大きく設定することを特徴とする電力需要予測装置。 Example 2
In claim 3,
The data integration unit is
An electric power demand prediction apparatus, characterized in that the weight applied to the forecast data of high evaluation is set to be larger than that of the forecast data of low evaluation.
請求項３において、
前記データ統合部は、
前記予報精度に関する評価が最大となるように前記重みを決定する最適化部を有することを特徴とする電力需要予測装置。 Example 3
In claim 3,
The data integration unit is
An electric power demand prediction apparatus comprising an optimization unit that determines the weight so that the evaluation regarding the forecast accuracy is maximized.
前記データ統合部は、前記複数種類の予報データの異常値を判断し、異常値以外の予報データを統合することを特徴とする電力需要予測装置。 In Claims 1-5,
The power demand prediction device, wherein the data integration unit determines abnormal values of the plurality of types of forecast data and integrates forecast data other than the abnormal values.
前記複数種類の気象予報データを統合するデータ統合ステップと、
過去の電力需要データと、過去の気象実績データと、前記統合した気象予報データを用いて、電力需要予測を行う電力需要予測ステップと、
を備える電力需要予測方法。 A weather forecast acquisition step of obtaining weather forecast data, which is a factor affecting the power demand forecast, from a plurality of types of weather forecast means,
A data integration step of integrating the plurality of types of weather forecast data,
Using the past power demand data, past weather record data, and the integrated weather forecast data, a power demand forecasting step of forecasting power demand,
A power demand forecasting method.
電力需要予測に影響を与える要因である気象予報データを複数種類の気象予報手段から取得する気象予報取得部、前記複数種類の気象予報データを統合するデータ統合部、過去の電力需要データと、過去の気象実績データと、前記統合した気象予報データを用いて、電力需要予測を行う電力需要予測部として機能させる電力需要予測プログラム。
Computer,
A weather forecast acquisition unit that obtains weather forecast data, which is a factor affecting power demand forecast, from multiple types of weather forecast means, a data integration unit that integrates the multiple types of weather forecast data, past power demand data, and past A power demand forecasting program that functions as a power demand forecasting unit that forecasts power demand using the meteorological record data and the integrated weather forecast data.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018216271A JP7212310B2 (en) | 2018-11-19 | 2018-11-19 | Power demand forecasting device, power demand forecasting method, and program thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018216271A JP7212310B2 (en) | 2018-11-19 | 2018-11-19 | Power demand forecasting device, power demand forecasting method, and program thereof |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020088944A true JP2020088944A (en) | 2020-06-04 |
| JP7212310B2 JP7212310B2 (en) | 2023-01-25 |
Family
ID=70909242
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018216271A Active JP7212310B2 (en) | 2018-11-19 | 2018-11-19 | Power demand forecasting device, power demand forecasting method, and program thereof |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7212310B2 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115481788A (en) * | 2022-08-31 | 2022-12-16 | 北京建筑大学 | Load prediction method and system for phase change energy storage system |
| CN116805210A (en) * | 2023-08-21 | 2023-09-26 | 国网安徽省电力有限公司合肥供电公司 | Intelligent power grid risk identification management and control method based on big data |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06105465A (en) * | 1992-09-21 | 1994-04-15 | Tokyo Electric Power Co Inc:The | Maximum demand estimating method and device therefor |
| JPH08322147A (en) * | 1995-05-25 | 1996-12-03 | Hitachi Ltd | Demand prediction system |
| JP2005027417A (en) * | 2003-07-02 | 2005-01-27 | Hitachi Ltd | Synchronous rectification circuit and power supply device |
| JP2008008772A (en) * | 2006-06-29 | 2008-01-17 | Toshiba Corp | Weather forecasting system |
| JP2013121208A (en) * | 2011-12-06 | 2013-06-17 | Hitachi Ltd | Power system control system and power system control method |
| JP2016073155A (en) * | 2014-10-01 | 2016-05-09 | 中国電力株式会社 | Demand prediction device, demand prediction method, and program |
-
2018
- 2018-11-19 JP JP2018216271A patent/JP7212310B2/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06105465A (en) * | 1992-09-21 | 1994-04-15 | Tokyo Electric Power Co Inc:The | Maximum demand estimating method and device therefor |
| JPH08322147A (en) * | 1995-05-25 | 1996-12-03 | Hitachi Ltd | Demand prediction system |
| JP2005027417A (en) * | 2003-07-02 | 2005-01-27 | Hitachi Ltd | Synchronous rectification circuit and power supply device |
| JP2008008772A (en) * | 2006-06-29 | 2008-01-17 | Toshiba Corp | Weather forecasting system |
| JP2013121208A (en) * | 2011-12-06 | 2013-06-17 | Hitachi Ltd | Power system control system and power system control method |
| JP2016073155A (en) * | 2014-10-01 | 2016-05-09 | 中国電力株式会社 | Demand prediction device, demand prediction method, and program |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115481788A (en) * | 2022-08-31 | 2022-12-16 | 北京建筑大学 | Load prediction method and system for phase change energy storage system |
| CN115481788B (en) * | 2022-08-31 | 2023-08-25 | 北京建筑大学 | Phase change energy storage system load prediction method and system |
| CN116805210A (en) * | 2023-08-21 | 2023-09-26 | 国网安徽省电力有限公司合肥供电公司 | Intelligent power grid risk identification management and control method based on big data |
| CN116805210B (en) * | 2023-08-21 | 2024-01-12 | 国网安徽省电力有限公司合肥供电公司 | Intelligent power grid risk identification management and control method based on big data |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7212310B2 (en) | 2023-01-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4886322B2 (en) | Wind power generation output prediction method, wind power generation output prediction apparatus, and program | |
| CA3017229C (en) | Power consumption analyzing server and power consumption analyzing method thereof | |
| WO2013042493A1 (en) | Electric power demand forecast system and method | |
| US20020194042A1 (en) | Method of business analysis | |
| US7844427B1 (en) | Weather model predictor | |
| Nam et al. | A real-time online drought broadcast system for monitoring soil moisture index | |
| CN111045117A (en) | Climate monitoring and predicting platform | |
| CN112613642B (en) | Emergency material demand prediction method and device, storage medium and electronic equipment | |
| CN112907128A (en) | Data analysis method, device, equipment and medium based on AB test result | |
| KR20210066642A (en) | Consulting system through big data based prediction of solar power generation | |
| JP2019096164A (en) | Electric power market price predicting device, electric power market price predicting method, and electric power market price predicting program | |
| JP2020088944A (en) | Power demand prediction device, power demand prediction method, and program therefor | |
| US10998725B2 (en) | Electric power generation prediction method based on expected value calculation, electric power generation prediction system based on expected value calculation, and electric power generation prediction program product based on expected value calculation | |
| Yang et al. | Sub-minute probabilistic solar forecasting for real-time stochastic simulations | |
| JP2012253445A (en) | Traffic prediction method, device and program | |
| JP4261471B2 (en) | Distribution system load assumption method and apparatus | |
| Tang et al. | Copula-based semiparametric models for spatiotemporal data | |
| JP4956381B2 (en) | Traffic analysis apparatus, method, and program | |
| CN106803192A (en) | A kind of supporting impact evaluation method of the environment and surrounding of real estate | |
| CN102801581B (en) | Method for predicting WEB service connection success rate | |
| Vishwakarma et al. | Assessment of the performance of CMIP5 and CORDEX-SA models over the drought-prone Bundelkhand region, India | |
| JP4956380B2 (en) | Communication band calculation apparatus, method, and program | |
| CN110389947A (en) | A kind of blacklist generation method, device, equipment and medium | |
| Thomas et al. | Near-term forecasts of NEON lakes reveal gradients of environmental predictability across the US | |
| CN115453661B (en) | Weather forecasting method, weather forecasting device, weather forecasting equipment and storage medium |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211014 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220826 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220830 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221026 |
|
| 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: 20221214 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221227 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7212310 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |