JP2022552450A - 電力消費量を予測するための方法および装置、機器ならびに可読記憶媒体 - Google Patents

電力消費量を予測するための方法および装置、機器ならびに可読記憶媒体 Download PDF

Info

Publication number
JP2022552450A
JP2022552450A JP2022552128A JP2022552128A JP2022552450A JP 2022552450 A JP2022552450 A JP 2022552450A JP 2022552128 A JP2022552128 A JP 2022552128A JP 2022552128 A JP2022552128 A JP 2022552128A JP 2022552450 A JP2022552450 A JP 2022552450A
Authority
JP
Japan
Prior art keywords
variable
power consumption
discrete
continuous
time period
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
Application number
JP2022552128A
Other languages
English (en)
Inventor
チェン，チー
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Envision Digital Co Ltd
Envision Digital International Pte Ltd
Original Assignee
Shanghai Envision Digital Co Ltd
Envision Digital International Pte Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Envision Digital Co Ltd, Envision Digital International Pte Ltd filed Critical Shanghai Envision Digital Co Ltd
Publication of JP2022552450A publication Critical patent/JP2022552450A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2639—Energy management, use maximum of cheap power, keep peak load low

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Water Supply & Treatment (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Power Engineering (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

電力消費量を予測するための方法および装置、機器ならびに可読記憶媒体が提供される。前記方法は、過去の時間周期に生じた基準変数を取得するステップと；可変特性を電力消費量予測モデルに入力することによって対象時間周期の予測電力消費量を取得するステップとを含み、対象時間周期と過去の時間周期は対応関係を有し、電力消費量予測モデルはサンプル電力消費量がマークされたサンプル基準変数を訓練することによって得られる。前記方法では、過去の時間周期の離散型基準変数と連続型基準変数を含む基準変数が取得され、取得された基準変数の特性が取得され、抽出された可変特性が変数予測モデルに入力されて、対象時間周期の予測電力消費量が出力される。

Description

本発明は、電力消費量予測の分野に関し、特に、電力消費量を予測するための方法および装置、機器ならびに可読記憶媒体に関する。
社会の発展と共に、ユーザによる電気エネルギーの使用がますます注目されており、電力消費量の予測がユーザによる電気エネルギーの使用を評価するための重要な方法である。
関連技術において、ユーザの電力消費量は一般に経験に基づいて推定される。すなわち、ユーザの過去の電力消費量が時間に従ってセグメント化され、未来の対象時間周期の電力消費量が各時間周期の過去の電力消費量の絶対値と変化傾向に基づいて予測される。ユーザが今年の電力消費量に基づいて翌年の第１四半期の電力消費量を予測する例では、ユーザは今年の電力消費量を今年の４つの四半期の電力消費量にセグメント化し、今年の４つの四半期の電力消費量の絶対値と変化傾向に基づいて翌年の第１四半期の電力消費量を予測する。
しかしながら、関連技術の推定方法では、未来の電力消費量は今年の電力消費量とセグメント化された電力消費量によってのみ推定される。評価用のパラメータがわずかなために、未来の電力消費量の予測は不正確である。
本発明は、電力消費量を予測するための方法および装置、機器ならびに可読記憶媒体に関する。電力消費量の予測において、対象時間周期の電力消費量は様々なパラメータに基づいて異なる観点から予測されるため、電力消費量を予測する際の精度が改善される。技術的解決手段は以下の通りである。
一態様では、電力消費量を予測するための方法が提供される。前記方法は、
過去の時間周期に電気機器によって生じた基準変数を取得するステップであって、基準変数は離散型基準変数と連続型基準変数を含み、離散型基準変数は過去の時間周期に事前設定継続時間に従って収集され、連続型基準変数は過去の時間周期に連続的に収集されるステップと；
電力消費量予測モデルを用いて基準変数の特性を抽出することによって可変特性を取得するステップであって、電力消費量予測モデルはサンプル電力消費量がマークされたサンプル基準変数を訓練することによって得られ、サンプル基準変数はサンプル離散変数とサンプル連続変数を含むステップと；
可変特性に基づいた電力消費量予測モデルを用いた予測によって対象時間周期の予測電力消費量を取得するステップであって、対象時間周期と過去の時間周期は対応関係を有するステップとを含む。
任意の実施形態では、基準変数の特性を抽出することによって可変特性を取得するステップは、
電力消費量予測モデルを用いて離散型基準変数の特性を抽出することによって離散変数特性を取得するステップと；
電力消費量予測モデルを用いて連続型基準変数の特性を抽出することによって連続変数特性を取得するステップと；
離散変数特性と連続変数特性とを参照することによって可変特性を取得するステップとを含む。
任意の実施形態では、電力消費量予測モデルを用いて離散型基準変数の特性を抽出することによって離散変数特性を取得するステップは、
電力消費量予測モデルを用いて第１の事前設定データ範囲内の離散型基準変数にデータ正規化を行うことによって正規化された離散変数を取得するステップと；
正規化された離散変数に対応する離散特性マトリクスを構築するステップと；
離散特性マトリクスを参照して計算することによって離散型基準変数に対応する離散変数特性を取得するステップとを含む。
任意の実施形態では、電力消費量予測モデルを用いて第１の事前設定データ範囲内の離散型基準変数にデータ正規化を行うことによって正規化された離散変数を取得するステップは、
電力消費量予測モデルを用いて離散型基準変数を第１の事前設定データ範囲にマッピングすることによって正規化された離散変数を取得するステップを含む。
任意の実施形態では、離散型基準変数は、時間基準変数、季節基準変数および休日基準変数のうちの少なくとも１つを含み；
時間基準変数は、過去の時間周期に対応する日付を含み；
季節基準変数は、過去の時間周期に対応する季節を含み；
休日基準変数は、過去の時間周期に対応する休日の種類を含む。
任意の実施形態では、電力消費量予測モデルを用いて連続型基準変数の特性を抽出することによって連続変数特性を取得するステップは、
電力消費量予測モデルを用いて第２の事前設定データ範囲内の連続型基準変数にデータ正規化を行うことによって正規化された連続変数を取得するステップと；
正規化された連続変数に基づいて連続特性マトリクスを構築するステップと；
連続特性マトリクスを計算することによって連続型基準変数に対応する連続変数特性を取得するステップとを含む。
任意の実施形態では、電力消費量予測モデルを用いて第２の事前設定データ範囲内の連続型基準変数にデータ正規化を行うことによって正規化された連続変数を取得するステップは、
電力消費量予測モデルを用いて連続型基準変数を第２の事前設定データ範囲にマッピングすることによって正規化された連続変数を取得するステップを含む。
任意の実施形態では、連続型基準変数は、温度基準変数、電力消費量基準変数および湿度基準変数のうちの少なくとも１つを含み；
温度基準変数は、過去の時間周期の温度を示し；
電力消費量基準変数は、過去の時間周期の総電力消費量を示し；
湿度基準変数は、過去の時間周期の空気湿度を示す。
別の態様では、電力消費量を予測するための装置が提供される。前記装置は、
過去の時間周期に生じた基準変数を取得するように構成された取得モジュールであって、基準変数は離散型基準変数と連続型基準変数を含み、離散型基準変数は過去の時間周期の事前設定継続時間に従って収集され、連続型基準変数は過去の時間周期に連続的に収集される取得モジュールと；
電力消費量予測モデルを用いて基準変数の特性を抽出することによって可変特性を取得するように構成された抽出モジュールと；
可変特性に基づいた電力消費量予測モデルを用いた予測によって対象時間周期の予測電力消費量を取得するように構成された予測モジュールであって、対象時間周期と過去の時間周期は対応関係を有する予測モジュールとを含む。
任意の実施形態では、抽出モジュールは、電力消費量予測モデルを用いて離散型基準変数の特性を抽出することによって離散変数特性を取得するように構成され；
抽出モジュールは、電力消費量予測モデルを用いて連続型基準変数の特性を抽出することによって連続変数特性を取得するようにさらに構成される。
前記装置は、離散変数特性と連続変数特性とを参照することによって可変特性を取得するように構成された参照モジュールをさらに含む。
任意の実施形態では、前記装置は、電力消費量予測モデルを用いて第１の事前設定データ範囲内の離散型基準変数にデータ正規化を行うことによって正規化された離散変数を取得するように構成された処理モジュールであって、第１の事前設定データ範囲は離散型基準変数にデータ正規化を行うためのデータ範囲を示す処理モジュールと；
正規化された離散変数に基づいて離散特性マトリクスを構築するように構成された構築モジュールと；
離散特性マトリクスを計算することによって離散型基準変数に対応する離散変数特性を取得するように構成された計算モジュールとをさらに含む。
任意の実施形態では、前記装置は、電力消費量予測モデルを用いて離散型基準変数を第１の事前設定データ範囲にマッピングすることによって正規化された離散変数を取得するように構成されたマッピングモジュールをさらに含む。
任意の実施形態では、離散型基準変数は、時間基準変数、季節基準変数および休日基準変数のうちの少なくとも１つを含み；
時間基準変数は、過去の時間周期に対応する日付を含み；
季節基準変数は、過去の時間周期に対応する季節を含み；
休日基準変数は、過去の時間周期に対応する休日の種類を含む。
任意の実施形態では、前記装置は、電力消費量予測モデルを用いて第２の事前設定データ範囲内の連続型基準変数にデータ正規化を行うことによって正規化された連続変数を取得するように構成された処理モジュールをさらに含み；
構築モジュールは、正規化された連続変数に従って連続特性マトリクスを構築するように構成され；
計算モジュールは、連続特性マトリクスを計算することによって連続型基準変数に対応する連続変数特性を取得するように構成される。
任意の実施形態では、マッピングモジュールは、電力消費量予測モデルを用いて連続型基準変数を第２の事前設定データ範囲にマッピングすることによって正規化された連続変数を取得するように構成される。
任意の実施形態では、連続型基準変数は、温度基準変数、電力消費量基準変数、および湿度基準変数のうちの少なくとも１つを含み；
温度基準変数は、過去の時間周期の温度を示し；
電力消費量基準変数は、過去の時間周期の総電力消費量を示し；
湿度基準変数は、過去の時間周期の空気湿度を示す。
さらに別の態様では、コンピュータ機器が提供される。コンピュータ機器は、プロセッサと、少なくとも１つの命令、少なくとも１つのプログラム、少なくとも１つのコードセットまたは命令セットを保存するメモリとを含む。少なくとも１つの命令、少なくとも１つのプログラム、少なくとも１つのコードセットまたは命令セットは、プロセッサによってロードされて実行されると、プロセッサに本発明の上記の実施形態による電力消費量を予測するための方法を実行させる。
また別の態様では、コンピュータ可読記憶媒体が提供される。コンピュータ可読記憶媒体は、そこに少なくとも１つの命令、少なくとも１つのプログラム、少なくとも１つのコードセットまたは命令セットを保存する。少なくとも１つの命令、少なくとも１つのプログラム、少なくとも１つのコードセットまたは命令セットは、プロセッサによってロードされて実行されると、プロセッサに本発明の上記の実施形態による電力消費量を予測するための方法を実行させる。
またさらに別の態様では、コンピュータプログラム製品が提供される。コンピュータプログラム製品は、コンピュータ上で動作すると、コンピュータが本発明の実施形態のいずれか１つによる電力消費量を予測するための方法を実行することを可能にする。
本発明によって提供される技術的解決手段は、少なくとも以下の有益な効果を有する。
過去の時間周期の離散型基準変数および連続型基準変数を含む基準変数を取得し、基準変数の特性を抽出し、抽出された可変特性を可変予測モデルに入力して対象時間周期の予測電力消費量を出力することによって、電力消費量の予測において、対象時間周期の電力消費量は様々なパラメータに基づいて異なる観点から予測されるため、電力消費量を予測する際の精度が改善される。
本発明の実施形態における技術的解決手段をより明確に説明するため、以下に、実施形態を説明するのに必要な添付図面を簡単に説明する。明らかに、以下の説明における添付図面は単に本発明のいくつかの実施形態を示しているにすぎず、当業者であれば創意工夫なしにこれらの添付図面から他の図面をさらに引き出すことができる。
関連技術のゲート付き回帰型ユニット（ＧＲＵ）の構造概略図である。 本発明の例示的実施形態による電力消費量を予測するための方法の流れ図である。 本発明の例示的実施形態による、離散型基準変数を抽出することによって離散変数特性を取得するステップの流れ図である。 本発明の例示的実施形態による、離散型基準変数に基づいた離散特性マトリクスを構築するための方法の概略図である。 本発明の例示的実施形態による、連続型基準変数を抽出することによって連続変数特性を取得するステップの流れ図である。 本発明の例示的実施形態による、畳み込みカーネル計算によって連続変数特性を取得するステップの概略図である。 本発明の例示的実施形態による、畳み込みカーネルの訓練を示す概略図である。 本発明の例示的実施形態による電力消費量を予測するための方法の流れ図である。 本発明の例示的実施形態による、可変特性を電力消費量予測モデルに入力することによって対象時間周期の予測電力消費量を取得するステップの概略図である。 本発明の例示的実施形態による電力消費量を予測するための装置の構造ブロック図である。 本発明の例示的実施形態によるサーバの構造図である。
本発明の目的、技術的解決手段、および利点をより明確に説明するために、本発明の実施形態を、添付図面を参照してより詳細に説明する。
まず、本発明の実施形態に関連する用語を簡単に説明する。
人工知能（ＡＩ）は、コンピュータプログラムによって人間の知能を再現する技術であり、さらに、機械による人の知的行動の学習を表すこともできる。ＡＩはコンピュータサイエンスの分野であり、様々なインテリジェントマシンの設計原則や実装法を研究することを目的としているため、マシンは認識、推論および意思決定の機能を有する。ＡＩ技術は包括的な主題であって、ハードウェアレベルの技術とソフトウェアレベルの技術の両方を含む広範な分野を網羅する。ＡＩソフトウェア技術は、コンピュータビジョン技術、音声処理技術、自然言語処理技術、および機械学習／深層学習技術を主に含み、本実施形態は機械学習技術を主に対象とする。
機械学習（ＭＬ）は多分野の学際的な主題であって、確率論、統計、近似理論、凸解析、アルゴリズム複雑性理論およびその他の主題を対象とし、主にコンピュータが人間の学習行動を模倣または実行する方法を研究して、新しい知識またはスキルを獲得するため、かつそれ自体の性能を継続的に向上させるべく既存の知識構造を認識するために用いられる。機械学習および深層学習は、通常、人工ニューラルネットワーク、信念ネットワーク、強化学習、転移学習、帰納学習、教育学習およびその他の技術を含み、本実施形態は人工ニューラルネットワーク技術を主に対象とする。
ゲート付き回帰型ユニット（ＧＲＵ）は、長短期記憶（ＬＳＴＭ）の異型である。ＧＲＵの構造は、ＬＳＴＭのそれと酷似している。ＬＳＴＭは３つのゲートを有するのに対し、ＧＲＵは２つのゲートのみを有し、細胞状態を含んでおらず、それによってＬＳＴＭの構造を単純化している。図１は、関連技術のＧＲＵの構造概略図である。図１を参照すると、ＧＲＵの２つのゲートは更新ゲートｚ１０１とリセットゲートｒ１０２である。「更新ゲート」は、過去の瞬間のユニット状態のどれだけの情報数を現在の状態に提供することができるかを制御する機能を果たし、「リセットゲート」は、過去の状態から現在の状態に書き込むことができる情報数を制御する機能を果たす。
社会の発展と共に、ユーザによる電気エネルギーの使用がますます注目されており、電力消費量の予測がユーザによる電気エネルギーの使用を評価するための重要な方法である。
しかしながら、関連技術の推定方法では、評価用のパラメータがわずかしかないばかりか、総電力消費量のみが評価用のパラメータとして見なされている。それ故、未来の電力消費量の予測は不正確である。
図２は、本発明の例示的実施形態による電力消費量を予測するための方法の流れ図である。説明のために前記方法をサーバに適用したものを例にとると、前記方法は以下のステップを含む。
ステップ２０１では、過去の時間周期に電気機器によって生じた基準変数を取得する。基準変数は過去の時間周期に生じた変数であり、基準変数は離散型基準変数と連続型基準変数を含む。
任意で、電気機器は、過去の時間周期に電気エネルギーで動く機器であり、他の機器によってそれ自体の電力消費量を記録する。
任意で、電力消費量を予測するサーバは、過去の時間周期の電力消費量と過去の時間周期に生じた基準変数とを保存する。任意で、過去の時間周期の電力消費量は、サーバによって受信された、過去の時間周期のユーザの総電力消費量を示す。任意で、サーバは過去の時間周期の複数の基準変数を受信してもよく、複数の基準変数は全て過去の時間周期に生じた変数である。一例では、ユーザがある時間周期の電力消費量を記録し、インテリジェントな電気計器を用いて周囲温度と電気利用の日付を同時に記録し、記録データをサーバに送信するため、サーバはこれらのデータを保存する。任意で、これらのデータは全期間保存形式でサーバに保存される一方で、リアルタイムで更新される。ユーザが過去の時間周期の情報を抽出する必要がある場合、サーバは過去の時間周期の電力消費量や過去の時間周期に生じた基準変数のようなこの時間周期のデータをインターセプトする。
任意で、基準変数は離散型基準変数を含む。
任意で、離散型基準変数は、過去の時間周期の事前設定継続時間に従って収集された基準変数である。任意で、１つの事前設定継続時間は、１つの離散型基準変数が記録される期間である。一例では、事前設定継続時間が１日であって離散型基準変数が日付である場合、離散型基準変数は１つの事前設定継続時間内に、すなわち、１日のうちに１回だけ記録される。例えば、記録された日付は今月の１０日であり、離散型基準変数は１日後、すなわち、その月の１１日目の自然日に２回目に記録される。
任意で、基準変数は連続型基準変数を含む。
任意で、連続型基準変数は過去の時間周期に連続的に収集された変数である。任意で、連続型基準変数はリアルタイムで変化するため、リアルタイムで記録する必要がある。一例では、連続型基準変数は電力消費量を記録するために用いられる計器の周囲の温度である。温度はリアルタイムで変化する変数であるので、リアルタイムで温度の変化を記録する必要がある。任意で、ユーザが周囲の温度を収集した後、周囲温度の変化曲線が生成されてサーバに送信される。
ステップ２０２では、電力消費量予測モデルを用いて基準変数の特性を抽出して可変特性を取得する。電力消費量予測モデルはサンプル電力消費量がマークされたサンプル基準変数を訓練することによって得られ、サンプル基準変数はサンプル離散変数とサンプル連続変数を含む。
任意で、１つの基準変数に対応する特性値は複数の特性次元から導き出される。すなわち、１つの基準変数は様々な特性次元の様々な特性値を有する。
任意で、基準変数の特性を抽出するステップは、予測電力消費量を取得するように構成された電力消費量予測モデルにおいて実行される。
任意で、１つの基準変数の複数の特性次元の特性値を取得した後、複数の次元の特性値に基づいて特性マトリクスを構築することができ、基準変数に対応する可変特性は特性マトリクスを処理することによって取得される。一例では、基準変数は連続型基準変数であり、基準変数は電力消費量を記録するために用いられる電気計器の周囲の温度である。基準変数の特性を抽出する際、サーバによって事前設定された複数の次元の変数の特性値がまず抽出される。本実施形態では、サーバは合計２０個の異なる次元の特性値を抽出し、各次元の特性値が数値の形式で具体化される。２０個の異なる次元の特性値に基づいて、１行２０列の特性マトリクスが構築され、特性マトリクスは、電力消費量を記録するために用いられる電気計器の周囲の温度である、対応する基準変数の特性マトリクスである。この特性マトリクスを処理することによって、電力消費量を記録するために用いられる電気計器の周囲の温度の可変特性を最終的に取得することができる。本実施形態では、特性マトリクスの処理とは、サーバに事前設定された２０行１列のマトリクスと特性マトリクスを乗算して最終的に１つの数値を取得することであり、数値は、基準変数、すなわち、電力消費量を記録するために用いられる電気計器の周囲の温度に対応する可変特性である。
任意で、連続変数特性と離散変数特性を取得した後、電力消費量予測モデルがそれらに加重和計算を行って可変特性を取得する。任意で、連続変数特性および離散変数特性の加重は、電力消費量予測モデルを訓練することによって取得される。
ステップ２０３では、可変特性に基づいた電力消費量予測モデルを用いた予測によって対象時間周期の予測電力消費量を取得する。対象時間周期と過去の時間周期は対応関係を有する。
任意で、ステップ２０２において説明したように、電力消費量予測モデルは予測電力消費量を取得するように構成される。任意で、１つの対象時間周期に複数のパラメータ変数の可変特性が存在し、可変特性の数値が加重計算を用いて計算される。任意で、可変特性による可変特性の取得は電力消費量予測モデルにおいて完了することもできる。すなわち、１つの過去の時間周期に対応する複数の可変特性が電力消費量予測モデルに入力され、電力消費量予測モデルにおいてこれらの可変特性に加重計算が行われて可変特性を取得する。
任意で、上記のステップにおいて説明した連続変数特性および離散変数特性の重みは訓練によって得られる。訓練方法は、最小損失関数に従って訓練結果を取得するステップと、訓練結果を参照したニューラルネットワーク逆伝播計算方法によって連続変数特性および離散変数特性に対応する重みを修正するステップとを含む。一例では、最小損失関数は数式１の通りである。
Figure 2022552450000002
ニューラルネットワーク逆伝播計算方法によって最小損失関数に従って電力消費量予測モデルを訓練した後、離散変数特性および連続変数特性に対応する重みを徐々に決定することができ、過去の時間周期に対応する可変特性は最終的に離散変数特性および連続変数特性を参照した重みに基づいて取得される。
任意で、対象時間周期は未来の時間周期、すなわち、その間の電力消費量を予測する必要がある推定の時間周期である。任意で、対象時間周期と過去の時間周期の間には対応関係がある。任意で、対象時間周期と過去の時間周期は同じ時間の長さを有する。一例では、対象時間周期と過去の時間周期は両方とも、２４時間の時間の長さを有する時間周期である。任意で、対象時間周期と過去の時間周期は、異なる時間サイクルの同じ位相にある。一例では、時間サイクルは１週間であり、対象時間周期は第２週の３日目であり、過去の時間周期は第１週の３日目である。過去の時間周期と対象時間周期は２つの異なる時間サイクルにある。すなわち、過去の時間周期と対象時間周期は２つの異なる週にあるが、過去の時間周期と対象時間周期は異なる時間サイクルの同じ時間周期にある。この例では、対象時間周期は第２週の水曜日であり、過去の時間周期は第１週の水曜日である。サーバは、対象時間周期の電力消費量を予測する必要がある場合、過去の時間周期の基準変数を取得する。
任意で、電力消費量予測モデルは、複数のＧＲＵが接続された後の特性値をエンコード・デコードする循環記憶ニューラルネットワークモデルである。任意で、１つの可変特性が１つのＧＲＵに入力されるか、または１つの過去の時間周期に対応する全ての可変特性が１つのＧＲＵに入力される。すなわち、各ＧＲＵに入力された可変特性は１つの過去の時間範囲に対応する。任意で、電力消費量予測モデルは、少なくとも１つの可変特性に基づいて少なくとも１つの対象時間周期の予測電力消費量を出力することができる。任意で、対象時間周期の数は少なくとも１つである。
任意で、次の対象時間周期の予測電力消費量は、１つの対象時間周期の予測電力消費量に基づいて予測することができる。一例では、３つの対象時間周期がある。第１の対象時間周期に対応する予測電力消費量は、取得された後、電力消費量予測モデルに入力されて第２の対象時間周期に対応する予測電力消費量が取得され、第２の対象時間周期に対応する予測電力消費量は、電力消費量予測モデルに入力されて第３の対象時間周期に対応する予測電力消費量が取得される。任意で、複数の対象時間周期がある場合、対象時間周期の電力消費量を予測する順序は、先の対象時間周期に対応する電力消費量がまず予測され、先の対象時間周期に対応する予測電力消費量が電力消費量予測モデルに再入力されて後の対象時間周期に対応する予測電力消費量が取得されることになる。
任意で、電力消費量予測モデルは機械学習モデルであり、サンプル電力消費量がマークされたサンプル基準変数によって管理された訓練を行う。任意で、サンプル基準変数は、サンプル離散変数とサンプル連続変数を含む。サンプル基準変数とサンプル連続変数は両方とも、サンプル変数特性を有する。電力消費量予測モデルは、サンプル変数特性を電力消費量予測モデルに入力することによって訓練される。任意で、サンプル基準変数をシミュレーション値から取得して、電力消費量予測モデルに予備訓練を行うこともできる。予備訓練後、過去の時間周期のリアルな過去の電力消費量に基づいてさらなる訓練が行われる。
任意で、サーバに保存された過去の時間周期がサンプル対象時間周期として選択され、その対応する電力消費量がリアルな過去の電力消費量と見なされ、サンプル対象時間周期に対応するサンプルの過去の時間周期とサンプル基準変数が取得される。任意で、サンプル基準変数が電力消費量予測モデルに入力され、取得されたサンプル予測電力消費量がリアルな過去の電力消費量と比較され、電力消費量予測モデルが比較結果に基づいて訓練される。任意で、リアルな過去の電力消費量とサンプル予測電力消費量を損失関数に代入することによって、サンプル予測電力消費量の値がリアルな過去の電力消費量の値にできるだけ近くなって電力消費量予測モデルの訓練が完了するように、電力消費量予測モデルのパラメータが調整される。
任意で、サンプル基準変数によって予測されたサンプル対象時間周期のサンプル予測電力消費量は、実際にサーバに保存された過去の時間周期の電力消費量である。任意で、サンプル対象時間周期に対応する過去の時間周期の電力消費量が訓練用のサンプル基準変数の比較値として選択され、比較値をサンプル予測電力消費量と比較することによって電力消費量予測モデルが訓練される。
要約すると、本実施形態によって提供された方法によれば、過去の時間周期の離散型基準変数および連続型基準変数を含む基準変数を取得し、基準変数の特性を抽出し、抽出された可変特性を可変予測モデルに入力して対象時間周期の予測電力消費量を出力することによって、電力消費量の予測において、対象時間周期の電力消費量は様々なパラメータに基づいて異なる観点から予測されるため、電力消費量を予測する際の精度が改善される。
図３は、本発明の例示的実施形態による、離散型基準変数を抽出することによって離散変数特性を取得するステップの流れ図である。説明のために前記方法をサーバに適用したものを例にとると、前記方法は以下のステップを含む。
ステップ３０１では、第１の事前設定データ範囲に従って離散型基準変数にデータ正規化を行うことによって正規化された離散型基準変数を取得する。
任意で、本実施形態において説明した離散変数特性を抽出するための方法は、ステップ２０２において説明した電力消費量予測モデルで完了する。
ステップ２０１において説明したように、離散型基準変数は過去の時間周期の事前設定継続時間に従って収集される。
任意で、離散型基準変数は、時間基準変数、季節基準変数、および休日基準変数のうちの少なくとも１つを含む。時間基準変数は、過去の時間周期に対応する日付を含み；季節基準変数は、過去の時間周期に対応する季節を含み；休日基準変数は、過去の時間周期に対応する休日の種類を含む。任意で、サーバが基準変数を取得する時、過去の時間周期に対応する複数の離散型時間変数を一度に取得することができる。一例では、過去の時間周期は真夜中から２４時までの１日であり、サーバは、過去の時間周期に対応する日付、過去の時間周期に対応する季節、過去の時間周期が休日かどうかを取得することができる。
一例では、離散型基準変数は、過去の時間周期に対応する休日の種類によって生成された休日基準変数であり、休日基準変数は、非就業日基準変数と就業日基準変数を含む。この場合、非就業日基準変数および就業日基準変数の各々は、少なくとも１つの次元において対応する特性値を有する必要がある。
任意で、基準変数の大きな値の違いによって、離散型基準変数から抽出された少なくとも１つの次元の特性値にもまた大きな値の違いがあり、このことが特性マトリクスの構築とその後の計算に不都合を生じさせるので、第１の事前設定データ範囲に従って離散型基準変数にデータ正規化を行って正規化された離散型基準変数を取得する。任意で、第１の事前設定データ範囲は離散型基準変数にデータ正規化を行うためのデータ範囲であり、正規化された離散型基準変数は第１の事前設定データ範囲の離散型基準変数のマッピングである。一例では、離散型基準変数は日付基準変数であり、そうすると日付基準変数に対応するデータ値は自然日の配列に従って１から３１であるべきであり、第１の事前設定データ範囲を０から１に設定することによって元のデータ値の１から３１にデータ正規化を行うことができる。任意で、データ正規化の後、処理された正規化された離散型基準変数の各次元の特性値もまた正規化された特性値である。
ステップ３０２では、正規化された離散型基準変数に基づいて離散型基準変数に対応する特性マトリクスを構築する。
任意で、各離散型基準変数の各変数タイプに対応する離散特性マトリクスが構築される。
任意で、正規化された離散型基準変数に基づいて離散型基準変数に対応する離散特性マトリクスを構築するステップは、全次元において正規化された特性値に基づいた離散特性マトリクスの構築、または一部の次元において正規化された特性値に基づいた離散特性マトリクスの構築を含む。
一例では、離散型基準変数は休日基準変数、すなわち、過去の時間周期に対応する休日の種類によって生成された離散型基準変数であり、休日基準変数は非就業日基準変数と就業日基準変数を含む。この場合、非就業日基準変数および就業日基準変数の各々は、少なくとも１つの次元において対応する特性値を有する必要がある。第１の事前設定データ範囲の０から１に従って、非就業日基準変数の値は０に設定され、就業日基準変数の値は１に設定され、離散特性マトリクスは６次元の特性に基づいてそれぞれ構築される。図４は、本発明の例示的実施形態による、離散特性マトリクスを構築するための方法の概略図である。図４を参照すると、離散型基準変数は非就業日基準変数と就業日基準変数を含み、その各々は６次元の特性を有する。非就業日基準変数の６次元の特性はＡ１，Ｂ１，Ｃ１，Ｄ１，Ｅ１，Ｆ１であり、就業日基準変数の６次元の特性はＡ２，Ｂ２，Ｃ２，Ｄ２，Ｅ２，Ｆ２である。非就業日基準変数に対応して生成された特性マトリクスは、１行６列特性マトリクス４０１：［Ａ１，Ｂ１，Ｃ１，Ｄ１，Ｅ１，Ｆ１］であり、就業日基準変数に対応して生成された特性マトリクスは、１行６列特性マトリクス４０２：［Ａ２，Ｂ２，Ｃ２，Ｄ２，Ｅ２，Ｆ２］である。
ステップ３０３では、離散特性マトリクスに基づいて離散型基準変数に対応する離散変数特性を決定する。
前述の実施形態では、離散特性マトリクス４０１および離散特性マトリクス４０２の各々が６個の正規化された特性値を有する。任意で、離散特性マトリクスを計算することによって、対応する離散変数特性が取得される。
任意の実施形態では、離散変数特性は、特性取得マトリクスを離散特性マトリクスとたすき掛けすることによって取得される。任意で、特性取得マトリクスはサーバによって事前設定するか、または離散変数特性に基づいてリアルタイムで調整することができる。任意で、全ての離散特性マトリクスは、同じ特性取得マトリクスによってそれに対応する離散変数特性を取得する。任意で、異なる特性取得マトリクスに対応する離散特性マトリクスは互いに異なっており、最終的に取得される離散変数特性が異なる。
要約すると、本実施形態によって提供された方法によれば、離散型基準変数を正規化し、離散特性マトリクスを構築し、特性取得マトリクスによって離散特性マトリクスを処理して最終的に離散変数特性を取得することによって、特性マトリクスが各離散型基準変数の各結果に対して独立して生成され、対応する離散変数特性を得るために処理され、電力消費量予測モデルに処理された離散変数特性が入力される。それ故、電力消費量を予測する際の精度が改善される。
図５は、本発明の例示的実施形態による、連続型基準変数を抽出することによって連続変数特性を取得するステップの流れ図である。説明のために前記方法をサーバに適用したものを例にとると、前記方法は以下のステップを含む。
ステップ５０１では、第２の事前設定データ範囲に従って連続型基準変数にデータ正規化を行うことによって正規化された連続型基準変数を取得する。
任意で、本実施形態において説明した連続変数特性を抽出するための方法は、ステップ２０２において説明した電力消費量予測モデルで完了する。
ステップ２０１において説明したように、連続型基準変数は過去の時間周期の連続変数によって連続的に収集される。
任意で、連続型基準変数は、温度基準変数、電力消費量基準変数、および湿度基準変数のうちの少なくとも１つを含む。温度基準変数は、過去の時間周期の温度を示すために用いられる。電力消費量基準変数は、過去の時間周期の総電力消費量を示すために用いられる。湿度基準変数は、過去の時間周期の空気湿度を示すために用いられる。
一例では、連続型基準変数は、電力消費量基準変数、すなわち、過去の時間周期に対応する総電力消費量である。任意で、サーバは、対応する過去の時間周期の累計電力消費量を呼び出し、過去の時間周期の終わりの累計電力消費量から過去の時間周期の初めの累計電力消費量を差し引いて過去の時間周期の電力消費量基準変数を取得する。
任意で、正規化された連続型基準変数を得るために、第２の事前設定データ範囲に従って連続型基準変数にデータ正規化が行われる。任意で、第２の事前設定データ範囲は連続型基準変数にデータ正規化を行うためのデータ範囲であり、正規化された連続型基準変数は第２の事前設定データ範囲の連続型基準変数のマッピングである。一例では、連続型基準変数は温度基準変数であり、過去の時間周期変化の場所の温度の変化範囲は１０℃～３０℃である。すなわち、温度変化に対応するデータ値は１０～３０であるべきであり、第２の事前設定データ範囲の０～１に基づいて元のデータ値の１０～３０にデータ正規化を行うことができる。任意で、データ正規化の後、処理された正規化された連続型基準変数の各次元の特性値もまた正規化された特性値である。
ステップ５０２では、正規化された連続型基準変数に基づいて連続型基準変数に対応する特性マトリクスを構築する。
任意で、唯一の連続特性マトリクスを構築するために、１つの過去の時間周期の全ての連続型基準変数が選択される。あるいは、唯一の連続特性マトリクスを構築するために、１つの過去の時間周期の少なくとも１つの連続型基準変数が全ての連続型基準変数の代表として選択される。
任意で、正規化された連続型基準変数に基づいて連続型基準変数に対応する特性マトリクスを構築するステップは、全次元において正規化された特性値に基づいた連続特性マトリクスの構築、または一部の次元において正規化された特性値に基づいた離散特性マトリクスの構築を含む。
一例では、連続型基準変数は、温度基準変数と電力消費量基準変数である。第２の変数範囲に従って温度基準変数および電力消費量基準変数を正規化し、温度基準変数および電力消費量基準変数の特性を取得した後、温度基準変数の１６次元の特性と電力消費量基準変数の１６次元の特性が取得され、１列に配列されて１行３２列の特性マトリクスを取得する。特性マトリクスに畳み込みカーネル計算を行うことによって、特性マトリクスに対応する連続変数特性が取得される。
ステップ５０３では、連続特性マトリクスに基づいて連続型基準変数に対応する連続変数特性を決定する。
図６は、本発明の例示的実施形態による、畳み込みカーネル計算によって連続変数特性を取得するステップの概略図である。任意で、各連続型基準変数の様々な次元の特性値６０１が取得され、特性値６０１によって１行３２列の連続特性マトリクス６０２が生成され、畳み込みカーネル６０３と連続特性マトリクス６０２の少なくとも１つの項のたすき掛け計算によって、様々なサイズの畳み込みカーネルの計算結果が連続変数特性の特性マトリクス６０４として取得される。図６を参照すると、畳み込みカーネル６０３と連続特性マトリクス６０２の最初の２つの項のたすき掛け計算によって、連続特性マトリクス６０２の特性値Ａ１および特性値Ａ２の連続変数特性を表す特性マトリクス６０４が取得される。任意で、畳み込みカーネル６０３は１列のマトリクスである。連続変数特性の特性マトリクスの項の数は、畳み込みカーネルとの計算用の連続特性マトリクス６０２の項の数によって制御することができる。畳み込みカーネルと連続特性マトリクスの全ての項が計算されると、連続型基準変数に対応する連続変数特性を決定することができる。
任意で、畳み込みカーネル６０３と連続特性マトリクス６０２の少なくとも１つの項からなる固有ベクトルのたすき掛けによって訓練が行われる。図７は、本発明の例示的実施形態による、畳み込みカーネルの訓練を示す概略図である。図７を参照すると、第１の畳み込み層６３０１の１つの畳み込みカーネルは２つの隣接する項の固有ベクトルのみを表す。すなわち、第１の畳み込み層において、畳み込みカーネルのサイズは２項であり、第２の畳み込み層６３０２によって訓練された畳み込みカーネルのサイズは４項になる。さらに、第３の畳み込み層６３０３および第４の畳み込み層６３０４によって訓練された最終的な畳み込みカーネルは全特性マトリクスの特性を表すことができ、畳み込みカーネルを通して最終的な連続変数特性を取得することができる。
要約すると、本実施形態によって提供された方法によれば、連続型基準変数を正規化し、連続特性マトリクスを構築し、畳み込みカーネルと連続特性マトリクスを訓練することによって、全ての連続型基準変数に対応する連続変数特性が最終的に取得される。電力消費量予測モデルに処理された連続変数特性が入力される。それ故、電力消費量を予測する際の精度が改善される。
図８は、本発明の例示的実施形態による電力消費量を予測するための方法の流れ図である。説明のために前記方法をサーバに適用したものを例にとると、前記方法は以下のステップを含む。
ステップ７０１では、過去の時間周期に生じた基準変数を取得する。
任意で、過去の時間周期の数は少なくとも１つである。任意で、サーバは、各過去の時間周期の基準変数を取得する際、同じ基準変数を取得する。
基準変数を取得した後、基準変数が離散型基準変数か連続型基準変数かどうかが決定され、ステップ７０２から７０４とステップ７０５から７０７が同時に実行される。
ステップ７０２では、第１の事前設定データ範囲に従って離散型基準変数にデータ正規化を行って正規化された離散型基準変数を取得する。
任意で、離散型基準変数を取得した後、第１の事前設定データ範囲に従って離散型基準変数が正規化されるため、取得された正規化された離散型基準変数とそこから抽出された特性値は第１の事前設定データ範囲内にある。
ステップ７０３では、正規化された離散型基準変数に基づいて、離散型基準変数に対応する特性マトリクスを構築する。
任意で、離散型基準変数に対応する特性マトリクスは、ステップ３０２の特性マトリクスを構築するための方法によって構築される。
ステップ７０４では、離散特性マトリクスに基づいて離散型基準変数に対応する離散変数特性を決定する。
任意で、離散型基準変数に対応する離散変数特性は、ステップ３０３の離散変数特性を決定するための方法によって決定される。
ステップ７０５では、第２の事前設定データ範囲に従って連続型基準変数にデータ正規化を行って正規化された連続型基準変数を取得する。
ステップ７０６では、正規化された連続型基準変数に基づいて、連続型基準変数に対応する特性マトリクスを構築する。
ステップ７０７では、連続特性マトリクスに従って連続型基準変数に対応する連続変数特性を決定する。
任意で、ステップ７０５から７０７はステップ５０１から５０３に対応し、連続型基準変数に対応する連続変数特性はステップ５０１から５０３の詳細な実施形態における方法によって決定される。
任意で、ステップ７０２から７０７において説明した特性を抽出するための方法は、電力消費量予測モデルにおいて完了する、次のステップ７０８において説明する可変特性を取得するための方法と同じである。
ステップ７０８では、離散変数特性および連続変数特性に基づいて可変特性を取得する。
任意で、各可変特性への加重計算によって可変特性の数値が計算される。任意で、可変特性に基づく可変特性の取得は電力消費量予測モデルにおいて完了することができる。すなわち、１つの過去の時間周期に対応する複数の可変特性は全て電力消費量予測モデルに入力され、電力消費量予測モデルにおいてこれらの可変特性に加重計算が行われて可変特性を取得する。
ステップ７０９では、可変特性を参照した電力消費量予測モデルを用いて予測を行って、対象時間周期の予測電力消費量を取得する。
図９は、本発明の例示的実施形態による、可変特性を電力消費量予測モデルに入力することによって対象時間周期の予測電力消費量を取得するステップの概略図である。図８を参照すると、この例では、３つの異なる可変特性、すなわち、可変特性８０１、可変特性８０２および可変特性８０３が３つの異なる過去の時間周期に基づいて生成され、訓練された電力消費量予測モデルのＧＲＵ８１１、ＧＲＵ８１２およびＧＲＵ８１３に入力され、対象時間周期に対応する予測電力消費量８０４がエンコード・デコードによって取得される。対象時間周期に対応する予測電力消費量８０４を取得した後、予測電力消費量８０４に基づいて次の対象時間周期の予測電力消費量８０５を取得することができる。
要約すると、本実施形態によって提供された方法によれば、過去の時間周期の離散型基準変数と連続型基準変数を含む基準変数が取得され、取得された基準変数の特性が抽出され、抽出された可変特性が変数予測モデルに入力されて、対象時間周期の予測電力消費量が出力される。電力消費量の予測において、対象時間周期の電力消費量は様々なパラメータに基づいて異なる観点から予測されるため、電力消費量を予測する際の精度が改善される。
離散型基準変数を正規化し、離散特性マトリクスを構築し、特性取得マトリクスによって離散特性マトリクスを処理して最終的に離散変数特性を取得することによって、特性マトリクスが各離散型基準変数の各結果に対して独立して生成され、対応する離散変数特性を得るために処理される。電力消費量予測モデルに処理された離散変数特性が入力されて、電力消費量を予測する際の精度が改善される。
連続型基準変数を正規化し、連続特性マトリクスを構築し、畳み込みカーネルと連続特性マトリクスを訓練することによって、全ての連続型基準変数に対応する連続変数特性が最終的に取得される。電力消費量予測モデルに処理された連続変数特性が入力されて、電力消費量を予測する際の精度が改善される。
離散変数特性と連続変数特性を処理することによって、過去の時間周期の特性を反映し得る可変特性が取得されるため、電力消費量予測モデルに入力された値はより包括的に過去の時間周期の特性を表すことができる。それ故、電力消費量を予測する際の精度が改善される。
図１０は、本発明の例示的実施形態による電力消費量を予測するための装置の構造ブロック図である。前記装置は、
過去の時間周期に生じた基準変数を取得するように構成された取得モジュール９０１であって、基準変数は離散型基準変数と連続型基準変数を含み、離散型基準変数は過去の時間周期に事前設定継続時間に従って収集される変数であり、連続型基準変数は過去の時間周期に連続的に収集される変数である取得モジュール９０１と；
電力消費量予測モデルを用いて基準変数の特性を抽出して可変特性を取得するように構成された抽出モジュール９０２であって、電力消費量予測モデルはサンプル電力消費量がマークされたサンプル基準変数を訓練することによって得られ、サンプル基準変数はサンプル離散変数とサンプル連続変数を含む抽出モジュール９０２と；
可変特性に基づいた電力消費量予測モデルを用いた予測によって対象時間周期の予測電力消費量を取得するように構成された予測モデル９０３であって、対象時間周期と過去の時間周期は対応関係を有する予測モデル９０３とを含む。
任意の実施形態では、抽出モジュールは、電力消費量予測モデルを用いて離散型基準変数の特性を抽出して離散変数特性を取得するように構成される。
抽出モジュール９０２は、電力消費量予測モデルを用いて連続型基準変数の特性を抽出して連続変数特性を取得するように構成される。
前記装置は、離散変数特性と連続変数特性とを参照することによって可変特性を取得するように構成された参照モジュール９０４をさらに含む。
任意の実施形態では、前記装置は、電力消費量予測モデルを用いて第１の事前設定データ範囲内の離散型基準変数にデータ正規化を行って正規化された離散変数を取得するように構成された処理モジュール９０５と；
正規化された離散変数に基づいて離散特性マトリクスを構築するように構成された構築モジュール９０６と；
離散特性マトリクスを参照した計算によって離散型基準変数に対応する離散変数特性を取得するように構成された計算モジュール９０７とをさらに含む。
任意の実施形態では、前記装置は、電力消費量予測モデルを用いて離散型基準変数を第１の事前設定データ範囲内であるようにマッピングして正規化された離散変数を取得するように構成されたマッピングモジュール９０８をさらに含む。
任意の実施形態では、離散型基準変数は、時間基準変数、季節基準変数および休日基準変数のうちの少なくとも１つを含み；
時間基準変数は、過去の時間周期に対応する日付を含み；
季節基準変数は、過去の時間周期に対応する季節を含み；
休日基準変数は、過去の時間周期に対応する休日の種類を含む。
任意の実施形態では、処理モジュール９０５は、電力消費量予測モデルを用いて第２の事前設定データ範囲内の連続型基準変数にデータ正規化を行って正規化された連続変数を取得するように構成され；
構築モジュール９０６は、正規化された連続変数に基づいて連続特性マトリクスを構築するように構成され；
計算モジュール９０７は、連続特性マトリクスを計算して連続型基準変数に対応する連続変数特性を取得するように構成される。
任意の実施形態では、マッピングモジュール９０８は、電力消費量予測モデルを用いて連続型基準変数を第２の事前設定データ範囲内であるようにマッピングして正規化された連続変数を取得するように構成される。
任意の実施形態では、連続型基準変数は、温度基準変数、電力消費量基準変数および湿度基準変数のうちの少なくとも１つを含み；
温度基準変数は、過去の時間周期の温度を示し；
電力消費量基準変数は、過去の時間周期の総電力消費量を示し；
湿度基準変数は、過去の時間周期の空気湿度を示す。
注目すべきは、上記の実施形態によって提供された電力消費量を予測するための装置は、説明のために全ての機能モジュールの区分を例にとったに過ぎないことである。実際には、上記の機能は必要に応じて異なる機能モジュールによって完了されるように割り当ててもよい。すなわち、前記装置の内部構造は、上記した機能の全部または一部を完了するために様々な機能モジュールに分割される。
本発明は、さらにサーバを提供する。サーバは、プロセッサと、少なくとも１つの命令を保存するメモリとを含む。少なくとも１つの命令は、プロセッサによってロードされて実行されると、プロセッサに前述の方法実施形態において提供された電力消費量を予測するための方法を実行させる。なお、サーバは図１１において示されたサーバであってよい。
図１１を参照すると、本発明の例示的実施形態によるサーバの概略構造図が示されている。具体的には、サーバ１３００は、中央処理装置（ＣＰＵ）１３０１と、ランダムアクセスメモリ（ＲＡＭ）１３０２およびリードオンリメモリ（ＲＯＭ）１３０３を含むシステムメモリ１３０４と、システムメモリ１３０４とＣＰＵ１３０１を接続するシステムバス１３０５とを含む。サーバ１３００は、コンピュータ内の各種構成要素間の情報伝達を支援する基本入出力（Ｉ／Ｏ）システム１３０６と、オペレーティングシステム１３１３、アプリケーション１３１４、およびその他のプログラムモジュール１３１５を記憶するように構成された大容量記憶装置１３０７とをさらに含む。
基本Ｉ／Ｏシステム１３０６は、情報を表示するように構成されたディスプレイ１３０８と、ユーザによって情報を入力するように構成されたマウスまたはキーボード等の入力装置１３０９とを含む。ディスプレイ１３０８および入力装置１３０９は両方とも、システムバス１３０５に接続された入出力制御装置１３１０によってＣＰＵ１３０１に接続される。基本Ｉ／Ｏシステム１３０６は、キーボード、マウス、または電子ペン等の複数のその他の機器からの入力を受信して処理するための入出力制御装置１３１０をさらに含んでもよい。同様に、入出力制御装置１３１０はさらに、ディスプレイ画面、プリンタ、または他の種類の出力装置に出力を行う。
大容量記憶装置１３０７は、システムバス１３０５に接続された大容量記憶制御装置（図示せず）によってＣＰＵ１３０１に接続される。大容量記憶装置１３０７とそれに関連するコンピュータ可読媒体とは、サーバ１３００に不揮発性記憶装置を提供する。すなわち、大容量記憶装置１３０７は、ハードディスクまたはＣＤ－ＲＯＭドライバ等のコンピュータ可読媒体（図示せず）を含んでもよい。
一般性を失うことなく、コンピュータ可読媒体はコンピュータ記憶媒体および通信媒体を含んでもよい。コンピュータ記憶媒体は、任意の方法または技術において実装され、コンピュータ可読命令、データ構造、プログラムモジュールまたはその他のデータ等の情報を記憶するように構成された揮発性および不揮発性、リムーバブルおよび非リムーバブル媒体を含む。コンピュータ記憶媒体は、ＲＡＭ、ＲＯＭ、消去可能なプログラマブルリードオンリメモリ（ＥＰＲＯＭ）、電気的消去可能なプログラマブルリードオンリメモリ（ＥＥＰＲＯＭ）、フラッシュメモリまたはその他の固体記憶装置技術；ＣＤ－ＲＯＭ、デジタルビデオディスク（ＤＶＤ）またはその他の光学式記憶装置；およびテープカートリッジ、磁気テープ、ディスク記憶装置またはその他の磁気記憶装置を含む。当然、当業者であれば、コンピュータ記憶媒体が上記のものに限定されないことがわかるであろう。上記のシステムメモリ１３０４および大容量記憶装置１３０７は、まとめてメモリと呼んでもよい。
メモリは、１つ以上のプログラムを保存する。１つ以上のプログラムは、１つ以上のＣＰＵ１３０１によって実行されるように構成される。１つ以上のプログラムは、電力消費量を予測するための上記の方法を実行するための命令を含む。ＣＰＵ１３０１は、１つ以上のプログラムを実行して上記の方法実施形態において提供された電力消費量を予測するための方法を実行する。
本発明の各種実施形態によれば、サーバ１３００は、操作のため、インターネット等のネットワークを介してネットワーク上のリモートコンピュータに接続することもできる。すなわち、サーバ１３００は、システムバス１３０５に接続されたネットワークインターフェースユニット１３１１を介してネットワーク１３１２に接続するか、またはネットワークインターフェースユニット１３１１を介してその他の形式のネットワークまたはリモートコンピュータシステム（図示せず）に接続することができる。
メモリはそこに保存された１つ以上のプログラムをさらに含み、１つ以上のプログラムは、本発明の実施形態において提供された電力消費量を予測するための方法においてサーバによって実行されるステップを含む。
当業者であれば、上記の実施形態において提供された方法のステップの全部または一部をプログラムによって指示された関連するハードウェアによって達成することができること、また、プログラムは、前述の実施形態のメモリに含まれるコンピュータ可読記憶媒体か、または単独で存在し、端末に組み込まれていないコンピュータ可読記憶媒体であってもよいコンピュータ可読記憶媒体に保存することができることを理解するであろう。コンピュータ可読記憶媒体は、少なくとも１つの命令、少なくとも１つのプログラム、コードセットまたは命令セットを保存し、少なくとも１つの命令、少なくとも１つのプログラム、コードセットまたは命令セットは、プロセッサによってロードされて実行されて電力消費量を予測するための上述の方法を実行する。
任意で、コンピュータ記憶媒体は、リードオンリメモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、ソリッドステートドライブ（ＳＳＤ）、光ディスクなどを含んでもよい。ＲＡＭは、抵抗変化型ランダムアクセスメモリ（ＲｅＲＡＭ）およびダイナミックランダムアクセスメモリ（ＤＲＡＭ）を含んでもよい。本発明の実施形態の通し番号は説明のために過ぎず、実施形態の優先順位を表すものではない。
当業者であれば、上記の実施形態において説明したステップの全部または一部を、ハードウェアによって、あるいはリードオンリメモリ、ディスク、ＣＤ等のコンピュータ可読記憶媒体に保存されたプログラムによって指示された関連するハードウェアによって達成することができることが理解できるであろう。
前述の説明は単なる本発明の任意の実施形態であり、本発明を限定することを意図するものではない。本発明の精神および原則の範囲内の、いかなる変更、同等の置換、改良等も本発明の保護の範囲内に含まれるべきである。

Claims (11)

  1. 電力消費量を予測するための方法であって、
    過去の時間周期に電気機器によって生じた基準変数を取得するステップであって、前記基準変数は離散型基準変数と連続型基準変数を含み、前記離散型基準変数は前記過去の時間周期に事前設定継続時間に従って収集され、前記連続型基準変数は前記過去の時間周期に連続的に収集される前記ステップと；
    電力消費量予測モデルを用いて前記基準変数の特性を抽出することによって可変特性を取得するステップであって、前記電力消費量予測モデルはサンプル電力消費量がマークされたサンプル基準変数を訓練することによって得られ、前記サンプル基準変数はサンプル離散変数とサンプル連続変数を含む前記ステップと；
    前記可変特性に基づいた前記電力消費量予測モデルを用いた断定によって対象時間周期の予測電力消費量を取得するステップであって、前記対象時間周期と前記過去の時間周期は対応関係を有する前記ステップとを含む、方法。
  2. 前記基準変数の前記特性を抽出することによって前記可変特性を取得する前記ステップは、
    前記電力消費量予測モデルを用いて前記離散型基準変数の特性を抽出することによって離散変数特性を取得するステップと；
    前記電力消費量予測モデルを用いて前記連続型基準変数の特性を抽出することによって連続変数特性を取得するステップと；
    前記離散変数特性と前記連続変数特性とを参照することによって前記可変特性を取得するステップとを含む、請求項１に記載の方法。
  3. 前記電力消費量予測モデルを用いて前記離散型基準変数の前記特性を抽出することによって前記離散変数特性を取得する前記ステップは、
    前記電力消費量予測モデルを用いて第１の事前設定データ範囲内の前記離散型基準変数にデータ正規化を行うことによって正規化された離散変数を取得するステップと；
    前記正規化された離散変数に対応する離散特性マトリクスを構築するステップと；
    前記離散特性マトリクスを参照した計算によって前記離散型基準変数に対応する前記離散変数特性を取得するステップとを含む、請求項２に記載の方法。
  4. 前記電力消費量予測モデルを用いて前記第１の事前設定データ範囲内の前記離散型基準変数にデータ正規化を行うことによって前記正規化された離散変数を取得する前記ステップは、
    前記電力消費量予測モデルを用いて前記離散型基準変数を前記第１の事前設定データ範囲にマッピングすることによって前記正規化された離散変数を取得するステップを含む、請求項３に記載の方法。
  5. 前記離散型基準変数は、時間基準変数、季節基準変数および休日基準変数のうちの少なくとも１つを含み；
    前記時間基準変数は、前記過去の時間周期に対応する日付を含み；
    前記季節基準変数は、前記過去の時間周期に対応する季節を含み；
    前記休日基準変数は、前記過去の時間周期に対応する休日の種類を含む、請求項３に記載の方法。
  6. 前記電力消費量予測モデルを用いて前記連続型基準変数の前記特性を抽出することによって前記連続変数特性を取得する前記ステップは、
    前記電力消費量予測モデルを用いて第２の事前設定データ範囲内の前記連続型基準変数にデータ正規化を行うことによって正規化された連続変数を取得するステップと；
    前記正規化された連続変数に基づいて連続特性マトリクスを構築するステップと；
    前記連続特性マトリクスを計算することによって前記連続型基準変数に対応する前記連続変数特性を取得するステップとを含む、請求項２に記載の方法。
  7. 前記電力消費量予測モデルを用いて前記第２の事前設定データ範囲内の前記連続型基準変数にデータ正規化を行うことによって前記正規化された連続変数を取得する前記ステップは、
    前記電力消費量予測モデルを用いて前記連続型基準変数を前記第２の事前設定データ範囲にマッピングすることによって前記正規化された連続変数を取得するステップを含む、請求項６に記載の方法。
  8. 前記連続型基準変数は、温度基準変数、電力消費量基準変数および湿度基準変数のうちの少なくとも１つを含み；
    前記温度基準変数は、前記過去の時間周期の温度を示し；
    前記電力消費量基準変数は、前記過去の時間周期の総電力消費量を示し；
    前記湿度基準変数は、前記過去の時間周期の空気湿度を示す、請求項６に記載の方法。
  9. 電力消費量を予測するための装置であって、
    過去の時間周期に生じた基準変数を取得するように構成された取得モジュールであって、前記基準変数は離散型基準変数と連続型基準変数を含み、前記離散型基準変数は前記過去の時間周期に事前設定継続時間に従って収集され、前記連続型基準変数は前記過去の時間周期に連続的に収集される前記取得モジュールと；
    電力消費量予測モデルを用いて前記基準変数の特性を抽出することによって可変特性を取得するように構成された抽出モジュールであって、前記電力消費量予測モデルはサンプル電力消費量がマークされたサンプル基準変数を訓練することによって得られ、前記サンプル基準変数はサンプル離散変数とサンプル連続変数を含む前記抽出モジュールと；
    前記可変特性に基づいた前記電力消費量予測モデルを用いた予測によって対象時間周期の予測電力消費量を取得するように構成された予測モジュールであって、前記対象時間周期と前記過去の時間周期は対応関係を有する前記予測モジュールとを含む、装置。
  10. プロセッサと、少なくとも１つの命令、少なくとも１つのプログラム、少なくとも１つのコードセットまたは命令セットを保存するメモリとを含むコンピュータ機器であって、前記少なくとも１つの命令、前記少なくとも１つのプログラム、前記少なくとも１つのコードセットまたは命令セットは、前記プロセッサによってロードされて実行されると、前記プロセッサに請求項１～８のいずれか一項に記載の電力消費量を予測するための前記方法を実行させる、コンピュータ機器。
  11. 少なくとも１つの命令、少なくとも１つのプログラム、少なくとも１つのコードセットまたは命令セットを保存するコンピュータ可読記憶媒体であって、前記少なくとも１つの命令、前記少なくとも１つのプログラム、前記少なくとも１つのコードセットまたは命令セットは、プロセッサによってロードされて実行されると、前記プロセッサに請求項１～８のいずれか一項に記載の電力消費量を予測するための前記方法を実行させる、コンピュータ可読記憶媒体。
JP2022552128A 2019-12-31 2020-12-23 電力消費量を予測するための方法および装置、機器ならびに可読記憶媒体 Pending JP2022552450A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201911405459.9 2019-12-31
CN201911405459.9A CN111539841A (zh) 2019-12-31 2019-12-31 电量预测方法、装置、设备及可读存储介质
PCT/SG2020/050773 WO2021137759A1 (en) 2019-12-31 2020-12-23 Method and apparatus for predicting power consumption, device and readiable storage medium

Publications (1)

Publication Number Publication Date
JP2022552450A true JP2022552450A (ja) 2022-12-15

Family

ID=71976651

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022552128A Pending JP2022552450A (ja) 2019-12-31 2020-12-23 電力消費量を予測するための方法および装置、機器ならびに可読記憶媒体

Country Status (12)

Country Link
US (1) US20230049089A1 (ja)
EP (1) EP4085387A4 (ja)
JP (1) JP2022552450A (ja)
KR (1) KR102531593B1 (ja)
CN (1) CN111539841A (ja)
AU (1) AU2020418399A1 (ja)
BR (1) BR112022013053A2 (ja)
CA (1) CA3166446A1 (ja)
CL (1) CL2022001767A1 (ja)
MX (1) MX2022008117A (ja)
WO (1) WO2021137759A1 (ja)
ZA (1) ZA202208346B (ja)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021182224A (ja) * 2020-05-18 2021-11-25 富士通株式会社 ジョブスケジューリングプログラム、情報処理装置およびジョブスケジューリング方法
CN112036737B (zh) * 2020-08-28 2024-01-09 京东方科技集团股份有限公司 区域电量偏差的计算方法及装置
CN112153216A (zh) * 2020-09-16 2020-12-29 Oppo广东移动通信有限公司 电量预警方法及装置、终端设备、存储介质
CN113222269A (zh) * 2021-05-24 2021-08-06 郑州轻工业大学 基于大数据和人工智能的信息处理方法、系统和存储介质
CN113516315B (zh) * 2021-07-23 2023-02-03 中南大学 风力发电功率区间预测方法、设备及介质
CN113554466B (zh) * 2021-07-26 2023-04-28 国网四川省电力公司电力科学研究院 一种短期用电量预测模型构建方法、预测方法和装置
CN114236104A (zh) * 2021-10-28 2022-03-25 阿里云计算有限公司 游离氧化钙测量方法、装置、设备、介质及产品
CN114330821A (zh) * 2021-11-22 2022-04-12 科华数据股份有限公司 用电量预测方法、装置和设备
CN114781766B (zh) * 2022-06-22 2022-09-13 长江水利委员会长江科学院 水文站点的水文信息预测方法、装置、设备及存储介质
CN116542421A (zh) * 2023-04-18 2023-08-04 国网河北省电力有限公司营销服务中心 园区综合能源系统低碳调度方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1021489A (ja) * 1996-07-02 1998-01-23 Hitachi Ltd 道路案内方法およびシステム
US20190228481A1 (en) * 2018-01-22 2019-07-25 Pason Power Inc. Intelligent energy management system for distributed energy resources and energy storage systems using machine learning

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4059014B2 (ja) * 2001-06-19 2008-03-12 富士電機システムズ株式会社 プラントの最適運用方法及びプラントの最適設計方法
US20060167591A1 (en) * 2005-01-26 2006-07-27 Mcnally James T Energy and cost savings calculation system
JP5988419B2 (ja) * 2012-01-11 2016-09-07 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 予測方法、予測システムおよびプログラム
CN104820877A (zh) * 2015-05-21 2015-08-05 河海大学 基于云自适应pso-snn的光伏系统发电功率预测方法
JP6464129B2 (ja) * 2016-11-07 2019-02-06 株式会社オプティマイザー 電力需要調達支援システム、情報処理装置、情報処理方法および情報処理プログラム
CN107016469A (zh) * 2017-04-13 2017-08-04 重庆大学 电力负荷预测方法
CN107038502A (zh) * 2017-04-18 2017-08-11 国网安徽省电力公司芜湖供电公司 考虑季节特性的改进小波包用电量预测方法
CN107145976A (zh) * 2017-04-28 2017-09-08 北京科技大学 一种预测用户用电负荷的方法
KR20180129496A (ko) * 2017-05-26 2018-12-05 중소기업은행 전력 수요를 예측하는 방법 및 장치
CN108009673A (zh) * 2017-11-24 2018-05-08 国网北京市电力公司 基于深度学习的新型负荷预测方法和装置
CN108197773A (zh) * 2017-12-08 2018-06-22 囯网河北省电力有限公司电力科学研究院 电力负荷预测方法、电力负荷预测装置及终端设备
KR102063999B1 (ko) * 2018-01-23 2020-02-11 한국전력정보(주) 스마트 전력 수요 관리 시스템
CN108932567B (zh) * 2018-08-10 2020-12-01 燕山大学 一种基于卷积神经网络的水泥烧成过程多能耗指标预测方法
CN109002937A (zh) * 2018-09-07 2018-12-14 深圳供电局有限公司 电网负荷预测方法、装置、计算机设备和存储介质
CN109685277A (zh) * 2018-12-28 2019-04-26 国网冀北电力有限公司经济技术研究院 用电量预测方法及装置
CN110046787A (zh) * 2019-01-15 2019-07-23 重庆邮电大学 一种城市区域电动汽车充电需求时空预测方法
CN109685290B (zh) * 2019-02-11 2023-06-16 南方电网科学研究院有限责任公司 一种基于深度学习的用电量预测方法、装置及设备
CN110210672A (zh) * 2019-06-04 2019-09-06 北京百度网讯科技有限公司 用电量预测的方法和装置、电子设备、计算机可读介质
CN110245798A (zh) * 2019-06-18 2019-09-17 天津安捷物联科技股份有限公司 一种写字楼电力系统月度用电量预测方法及系统
CN110619420B (zh) * 2019-07-31 2022-04-08 广东工业大学 一种基于Attention-GRU的短期住宅负荷预测方法
CN110598912B (zh) * 2019-08-21 2024-01-09 广东工业大学 一种售电公司的春节期间售电量预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1021489A (ja) * 1996-07-02 1998-01-23 Hitachi Ltd 道路案内方法およびシステム
US20190228481A1 (en) * 2018-01-22 2019-07-25 Pason Power Inc. Intelligent energy management system for distributed energy resources and energy storage systems using machine learning

Also Published As

Publication number Publication date
MX2022008117A (es) 2022-09-19
WO2021137759A1 (en) 2021-07-08
ZA202208346B (en) 2022-10-26
EP4085387A1 (en) 2022-11-09
AU2020418399A1 (en) 2022-07-21
US20230049089A1 (en) 2023-02-16
CN111539841A (zh) 2020-08-14
KR20220117336A (ko) 2022-08-23
KR102531593B1 (ko) 2023-05-11
CA3166446A1 (en) 2021-07-08
CL2022001767A1 (es) 2022-11-25
EP4085387A4 (en) 2023-06-07
BR112022013053A2 (pt) 2022-09-06

Similar Documents

Publication Publication Date Title
JP2022552450A (ja) 電力消費量を予測するための方法および装置、機器ならびに可読記憶媒体
CN109902222B (zh) 一种推荐方法及装置
CN110928993A (zh) 基于深度循环神经网络的用户位置预测方法及系统
CN113517046B (zh) 一种电子病历中异构数据特征融合方法及基于融合特征的预测方法、系统及可读存储介质
CN110264270A (zh) 一种行为预测方法、装置、设备和存储介质
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及系统
CN108769125A (zh) 应用推荐方法、装置、存储介质及计算机设备
CN111080417A (zh) 用于提高预订顺畅率的处理方法、模型训练方法及系统
CN115221396A (zh) 基于人工智能的信息推荐方法、装置及电子设备
Tzoumpas et al. A data filling methodology for time series based on CNN and (Bi) LSTM neural networks
CN113761355A (zh) 一种信息推荐方法、装置、设备及计算机可读存储介质
CN117557375A (zh) 基于虚拟电厂的交易评估方法及相关装置
CN115392594B (zh) 一种基于神经网络和特征筛选的用电负荷模型训练方法
CN116976491A (zh) 一种信息预测方法、装置、设备、存储介质及程序产品
CN115952928A (zh) 一种短期电力负荷预测方法、装置、设备及存储介质
CN109325811A (zh) 房屋价值预测方法、装置、计算机设备和存储介质
CN113255231B (zh) 一种数据处理方法、装置、设备及存储介质
CN117709732B (zh) 结合气象监测数据的农业灾害报告生成方法及系统
CN114154679B (zh) 一种基于Spark的PCFOA-KELM风功率预测方法及装置
CN116796890A (zh) 碳排放权代价值预测方法、装置、设备、介质和产品
CN115115057A (zh) 可持续学习模型的训练方法、装置、设备及存储介质
Sahoo et al. An Analysis of Machine Learning Methods for Electricity Price Forecasting
CN116151666A (zh) 企业能耗与产出的分析方法、装置、设备及存储介质
CN117372148A (zh) 信用风险程度的确定方法、装置、设备、介质和程序产品
CN117992864A (zh) 一种基于支持向量机的窃电用户识别方法及相关设备

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20220826

A529 Written submission of copy of amendment under article 34 pct

Free format text: JAPANESE INTERMEDIATE CODE: A529

Effective date: 20220826

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220826

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20220826

RD01 Notification of change of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7426

Effective date: 20220826

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230110

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230404

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230704

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20240213