JP4244353B2 - 部分放電原因自動推論用の神経網エンジンの入力ベクトル生成方法 - Google Patents
部分放電原因自動推論用の神経網エンジンの入力ベクトル生成方法 Download PDFInfo
- Publication number
- JP4244353B2 JP4244353B2 JP2006027771A JP2006027771A JP4244353B2 JP 4244353 B2 JP4244353 B2 JP 4244353B2 JP 2006027771 A JP2006027771 A JP 2006027771A JP 2006027771 A JP2006027771 A JP 2006027771A JP 4244353 B2 JP4244353 B2 JP 4244353B2
- Authority
- JP
- Japan
- Prior art keywords
- phase
- discharge
- sum
- partial discharge
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000013528 artificial neural network Methods 0.000 title claims description 52
- 239000013598 vector Substances 0.000 title claims description 45
- 238000000034 method Methods 0.000 title claims description 23
- 230000007547 defect Effects 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000007794 visualization technique Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 4
- 210000000225 synapse Anatomy 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000003111 delayed effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 241001385733 Aesculus indica Species 0.000 description 1
- 102100025142 Beta-microseminoprotein Human genes 0.000 description 1
- 101000576812 Homo sapiens Beta-microseminoprotein Proteins 0.000 description 1
- 241001228709 Suruga Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1254—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of gas-insulated power appliances or vacuum gaps
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/14—Circuits therefor, e.g. for generating test voltages, sensing circuits
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Testing Relating To Insulation (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Description
本発明は、電力分野おける高電圧機器の、部分放電原因自動推論用の神経網エンジンの入力ベクトル生成方法に係り、特に、高電圧機器の印加電圧位相情報を用いない位相無関和を利用した神経網エンジンを使用することにより、現場における部分放電測定時、ＰＴや分圧器などから位相信号を取り込みにくい状態でも部分放電を測定することができるので、測定のための準備時間を減らし、測定費用を節減することができることはもちろん、放電原因に対する高信頼度の推論結果を得ることができ、部分放電信号の大きさ情報を含まない放電タイプから神経網エンジンの入力ベクトルを抽出するため、増幅器や信号減衰器の特性が異なる種々の部分放電測定装置でも、同じ神経網エンジンを使用することができ、数個の相が同時に存在する電力機器において、位相無関和と位相相関和を用いて、部分放電が発生する部位の電源の相が検出でき、部分放電の位置追跡が容易であるので、電力機器の異常に対する事後措置に有利な特徴を有している、部分放電原因自動推論用の神経網エンジンの入力ベクトル生成方法に関する。
ガス絶縁開閉装置（Ｇａｓ Ｉｎｓｕｌａｔｅｄ Ｓｗｉｔｃｈｇｅａｒ；以下ＧＩＳという）、ガス絶縁変圧器、油入変圧器、回転機器、ガス絶縁送電線、電力用ケーブルなどの高電圧電力機器では、故障の前兆として部分放電が発生するが、極超短波（ＵＨＦ）部分放電測定装置は、高電圧電力機器において部分放電が発生するとき、部分放電と共に生成される極超短波を測定した後、極超短波の信号タイプ及びパターンを分析して、部分放電を起こす欠陥の原因と電力機器の劣化状態を診断することにより、電力機器における故障を事前に予防できる装置である。
一般的な極超短波部分放電測定装置に対し、添付された図１及び図２を参照して説明する。
図１に示すように、前記ＧＩＳ、変圧器、電動機、電力用ケーブルのような高電圧電力機器１００において、内部異常があった場合、高電圧電力機器１００に電源１１０が供給されると、異常の徴候として部分放電が発生する。
その際、高電圧電力機器１００に装着された部分放電センサ１２０は、部分放電信号から励起された極超短波信号を検出し、極超短波部分放電測定機１３０に入力して放電を起こす欠陥原因を分析するようになる。
既存の分析方法では、電源１１０の位相情報が必須であるため、変圧器（Ｐｏｔｅｎｔｉａｌ Ｔｒａｎｓｆｏｒｍｅｒ；以下、ＰＴという）及び分圧器１４０を用いて、電力機器に印加した電圧の位相情報を部分放電測定機１３０に提供する。
極超短波部分放電測定機１３０は、図２に示すように、測定した部分放電信号２１０を測定機に内装された様々な種類の増幅器、信号減衰器及び検出装置を用いて極超短波放電信号を前処理した後、電力機器位相情報と組み合わせて部分放電信号２１０の発生時間２２０、部分放電信号の大きさ２３０、部分放電発生時における該当機器に印加された電圧２００の位相２４０のような放電信号の基本情報を取得する。
そしてその基本情報を用いて生成された入力ベクトルを神経網エンジンのような推論エンジンに入力して放電を起こす欠陥原因と劣化状態をユーザに知らせて欠陥を取り除くことができるように導くことにより、高電圧電力機器１００の故障を事前に予防するようになる。
前記極超短波部分放電測定機１３０の神経網エンジンを、図３に示した多層構造の神経網エンジンを例に挙げて説明すると、測定した放電信号から抽出した入力ベクトル３００を神経網エンジンに代入してパーセプトロン（ｐｅｒｃｅｐｔｒｏｎ）のような判断のためのニューロン（演算子）からなる１次層３１０及びＮ次層３２０と各層を連結するシナプスを通じて欠陥原因を計算した後、それを神経網エンジンの出力ベクトル３４０を通じてユーザに知らせる。
各層のニューロン及びシナプスは神経網エンジンを用いる前に、予め放電欠陥の種類及び放電発生時における印加電圧位相などの放電情報が分かっている、測定した放電信号を通じて生成した標準（ｓｔａｎｄａｒｄ）入力ベクトルで訓練し最適化した後、実際の現場で未知の放電信号から神経網エンジンが放電欠陥原因の推論に用いられる。
入力ベクトルとして、加工されていない実測された部分放電信号を用いるか、部分放電信号から変換されたＰＲＰＳ（Ｐｈａｓｅ Ｒｅｓｏｌｖｅｄ Ｐｕｌｓｅ Ｓｅｑｕｅｎｃｅ）またはＰＲＰＤ（Ｐｈａｓｅ Ｒｅｓｏｌｖｅｄ Ｐａｒｔｉａｌ Ｄｉｓｃｈａｒｇｅ）から抽出した各種の変数を用いる。
これらの変数の例としては、位相分解された放電パルスの数字、放電信号の大きさ、そして歪度や尖度のような様々な統計的変数がある。このような入力ベクトルは、放電信号を発生する電力機器に対する印加電圧位相情報及び放電信号の大きさを直・間接的に用いている。
上記変数を用いた例として、特許文献１には、電力機器の部分放電の強度情報とその検出時刻、及び電源電圧の位相情報に基いて電力機器の絶縁異常を検出する技術が開示されている。
特開２００１−１８３４１１公報
しかしながら、高電圧電力機器１００からの放電信号を、携帯型極超短波部分放電測定機を用いて測定する場合、測定する度に測定機器を移動しないといけないため、毎回高電圧電力機器１００から位相情報を受けるために結線しなければならず、その結果測定に多くの時間がかかる。
よって、実際の測定では、携帯型極超短波部分放電測定機１３０を用いるとき、高電圧電力機器１００の印加電圧２００の位相２４０ではなく、部分放電測定機１３０の電源位相を高電圧電力機器１００に印加される電圧の位相として仮定して測定するが、この場合、既存の神経網エンジンに誤った位相情報が入力されるため、正確な放電原因を推論できず、その結果、ユーザが欠陥除去のための適切な措置を取りにくくなるという問題点があった。
また、オンラインに設置され、印加電圧位相情報を常時取得することができる部分放電測定システムの場合であっても、３相一括型ＧＩＳや変圧器、３相電動機のように、数個の相が同時に存在する高電圧電力機器１００に対しては、測定した放電信号だけで放電が発生する位置の相が分かりにくく、よって放電発生時の位相もまた分からず、正確な推論結果を導き出すことが困難である。
従って、放電を起こす欠陥に印加された電圧の位相や相が分からない場合、既存の技術は誤った欠陥原因をユーザに知らせるので、欠陥を取り除くための適切な処理を取りにくくなるという問題点があった。
従って、放電を起こす欠陥に印加された電圧の位相や相が分からない場合、既存の技術は誤った欠陥原因をユーザに知らせるので、欠陥を取り除くための適切な処理を取りにくくなるという問題点があった。
また、放電信号の大きさを神経網エンジンの入力ベクトルとして用いる場合、同じ放電原因であっても、センサと放電原因の距離、信号取得装置の特性によって様々な大きさの放電信号が得られるので、神経網エンジンを訓練するときにも様々な大きさの放電信号を用いなければならないという煩わしさがあった。
特に、放電信号取得装置内に存在する各種の増幅器の利得を変える場合、同じ放電信号について測定された信号の大きさが変わることがあるため、測定機器の特性が変わる度にそれを勘案して神経網エンジンを再訓練させなければならないという短所があった。
本発明は、電力機器で部分放電を起こす欠陥原因を放電信号から推論できる神経網エンジンの入力ベクトル生成方法に関し、既存の技術とは異なり、位相情報を用いない入力ベクトルを用いることにより、電力機器１００に印加される位相情報を取得しにくい状況においても、部分放電測定装置の神経網エンジンが正確な欠陥原因を出力できるようにする技術である。
また、３相一括型電力機器のように放電が発生する位置の電圧相が分からない場合でも、位相情報を用いない入力ベクトルを用いて欠陥原因を推論した後、位相情報を用いる入力ベクトルを用いて放電発生位置の電圧相まで推論できる技術である。
本発明の他の目的は、放電信号の大きさに対する情報を用いない神経網エンジンの入力ベクトルを生成することにより、様々な測定状況で増幅器や信号減衰器の特性が異なる他の部分放電測定装置を用いて測定した放電信号に対しても、同じ神経網エンジンを用いて正確な欠陥原因を推論できるようにすることにより、神経網エンジンの設計及び訓練にかかる努力及び開発費用を節減できる神経網エンジンの入力ベクトル生成方法を提供することにある。
上記目的を達成するために、本発明の一実施の形態に係る部分放電原因自動推論用の神経網エンジンの入力ベクトル生成方法は、ＧＩＳ、変圧器、電力用ケーブル、回転機器などの高電圧電力機器で発生する部分放電信号の原因を自動的に推論する、多層パーセプトロン構造及びセルフオーガナイゼーションマップを含む種類の神経網エンジンに用いられる入力ベクトル生成方法において、部分放電測定装置で測定された放電信号特性を表示できる２次元グラフを生成するに当たり、部分放電測定機器で連続して測定された放電信号を用いて、任意の部分放電測定装置の電源相を基準に先行放電信号の発生時の印加電圧位相（Φｎ−１）をＸ軸にし、後行放電信号の発生時の印加電圧位相（Φｎ）をＹ軸にして、グラフの各座標値は与えられた時間の間に連続する２つの放電信号の位相（Φｎ−１、Φｎ）が同じ回数で表された、Φｎ：Φｎ−１：Ｎグラフを生成するステップと、前記Φｎ：Φｎ−１：Ｎグラフを右上から左下方向の対角線で２分割した後、右下面を左上面の上方にシフトさせることにより、Ｙ軸と新たな軸Ｘ’とからなる変形Φｎ：Φｎ−１：Ｎグラフに変換するステップと、前記変形Φｎ：Φｎ−１：ＮグラフからＹ軸をシフトさせながら、Ｘ’軸上の全ての値を足して互いに異なるΦｎ及びΦｎ−１を有する連続した放電発生回数を１回ずつ足して、特定の位相情報を取り除いた位相無関和を抽出するステップと、前記変形Φｎ：Φｎ−１：ＮグラフからＸ’軸をシフトさせながら、Ｙ軸上の全ての値を足して互いに異なるΦに対して同じΦｎ−１を有する連続した放電発生回数を１回ずつ足すことにより、位相Φｎ−１で発生した放電回数を意味する位相相関和を抽出するステップとを含んでなり、前記位相無関和を部分放電測定機器の増幅特性や電力機器の印加電圧の位相情報なしに普遍的に使用できる神経網エンジンを作るための入力ベクトルの形式で用いて、前記神経網エンジンを訓練し、放電信号から前記位相無関和と、前記位相相関和及びこれを各々１２０°、２４０°ずつ位相シフトさせた位相相関和を求め、前記位相無関和を用いて推論した欠陥原因に対応する、神経網エンジンの訓練時に用いた放電信号の参照位相相関和を、前記位相相関和とこれを１２０°及び２４０°位相シフトさせた位相相関和と比較し、前記位相相関和とこれを１２０°及び２４０°位相シフトさせた位相相関和のうちの前記参照位相相関和と最も類似する位相相関和を検出することにより、放電発生位置に印加された電圧の相が分からないときにも印加電圧の相を検知できることを特徴とする。
本発明によれば、高電圧機器の印加電圧位相情報を用いない位相無関和を入力ベクトルとする神経網エンジンを用いることにより、現場で部分放電測定時、ＰＴや分圧器などから位相信号の入力を受けずに部分放電を測定して放電信号の原因を推論して、測定準備のための努力とコストを節減することができることはもちろん、放電原因に対して高信頼度の推論結果を得ることができる。
また、部分放電信号の大きさ情報を含まない放電タイプから神経網エンジンの入力ベクトルを抽出するため、部分放電測定装置内部の増幅器や信号減衰器の特性が異なる他の部分放電測定装置でも、同じ神経網エンジンを使用することができる。
特に、複数の相が同時に存在する電力機器において、位相無関和と位相相関和を用いて、部分放電が発生する欠陥に印加された電圧の相がわかり、部分放電が発生した相の位置追跡が容易であるので、電力機器の異常に対する迅速な措置を取ることができるようになる。
以下、本発明が属する技術分野で通常の知識を有する者が本発明を容易に実施できることを説明するために、本発明の最も望ましい実施の形態を、添付図面に基づき詳細に説明する。図面中、同一の構成要素には、同一の参照部号を付するものとする。
本発明の目的、作用、及び効果を含めてその他の目的、特徴、そして動作上の利点などは望ましい実施の形態によってさらに明らかになる。
本発明の目的、作用、及び効果を含めてその他の目的、特徴、そして動作上の利点などは望ましい実施の形態によってさらに明らかになる。
本発明に係る部分放電原因自動推論用の神経網エンジンの入力ベクトル生成方法について説明すると、下記の通りである。
図７は、本発明の一実施の形態に係る部分放電原因自動推論用の神経網エンジンの入力ベクトル生成方法を説明するためのΦｎ：Φｎ−１：Ｎ可視化方法で表された部分放電信号の例示図であり、図９は本発明の一実施の形態に係る位相相関和と位相無関和の抽出方法を示す例示図である。
図７及び図９に示すように、本発明の実施の形態に係る部分放電原因自動推論用の神経網エンジンの入力ベクトル生成方法の構成は、ＧＩＳ、変圧器、電力用ケーブル、回転機器などの高電圧電力機器で発生する部分放電信号の原因を自動的に推論する多層パーセプトロン(Ｐｅｒｃｅｐｔｒｏｎ)構造やセルフオーガナイゼーションマップ(Ｓｅｌｆ Ｏｒｇａｎｉｚａｔｉｏｎ Ｍａｐ)などの様々な種類の神経網エンジンに用いられる入力ベクトルの生成において、部分放電信号から放電信号の大きさ及び位相の情報が含まれていない入力ベクトル（位相無関和）と放電信号の位相情報は含まれているが大きさ情報は含まれていない入力ベクトル（位相相関和）とを抽出する。
そして、予め、放電欠陥の種類、及び放電発生時における印加電圧位相などの放電情報の分っている入力ベクトルを用いて、神経網エンジンを訓練する結果、位相無関和を用いて高電圧電力機器に印加される電圧の位相情報がない状況でも、部分放電の原因を自動的に推論することができ、２つの入力ベクトルを用いて放電発生位置の電圧相を類推することができる。また、前記入力ベクトルは放電信号の大きさに関する情報を用いないため、信号の大きさを考慮して神経網エンジンを訓練する必要がない。
即ち、本発明は、部分放電測定装置の特性や放電発生時の位相情報に関係なく使用できる普遍的な神経網エンジンの入力ベクトルを生成するためのものである。
図２に示すように、放電信号から取得できる基本情報のうちの放電信号の大きさ２３０は極小値から極大値を有することができるので、規格化することが難しく、放電信号の様々な大きさ２３０に対して神経網エンジンを訓練させなければならない難しさがある。
従って、０°から３６０°までの間に規格化されている印加電圧２００の位相２４０だけを用いて、神経網エンジンの入力ベクトルを生成する。
入力ベクトルを作成するために、先ず、放電時印加電圧位相（Φ）２４０を用いて、図４乃至図７に示すように、Φｎ：Φｎ−１：Ｎの可視化方法によって放電パターンを作る。
前記Φｎ：Φｎ−１：Ｎの可視化方法は、連続して放電が発生するとき、２つの放電が発生した時点における電力機器の印加電圧の位相に対する関係を示すものである。
即ち、高電圧電力機器に連続する放電信号が発生するとき、０°から３６０°までの間にある電力機器に印加した電圧位相をＫ個に分割した後、図４のようにＸ軸は連続する放電信号のうちの先行放電信号発生時の印加電圧位相Φｎ−１を、Ｙ軸は後行放電信号発生時の印加電圧位相Φｎを示す。
例えば、図２に示すように、３個の連続する放電信号２１０があると仮定したら最初の２個の放電信号における、先行放電信号２１１の印加電圧位相Φｎ−１が、ｉ（１≦ｉ≦Ｋ）番目の位相に該当し、後行放電信号の印加電圧位相Φｎが、ｊ（１≦ｊ≦Ｋ）番目の位相に該当するとき、図４のように、初期値が０と設定された２次元グラフの座標（ｉ，ｊ）の値Ｐｉｊに１が足され、図５のように連続する放電信号の位相関係をΦｎ：Φｎ−１：Ｎの可視化方法のように表すことができる。
同様にして、図２に例示した３個の放電信号のうち、２番目に連続する放電信号における、先行放電信号の印加電圧位相Φｎ−１が、ｊ（１≦ｊ≦Ｋ）番目の位相に該当し、後行放電信号の印加電圧位相Φｎが、ｊ’（１≦ｊ’≦Ｋ）番目の位相に該当するとき、座標（ｊ，ｊ’）の値Ｐ ｊｊ’ に１が足され、図６のように、Φｎ：Φｎ−１：Ｎの可視化方法で放電信号を表すことができる。
このような方法により、与えられた時間Ｔの間に測定された実際の放電信号のΦｎ：Φｎ−１：Ｎのパターンは図７のように表すことができる。図７は、ＧＩＳで突出電極によって発生した放電信号のΦｎ：Φｎ−１：Ｎのタイプとして、各座標値は部分放電信号の発生頻度７００を示す色相値で表し、Ｘ軸及びＹ軸は共に位相軸であるので、０°から３６０°までの範囲内で規格化されている。
実際の部分放電の測定において、電力機器の位相情報が分からない場合、放電発生時、部分放電測定装置の位相Φを用いてΦｎ：Φｎ−１：Ｎを作成する。
Φｎ：Φｎ−１：Ｎによる放電タイプは放電原因別に模様が大きく異なり、放電原因別に区別できる入力ベクトルの生成を比較的に容易にすることができ、図７はＧＩＳ内突出電極の欠陥があるときに測定した放電信号のΦｎ：Φｎ−１：Ｎの例である。
Φｎ：Φｎ−１：Ｎによる放電タイプは放電原因別に模様が大きく異なり、放電原因別に区別できる入力ベクトルの生成を比較的に容易にすることができ、図７はＧＩＳ内突出電極の欠陥があるときに測定した放電信号のΦｎ：Φｎ−１：Ｎの例である。
位相情報が除かれた入力ベクトルを得るために、先ず図６を変形させた。
図６のグラフを右上頂点から左下頂点を繋ぐ対角線を基準にして２分割した後、右下面６００を垂直移動させ、図８のように既存のΦｎ：Φｎ−１：Ｎの上方８００に位置させると、新たな模様の放電パターン８１０が得られ、これを、変形Φｎ：Φｎ−１：Ｎの可視化方法と呼ぶ。
変形Φｎ：Φｎ−１：Ｎグラフにおいて、Ｘ’軸をシフトしながら、Ｙ軸方向に放電回数を合算すると、与えられた印加電圧位相Φｎ−１で発生した放電回数が得られるが、これは、結局各位相別に発生した放電回数を意味し、位相情報を有しているので、本発明では、これを位相相関和（Ｐｈａｓｅ Ｄｅｐｅｎｄｅｎｔ Ｓｕｍ；ＰＤＳ）と呼ぶことにする。
位相相関和８２０のｉ番目の項ＰＤＳｉは、以下の数１で表される。
図８において、Ｙ軸をシフトしながら、Ｘ’軸方向に合算を行うと、合算された各点は、Φｎ軸及びΦｎ−１軸上において、特定の位相ではなく、他の異なる位相に該当する放電回数を合算した値となるので、位相情報のない新たなグラフ８３０が得られる。これを、本発明では、位相無関和（Ｐｈａｓｅ Ｉｎｄｅｐｅｎｄｅｎｔ Ｓｕｍ；ＰＩＳ）と呼ぶことにする。
位相無関和８３０のｊ番目の項ＰＩＳｊは、以下の数２で求められる。
図９は、図７の突出電極による放電信号のΦｎ：Φｎ−１：Ｎタイプを変形Φｎ：Φｎ−１：Ｎの可視化法９００で表し、位相相関和９１０及び位相無関和９２０を抽出した例である。
前記位相相関和９１０と位相無関和９２０は、放電回数と関連した変数として常時正数である。
図３で例示した神経網エンジンの入力ベクトル形式で位相無関和９２０を用いると、印加電圧の位相情報を用いないので、部分放電信号測定装置の印加電圧位相情報に対する取得有無によらず、正確な異常原因が推論可能である。
また、上述したような同じ神経網エンジンの入力ベクトルとしての位相無関和９２０は、大きさに対する情報を用いないので、位相無関和９２０で訓練された神経網エンジンを再訓練なしにも、異なる信号増幅特性を有する部分放電信号取得装置にも使用可能である。
また、位相相関和９１０と位相無関和９２０を用いると、様々な相の電源が印加された高電圧電力機器において、放電が発生する位置の電源相に対する別途の情報がなくても、電圧の相を類推することができる。
例えば、それぞれ１２０°の位相差があるＡ、Ｂ、Ｃ相（またはＲ，Ｇ，Ｂ相）が同時に存在する三相一括型ＧＩＳにおいて、Ｂ相に部分放電が発生するが、金属製タンクで外部とは遮断されたＧＩＳの特性上、放電が発生する相を外部から分からない状態で、Ａ相電源に同期された部分放電測定装置を用いて、放電信号を測定する場合を例に挙げて説明すると次の通りである。
先ず、図１０のように、現場に設置された電力機器から発生する未知の放電信号から位相相関和１０００と位相無関和をそれぞれ抽出した後、放電信号の位相無関和を用いた神経網エンジンを通じて放電原因を推論する。図１０の位相相関和１０００は図９の例で突出電極による放電信号から計算した位相相関和９１０の例示である。
次のステップで、推論された放電原因に該当する参照位相相関和１０３０を、放電信号から求めた位相相関和１０００及びこれを各々１２０°、２４０°ずつ位相をシフトさせた位相相関和１０１０、１０２０の模様（パターン）と比較する。
この際、前述したように位相相関和１０００の位相軸の基準である部分放電測定機器の電源位相は電力機器の印加電圧の位相と同じであるか１２０°または２４０°の差が生じるが、この差を参照位相相関和１０３０と部分放電測定機器から抽出した位相相関和１０００及びこれを各々１２０°、２４０°シフトさせた位相相関和１０１０、１０２０の類似度を通じて判断する。
本例で参照位相相関和１０３０と最も類似した模様は、１２０°後に位相シフトした位相相関和１０１０であり、従って、部分放電測定装置が同期したＡ相よりも位相が１２０°遅れたＢ相において部分放電が発生したことが分かる。このような方法によって、部分放電発生位置の印加電圧の相が分かる。
上記の場合、測定信号の位相相関和１０００と、これを各々１２０°、２４０°ずつ位相シフトさせた位相相関和１０１０、１０２０の参照位相相関和１０３０に対する類似性を数値で示す方法としては、様々なものがあるが、その中、最も簡単な方法は、測定した放電信号から計算した位相相関和１０００及びそれを各々１２０°及び２４０°シフトさせた位相相関和１０１０、１０２０を参照位相相関和１０３０に位相別に乗じた値を図１０の１０４０、１０５０、１０６０グラフの例のように計算する。
位相相関和の和が常に０より大きいか等しいことを考えるとき、測定した位相相関和１０００及びこれを位相シフトさせた位相相関和１０１０、１０２０のうちの参照位相相関和１０３０と類似するほど位相別に乗じた値の和が大きくなり、図１０の例では１２０°シフトさせた位相相関和１０２０と参照位相相関和１０３０との積が最も大きいため、部分放電測定装置が同期したＡ相より位相が１２０°遅れたＢ相において部分放電が発生することがわかる。
また、相互相関などの方法でも位相を類推することができる。
また、相互相関などの方法でも位相を類推することができる。
参考に、ここで開示される実施の形態は実施できる様々な例のうち、当業者の理解を助けるために最も望ましい実施の形態を選定して提示しただけのものであって、本発明の技術的思想が必ずしも本実施の形態だけに限定されるか制限されるものではなく、本発明の技術的思想から脱しない範囲内で様々に変形及び附加して実施することができる。
本発明は、電力機器で部分放電を起こす欠陥原因を放電信号から推論できる神経網エンジンの入力ベクトル生成方法に係り、電力機器に印加される位相情報を取得しにくい状況においても、神経網エンジンが正確な欠陥原因を出力できるようにする分野に適用可能である。
１００ 高電圧電力機器
１１０ 高電圧電力機器印加電圧
１２０ 部分放電センサ
１３０ 部分放電測定機
１４０ 電源位相測定用のＰＴ／分圧器
２００ 高電圧電力機器に印加される電圧の波形
２１０、２１１、２１２、２１３部分放電信号
２２０ 部分放電信号の発生時間
２３０ 部分放電信号の大きさ
２４０ 部分放電発生時の印加電圧の位相
３００ 入力ベクトル
３１０ １次層
３２０ Ｎ次層
３３０ 出力層
３４０ 出力ベクトル
３５０、３５１、３５２、３５３ シナプス
６００ 右下面
７００ 部分放電信号の発生頻度
８００ 既存のΦｎ：Φｎ−１：Ｎの上方
８１０ 新たな模様の放電パターン
８２０、９１０ 位相相関和
８３０、９２０ 位相無関和
９００ 変形Φｎ：Φｎ−１：Ｎの可視化法
１０００、１０１０、１０２０ 位相相関和
１０３０ 参照位相相関和
１１０ 高電圧電力機器印加電圧
１２０ 部分放電センサ
１３０ 部分放電測定機
１４０ 電源位相測定用のＰＴ／分圧器
２００ 高電圧電力機器に印加される電圧の波形
２１０、２１１、２１２、２１３部分放電信号
２２０ 部分放電信号の発生時間
２３０ 部分放電信号の大きさ
２４０ 部分放電発生時の印加電圧の位相
３００ 入力ベクトル
３１０ １次層
３２０ Ｎ次層
３３０ 出力層
３４０ 出力ベクトル
３５０、３５１、３５２、３５３ シナプス
６００ 右下面
７００ 部分放電信号の発生頻度
８００ 既存のΦｎ：Φｎ−１：Ｎの上方
８１０ 新たな模様の放電パターン
８２０、９１０ 位相相関和
８３０、９２０ 位相無関和
９００ 変形Φｎ：Φｎ−１：Ｎの可視化法
１０００、１０１０、１０２０ 位相相関和
１０３０ 参照位相相関和
Claims (1)
- ＧＩＳ、変圧器、電力用ケーブル、回転機器などの高電圧電力機器で発生する部分放電信号の原因を自動的に推論する、多層パーセプトロン構造及びセルフオーガナイゼーションマップを含む種類の神経網エンジンに用いられる入力ベクトル生成方法において、
部分放電測定装置で測定された放電信号特性を表示できる２次元グラフを生成するに当たり、部分放電測定機器で連続して測定された放電信号を用いて、任意の部分放電測定装置の電源相を基準に先行放電信号の発生時の印加電圧位相（Φｎ−１）をＸ軸にし、後行放電信号の発生時の印加電圧位相（Φｎ）をＹ軸にして、グラフの各座標値は与えられた時間の間に連続する２つの放電信号の位相（Φｎ−１、Φｎ）が同じ回数で表された、Φｎ：Φｎ−１：Ｎグラフを生成するステップと、
前記Φｎ：Φｎ−１：Ｎグラフを右上から左下方向の対角線で２分割した後、右下面を左上面の上方にシフトさせることにより、Ｙ軸と新たな軸Ｘ’とからなる変形Φｎ：Φｎ−１：Ｎグラフに変換するステップと、
前記変形Φｎ：Φｎ−１：ＮグラフからＹ軸をシフトさせながら、Ｘ’軸上の全ての値を足して互いに異なるΦｎ及びΦｎ−１を有する連続した放電発生回数を１回ずつ足して、特定の位相情報を取り除いた位相無関和を抽出するステップと、
前記変形Φｎ：Φｎ−１：ＮグラフからＸ’軸をシフトさせながら、Ｙ軸上の全ての値を足して互いに異なるΦに対して同じΦｎ−１を有する連続した放電発生回数を１回ずつ足すことにより、位相Φｎ−１で発生した放電回数を意味する位相相関和を抽出するステップとを含んでなり、
前記位相無関和を部分放電測定機器の増幅特性や電力機器の印加電圧の位相情報なしに普遍的に使用できる神経網エンジンを作るための入力ベクトルの形式で用いて、前記神経網エンジンを訓練し、
放電信号から前記位相無関和と、前記位相相関和及びこれを各々１２０°、２４０°ずつ位相シフトさせた位相相関和を求め、
前記位相無関和を用いて推論した欠陥原因に対応する、神経網エンジンの訓練時に用いた放電信号の参照位相相関和を、前記位相相関和とこれを１２０°及び２４０°位相シフトさせた位相相関和と比較し、
前記位相相関和とこれを１２０°及び２４０°位相シフトさせた位相相関和のうちの前記参照位相相関和と最も類似する位相相関和を検出することにより、放電発生位置に印加された電圧の相が分からないときにも印加電圧の相を検知できることを特徴とする、部分放電原因自動推論用の神経網エンジンの入力ベクトル生成方法。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020050101969A KR100729107B1 (ko) | 2005-10-27 | 2005-10-27 | 부분방전 원인 자동 추론용 신경망 회로의 입력벡터생성방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2007124880A JP2007124880A (ja) | 2007-05-17 |
| JP4244353B2 true JP4244353B2 (ja) | 2009-03-25 |
Family
ID=37912931
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2006027771A Expired - Fee Related JP4244353B2 (ja) | 2005-10-27 | 2006-02-03 | 部分放電原因自動推論用の神経網エンジンの入力ベクトル生成方法 |
Country Status (4)
| Country | Link |
|---|---|
| JP (1) | JP4244353B2 (ja) |
| KR (1) | KR100729107B1 (ja) |
| DE (1) | DE102006008482B4 (ja) |
| GB (1) | GB2431726B (ja) |
Families Citing this family (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100853725B1 (ko) * | 2007-06-20 | 2008-08-22 | (주) 피에스디테크 | Ｐｒｐｓ 알고리즘을 이용한 가스절연부하개폐장치의부분방전 원인분석 방법 및 그 장치 |
| KR100919293B1 (ko) * | 2008-09-24 | 2009-10-01 | 주식회사 케이디파워 | 전기 시스템의 직렬아크 검출장치 및 방법 |
| KR101051099B1 (ko) * | 2008-09-30 | 2011-07-21 | 한국전력공사 | 고전압 전력 기기의 극 초단파 부분 방전 및 방전위치 측정장치 |
| CN102221651B (zh) * | 2011-03-11 | 2015-05-27 | 太原理工大学 | 一种矿用隔爆型干式变压器故障在线诊断及预警方法 |
| US20120330871A1 (en) * | 2011-06-27 | 2012-12-27 | Asiri Yahya Ahmed | Using values of prpd envelope to classify single and multiple partial discharge (pd) defects in hv equipment |
| FR2981457B1 (fr) * | 2011-10-12 | 2015-04-03 | Michel Gaeta | Procede et dispositif de detection d'un dysfonctionnement dans un reseau electrique |
| CN104391184B (zh) * | 2014-11-12 | 2017-04-12 | 珠海市齐飞信息技术有限公司 | 台变缺相检测和示警装置及方法 |
| CN105334436B (zh) * | 2015-10-30 | 2018-08-10 | 山东电力研究院 | 基于som-bp组合神经网络的交联电缆局部放电模式识别方法 |
| CN105606976B (zh) * | 2016-03-09 | 2018-09-18 | 国家电网公司 | 一种用于gis局部放电特高频在线监测的抗干扰方法 |
| WO2018042588A1 (ja) * | 2016-09-01 | 2018-03-08 | 株式会社 東芝 | 部分放電監視システム |
| US11656279B2 (en) | 2017-10-16 | 2023-05-23 | Hitachi Energy Switzerland Ag | Method for monitoring circuit breaker and apparatus and internet of things using the same |
| KR102051670B1 (ko) | 2017-12-19 | 2019-12-04 | 한국전력공사 | 전력설비 기자재 불량 검출 장치, 시스템 및 방법이 기록된 컴퓨터 판독가능 기록 매체 |
| CN108896857B (zh) * | 2018-07-06 | 2020-12-01 | 北京四方继保自动化股份有限公司 | 一种基于深度学习的变压器复杂工况识别方法 |
| KR102183305B1 (ko) | 2018-08-03 | 2020-11-26 | 국민대학교산학협력단 | 신경망 피처 벡터 결정 장치 및 방법 |
| KR102089187B1 (ko) * | 2018-12-11 | 2020-03-13 | 한국전력공사 | 전력케이블 접속함 진단 시스템 및 방법 |
| CN110096723B (zh) * | 2019-01-22 | 2023-05-16 | 国网山西省电力公司长治供电公司 | 基于运维检测大数据的高压开关柜绝缘状态分析方法 |
| CN110286303A (zh) * | 2019-07-10 | 2019-09-27 | 国家电网有限公司 | 一种基于bp神经网络的同轴电缆绝缘老化状态评估方法 |
| KR102289411B1 (ko) | 2019-08-27 | 2021-08-12 | 국민대학교산학협력단 | 가중치 기반의 피처 벡터 생성 장치 및 방법 |
| KR102269652B1 (ko) | 2019-09-24 | 2021-06-25 | 국민대학교산학협력단 | 보안관제 데이터 분석을 위한 머신러닝 기반의 학습 벡터 생성 장치 및 방법 |
| KR102289401B1 (ko) | 2019-10-14 | 2021-08-12 | 국민대학교산학협력단 | 라벨 정보가 포함된 특징 벡터 생성 장치 및 방법 |
| CN111707915B (zh) * | 2020-07-10 | 2022-10-14 | 中车唐山机车车辆有限公司 | 基于牵引电机局部放电的在线绝缘评估方法及装置 |
| KR102607227B1 (ko) * | 2020-09-15 | 2023-11-29 | 한국전력공사 | 센서 데이터 활용 부분 방전 감지 시스템 및 방법 |
| KR20230165650A (ko) | 2022-05-27 | 2023-12-05 | 국민대학교산학협력단 | 그래프 랜덤워크 기반 보안관제 이벤트 분석 장치 및 방법 |
| CN115453286B (zh) * | 2022-09-01 | 2023-05-05 | 珠海市伊特高科技有限公司 | Gis局部放电诊断方法、模型训练方法、装置及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5260871A (en) * | 1991-07-31 | 1993-11-09 | Mayo Foundation For Medical Education And Research | Method and apparatus for diagnosis of breast tumors |
| DE4333259C1 (de) * | 1993-09-27 | 1995-05-24 | Siemens Ag | Verfahren zum Erzeugen eines die Richtung eines Kurzschlußstromes angebenden Richtungssignals |
| JP3201959B2 (ja) * | 1996-09-03 | 2001-08-27 | 古河電気工業株式会社 | 部分放電測定方法 |
| US6650779B2 (en) * | 1999-03-26 | 2003-11-18 | Georgia Tech Research Corp. | Method and apparatus for analyzing an image to detect and identify patterns |
| GB0104763D0 (en) * | 2001-02-27 | 2001-04-18 | Smiths Group Plc | Arc detection |
| KR200487036Y1 (ko) * | 2017-09-22 | 2018-08-28 | 동서위생 주식회사 | 화장 솜 |
-
2005
- 2005-10-27 KR KR1020050101969A patent/KR100729107B1/ko active IP Right Grant
-
2006
- 2006-01-13 GB GB0600677A patent/GB2431726B/en not_active Expired - Fee Related
- 2006-02-03 JP JP2006027771A patent/JP4244353B2/ja not_active Expired - Fee Related
- 2006-02-23 DE DE102006008482A patent/DE102006008482B4/de not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| GB2431726B (en) | 2010-04-21 |
| DE102006008482B4 (de) | 2010-10-07 |
| GB2431726A (en) | 2007-05-02 |
| JP2007124880A (ja) | 2007-05-17 |
| KR20070045558A (ko) | 2007-05-02 |
| KR100729107B1 (ko) | 2007-06-14 |
| GB0600677D0 (en) | 2006-02-22 |
| DE102006008482A1 (de) | 2007-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4244353B2 (ja) | 部分放電原因自動推論用の神経網エンジンの入力ベクトル生成方法 | |
| Rudd et al. | A generic knowledge-based approach to the analysis of partial discharge data | |
| KR101574615B1 (ko) | 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템 | |
| Booth et al. | The use of artificial neural networks for condition monitoring of electrical power transformers | |
| Ma et al. | Fractal‐based autonomous partial discharge pattern recognition method for MV motors | |
| US11693041B2 (en) | Method for monitoring the electric insulation status of a piece of equipment for MV or HV electric systems | |
| Asiri et al. | Neural network based classification of partial discharge in HV motors | |
| JP2006162541A (ja) | 事故点標定方法、システム及びプログラム | |
| Na et al. | Detecting instant of multiple faults on the transmission line and its types using time–frequency analysis | |
| Chu et al. | TDV-LSTM: A new methodology for series arc fault detection in low power AC systems | |
| Gopinath et al. | Insulation condition assessment of high‐voltage rotating machines using hybrid techniques | |
| Zhang et al. | Efficient hairpin winding fault detection using impedance measurements | |
| US11300603B2 (en) | Method and system for condition monitoring electrical equipment | |
| Li et al. | Artificial intelligence for real-time topology identification in power distribution systems | |
| Diefenthäler et al. | Artificial neural networks: Modeling and comparison to detect high impedance faults | |
| Venkataswamy et al. | Deformation diagnostic methods for transformer winding through system identification | |
| Haroun et al. | Stator faults detection and diagnosis in reactor coolant pump using Kohonen self-organizing map | |
| Zhang et al. | Application of morphological max-lifting scheme for identification of induction motor stator inter-turn short circuit | |
| Nyanteh | Application of artificial intelligence to rotating machine condition monitoring | |
| Jung et al. | Normal data-based motor fault diagnosis using stacked time-series imaging method | |
| Isaev et al. | Identification of emergency modes of power asynchronous electric drives using machine learning methods | |
| RU2546993C1 (ru) | Способ диагностики технического состояния электропривода по оценке динамики его параметров | |
| CN118013304B (zh) | 一种基于聚类算法的变压器故障定位方法及系统 | |
| JP2006105714A (ja) | 送配電線路の事故原因判別方法 | |
| Yu et al. | Small-sample-based TDA Cable Emergency Rapid Access and Fault Source Intelligent Analysis System |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20071025 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20071030 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20080130 |
|
| A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20080204 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20080229 |
|
| A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20080305 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080331 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080520 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20080820 |
|
| A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20080825 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20080922 |
|
| A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20080926 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20081020 |
|
| 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: 20081202 |
|
| 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: 20081226 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 4244353 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120116 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130116 Year of fee payment: 4 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130116 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140116 Year of fee payment: 5 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |