JP3693089B2 - ダムにおける流量予測方法 - Google Patents
ダムにおける流量予測方法 Download PDFInfo
- Publication number
- JP3693089B2 JP3693089B2 JP22029598A JP22029598A JP3693089B2 JP 3693089 B2 JP3693089 B2 JP 3693089B2 JP 22029598 A JP22029598 A JP 22029598A JP 22029598 A JP22029598 A JP 22029598A JP 3693089 B2 JP3693089 B2 JP 3693089B2
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- dam
- rainfall
- flow rate
- flow
- 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 - Lifetime
Links
Images
Landscapes
- Measuring Volume Flow (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、系統制御所、給電指令所、ダム管理所、水力発電所等において、計算機上でダムの流入量または流出量（以下、両者をまとめて流量という）を自動的に予測する方法に関する。
【０００２】
【従来の技術】
ダムの流量予測は、ダム運用の安全性及び経済性向上のため重要である。例えば、数時間先の流量予測は、降雨時のダム放流量を適切に設定して流域の安全性確保に役立てることができる。また、数時間先から数日先の予測、特に翌日の流量予測は、発電計画の適切な立案による水力エネルギーの有効利用・経済性の向上に寄与する。
【０００３】
従来、ダムの流入量の予測は、熟練運用者の経験と直感的知識により行われていることが多い。このため、数時間先までの予測作業を自動化する例として、タンクモデル、貯留関数法、ニューラルネットワーク等を用いる様々な方法が提案されている。これらの方法は、実績データが多数蓄積されている数時間先の予測には有効であるが、数時間先から数日先に関しては、以下の理由により予測が困難であった。
【０００４】
１．数時間先から数日先の予測は、ダムの上流域の湿潤度及びその変化による影響が数時間先予測より大きい。
図７は、１時間ごとで６日間にわたる１４４個の流入量データ１、同じく１２日間にわたる２８８個の流入量データ２、同じく１２日間にわたる２８８個の流入量データ３について、９時間の流域平均雨量との関係を示したものである。この図から明らかなように、雨量が同じでも、ダム上流域の湿潤度の違いによって流入量が著しく異なることになる。
２．流量予測に当たり、将来の雨量データに相当するものとして気象予報データが必要となるが、従来では都市や気象台ごとに１日数回の予報しか得られず、しかも予報地点のメッシュが荒いことから、ダム地点の適切な気象予報を得ることができない。
【０００５】
【発明が解決しようとする課題】
ダムの流入量または流出量を予測するには、膨大な専門知識と長年の経験とが必要であるが、近年この知識を有する熟練運用者は減少の一途をたどっている。一方、ダムの流量予測はダム運用の基盤であり、その予測精度の向上と自動化が切望されている。
数時間先〜数日先の流量予測、特に翌日の流量予測は発電計画作成に必要不可欠な情報であるが、計算機による自動化例はほとんどなく、運用者に頼っているのが現状である。
【０００６】
本発明は上記課題を解決するためになされたもので、近年、精度が著しく向上してきた気象予報を利用して将来の雨量データを予測時に使用し、更にダムの上流域の湿潤度を考慮することで、熟練運用者に頼ることなく簡便かつ高精度に流量予測を行うことができる流量予測方法を提供しようとするものである。
【０００７】
【課題を解決するための手段】
すなわち、請求項１記載の発明は、計算機により過去の実績値を用いて構築したニューラルネットワークからなる予測モデルに対し、自ダムの流量、雨量等を入力して将来における自ダムの流量を予測する流量予測方法において、少なくとも、現在の自ダムの流量及び過去から将来の所定時間先までの流域の雨量が入力される予測モデルを用いて、将来の所定時間先の自ダム流量を予測するものである。
【０００８】
請求項２記載の発明は、計算機により過去の実績値を用いて構築したニューラルネットワークからなる予測モデルに対し、自ダムの流量、雨量等を入力して将来における自ダムの流量を予測する流量予測方法において、少なくとも、現在の自ダムの流量及び過去から将来の所定時間先までの流域の雨量が入力される予測モデルを用いて、将来の所定期間の自ダム総流量を予測するものである。
【０００９】
請求項３記載の発明は、請求項１により予測した流量の積算値と、請求項２により予測した総流量とを用いて、請求項１によりポイント予測した流量を補正するものである。
【００１０】
請求項４記載の発明は、請求項１，２，または３記載のダムにおける流量予測方法において、流量実績値が判明するごとに、至近の実績値データを逐次追加して予測モデル（ニューラルネットワーク）の再学習を行い、この再学習した予測モデルを用いて予測を行うものである。
【００１４】
【発明の実施の形態】
以下、図に沿って本発明の実施形態を説明する。
以下の各実施形態は、表 1に示す１時間ごとのデータを用い、２種類のデータを予測モデルの学習に、残り１種類のデータを予測に用いた。なお、表１のデータ１，２，３は図７における流入量データと同じである。
【００１５】
【表１】
【００１６】
まず、請求項１記載の発明では、過去における自ダムの流入量、流域平均雨量等の実績値を用いてニューラルネットワークを構築し、表２に示すように自ダム流入量、流域平均雨量（雨量予報値を含む）を入力変数として、２４時間先の自ダム流入量（２３時間先から２４時間先における１時間平均流量）を予測する。すなわち、予測時点までに判明している流量、雨量及び気象予報をニューラルネットワークの入力変数として、将来の所定時間先における瞬間的な流入量（通常は１時間平均値）を予測（ポイント予測）するものである。
【００１７】
【表２】
【００１８】
なお、近年の気象予報では、雨量予報値を１時間ごとに数十時間先まで得ることができるため、流域平均雨量の中に２４時間先までの雨量を入力変数として取り込むことが可能である。
この実施形態では、２４時間先の自ダム流入量を予測しているが、一般に数時間先から数日先までの範囲で瞬間的な流入量を予測することが可能である。
【００１９】
図４は、この実施形態に使用される予測モデルとしてのニューラルネットワークの概念図であり、現在の自ダム流入量、６時間前から２４時間先までの１時間ごとの流域平均雨量が入力される入力層と、中間層と、２４時間先の自ダム流入量予測値が出力される出力層とからなる。
入力変数として現在の流入量を用いることにより、上流域の湿潤度を間接的に考慮した構成となっている。また、雨量の入力ユニットを６時間前から２４時間先まで３１ユニット用意したため、湿潤度の時間的変化を考慮したモデルとなっている。
なお、ニューラルネットワークの学習には、通常、バックプロパゲーション法が用いられるが、本発明の要旨でないのでその説明は省略する。
【００２０】
表３は、本実施形態の予測結果として、各データ１，２，３を予測対象としたときの自ダム流入量予測値と実績値との絶対値平均誤差〔％〕を示すものである。また、図５は、データ２の予測結果を示す図であり、将来の所定時間先の瞬間的な自ダム流入量（１時間平均値）を予測している。
【００２１】
【表３】
【００２２】
これらの表３及び図５から明らかなように、本実施形態によれば、上流域の湿潤度をも考慮することで良好な予測結果を得ることができる。
【００２３】
次に、請求項２に記載した発明の実施形態を説明する。この実施形態では、過去における自ダムの流入量、流域平均雨量等の実績データを用いてニューラルネットワークを構築し、表４に示すように自ダム流入量、流域平均雨量（雨量予報値を含む）を入力変数として、将来の所定期間（例えば１２時間後から３６時間後まで）における自ダム総流入量を予測する。すなわち、予測時点までに判明している流量、雨量及び気象予報をニューラルネットワークの入力変数として、将来の所定期間の総流入量を予測するものである。
【００２４】
【表４】
【００２５】
なお、表４において、自ダム流入量及び流域平均雨量に「０」とあるのは、それぞれ現在までの１２時間または６時間の平均値を示している。また、流域平均雨量において、例えば「＋６」とあるのは、気象予報から得られた雨量データに基づいて、現在から６時間後までの雨量を平均した値、「＋１２」とあるのは、同様に６時間後から１２時間後までの雨量を平均した値である。
【００２６】
この実施形態においても、ニューラルネットワークの入力変数として、自ダム流入量及び流域平均雨量により上流域の湿潤度をも考慮しているので、水力発電所の運用計画に最低限必要とされる総流量の予測精度を向上させ、より効率的な発電計画を立てることができる。
【００２７】
表５は、３種類のデータ１，２，３についての本実施形態による自ダム流入量予測値と実績値との絶対値平均誤差〔％〕を比較したものである。この表から、データ１，２については比較的良好な予測結果が得られていることがわかる。
【００２８】
【表５】
【００２９】
次いで、請求項３に記載した発明の実施形態を説明する。
この実施形態は、請求項１の発明による予測値を、請求項２の発明による予測値で補正するものである。
請求項１の発明では、いわば瞬間的な流量を予測するのに対し、請求項２の発明では、将来のある期間における総流量を予測する。従って、請求項１の発明による予測値の積分値が、請求項２の発明の予測値である総流量になるという性質があるから、請求項３の発明では、この性質を利用して請求項１の発明による瞬間的な予測値を補正することにより、総流量予測値との間の誤差をなくそうとするものである。
【００３０】
図１は、請求項３の発明の実施形態を示すフローチャートである。以下、この図を参照しつつ予測値の補正方法を説明する。
（１）ｔ1〜ｔn時間先予測を行うため、ｎ個の予測モデルを請求項１の発明により構築する（Ｓ１１）。
（２）ｔ1〜ｔn時間の総流量を予測するための予測モデルを１つ、請求項２の発明により構築する（Ｓ１２）。
（３）ｔ1〜ｔn時間先のポイント予測値（瞬間値）をｆ1〜ｆnとし、これらを積算して得た総流量をｘ1とする（Ｓ１３）。
（４）請求項２の発明で予測したｔ1〜ｔn時間の総流量をｘ2とする（Ｓ１４）。
（５）ｘ1≠ｘ2の場合は、補正を行う（Ｓ１５）。補正方法はいくつか考えられるが、例として次式によって示される方法がある。
【００３１】
・補正方法１
ｆ1（補正後の予測値）＝ｆ1’（補正前の予想値）×（ｘ2／ｘ1），
ｆ2＝ｆ2’×（ｘ2／ｘ1），
：
ｆn＝ｆn’×（ｘ2／ｘ1）
【００３２】
・補正方法２（各予測総流量の平均値を用いて補正）
ｆ1＝ｆ1’×（ｘ2―ｘ1）／２／ｘ1，
ｆ2＝ｆ2’×（ｘ2―ｘ1）／２／ｘ1，
：
ｆn＝ｆn’×（ｘ2―ｘ1）／２／ｘ1
【００３３】
この実施形態によれば、貯水容量が比較的小さく、例えば１時間ごとのポイント予測が重視されるようなダムにおいて、請求項１の発明による予測値を適切に補正して予測精度を向上させたい場合に有効である。
【００３４】
次に、請求項４に記載した発明の実施形態を説明する。
この発明は、河川上流域の湿潤度や湿潤度変化を更に考慮するために、請求項１、２の発明を改良するものである。通常、予測に用いるニューラルネットワークは、学習終了後、その学習状態を固定して予測に用いている。そのため学習時と異なる状況のもとでは予測することができない。
そこで、請求項４の発明では、予測時点において、それまでに判明した実績データを逐次追加してニューラルネットワークを再学習することにより、河川上流域の湿潤度及びその変化に対応したきめ細かい予測を可能とするものである。
【００３５】
請求項１の発明の実施形態では、表３に示したように２４時間先の自ダム流入量を予測しているので、予測時点から２４時間後に実績値が判明する。また、請求項２の発明の実施形態では、表４に示したように１２時間後から３６時間後までの２４時間の総流入量を予測しているので、予測時点から３６時間後に実績値が判明する。
【００３６】
このため、実績値が判明した時点で、それまでの実績値をニューラルネットワークの入力データに逐次追加して学習し、予測することで、至近の河川状況の変化、上流域の湿潤度変化に対応した予測を行うことが可能である。つまり、この実施形態では、実績値が判明した時点で予測モデルを更新することになる。
図６は、この実施形態の学習及び予測の概念図である。図に示すように、例えば予測時点から２４時間経過した現時点では、それまでの流入量が実績値として判明しているため、この実績値を使用して追加学習したニューラルネットワークにより、現時点から２４時間先の流入量を予測する。
【００３７】
表６は、この実施形態を請求項１の発明の実施形態に適用した場合のもので、３種類のデータ１，２，３につき２４時間先の自ダム流入量を追加学習なしで予測し、更に追加学習を行って予測した場合の予測値と実績値との絶対値平均誤差〔％〕を比較したものである。
また、表７は、この実施形態を請求項２の発明の実施形態に適用した場合のもので、同じデータ１，２，３につき１２時間後から３６時間後までの２４時間の自ダム総流入量を追加学習なしで予測し、更に追加学習を行って予測した場合の予測値と実績値との絶対値平均誤差〔％〕を比較したものである。
【００３８】
【表６】
【００３９】
【表７】
【００４０】
これらの表６，表７から、本実施形態ではほとんどのケースで誤差が小さくなっており、至近の湿潤度やその変化を反映したデータを用いて追加学習し予測することで、予測精度が向上していることがわかる。
【００４１】
次に、他の発明の実施形態を説明する。
この発明は、上流域の湿潤度に応じた予測を行うための発明である。図７に示したように、雨量が同じであってもダムの流入量は上流域の湿潤度により異なる。従って、上流域湿潤度に応じて複数の予測モデルを構築しておき、予測時点の上流域湿潤度、予測誤差などの指標により適切な予測モデルに切り替えて予測するものである。
【００４２】
図２は、この実施形態の処理を示すフローチャートである。以下、その内容を説明する。
（１）「湿潤度が低い場合、高い場合」などの条件別に、予測モデルを構築する（Ｓ２１）。湿潤度の計測が困難な河川においては、累計雨量、降雨時間などの条件別に予測モデルを構築する。このとき、モデル化手法は、ニューラルネットワークに限らず、他の手法でも構わない。
【００４３】
（２）湿潤度を計測する（Ｓ２２）。湿潤度の計測が困難な河川においては、累計雨量、降雨時間などから湿潤度を換算する。また、累計雨量、降雨時間と湿潤度との関係が明確でない河川においては、累計雨量、降雨時間などの指標の算出だけを行う。ここでは便宜的に、湿潤度自体、累計雨量、降雨時間等を湿潤度に相当する指標という。
【００４４】
（３）予測時点において、上流域の湿潤度に応じて予測モデルを切り替え（Ｓ２３）、切り替えた予測モデルを用いて予測する。上流域の湿潤度が計測できない場合には、予測時点までの累計雨量、降雨時間、予測誤差など各種指標により予測モデルを切り替える。
【００４５】
前述の請求項４の発明の実施形態では、実績値が判明するまで追加学習が行えず、予測モデルを更新することができないが、本実施形態では、あらかじめ用意した複数の予測モデルの中から、湿潤度に相当する指標に基づいて最適なモデルを選択することができる。
【００４６】
次いで、他の発明の実施形態を説明する。
この発明は、上流域の湿潤度の計測もしくは換算が良好に行えない場合に、予測モデルの予測精度を検証して最適の予測モデルに切り替えるものである。一般に多くの河川では、上流域湿潤度の計測・換算は困難である点に鑑み、本発明では、湿潤度と高い相関関係にある累計雨量、降雨時間、季節などの指標を用いて予め複数の予測モデルを構築しておき、それらのうち予測誤差の少ないモデルを用いて予測することとした。
【００４７】
図３はこの実施形態の処理を示すフローチャートであり、以下、この図を用いて処理の内容を説明する。
（１）複数の予測モデルを構築する（Ｓ３１）。このとき、累計雨量、降雨時間、季節など複数の指標ごとに予測モデルを構築する。また、ニューラルネットワークやタンクモデルなど様々なモデル化手法により構築することも可能である。
【００４８】
（２）至近データを用いて、各予測モデルの予測精度を検証する（Ｓ３２）。
（３）予測誤差が最小である予測モデル（予測精度が最も高いモデル）に切り替え（Ｓ３３）、次回予測時にそのモデルによる予測値を採用する。
【００４９】
この実施形態によれば、湿潤度の計測が困難な多数の河川においても、湿潤度を間接的に考慮した高精度な予測を行うことができる。
【００５０】
次に、他の発明の実施形態を説明する。
この発明は、前に説明した二発明において予測モデルを切り替えて予測していたものを、ファジー推論により複数の予測モデルの予測値を融合して予測するようにしたものである。
【００５１】
以下、本発明の実施形態における処理手順を説明する。
（１）湿潤度、降雨状況（累積雨量、降雨時間、季節等）、予測精度など、複数の指標を算出する。
（２）算出した上記指標により、ファジー推論を行って予測値の融合を行う。ここで、ファジー規則は、対象河川や予測のモデル化手法により種々考えられるが、例として次のようなものが考えられる。
【００５２】
・規則例１
（１）規則１
予測モデルが２つあると仮定し、そのうち予測モデル１による予測誤差が＋側で大、予測モデル２による予測誤差が−側で小、ならば、予測モデル２による予測値のウェイトを多く融合する。
（２）規則２
予測モデル１による予測誤差が０、予測モデル２による予測誤差が大、ならば、予測モデル１による予測値を全体の予測値とする。
【００５３】
・規則例２
（１）規則１
湿潤度が高い場合、高湿潤度用予測モデルで予測する。
（２）規則２
湿潤度が中程度の場合、高湿潤度用予測モデルによる予測値と低湿潤度用予測モデルによる予測値とをファジー融合して全体の予測値とする。
【００５４】
前に説明した二発明では予測モデルの切替時に予測値が不連続になる可能性があるが、この実施形態によればそのような不都合もなく、上流域の湿潤度や各モデルの予測誤差を反映させた予測が可能になる。
【００５５】
【発明の効果】
請求項１に記載した発明は、例えば数時間先〜数日先といった将来のある時点における瞬間的な流量（通常は１時間平均値）を予測するものである。通常、水力発電の発電計画は、前日において翌日の１時間ごと２４時間分の発電出力・発電使用流量が計画される。本発明では、予測モデルの入力変数として現在の自ダム流量などを考慮することで、上流域の湿潤度を反映させた高精度な予測が可能になり、効率的な発電計画を立てることができる。
【００５６】
請求項２に記載した発明は、将来の所定期間、例えば数時間先〜数日先といった所定期間の総流量を予測するものである。水力発電の発電計画は、一般に前日において２４時間分計画されるため１時間ごとの流量が予測できることが望ましいが、貯水容量の大きいダムが水系内に多くある場合には、１日分の総流量の予測の方が望まれることが多い。従って、本発明によれば、総流量の予測に特化した予測を行なう場合に総流量の予測精度を向上させ、より効率的な発電計画の作成に寄与することができる。
【００５７】
請求項３に記載した発明は、請求項１の発明による予測値を請求項２の発明による予測値を用いて補正する方法である。これにより、瞬間的な流量の予測値を適切に補正して予測精度を高めることができ、より経済的な発電計画を立てることができる。特にこの発明は、貯水容量の小さいダムの経済性を向上させるものである。
【００５８】
請求項４に記載した発明は、上流域の湿潤度を更に考慮した予測を可能にするものである。
数時間先までの予測においては、上流域の湿潤度の影響が比較的少ないが、数日先までの予測を行う場合には、上流域湿潤度を考慮しなければ良好な結果が期待できない。
この点、請求項４の発明によれば、請求項１，２の発明において、実績値判明後に至近データを逐次学習することで、予測モデル自体を逐次更新して至近の上流域湿潤度を考慮した予測を行うことができる。
【００６２】
以上のように、請求項１〜請求項４の発明によれば、熟練運用者に頼ることなくダムにおける流量を予測することが可能になる。また、熟練運用者への支援としても活用することができる。
【図面の簡単な説明】
【図１】請求項３に記載した発明の実施形態を示すフローチャートである。
【図２】 他の発明の処理手順を示すフローチャートである。
【図３】 他の発明の処理手順を示すフローチャートである。
【図４】本発明の実施形態に使用される予測モデル（ニューラルネットワーク）の概念図である。
【図５】請求項１に記載した発明の実施形態による予測結果を示す図である。
【図６】請求項４に記載した発明の実施形態を示す学習及び予測の概念図である。
【図７】３種類のデータについて、雨量と自ダム流入量との関係を示した図である。
【発明の属する技術分野】
本発明は、系統制御所、給電指令所、ダム管理所、水力発電所等において、計算機上でダムの流入量または流出量（以下、両者をまとめて流量という）を自動的に予測する方法に関する。
【０００２】
【従来の技術】
ダムの流量予測は、ダム運用の安全性及び経済性向上のため重要である。例えば、数時間先の流量予測は、降雨時のダム放流量を適切に設定して流域の安全性確保に役立てることができる。また、数時間先から数日先の予測、特に翌日の流量予測は、発電計画の適切な立案による水力エネルギーの有効利用・経済性の向上に寄与する。
【０００３】
従来、ダムの流入量の予測は、熟練運用者の経験と直感的知識により行われていることが多い。このため、数時間先までの予測作業を自動化する例として、タンクモデル、貯留関数法、ニューラルネットワーク等を用いる様々な方法が提案されている。これらの方法は、実績データが多数蓄積されている数時間先の予測には有効であるが、数時間先から数日先に関しては、以下の理由により予測が困難であった。
【０００４】
１．数時間先から数日先の予測は、ダムの上流域の湿潤度及びその変化による影響が数時間先予測より大きい。
図７は、１時間ごとで６日間にわたる１４４個の流入量データ１、同じく１２日間にわたる２８８個の流入量データ２、同じく１２日間にわたる２８８個の流入量データ３について、９時間の流域平均雨量との関係を示したものである。この図から明らかなように、雨量が同じでも、ダム上流域の湿潤度の違いによって流入量が著しく異なることになる。
２．流量予測に当たり、将来の雨量データに相当するものとして気象予報データが必要となるが、従来では都市や気象台ごとに１日数回の予報しか得られず、しかも予報地点のメッシュが荒いことから、ダム地点の適切な気象予報を得ることができない。
【０００５】
【発明が解決しようとする課題】
ダムの流入量または流出量を予測するには、膨大な専門知識と長年の経験とが必要であるが、近年この知識を有する熟練運用者は減少の一途をたどっている。一方、ダムの流量予測はダム運用の基盤であり、その予測精度の向上と自動化が切望されている。
数時間先〜数日先の流量予測、特に翌日の流量予測は発電計画作成に必要不可欠な情報であるが、計算機による自動化例はほとんどなく、運用者に頼っているのが現状である。
【０００６】
本発明は上記課題を解決するためになされたもので、近年、精度が著しく向上してきた気象予報を利用して将来の雨量データを予測時に使用し、更にダムの上流域の湿潤度を考慮することで、熟練運用者に頼ることなく簡便かつ高精度に流量予測を行うことができる流量予測方法を提供しようとするものである。
【０００７】
【課題を解決するための手段】
すなわち、請求項１記載の発明は、計算機により過去の実績値を用いて構築したニューラルネットワークからなる予測モデルに対し、自ダムの流量、雨量等を入力して将来における自ダムの流量を予測する流量予測方法において、少なくとも、現在の自ダムの流量及び過去から将来の所定時間先までの流域の雨量が入力される予測モデルを用いて、将来の所定時間先の自ダム流量を予測するものである。
【０００８】
請求項２記載の発明は、計算機により過去の実績値を用いて構築したニューラルネットワークからなる予測モデルに対し、自ダムの流量、雨量等を入力して将来における自ダムの流量を予測する流量予測方法において、少なくとも、現在の自ダムの流量及び過去から将来の所定時間先までの流域の雨量が入力される予測モデルを用いて、将来の所定期間の自ダム総流量を予測するものである。
【０００９】
請求項３記載の発明は、請求項１により予測した流量の積算値と、請求項２により予測した総流量とを用いて、請求項１によりポイント予測した流量を補正するものである。
【００１０】
請求項４記載の発明は、請求項１，２，または３記載のダムにおける流量予測方法において、流量実績値が判明するごとに、至近の実績値データを逐次追加して予測モデル（ニューラルネットワーク）の再学習を行い、この再学習した予測モデルを用いて予測を行うものである。
【００１４】
【発明の実施の形態】
以下、図に沿って本発明の実施形態を説明する。
以下の各実施形態は、表 1に示す１時間ごとのデータを用い、２種類のデータを予測モデルの学習に、残り１種類のデータを予測に用いた。なお、表１のデータ１，２，３は図７における流入量データと同じである。
【００１５】
【表１】
まず、請求項１記載の発明では、過去における自ダムの流入量、流域平均雨量等の実績値を用いてニューラルネットワークを構築し、表２に示すように自ダム流入量、流域平均雨量（雨量予報値を含む）を入力変数として、２４時間先の自ダム流入量（２３時間先から２４時間先における１時間平均流量）を予測する。すなわち、予測時点までに判明している流量、雨量及び気象予報をニューラルネットワークの入力変数として、将来の所定時間先における瞬間的な流入量（通常は１時間平均値）を予測（ポイント予測）するものである。
【００１７】
【表２】
なお、近年の気象予報では、雨量予報値を１時間ごとに数十時間先まで得ることができるため、流域平均雨量の中に２４時間先までの雨量を入力変数として取り込むことが可能である。
この実施形態では、２４時間先の自ダム流入量を予測しているが、一般に数時間先から数日先までの範囲で瞬間的な流入量を予測することが可能である。
【００１９】
図４は、この実施形態に使用される予測モデルとしてのニューラルネットワークの概念図であり、現在の自ダム流入量、６時間前から２４時間先までの１時間ごとの流域平均雨量が入力される入力層と、中間層と、２４時間先の自ダム流入量予測値が出力される出力層とからなる。
入力変数として現在の流入量を用いることにより、上流域の湿潤度を間接的に考慮した構成となっている。また、雨量の入力ユニットを６時間前から２４時間先まで３１ユニット用意したため、湿潤度の時間的変化を考慮したモデルとなっている。
なお、ニューラルネットワークの学習には、通常、バックプロパゲーション法が用いられるが、本発明の要旨でないのでその説明は省略する。
【００２０】
表３は、本実施形態の予測結果として、各データ１，２，３を予測対象としたときの自ダム流入量予測値と実績値との絶対値平均誤差〔％〕を示すものである。また、図５は、データ２の予測結果を示す図であり、将来の所定時間先の瞬間的な自ダム流入量（１時間平均値）を予測している。
【００２１】
【表３】
これらの表３及び図５から明らかなように、本実施形態によれば、上流域の湿潤度をも考慮することで良好な予測結果を得ることができる。
【００２３】
次に、請求項２に記載した発明の実施形態を説明する。この実施形態では、過去における自ダムの流入量、流域平均雨量等の実績データを用いてニューラルネットワークを構築し、表４に示すように自ダム流入量、流域平均雨量（雨量予報値を含む）を入力変数として、将来の所定期間（例えば１２時間後から３６時間後まで）における自ダム総流入量を予測する。すなわち、予測時点までに判明している流量、雨量及び気象予報をニューラルネットワークの入力変数として、将来の所定期間の総流入量を予測するものである。
【００２４】
【表４】
なお、表４において、自ダム流入量及び流域平均雨量に「０」とあるのは、それぞれ現在までの１２時間または６時間の平均値を示している。また、流域平均雨量において、例えば「＋６」とあるのは、気象予報から得られた雨量データに基づいて、現在から６時間後までの雨量を平均した値、「＋１２」とあるのは、同様に６時間後から１２時間後までの雨量を平均した値である。
【００２６】
この実施形態においても、ニューラルネットワークの入力変数として、自ダム流入量及び流域平均雨量により上流域の湿潤度をも考慮しているので、水力発電所の運用計画に最低限必要とされる総流量の予測精度を向上させ、より効率的な発電計画を立てることができる。
【００２７】
表５は、３種類のデータ１，２，３についての本実施形態による自ダム流入量予測値と実績値との絶対値平均誤差〔％〕を比較したものである。この表から、データ１，２については比較的良好な予測結果が得られていることがわかる。
【００２８】
【表５】
次いで、請求項３に記載した発明の実施形態を説明する。
この実施形態は、請求項１の発明による予測値を、請求項２の発明による予測値で補正するものである。
請求項１の発明では、いわば瞬間的な流量を予測するのに対し、請求項２の発明では、将来のある期間における総流量を予測する。従って、請求項１の発明による予測値の積分値が、請求項２の発明の予測値である総流量になるという性質があるから、請求項３の発明では、この性質を利用して請求項１の発明による瞬間的な予測値を補正することにより、総流量予測値との間の誤差をなくそうとするものである。
【００３０】
図１は、請求項３の発明の実施形態を示すフローチャートである。以下、この図を参照しつつ予測値の補正方法を説明する。
（１）ｔ1〜ｔn時間先予測を行うため、ｎ個の予測モデルを請求項１の発明により構築する（Ｓ１１）。
（２）ｔ1〜ｔn時間の総流量を予測するための予測モデルを１つ、請求項２の発明により構築する（Ｓ１２）。
（３）ｔ1〜ｔn時間先のポイント予測値（瞬間値）をｆ1〜ｆnとし、これらを積算して得た総流量をｘ1とする（Ｓ１３）。
（４）請求項２の発明で予測したｔ1〜ｔn時間の総流量をｘ2とする（Ｓ１４）。
（５）ｘ1≠ｘ2の場合は、補正を行う（Ｓ１５）。補正方法はいくつか考えられるが、例として次式によって示される方法がある。
【００３１】
・補正方法１
ｆ1（補正後の予測値）＝ｆ1’（補正前の予想値）×（ｘ2／ｘ1），
ｆ2＝ｆ2’×（ｘ2／ｘ1），
：
ｆn＝ｆn’×（ｘ2／ｘ1）
【００３２】
・補正方法２（各予測総流量の平均値を用いて補正）
ｆ1＝ｆ1’×（ｘ2―ｘ1）／２／ｘ1，
ｆ2＝ｆ2’×（ｘ2―ｘ1）／２／ｘ1，
：
ｆn＝ｆn’×（ｘ2―ｘ1）／２／ｘ1
【００３３】
この実施形態によれば、貯水容量が比較的小さく、例えば１時間ごとのポイント予測が重視されるようなダムにおいて、請求項１の発明による予測値を適切に補正して予測精度を向上させたい場合に有効である。
【００３４】
次に、請求項４に記載した発明の実施形態を説明する。
この発明は、河川上流域の湿潤度や湿潤度変化を更に考慮するために、請求項１、２の発明を改良するものである。通常、予測に用いるニューラルネットワークは、学習終了後、その学習状態を固定して予測に用いている。そのため学習時と異なる状況のもとでは予測することができない。
そこで、請求項４の発明では、予測時点において、それまでに判明した実績データを逐次追加してニューラルネットワークを再学習することにより、河川上流域の湿潤度及びその変化に対応したきめ細かい予測を可能とするものである。
【００３５】
請求項１の発明の実施形態では、表３に示したように２４時間先の自ダム流入量を予測しているので、予測時点から２４時間後に実績値が判明する。また、請求項２の発明の実施形態では、表４に示したように１２時間後から３６時間後までの２４時間の総流入量を予測しているので、予測時点から３６時間後に実績値が判明する。
【００３６】
このため、実績値が判明した時点で、それまでの実績値をニューラルネットワークの入力データに逐次追加して学習し、予測することで、至近の河川状況の変化、上流域の湿潤度変化に対応した予測を行うことが可能である。つまり、この実施形態では、実績値が判明した時点で予測モデルを更新することになる。
図６は、この実施形態の学習及び予測の概念図である。図に示すように、例えば予測時点から２４時間経過した現時点では、それまでの流入量が実績値として判明しているため、この実績値を使用して追加学習したニューラルネットワークにより、現時点から２４時間先の流入量を予測する。
【００３７】
表６は、この実施形態を請求項１の発明の実施形態に適用した場合のもので、３種類のデータ１，２，３につき２４時間先の自ダム流入量を追加学習なしで予測し、更に追加学習を行って予測した場合の予測値と実績値との絶対値平均誤差〔％〕を比較したものである。
また、表７は、この実施形態を請求項２の発明の実施形態に適用した場合のもので、同じデータ１，２，３につき１２時間後から３６時間後までの２４時間の自ダム総流入量を追加学習なしで予測し、更に追加学習を行って予測した場合の予測値と実績値との絶対値平均誤差〔％〕を比較したものである。
【００３８】
【表６】
【表７】
これらの表６，表７から、本実施形態ではほとんどのケースで誤差が小さくなっており、至近の湿潤度やその変化を反映したデータを用いて追加学習し予測することで、予測精度が向上していることがわかる。
【００４１】
次に、他の発明の実施形態を説明する。
この発明は、上流域の湿潤度に応じた予測を行うための発明である。図７に示したように、雨量が同じであってもダムの流入量は上流域の湿潤度により異なる。従って、上流域湿潤度に応じて複数の予測モデルを構築しておき、予測時点の上流域湿潤度、予測誤差などの指標により適切な予測モデルに切り替えて予測するものである。
【００４２】
図２は、この実施形態の処理を示すフローチャートである。以下、その内容を説明する。
（１）「湿潤度が低い場合、高い場合」などの条件別に、予測モデルを構築する（Ｓ２１）。湿潤度の計測が困難な河川においては、累計雨量、降雨時間などの条件別に予測モデルを構築する。このとき、モデル化手法は、ニューラルネットワークに限らず、他の手法でも構わない。
【００４３】
（２）湿潤度を計測する（Ｓ２２）。湿潤度の計測が困難な河川においては、累計雨量、降雨時間などから湿潤度を換算する。また、累計雨量、降雨時間と湿潤度との関係が明確でない河川においては、累計雨量、降雨時間などの指標の算出だけを行う。ここでは便宜的に、湿潤度自体、累計雨量、降雨時間等を湿潤度に相当する指標という。
【００４４】
（３）予測時点において、上流域の湿潤度に応じて予測モデルを切り替え（Ｓ２３）、切り替えた予測モデルを用いて予測する。上流域の湿潤度が計測できない場合には、予測時点までの累計雨量、降雨時間、予測誤差など各種指標により予測モデルを切り替える。
【００４５】
前述の請求項４の発明の実施形態では、実績値が判明するまで追加学習が行えず、予測モデルを更新することができないが、本実施形態では、あらかじめ用意した複数の予測モデルの中から、湿潤度に相当する指標に基づいて最適なモデルを選択することができる。
【００４６】
次いで、他の発明の実施形態を説明する。
この発明は、上流域の湿潤度の計測もしくは換算が良好に行えない場合に、予測モデルの予測精度を検証して最適の予測モデルに切り替えるものである。一般に多くの河川では、上流域湿潤度の計測・換算は困難である点に鑑み、本発明では、湿潤度と高い相関関係にある累計雨量、降雨時間、季節などの指標を用いて予め複数の予測モデルを構築しておき、それらのうち予測誤差の少ないモデルを用いて予測することとした。
【００４７】
図３はこの実施形態の処理を示すフローチャートであり、以下、この図を用いて処理の内容を説明する。
（１）複数の予測モデルを構築する（Ｓ３１）。このとき、累計雨量、降雨時間、季節など複数の指標ごとに予測モデルを構築する。また、ニューラルネットワークやタンクモデルなど様々なモデル化手法により構築することも可能である。
【００４８】
（２）至近データを用いて、各予測モデルの予測精度を検証する（Ｓ３２）。
（３）予測誤差が最小である予測モデル（予測精度が最も高いモデル）に切り替え（Ｓ３３）、次回予測時にそのモデルによる予測値を採用する。
【００４９】
この実施形態によれば、湿潤度の計測が困難な多数の河川においても、湿潤度を間接的に考慮した高精度な予測を行うことができる。
【００５０】
次に、他の発明の実施形態を説明する。
この発明は、前に説明した二発明において予測モデルを切り替えて予測していたものを、ファジー推論により複数の予測モデルの予測値を融合して予測するようにしたものである。
【００５１】
以下、本発明の実施形態における処理手順を説明する。
（１）湿潤度、降雨状況（累積雨量、降雨時間、季節等）、予測精度など、複数の指標を算出する。
（２）算出した上記指標により、ファジー推論を行って予測値の融合を行う。ここで、ファジー規則は、対象河川や予測のモデル化手法により種々考えられるが、例として次のようなものが考えられる。
【００５２】
・規則例１
（１）規則１
予測モデルが２つあると仮定し、そのうち予測モデル１による予測誤差が＋側で大、予測モデル２による予測誤差が−側で小、ならば、予測モデル２による予測値のウェイトを多く融合する。
（２）規則２
予測モデル１による予測誤差が０、予測モデル２による予測誤差が大、ならば、予測モデル１による予測値を全体の予測値とする。
【００５３】
・規則例２
（１）規則１
湿潤度が高い場合、高湿潤度用予測モデルで予測する。
（２）規則２
湿潤度が中程度の場合、高湿潤度用予測モデルによる予測値と低湿潤度用予測モデルによる予測値とをファジー融合して全体の予測値とする。
【００５４】
前に説明した二発明では予測モデルの切替時に予測値が不連続になる可能性があるが、この実施形態によればそのような不都合もなく、上流域の湿潤度や各モデルの予測誤差を反映させた予測が可能になる。
【００５５】
【発明の効果】
請求項１に記載した発明は、例えば数時間先〜数日先といった将来のある時点における瞬間的な流量（通常は１時間平均値）を予測するものである。通常、水力発電の発電計画は、前日において翌日の１時間ごと２４時間分の発電出力・発電使用流量が計画される。本発明では、予測モデルの入力変数として現在の自ダム流量などを考慮することで、上流域の湿潤度を反映させた高精度な予測が可能になり、効率的な発電計画を立てることができる。
【００５６】
請求項２に記載した発明は、将来の所定期間、例えば数時間先〜数日先といった所定期間の総流量を予測するものである。水力発電の発電計画は、一般に前日において２４時間分計画されるため１時間ごとの流量が予測できることが望ましいが、貯水容量の大きいダムが水系内に多くある場合には、１日分の総流量の予測の方が望まれることが多い。従って、本発明によれば、総流量の予測に特化した予測を行なう場合に総流量の予測精度を向上させ、より効率的な発電計画の作成に寄与することができる。
【００５７】
請求項３に記載した発明は、請求項１の発明による予測値を請求項２の発明による予測値を用いて補正する方法である。これにより、瞬間的な流量の予測値を適切に補正して予測精度を高めることができ、より経済的な発電計画を立てることができる。特にこの発明は、貯水容量の小さいダムの経済性を向上させるものである。
【００５８】
請求項４に記載した発明は、上流域の湿潤度を更に考慮した予測を可能にするものである。
数時間先までの予測においては、上流域の湿潤度の影響が比較的少ないが、数日先までの予測を行う場合には、上流域湿潤度を考慮しなければ良好な結果が期待できない。
この点、請求項４の発明によれば、請求項１，２の発明において、実績値判明後に至近データを逐次学習することで、予測モデル自体を逐次更新して至近の上流域湿潤度を考慮した予測を行うことができる。
【００６２】
以上のように、請求項１〜請求項４の発明によれば、熟練運用者に頼ることなくダムにおける流量を予測することが可能になる。また、熟練運用者への支援としても活用することができる。
【図面の簡単な説明】
【図１】請求項３に記載した発明の実施形態を示すフローチャートである。
【図２】 他の発明の処理手順を示すフローチャートである。
【図３】 他の発明の処理手順を示すフローチャートである。
【図４】本発明の実施形態に使用される予測モデル（ニューラルネットワーク）の概念図である。
【図５】請求項１に記載した発明の実施形態による予測結果を示す図である。
【図６】請求項４に記載した発明の実施形態を示す学習及び予測の概念図である。
【図７】３種類のデータについて、雨量と自ダム流入量との関係を示した図である。
Claims (4)
- 計算機により過去の実績値を用いて構築したニューラルネットワークからなる予測モデルに対し、自ダムの流量、雨量等を入力して将来における自ダムの流量を予測する流量予測方法において、
少なくとも、現在の自ダムの流量及び過去から将来の所定時間先までの流域の雨量が入力される予測モデルを用いて、将来の所定時間先の自ダム流量を予測することを特徴とする、ダムにおける流量予測方法。 - 計算機により過去の実績値を用いて構築したニューラルネットワークからなる予測モデルに対し、自ダムの流量、雨量等を入力して将来における自ダムの流量を予測する流量予測方法において、
少なくとも、現在の自ダムの流量及び過去から将来の所定時間先までの流域の雨量が入力される予測モデルを用いて、将来の所定期間の自ダム総流量を予測することを特徴とする、ダムにおける流量予測方法。 - 請求項１により予測した流量の積算値と、請求項２により予測した総流量とを用いて、請求項１により予測した流量を補正することを特徴とする、ダムにおける流量予測方法。
- 請求項１，２，または３記載のダムにおける流量予測方法において、
流量実績値が判明するごとに、至近の実績値データを逐次追加して予測モデルの再学習を行い、この再学習した予測モデルを用いて予測を行うことを特徴とする、ダムにおける流量予測方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP22029598A JP3693089B2 (ja) | 1998-08-04 | 1998-08-04 | ダムにおける流量予測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP22029598A JP3693089B2 (ja) | 1998-08-04 | 1998-08-04 | ダムにおける流量予測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2000055703A JP2000055703A (ja) | 2000-02-25 |
| JP3693089B2 true JP3693089B2 (ja) | 2005-09-07 |
Family
ID=16748934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP22029598A Expired - Lifetime JP3693089B2 (ja) | 1998-08-04 | 1998-08-04 | ダムにおける流量予測方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3693089B2 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101865710A (zh) * | 2010-05-26 | 2010-10-20 | 北京航空航天大学 | 一种负压气体的流量测量方法 |
| JP2019045352A (ja) * | 2017-09-04 | 2019-03-22 | 富士電機株式会社 | 雨量推定装置、雨量推定方法、雨量推定プログラム、流入量推定装置 |
| JP2023085902A (ja) * | 2021-12-09 | 2023-06-21 | 八千代エンジニヤリング株式会社 | モデル生成方法及び流入量予測システム |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006092058A (ja) * | 2004-09-22 | 2006-04-06 | Fuji Electric Systems Co Ltd | 流量予測装置 |
| JP2008184838A (ja) * | 2007-01-30 | 2008-08-14 | Hokkaido River Disaster Prevention Research Center | ダム流入量予測装置、ダム流入量予測方法、およびダム流入量予測プログラム |
| WO2010071158A1 (ja) * | 2008-12-19 | 2010-06-24 | 中国電力株式会社 | 貯水施設運用支援システム、貯水施設運用支援方法およびプログラム |
| WO2013001600A1 (ja) * | 2011-06-28 | 2013-01-03 | 中国電力株式会社 | 流入量予測装置、流入量予測方法及びプログラム |
| JP5859866B2 (ja) * | 2012-02-07 | 2016-02-16 | メタウォーター株式会社 | 監視対象量予測方法及び監視対象量予測装置 |
| JP6191704B2 (ja) * | 2016-01-04 | 2017-09-06 | 中国電力株式会社 | 流入量予測装置、流入量予測方法および流入量予測プログラム |
| JP7019982B2 (ja) * | 2017-07-18 | 2022-02-16 | 株式会社竹中工務店 | 調整係数推定装置、モデル学習装置、及び方法 |
| CN108875161B (zh) * | 2018-05-31 | 2022-11-29 | 长江勘测规划设计研究有限责任公司 | 基于卷积神经网络深度学习的流量等级预测方法 |
| CN109767027A (zh) * | 2018-11-30 | 2019-05-17 | 深圳春沐源控股有限公司 | 水库渗水量预测方法及装置 |
| JP7254004B2 (ja) * | 2019-08-29 | 2023-04-07 | 株式会社日立パワーソリューションズ | コンピュータプログラムおよびダム流入量予測プログラム並びにダム流入量予測システム |
| JP7135025B2 (ja) * | 2020-04-20 | 2022-09-12 | 株式会社東芝 | 情報処理装置、情報処理方法およびプログラム |
-
1998
- 1998-08-04 JP JP22029598A patent/JP3693089B2/ja not_active Expired - Lifetime
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101865710A (zh) * | 2010-05-26 | 2010-10-20 | 北京航空航天大学 | 一种负压气体的流量测量方法 |
| JP2019045352A (ja) * | 2017-09-04 | 2019-03-22 | 富士電機株式会社 | 雨量推定装置、雨量推定方法、雨量推定プログラム、流入量推定装置 |
| JP2023085902A (ja) * | 2021-12-09 | 2023-06-21 | 八千代エンジニヤリング株式会社 | モデル生成方法及び流入量予測システム |
| JP7354213B2 (ja) | 2021-12-09 | 2023-10-02 | 八千代エンジニヤリング株式会社 | モデル生成方法及び流入量予測システム |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2000055703A (ja) | 2000-02-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3693089B2 (ja) | ダムにおける流量予測方法 | |
| JP4807565B2 (ja) | 流量予測装置 | |
| JP4245583B2 (ja) | 分散型エネルギーシステムの制御装置、制御方法、プログラム、および記録媒体 | |
| Vermuyten et al. | Combining model predictive control with a reduced genetic algorithm for real-time flood control | |
| JP2015125665A (ja) | 水系計画装置及び方法 | |
| Li et al. | Hybrid two-stage stochastic methods using scenario-based forecasts for reservoir refill operations | |
| CN114792071B (zh) | 基于机器学习技术的排水泵站优化调度方法 | |
| CN111815043B (zh) | 一种基于暴雨特征的洪水流量预测方法及*** | |
| JPH10260718A (ja) | ダムにおける水量予測方法 | |
| JP2006092058A (ja) | 流量予測装置 | |
| JP4146053B2 (ja) | ダムまたは河川における流量予測方法 | |
| CN103745274A (zh) | 一种用于分散式风电的短期功率预测方法 | |
| Zambelli et al. | Long-term hydropower scheduling based on deterministic nonlinear optimization and annual inflow forecasting models | |
| JPH11194803A (ja) | ダム出水量予測モデル構築方法及びダム出水量予測方法 | |
| Matos et al. | Setting the maximum import net transfer capacity under extreme RES integration scenarios | |
| JP3573252B2 (ja) | ダムにおける水量予測方法 | |
| Gavahi et al. | Comparison of two data-driven streamflow forecast approaches in an adaptive optimal reservoir operation model | |
| Zagona et al. | Modeling hydropower in RiverWare | |
| WO2024018754A1 (ja) | 水位予測装置、水位予測方法、および水位予測プログラム | |
| JP2003030621A (ja) | 自流式ダムの水力発電量予測方法、そのニューラルネットワーク | |
| JP7467315B2 (ja) | 水系運用計画方法および水系運用計画システム | |
| Zambelli et al. | Hydropower scheduling in large scale power systems | |
| JP7155689B2 (ja) | 発電パターン生成装置および発電パターン生成プログラム | |
| Vermuyten et al. | Real-time flood control by means of model predictive control and a reduced genetic algorithm | |
| Luna et al. | Verifying the use of evolving fuzzy systems for multi-step ahead daily inflow forecasting |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20041008 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20041019 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20041209 |
|
| 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: 20050601 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20050614 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080701 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090701 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090701 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100701 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110701 Year of fee payment: 6 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110701 Year of fee payment: 6 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110701 Year of fee payment: 6 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110701 Year of fee payment: 6 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110701 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120701 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120701 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130701 Year of fee payment: 8 |
|
| 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 |
|
| EXPY | Cancellation because of completion of term |