JP7157620B2 - 予測システムおよび予測方法 - Google Patents
予測システムおよび予測方法 Download PDFInfo
- Publication number
- JP7157620B2 JP7157620B2 JP2018195809A JP2018195809A JP7157620B2 JP 7157620 B2 JP7157620 B2 JP 7157620B2 JP 2018195809 A JP2018195809 A JP 2018195809A JP 2018195809 A JP2018195809 A JP 2018195809A JP 7157620 B2 JP7157620 B2 JP 7157620B2
- Authority
- JP
- Japan
- Prior art keywords
- factor
- prediction
- data
- variation
- predicted value
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 73
- 238000011156 evaluation Methods 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 34
- 230000008859 change Effects 0.000 claims description 32
- 230000007704 transition Effects 0.000 claims description 17
- 230000005855 radiation Effects 0.000 claims description 5
- 238000013277 forecasting method Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 description 35
- 238000013523 data management Methods 0.000 description 30
- 238000004891 communication Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 16
- 108090000056 Complement factor B Proteins 0.000 description 14
- 102000003712 Complement factor B Human genes 0.000 description 14
- 238000013500 data storage Methods 0.000 description 14
- 238000009826 distribution Methods 0.000 description 14
- 238000005259 measurement Methods 0.000 description 14
- 238000012937 correction Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 9
- 230000005611 electricity Effects 0.000 description 9
- 238000003860 storage Methods 0.000 description 8
- 238000000611 regression analysis Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000001939 inductive effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000010238 partial least squares regression Methods 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000012628 principal component regression Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 108010014173 Factor X Proteins 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
(1-1)本実施の形態によるデータ管理システムの構成
図1において、1は全体として本実施の形態によるデータ管理システムを示す。データ管理システム1は、例えば電力事業分野に適用する場合、過去の電力需要の実績量に基づいて将来の所定期間の電力の需要量などの値を予測し、予測結果に基づいて、発電機の運転計画の策定と実行、そして、他の電気事業者からの電力の調達取引計画の策定や実行など電力の需給管理を可能にするものである。
図2は、データ管理システム1におけるデータ予測システム12(図3)を構成する各装置の機能構成を示す。データ予測システム12は予測演算装置2とデータ管理装置3とから構成される。
図3および図4を参照して、本実施の形態におけるデータ予測システム12の処理およびデータフローについて説明する。
(1-4-1)因子変動予測部
図5を参照して、本実施の形態における因子変動予測部251のデータフローおよび処理動作を説明する。
図6を参照して、本実施の形態における因子変動評価部252のデータフローおよび処理動作を説明する。
図7を参照して、本実施の形態における因子変動予測部251のデータフローおよび処理動作を説明する。
次に図8を参照して、本実施の形態におけるデータ予測システム12の効果を説明する。
(2-1)因子変動予測部および因子変動評価部の変形例
上記の実施の形態における因子変動予測部251もしくは因子変動評価部252では、因子それぞれの変動量の予測値を算出するモデルを同定する際、因子標本データ352Aおよび因子予測データ353Aから抽出するデータの時間に関する言及は省略したが、前後時刻のデータを同時に用いたモデルの同定および予測処理を行うとしてもよい。より具体的には、例えばある因子Aのある時間断面tにおける変動量の予測値を算出するモデルを同定する際に、時間断面tのデータのみでなく、時間断面t-nあるいは時間断面t+nのデータも用いてモデルの同定を行う。そして同定したモデルに対して予測対象時点τの因子予測データに加えて、τ―nあるいはτ+nの因子予測データも入力することで、因子Aの予測対象時点τの変動量の予測値を算出する。前述の前後時間を決定するnの値は、予め定めた所定の値であってもよいし、例えば交差検定などの手法によって標本から最適な値を算出しても良い。本変形例は、因子の変動量の時間発展をモデル化しており、因子の変動量の時間推移が過去時点の状況に影響を受けている場合、因子の変動量の予測精度が向上し、よって予測対象の予測精度の向上が可能となる。
上記の実施の形態における予測モデル切換部253では、因子変動評価部252が算出した各因子の変動量の予測値に応じて予測対象の予測値を算出するモデルにおける各因子への適合度を調整する際、調整前での各因子の適合度は全因子で等しいとして説明したが、これに限らず、調整前の時点で各因子の適合度は異なっていても良い。より具体的には、予測対象の値の変化に対する因子の影響度を予測対象標本データ351Aと因子標本データ352Aを用いて予め算出し、算出した値を各因子への適合度として予め設定する。そして因子変動評価部252が算出した各因子の変動量の予測値に応じて、前述の予め設定した適合度を調整することで最終的な適合度を算出する。予め設定する適合度である各因子の予測対象に対する影響度合いを示す指標値は、公知の手法を用いて算出してよい。公知の手法とは、例えばランダムフォレストなどの回帰木を用いた因子毎の重要度推定、ガウス過程回帰などのカーネル関数を用いた手法におけるARD(automatic relevance determination)カーネルを用いた各因子の重要度推定などである。因子変動評価部252が算出した因子の変動量にのみに基づいて各因子の適合度を調整した場合、本来は予測対象に強い影響を与える因子の適合度を過剰に減じてしまう場合があり、この場合、この因子の予測値が仮に正確であった場合に、結果的に予測対象の予測値に過大な誤差が生じてしまう。従って予測対象に強い影響を与える因子に対しては強い適合度合いを設定し、この適合度を調整するようにすることで、予測対象の予測精度の悪化を抑制することが出来る。
本発明の電力分野への適用例を図1との対応部分に同一符号を付した図11に示す。図11は電力分野に適用した場合の主要な装置の構成を示している。図11では具体的な制御設備として、発電機5A2、電気自動車5B2、充電ステーション5C2を示している。これら設備の電力消費量を、電力量計測装置6A1、6B1、6C1でそれぞれ計測する。計測されたデータは、ネットワーク8を介して、本発明のデータ予測システム12におけるデータ管理装置3に送信される。
Claims (14)
- 予測対象の予測対象時点における予測値を算出する予測システムであって、
前記予測対象の前記予測値を算出するための予測モデルの同定に用いる各因子それぞれの予測値の変動量を算出する因子変動評価部と、
前記予測対象の標本および各前記因子の標本に基づいて前記予測モデルを同定する共に、前記因子変動評価部により算出された各前記因子それぞれの前記予測値の変動量に基づいて当該予測モデルを調整し、調整した前記予測モデルに対して前記予測対象時点における各前記因子の予測値を入力することにより、前記予測対象の前記予測対象時点における前記予測値を算出する予測モデル切換部と
を備え、
前記予測モデル切換部は、
前記予測モデルにおける前記因子に対応する第1の係数の値を前記予測値の変動量に応じて変更することにより、前記予測モデルにおける当該因子に対する適合度合いを増減させるように前記予測モデルを調整する
ことを特徴とする予測システム。 - 前記予測モデル切換部は、
前記予測モデルが前記予測対象時点に類似する過去の前記予測対象の前記標本を用いて前記予測値を予測するモデルである場合には、標本の類似度を示す指標である標本同士の距離の計算において、変動量の予測値が大きい前記因子の影響度に影響を及ぼす第2の係数の値を減少させるように前記予測モデルを調整する
ことを特徴とする請求項1に記載の予測システム。 - 前記因子変動評価部は、
一の前記因子の前記予測値または前記予測値の変動量と相関を有する一つ以上の他の前記因子の前記予測値の変動量を用いて、一の前記因子の前記予測値の変動量を算出する
ことを特徴とする請求項1に記載の予測システム。 - 前記因子変動評価部は、
一の前記因子の最新観測時刻よりも現在時刻に近い観測データが存在する一つ以上の他の前記因子の前記予測値の変動量を用いて、一の前記因子の前記予測値の変動量を算出する
ことを特徴とする請求項1に記載の予測システム。 - 前記予測モデルは、
気温、湿度、日射量、地表面温度、人口の動態情報のいずれかを前記因子として用いる
ことを特徴とする請求項1に記載の予測システム。 - 前記予測モデル切換部は、
前記予測モデルを同定する際、前記予測対象の値の変化に対する各前記因子の影響度合いを示す指標値を予めそれぞれ算出し、算出した各前記因子の前記指標値をそれぞれ前記予測モデルにおける対応する前記因子の前記第1の係数の値として設定し、
前記変動量の大きい前記因子の前記係数の値を減じるように調整することにより、前記予測モデルに対する当該因子の前記適合度合いを調整する
ことを特徴とする請求項1に記載の予測システム。 - 前記予測モデル切換部は、
前記予測対象の値の変化に対する各前記因子の影響度合いを示す前記指標値を、対応する前記因子の過去時刻からの値の推移を示すデータを用いて算出する
ことを特徴とする請求項6に記載の予測システム。 - 前記因子変動評価部は、
予測対象時刻の前時刻または後時刻の少なくとも何れかの前記因子の予測データを用いて当該因子の前記予測値の変動量を算出する
ことを特徴とする請求項1に記載の予測システム。 - 前記因子変動評価部は、
前記因子それぞれの観測データの観測誤差に基づいて、前記因子それぞれの前記変動量を算出する
ことを特徴とする請求項1に記載の予測システム。 - 前記因子変動評価部は、
前記予測モデルの同定において、地理平面および高度から構成される空間上の少なくとも一点の前記因子のデータを用いる
ことを特徴とする請求項1に記載の予測システム。 - 前記因子変動評価部は、
予め算出している各前記因子それぞれの前記予測値を利用して、各前記因子それぞれの予測値の変動量を算出し、
算出した前記因子それぞれの前記予測値の変動量を用いて、予め算出している各前記因子それぞれの前記予測値を補正し、
前記予測モデル切換部は、
調整された前記予測モデルに対して、補正された前記予測対象時点における各前記因子の予測値を入力することにより、前記予測対象の前記予測対象時点における前記予測値を算出する
ことを特徴とする請求項1に記載の予測システム。 - 前記因子の変動量は、
前記因子の予測値の変動範囲、前記因子の前記予測値の誤差の発生範囲、または、前記因子の前記予測値の誤差値のいずれかである
ことを特徴とする請求項1に記載の予測システム。 - 前記予測モデルは、
前記予測対象の値の時間推移のデータを構成する要因をそれぞれ分離し、分離した前記要因毎に予測値を算出する
ことを特徴とする請求項1に記載の予測システム。 - 予測対象の予測対象時点における予測値を算出する予測システムで実行される予測方法であって、
前記予測対象の前記予測値を算出するための予測モデルの同定に用いる各因子それぞれの予測値の変動量を算出する第1のステップと、
前記予測対象の標本データおよび各前記因子の標本データに基づいて前記予測モデルを同定する共に、算出した各前記因子それぞれの前記予測値の変動量に基づいて当該予測モデルを調整し、調整した前記予測モデルに対して前記予測対象時点における各前記因子の予測値を入力することにより、前記予測対象の前記予測対象時点における前記予測値を算出する第2のステップと
を備え、
前記第2のステップでは、
前記予測モデルにおける前記因子に対応する対応する第1の係数の値を前記予測値の変動量に応じて変更することにより、前記予測モデルにおける当該因子に対する適合度合いを増減させるように前記予測モデルを調整する
ことを特徴とする予測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018195809A JP7157620B2 (ja) | 2018-10-17 | 2018-10-17 | 予測システムおよび予測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018195809A JP7157620B2 (ja) | 2018-10-17 | 2018-10-17 | 予測システムおよび予測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020064446A JP2020064446A (ja) | 2020-04-23 |
JP7157620B2 true JP7157620B2 (ja) | 2022-10-20 |
Family
ID=70387308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018195809A Active JP7157620B2 (ja) | 2018-10-17 | 2018-10-17 | 予測システムおよび予測方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7157620B2 (ja) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7184716B2 (ja) * | 2019-08-30 | 2022-12-06 | 株式会社日立製作所 | 分散リソースの調整力管理装置および調整力管理方法 |
CN111859286B (zh) * | 2020-06-12 | 2024-01-26 | 美林数据技术股份有限公司 | 一种疫情影响下售电量精准预测方法 |
WO2021255867A1 (ja) * | 2020-06-17 | 2021-12-23 | 株式会社東芝 | エネルギー運用システム、エネルギー運用方法、および記憶媒体 |
JP7001766B2 (ja) * | 2020-06-22 | 2022-01-20 | 株式会社日立製作所 | 予測システムおよび予測方法 |
JP6997274B1 (ja) | 2020-09-29 | 2022-02-14 | 楽天グループ株式会社 | 情報処理装置、方法及びプログラム |
CN115907181B (zh) * | 2022-12-01 | 2023-06-23 | 郑州铁路职业技术学院 | 一种城市轨道交通乘客流量预测方法及*** |
CN117239731B (zh) * | 2023-09-21 | 2024-02-27 | 山东工商学院 | 基于混合模型的节假日短期电力负荷预测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002285634A (ja) | 2001-03-27 | 2002-10-03 | Fuji Electric Co Ltd | 雨水流入予測装置 |
JP2003180032A (ja) | 2001-12-10 | 2003-06-27 | Toshiba Corp | 電力需要予測システム及びその予測方法 |
JP2006235888A (ja) | 2005-02-24 | 2006-09-07 | Tokyo Electric Power Co Inc:The | 電力事業会社における収益予測及び収益計測のためのコンピュータ・システム、収益予測方法及び収益計測方法 |
JP2007315850A (ja) | 2006-05-24 | 2007-12-06 | Toshiba Corp | 融雪水量予測装置 |
JP2009048384A (ja) | 2007-08-20 | 2009-03-05 | Hitachi Ltd | 設備管理支援システム |
JP2009225550A (ja) | 2008-03-14 | 2009-10-01 | Tokyo Electric Power Co Inc:The | 電力の需要予測処理方法及び装置、並びに発電予測処理方法 |
JP2012203875A (ja) | 2011-03-28 | 2012-10-22 | Tokyo Electric Power Co Inc:The | 収量予測装置およびコンピュータプログラム |
JP2013238988A (ja) | 2012-05-14 | 2013-11-28 | Toshiba Corp | 物質拡散予測装置および物質拡散予測方法 |
JP2017224268A (ja) | 2016-06-09 | 2017-12-21 | 株式会社日立製作所 | データ予測システムおよびデータ予測方法 |
-
2018
- 2018-10-17 JP JP2018195809A patent/JP7157620B2/ja active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002285634A (ja) | 2001-03-27 | 2002-10-03 | Fuji Electric Co Ltd | 雨水流入予測装置 |
JP2003180032A (ja) | 2001-12-10 | 2003-06-27 | Toshiba Corp | 電力需要予測システム及びその予測方法 |
JP2006235888A (ja) | 2005-02-24 | 2006-09-07 | Tokyo Electric Power Co Inc:The | 電力事業会社における収益予測及び収益計測のためのコンピュータ・システム、収益予測方法及び収益計測方法 |
JP2007315850A (ja) | 2006-05-24 | 2007-12-06 | Toshiba Corp | 融雪水量予測装置 |
JP2009048384A (ja) | 2007-08-20 | 2009-03-05 | Hitachi Ltd | 設備管理支援システム |
JP2009225550A (ja) | 2008-03-14 | 2009-10-01 | Tokyo Electric Power Co Inc:The | 電力の需要予測処理方法及び装置、並びに発電予測処理方法 |
JP2012203875A (ja) | 2011-03-28 | 2012-10-22 | Tokyo Electric Power Co Inc:The | 収量予測装置およびコンピュータプログラム |
JP2013238988A (ja) | 2012-05-14 | 2013-11-28 | Toshiba Corp | 物質拡散予測装置および物質拡散予測方法 |
JP2017224268A (ja) | 2016-06-09 | 2017-12-21 | 株式会社日立製作所 | データ予測システムおよびデータ予測方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2020064446A (ja) | 2020-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7157620B2 (ja) | 予測システムおよび予測方法 | |
Dong et al. | Hourly energy consumption prediction of an office building based on ensemble learning and energy consumption pattern classification | |
Belaid et al. | Prediction of daily and mean monthly global solar radiation using support vector machine in an arid climate | |
Almeida et al. | PV power forecast using a nonparametric PV model | |
De Giorgi et al. | Error analysis of short term wind power prediction models | |
Lawal et al. | Dynamic line rating forecasting algorithm for a secure power system network | |
Miao et al. | A fuzzy logic fog forecasting model for Perth Airport | |
Aznarte | Probabilistic forecasting for extreme NO2 pollution episodes | |
JP7340081B2 (ja) | 電力需給管理システム、データ予測方法、およびデータ予測装置 | |
Pal et al. | Hurst exponent approach through rescaled range analysis to study the time series of summer monsoon rainfall over northeast India | |
Capuno et al. | Very Short‐Term Load Forecasting Using Hybrid Algebraic Prediction and Support Vector Regression | |
Zhang et al. | Forecasting of electricity prices using deep learning networks | |
Quiñones et al. | Towards smart energy management for community microgrids: Leveraging deep learning in probabilistic forecasting of renewable energy sources | |
JP7231504B2 (ja) | 気象数値解析システム、予測対象データ生成システムおよび気象数値解析方法 | |
Omar et al. | Seasonal clustering forecasting technique for intelligent hourly solar irradiance systems | |
Asiri et al. | Day-ahead prediction of distributed regional-scale photovoltaic power | |
Bellagarda et al. | Effectiveness of neural networks and transfer learning to forecast photovoltaic power production | |
Abdallah et al. | A vector autoregressive methodology for short-term weather forecasting: tests for Lebanon | |
CN112465266A (zh) | 一种母线负荷预测准确率分析方法、装置及计算机设备 | |
Abrishami et al. | Using real-world store data for foot traffic forecasting | |
JP7257276B2 (ja) | データ予測システム及びその方法 | |
Paredes et al. | Reconfiguration and reinforcement allocation as applied to hourly medium‐term load forecasting of distribution feeders | |
US20230027383A1 (en) | Prediction system and prediction method | |
Unlu et al. | Comparison of the Combined Deep Learning Methods for Load Forecasting | |
Nizharadze et al. | Learning the Gap in the Day-Ahead and Real-Time Locational Marginal Prices in the Electricity Market |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210519 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220318 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220412 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220527 |
|
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: 20220927 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221007 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7157620 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |