CN103035961A - 电池组适应性学习管理系统 - Google Patents
电池组适应性学习管理系统 Download PDFInfo
- Publication number
- CN103035961A CN103035961A CN2012103819720A CN201210381972A CN103035961A CN 103035961 A CN103035961 A CN 103035961A CN 2012103819720 A CN2012103819720 A CN 2012103819720A CN 201210381972 A CN201210381972 A CN 201210381972A CN 103035961 A CN103035961 A CN 103035961A
- Authority
- CN
- China
- Prior art keywords
- battery pack
- data
- attribute
- battery
- measurement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- 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
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了电池组适应性学习管理系统。实时测量电池组的至少一个电池组属性,从而提供测量的数据,并且追踪测量所述测量的数据的至少一个测量时间。通过适应性建模所述测量的数据和测量时间而提供电池组历史模型,并且基于该电池组历史模型估计电池组的未来状态。
Description
技术领域
本公开的实施例通常涉及电池组。更具体地,本公开的实施例涉及电池组和电池组充电系统的健康和控制状态。
背景技术
电池组的主要特性是例如电压、能量密度、容量、充电状态和内电阻等参数。这些参数确定电池组的状态或健康。各种类型的电池组应用可以包括汽车、航空航天或电路板级装置,例如不间断电源(UPS)。由于无论非可充电的(原电池)或者可再充电的(二次电池)电池组的本质属性,电池组的例如电化学、制造技术、利用率方面的性质和电池组特性均会随时间变化。
发明内容
本发明公开了用于电池组健康诊断的系统和方法。实时测量电池组的至少一个电池组属性,从而提供测量的数据,并且追踪测量所述测量的数据的至少一个测量时间。通过采用测量的数据和测量的时间开发电池组历史模型,并且使用适应性逻辑根据该电池组历史模型与电池组参数或者特性的初始设备制造商(OEM)说明书来估计电池组的未来状态,其中所述适应性逻辑采用变化规则或者其他方法为未来状态和产生的预测调整和修改电池组特性。
本公开的实施例提供了小型的、低成本且低能量的系统,其具有用于电池组工作历史追踪和建模的板载存储器。例如,数据能够被追踪并建模,所述数据例如充电、放电、日期、时间或者其他数据。所述数据可以用于执行预防性维护动作。这允许各种类型的维护动作,包括在常规维护期间完成的更详尽的诊断,在所述常规维护期间,信息被卸载并且被诊断为例如队列维护(fleet maintenance)的一部分。以这样的方式,可以通过维护人员使用数据来创建智能数据库,从而描绘电池组寿命和性能以及充电系统响应。
通过使用本文所述的电池组健康诊断系统,能够为早期维护标记过反应或者欠反应的充电系统以及二次电池组内的不健康电池,通过不定期维护产生进一步的节省。电池组健康和预测以及电池组最优操作/异常安全特性(例如过电流、过温度或者深度放电)能够被用于电池组维护。
在实施例中,用于电池组健康诊断的方法实时测量电池组的至少一个电池组属性,从而提供测量的数据,并且追踪测量所述测量的数据的至少一个测量时间。该方法进一步通过适应性建模所述测量的数据和测量时间而提供电池历史模型,并且根据该电池历史模型估计电池组的未来状态。
在另一个实施例中,电池组适应性学习管理系统包括测量逻辑、适应性逻辑和预测逻辑。测量逻辑实时测量电池组的至少一个电池属性,从而提供测量的数据,并且追踪测量所述测量的数据的至少一个测量时间。适应性逻辑通过适应性建模测量的数据和至少一个测量时间而提供电池组历史模型。预测逻辑根据电池组历史模型估计电池组的未来状态。
在另一个实施例中,计算机可读存储介质包括计算机可执行指令,以便执行用于电池组健康诊断的方法。由计算机可执行指令执行的所述方法实时测量电池组的至少一个电池组属性,从而提供测量的数据,并且追踪测量所述测量的数据的至少一个测量时间。由计算机可执行指令所执行的所述方法也通过适应性建模所述测量的数据和测量时间而提供电池组历史模型,并且根据该电池组历史模型估计电池组的未来状态。
根据本公开的一个方面,提供了用于电池组健康诊断的方法,其包括:
实时测量电池组的至少一个电池组属性,从而提供测量的数据;
追踪测量所述测量的数据的至少一个测量时间;
通过适应性建模测量的数据和至少一个测量时间而提供电池组历史模型;和
根据电池组历史模型估计所述电池组的未来状态。
有利的是,至少一个电池组属性包括从由以下各项组成的群组中选择的至少一个成分:容量、充电状态、电压、电流、电池电阻、工作环境、和温度。
有利的是,该诊断方法进一步包括计算至少一个电池组属性在电池组的先前状态和当前状态之间的变化。
有利的是,所述诊断方法进一步包括计算至少一个电池组属性的变化率。
有利的是,所述诊断方法进一步包括使用电池组历史模型计算电池组的健康状态。
有利的是,该诊断方法进一步包括使用电池组历史模型预报对电池组可靠性和可维护性的预测。
优选地进一步包括报告电池组的预测。
并且优选地进一步包括根据该预测报告电池组的可靠性和可维护性评定。
并且另外优选的是进一步的可靠性和可维护性评定包括从由以下各项组成的群组中选择的至少一个成分:健康状态、电池组容量警告、充电状态、潜在异常、热失控警告,维护需求、系统警告、关闭警告、和电池组替换需求。
有利的是,所述诊断方法进一步包括根据至少一个电池组属性确定电池组能量容量。
有利的是,所述诊断方法进一步包括根据至少一个电池组属性确定充电状态。
有利的是,如果温度变化过快,那么所述诊断方法进一步包括指示短路电池、放电电池、和欠放电电池中的一个。
根据本公开的进一步的方面,提供了电池组适应性学习管理系统,其包括:
测量逻辑,其可操作为:
实时测量电池组的至少一个电池组属性,从而提供测量的数据;和
追踪测量所述测量的数据的至少一个测量时间;
适应性逻辑,其可操作为通过适应性建模所述测量的数据和至少一个测量时间而提供电池组历史模型;和
预测逻辑,其可操作为根据电池组历史模型估计电池组的未来状态。
有利的是,电池组适应性学习管理系统进一步包括非易失性存储器,其可操作为存储测量的数据、至少一个测量时间、和电池组历史模型。
对于电池组适应性学习管理系统有利的是,所述电池组适应性学习管理系统被耦接到电池组。
根据本公开的另外进一步的方面,提供了计算机可读存储介质,其包括用于执行电池组健康诊断的方法的计算机可执行指令,由计算机可执行指令执行的所述方法包括:
实时测量电池组的至少一个电池组属性,从而提供测量的数据;
追踪测量所述测量的数据的至少一个测量时间;
通过适应性建模所述测量的数据和至少一个测量时间而提供电池组历史模型;和
根据电池组历史模型估计电池组的未来状态。
对于计算机可读存储介质有利的是,至少一个电池组属性包括从由以下各项组成的群组中选择的至少一个成分:容量、充电状态、电压、电流、电池电阻、工作环境、和温度。
有利的是,计算机可读存储介质进一步包括计算机可执行指令,从而:
计算至少一个电池组属性在所述电池组的先前状态和当前状态之间的变化;
计算至少一个电池组属性的变化率;和
使用电池组历史模型计算电池组的健康状态。
有利的是,计算机可读存储介质进一步包括计算机可执行指令,用于使用电池组历史模型预报对电池组可靠性和可维护性的预测。
优选的是,计算机可读存储介质进一步包括计算机可执行指令,以便:
报告电池组的预测;和
根据该预测报告电池组的可靠性和可维护性评定。
提供本发明内容从而以简化形式介绍一系列概念,这些概念将在下面的具体实施方式中进一步描述。本发明内容不意图确定所要求保护的主题的关键特征或者主要特征,也不意图用作帮助确定所要求保护的主题的范围。
附图说明
当与下列附图结合考虑时,通过参考具体实施方式和权利要求,可以得出对本公开的实施例的更完整的理解,其中贯穿附图的是,相同的参考数字涉及相似的元件。附图被提供以便于本公开的理解而不限制本公开的广度、范围、比例、或者可用性。附图不必要按比例绘制。
图1是作为铅酸电池组的电池组开路电压的函数的电池组容量的示例性图示的说明。
图2是作为电池组开路电压的函数的电池组容量的示例性的图示的说明,例如镍镉电池组或者锂离子电池组,其中在大部分放电周期中电压是相对恒定的。
图3是作为说明随时间变化的一个方面的电池组开路电压的函数的电池组容量随着时间老化的示例性图示的说明。
图4是根据本公开的实施例的电池组适应性学习管理系统的示例性的功能方框图的说明。
图5是根据本公开的实施例示出电池组健康诊断处理的示例性流程图的说明。
具体实施方式
下列具体实施方式本质上是示例性的,并且不意图限制本公开或者本申请以及本公开的实施例的使用。具体装置、技术、和应用的描述只提供作为示例。本文所述的示例的修改对本领域普通技术人员是显而易见的,并且本文定义的一般原理可以应用到其他示例和应用,而不偏离本公开的精神和范围。本公开应该符合与权利要求一致的范围,而不限于本文所述和所示的示例。
本公开的实施例在本文可以按照功能性和/或逻辑块组件和各种处理步骤描述。应该理解,这些块组件可以由任意数目的硬件、软件和/或固件组件实现,所述组件配置为执行具体功能。为了简明起见,本文可能不详细地描述与电池组有关的常规技术和组件、以及所述系统的其他功能情况(和系统的单独操作组件)。此外,本领域技术人员会理解,本公开的实施例可以结合许多硬件和软件实践,而本文所述的实施例仅仅是本公开的示例性实施例。
本文在实际非限制性应用的背景中描述了本公开的实施例,也就是,电池组诊断。然而,本公开的实施例不限于这些电池组诊断应用,并且本文所述的技术也可以用于其他应用。例如但不限于:实施例可以适用于燃料电池诊断、发电机诊断或者其他储能装置。
如在阅读本说明书之后本领域普通技术人员所显而易见的,下列是本公开的示例和实施例,并且不限于按照这些示例操作。可以利用其他实施例,并且可以作出结构变化,而不偏离本公开的示例性实施例的范围。
本公开的实施例提供获取电池组的各方面的方法,由于动力学系统的复杂性和非线性,其不支持分析方法。本公开的实施例提供相对小型的、低成本且非常低能量的微处理器,其具有存储数据的板载存储器,该数据包括初始设备制造商(OEM)电池特性、例如电流、电压、充电和放电循环周期的电池组工作历史、以及其他有意义的参数。实施例提供适应性技术,用于优化电池组使用特性以及电池组系统的维护,并因此为电池组的高级维护动作提供数据和信息。
图1是作为铅酸电池组的电池组开路电压Vo的函数的电池组容量C的示例性图示的说明。根据电池组的类型,电池组容量可以是开路电压的线性函数,例如在铅酸电池组中。对于其他类型的电池组化学性质,例如镉镍或者锂离子电池组,该电压Vo对容量C的曲线不如电池组容量的指示那么好。
图2是作为例如镍镉电池组或者锂离子电池组等电池组的电池组开路电压Vo的函数的电池组容量C的示例性的图示的说明,其中在大部分放电循环中电压是相对恒定的。放电曲线的形状是化学计量的函数,所述化学计量包括例如但不限于:氧化/还原、电化学能量(电动势(EMF))、电池构造或者其他因素。
图3是作为说明随时间变化的一个方面的电池组开路电压Vo的函数的电池组容量C随着时间老化的示例性图示的说明。图3的电池组化学性质是非线性的,其具有由于例如阳极/阴极设计的电池构造以及制造可变性引入的额外的可变性。由于构造、用法、环境状况、充电概况(charging profile)、或者其他原因引起的非线性行为能够促使显著的非线性容量和充电概况兼容性。图3说明了电池组的时间差异和状态变化,其特征在于计算的电池组特性,例如但不限于:容量、充电状态、电池内电阻、或者其他计算的电池组特性。
图4是根据本公开的实施例的电池组适应性学习管理系统400(系统400)的示例性的功能方框图的说明。实际系统400可以包括任意数量的电池组、任意数量的处理器模块、任意数量的存储器、任意数量的传感器、和任意数量的其他模块。所示的系统400示出了便于描述的简化实施例。系统400的这些及其他元件是互连在一起的,允许系统400的各个元件之间的通信。在一个实施例中,系统400的这些及其他元件可以经由耦接电路(未示出)互连在一起。本领域技术人员会理解,结合本文公开的实施例描述的各种说明性区块、模块、电路和处理逻辑可以在硬件、计算机可读软件、固件或者其任何实际组合中实施。
为了清楚说明硬件、固件和软件的可互换性和兼容性,各种说明性的组件、区块、模块、电路和步骤通常按照其功能进行描述。这种功能是否被实施为硬件、固件或者软件取决于整个系统上施加的特定应用和设计限制。熟悉本文所述的概念的技术人员可以以适合的方式为每个特定应用实施这种功能,但是这些实施决定不应该被解释为导致偏离本公开的范围。
所述系统400可以包括电池组416、传感器414、电池组充电器418和电池组适应性学习管理(BALM)模块402(BALM模块402)。
所述电池组416可以是本领域中已知的任何电池组类型,例如但不限于:锂离子、镍金属氢化物、镍镉或者其他电池组。给定尺寸的电池组的电池组容量取决于温度、截止电压、充电/放电或者其他电池组参数,并且电池组416的健康取决于关于电池组的初始规范的电池组容量,所述初始规范例如来自初始设备制造商(OEM)。在这点上,工作状态参数可以指示例如电池组或者电池组网络的假设(例如指定)容量的电流百分比。电池组的最大实际容量(例如,健康)可以通过在充电和放电循环中测量电压、电流和温度并且将这些测量值与表示健康的各种等级的已知的数据集合相比较而确定。
电池组容量是完全充电的电池组在终端电压在给定温度下不降至低于特定电压的情况下能够在给定时段中供给的电流总量。电池组容量涉及电池组内存储的能量总量。额定容量可以安培小时(安培-小时)测量,其是电流乘以达到全部放电的数个小时的产物。
存在许多规定给定电池容量的因素,例如但不限于:尺寸(例如,电池组的体积和板面积随容量增加);温度(例如,当电池组变冷时,其容量减小);截止电压(例如,为了防止损坏,截止电压应该被限制于特定电压);放电率(例如,以安培测量的放电率,随放电率上升,容量下降);历史(例如,深度放电、过度循环、使用年限、过充电、和欠充电均减少容量)或者其他因素。
传感器414直接或者间接耦接到电池组416。传感器414可操作为感测电池组416的属性,例如但不限于:电池组电压、电池组电流、电池组温度、工作环境或者其他属性。
电池组充电器418可操作为通过迫使电流通过可再充电电池组而对可再充电电池组充电。充电电流取决于被充电的电池组的技术和容量。
BALM模块402包括测量逻辑408、适应性逻辑410、预测逻辑412、控制逻辑404和存储器406。BALM模块402可操作为从传感器414接收测量逻辑408中的数据、在存储器406中存储数据、使用适应性逻辑410创建适应性模型、并且使用预测逻辑412预测电池组416的未来性能。
测量逻辑408耦接到传感器414,并且可操作为从传感器414接收实时感测的数据,并且当接收到实时感测的数据时测量电池组416的至少一个电池组属性。测量逻辑408进一步可操作为在存储器406中格式化并记录/存储测量的数据,并追踪测量所述测量的数据的至少一个测量时间。
适应性逻辑410可操作为基于所述测量的数据利用具有经验数据的自学习或者适应控制(例如,输入/输出控制技术)提供电池组416的模型,从而表征并管理动态系统。以这个方式,适应性逻辑410通过适应性建模测量的数据和至少一个测量时间而提供电池组历史模型。这个类型方法的一种方式是采用经验数据导出用于电池组健康和预测的被调节的电池组特性。这能够用于电池组维护以及电池组最优操作/异常安全特性,例如过电流、过温度或者深度放电。适应性逻辑410可以包括例如但不限于:模糊控制模型、神经系统模型或者其他模型。
电池组416对于分析模型和利用的经典控制理论和方法论通常过于复杂,并且因此,实验方法可能对于复杂动态非线性系统更精确。例如电池组容量和充电状态等电池组参数可以经由监测例如但不限于:电池组电压、电流、温度、时间或者其他参数而被监测。充电状态和电池组容量可以被连续评定和更新。例如,智能数据库可以通过例如维护人员使用数据创建,从而描绘电池寿命和性能以及充电系统响应。
预测逻辑412配置为根据电池组416的当前状态和电池组416的先前状态使用电池组历史模型来估计电池组416的未来状态。能够根据充电状态和电池组容量为系统提供预测。预测之后能够用于确定可靠性和维护性要求,其能够用于通过下列方式实现净利润增大,通过例如但不限于:通过早期替换减少废料、通过早期检测不期望的退化速率不定期的替换维护成本、满足工业标准替换时间安排和部分排序、或者其他要求测量。
这允许各种类型的维护动作,包括例如常规维护期间完成的更详尽的诊断,在所述常规维护期间,信息被卸载并且被诊断为队列维护的一部分。
能够为早期维护标记过反应或者欠反应的充电电池组系统,通过不定期维护产生进一步的节省。当前,如在汽车工业的情形中,交通工具中的电池组替换基于硬时间替换、定期维护间隔或者异常。
预测逻辑412进一步配置为使用电池组历史模型估计/计算例如但不限于:电池组属性在电池组416的先前状态和当前状态之间的变化、电池组属性的变化率、电池组416的健康状态,或者其他类似估计。预测逻辑412也被配置为使用电池组历史模型预报(评定)电池组可靠性和可维护性的预测,并且报告电池组416的预测。可靠性和可维护性(评定)包括例如但不限于:健康状态、电池组容量警告、充电状态、潜在异常、热失控警告,维护需求、系统警告、关闭警告、电池组替换需求或其他评定。
预测逻辑412还被配置为例如但不限于:确定电池组能量容量,并根据电池组属性确定充电状态,如果温度变化过快,则指示下列中的一个:短路电池、放电电池和欠放电电池,或其他信息。
控制逻辑404包括处理逻辑,其配置为实施与系统400的操作关联的功能、技术和处理任务。特别地,处理逻辑配置为支持本文所述的系统400。可以以通用处理器、内容可寻址存储器、数字信号处理器、专用集成电路、现场可编程门阵列、任何适合的可编程逻辑器件、离散门或者晶体管逻辑、离散硬件组件或者其任何组合来实施或者实现控制逻辑404,其设计为执行本文所述的功能。以这个方式,处理器可以实现为微处理器、控制器、微控制器、状态机等等。
处理器也可以实施为计算装置的组合,例如数字信号处理器和微处理器的组合、多个微处理器、一个或更多微处理器结合数字信号处理器核心、或者任何其他这种构造。存储器406可以包括数据存储区,其具有格式化的存储器,从而支持系统400的操作。
存储器406配置为按照支持系统400的功能的需要存储、维持并提供数据。例如,存储器406可以储存数据,例如电池组电压、电池组电流、电池组温度、日期、电池组容量、充电和放电循环、测量的时间间隔或者其他数据。
例如,数据可以用于执行预防性维护动作。如上所述,这允许各种类型的维护动作,包括在常规维护期间完成的更详尽的诊断,其中在所述常规维护期间,信息被卸载并且被诊断为队列维护的一部分。智能数据库可以通过维护创建,从而使用数据描绘电池寿命和性能以及充电系统响应。
在实际的实施例中,存储器406可以包括例如但不限于:非易失性存储装置(非易失性半导体存储器、硬盘装置、光盘装置等等)、随机存取存储装置(例如,SRAM、DRAM)、或者本领域中已知的任何其他形式的存储介质。非易失性存储器可以用于存储测量的数据、测量时间和电池组历史模型。
存储器406可以耦接到控制逻辑404并且配置为存储例如但不限于:包括如上所述数据的数据库、智能数据库、由控制逻辑404执行的计算机程序、操作系统、应用程序、用于执行程序的试验数据、或者其他应用。另外,存储器406可以表示动态更新的数据库,其包括用于更新数据库的表格。存储器406可以耦接到控制逻辑404,使得控制逻辑404能够从存储器406读取信息并将信息写入到存储器406。例如,如上所述,控制逻辑404可以访问存储器406以存取电池组电压、电池组电流、电池组温度、先前计算的电池组容量和/或电池组的充电状态、充电和放电循环、测量的时间间隔、或者与电池组健康有关的其他电池组信息。
作为一个示例,控制逻辑404和存储器406可以存在于各自的专用集成电路(ASIC)中。存储器406也可以集成到控制逻辑404中。在一个实施例中,存储器406可以包括高速缓冲存储器,用于在执行由控制逻辑404执行的指令期间存储临时变量或者其他中间信息。
图5是根据本公开的实施例示出电池组健康诊断处理500的示例性流程图的说明。结合处理500执行的各种任务可以由软件、硬件、固件、具有用于执行该处理方法的计算机可执行指令的计算机可读介质、或者其任何组合而机械地执行。为了说明性的目的,处理500的下列描述可以涉及上面结合图4所述的元件。
应该理解,处理500可以包括任意数量的额外的或者可替换的任务,图5所示的任务不需要以所示的顺序执行,并且处理500可以被并入更综合的过程或者具有本文中未详述的额外功能的处理。在实际的实施例中,处理500的部分可以由系统400的不同元件执行,例如:电池组416、传感器414、电池组充电器418、BALM模块402等等。处理500可以具有类似于图4所示的实施例的功能、材料和结构。因此,本文可以不过多地描述常见的特征、功能和元件。
处理500可以开始于例如测量逻辑408的测量逻辑实时测量例如电池组416的电池组的至少一个电池组属性,从而提供测量的数据(任务502)。如上所述,电池组属性可以包括例如但不限于:电压、电流、电池电阻(例如,由电压除以电流计算)、工作环境、温度、充电状态或者其他属性。
处理500可以通过测量逻辑408追踪测量所述测量的数据的至少一个测量时间(任务504)而继续。
处理500可以通过适应性逻辑410通过适应性建模测量的数据和至少一个测量时间提供电池组历史模型(任务506)而继续。所述历史模型包括经验数据和获取的数据,例如充电状态和容量。
处理500可以通过预测逻辑412根据电池组历史模型估计电池组的未来状态(任务508)而继续。
处理500可以通过适应性逻辑410计算至少一个电池组属性在电池组416的先前状态和当前状态之间的变化(任务510)而继续。
处理500可以通过适应性逻辑410计算至少一个电池组属性的变化速率(任务512)而继续。
处理500可以通过适应性逻辑410使用电池组历史模型计算电池组416的健康状态(任务514)而继续。
处理500可以通过适应性逻辑410基于至少一个电池组属性确定电池组能量容量(任务516)而继续。
处理500可以通过适应性逻辑410报告电池组能量容量(任务518)而继续。
处理500可以通过适应性逻辑410基于至少一个电池组属性确定充电状态(任务520)而继续。
处理500可以通过适应性逻辑410报告充电的状态(任务522)而继续。
处理500可以通过如果温度变化过快,则适应性逻辑410指示短路电池、放电电池、和欠放电电池中的一个(任务524)而继续。
处理500可以通过预测逻辑412使用电池组历史模型预报电池组可靠性和可维护性的预测(任务526)而继续。
处理500可以通过预测逻辑412报告电池组416的预测(任务528)而继续。
处理500可以通过预测逻辑412根据所述预测报告电池组416的可靠性和可维护性的评定(任务530)而继续。如上所述,可靠性和可维护性评定可以包括例如但不限于:健康状态、电池组容量警告、充电状态、潜在异常、热失控警告、维护需求、系统警告、关闭警告、电池组替换需求或其他评定。
以这样的方式,本公开的实施例提供了小型的、低成本且低能量的系统,其具有用于电池组工作历史追踪和建模数据的板载存储器。所述数据可以用于执行预防性维护动作,由此允许各种类型的维护动作,包括在常规维护期间完成的更详尽的诊断,在所述常规维护期间中,信息被卸载并且被诊断为队列维护的一部分。
术语实时涉及被连续发出并接收的信号,其几乎没有或者不具有时间延迟。术语接近实时涉及具有基本不显著的时间延迟的实时信号。时间延迟可以是由例如但不限于自动数据处理或网络传输在事件发生之间引入的延迟,等等。在本文中,术语实时涉及实时和接近实时。
在本文中,术语“计算机程序产品”、“计算机可读介质”、“计算机可读存储介质”等通常可以用于指例如存储器、存储装置或者存储单元等介质。计算机可读介质的这些及其他形式可以涉及存储由控制逻辑404使用的一个或更多指令,从而使得控制逻辑404执行具体操作。这种指令,通常被称作“计算机程序代码”或者“程序代码”(其可以以计算机程序的形式被分组或者进行其他分组),当被执行时,所述指令使能系统400的功率利用调度法。
上面的说明书涉及被“连接”或者“耦接”在一起的元件或节点或特征。如本文所使用的,除非另有明确说明,否则“连接”意思是一个元件/节点/特征直接接合(或者直接连通)另一个元件/节点/特征,而不必须是机械地接合。同样地,除非另有明确说明,否则“耦接”意思是一个元件/节点/特征直接或者间接地接合(或者直接或者间接地连通)另一个元件/节点/特征,而不必须是机械地接合。因此,尽管图4-5示出了元件的示例设置,但是本公开的实施例中可以呈现另外的居间元件、装置、特征或组件。
本文中所使用的术语和短语及其变型,除非另有明确说明,否则都应该被看做是开放的,与限制性相反。对于上面的示例:术语“包括”应该读作意为“包括而不限于”或类似含义;术语“示例”用于提供在讨论中对象的示例性实例,而不是其穷举或限制性列表;并且例如“常规”、“传统”、“正常”、“标准”、“已知”等形容词和类似意思的术语不应该被看做将所述对象限制为给定时期或者限制为给定时间可用的对象,而相反应该读做涵盖常规的、传统的、正常的或者标准的技术,其在现在或者在未来的任何时候均可以被利用或得知。
同样,以连词“和”相连的一组对象不应该被读作要求这些对象中的每个都在所述组中,而是应该读作“和/或”,除非另有明确说明。类似地,以连词“或”相连的一组对象不应该被读作在该组中相互排他,而也应该读作“和/或”,除非另有明确说明。此外,尽管本公开的对象、元件或组件可以以单数描述或要求保护,但是复数也被预期在其保护范围内,除非明确陈述限于单数。在一些情况下,例如“一个或更多”、“至少”、“但不限于”或类似短语的扩展词汇和短语的存在不应该被读作意为在可能缺少这些扩展短语的情况中意图或要求更窄的情形。
如本文所使用的,除非另有明确说明,否则“可操作”意思是能被使用、适合或者准备好被使用或者服务、为特定目的可用以及能够执行本文所述的列举或者期望的功能。关于系统和装置,术语“可操作”意思是系统和/或装置完全功能化并校准,其包括用于并且达到可应用操作性要求的元件,从而当被激活时执行列举的功能。关于系统和电路,术语“可操作”意思是所述系统和/或电路被完全功能化并校准,其包括用于并且达到可应用操作性要求的逻辑,从而当被激活时执行列举的功能。
Claims (20)
1.一种用于电池组健康诊断的方法,该方法包括:
实时测量电池组的至少一个电池组属性,从而提供测量的数据;
追踪测量所述测量的数据的至少一个测量时间;
通过适应性建模所述测量的数据和所述至少一个测量时间而提供电池组历史模型;和
基于所述电池组历史模型估计所述电池组的未来状态。
2.根据权利要求1所述的方法,其中所述至少一个电池组属性包括从由以下各项组成的群组中选择的至少一个成分:容量、充电状态、电压、电流、电池电阻、工作环境和温度。
3.根据权利要求1所述的方法,进一步包括计算所述至少一个电池组属性在所述电池组的先前状态和当前状态之间的变化。
4.根据权利要求1所述的方法,进一步包括计算所述至少一个电池组属性的变化速率。
5.根据权利要求1所述的方法,进一步包括使用所述电池组历史模型计算所述电池组的健康状态。
6.根据权利要求1所述的方法,进一步包括使用所述电池组历史模型预报对电池组可靠性和可维护性的预测。
7.根据权利要求6所述的方法,进一步包括报告所述电池组的预测。
8.根据权利要求7所述的方法,进一步包括基于所述预测报告所述电池组的可靠性和可维护性评定。
9.根据权利要求8所述的方法,其中所述可靠性和可维护性评定包括从由以下各项组成的群组中选择的至少一个成分:健康状态、电池组容量警告、充电状态、潜在异常、热失控警告,维护需求、系统警告、关闭警告和电池组替换需求。
10.根据权利要求1所述的方法,进一步包括基于所述至少一个电池组属性确定电池组能量容量。
11.根据权利要求1所述的方法,进一步包括基于所述至少一个电池组属性确定充电状态。
12.根据权利要求1所述的方法,进一步包括如果温度变化过快,则指示短路电池、放电电池和欠放电电池中的一个。
13.一种电池组适应性学习管理系统,包括:
测量逻辑,其可操作为:
实时测量电池组的至少一个电池组属性,从而提供测量的数据;和
追踪测量所述测量的数据的至少一个测量时间;
适应性逻辑,其可操作为通过适应性建模所述测量的数据和所述至少一个测量时间而提供电池组历史模型;和
预测逻辑,其可操作为基于所述电池组历史模型估计所述电池组的未来状态。
14.根据权利要求13所述的电池组适应性学习管理系统,进一步包括非易失性存储器,该非易失性存储器可操作为存储所述测量的数据、所述至少一个测量时间和所述电池组历史模型。
15.根据权利要求13所述的电池组适应性学习管理系统,其中所述电池组适应性学习管理系统耦接到所述电池组。
16.一种计算机可读存储介质,包括用于执行电池组健康诊断的方法的计算机可执行指令,所述方法由计算机可执行指令实施,所述方法包括:
实时测量电池组的至少一个电池组属性,从而提供测量的数据;
追踪测量所述测量的数据的至少一个测量时间;
通过适应性建模所述测量的数据和所述至少一个测量时间而提供电池组历史模型;和
基于所述电池组历史模型估计所述电池组的未来状态。
17.根据权利要求16所述的计算机可读存储介质,其中所述至少一个电池组属性包括从由以下各项组成的群组中选择的至少一个成分:容量、充电状态、电压、电流、电池电阻、工作环境和温度。
18.根据权利要求16所述的计算机可读存储介质,进一步包括计算机可执行指令,其用于:
计算所述至少一个电池组属性在所述电池组的先前状态和当前状态之间的变化;
计算所述至少一个电池组属性的变化速率;和
使用所述电池组历史模型计算所述电池组的健康状态。
19.根据权利要求16所述的计算机可读存储介质,进一步包括计算机可执行指令,其用于使用所述电池组历史模型预报对电池组可靠性和可维护性的预测。
20.根据权利要求19所述的计算机可读存储介质,进一步包括计算机可执行指令,其用于:
报告所述电池组的预测;和
基于所述预测报告所述电池组的可靠性和可维护性评定。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/269,965 US8719195B2 (en) | 2011-10-10 | 2011-10-10 | Battery adaptive learning management system |
US13/269,965 | 2011-10-10 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103035961A true CN103035961A (zh) | 2013-04-10 |
CN103035961B CN103035961B (zh) | 2015-08-12 |
Family
ID=47358335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210381972.0A Active CN103035961B (zh) | 2011-10-10 | 2012-10-10 | 电池组适应性学习管理系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US8719195B2 (zh) |
EP (1) | EP2581754B1 (zh) |
CN (1) | CN103035961B (zh) |
CA (1) | CA2786067C (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105206882A (zh) * | 2015-08-25 | 2015-12-30 | 广州能源检测研究院 | 一种电动汽车动力电池地面修复装置 |
US9553164B2 (en) | 2013-07-03 | 2017-01-24 | Csmc Technologies Fab1 Co., Ltd. | Method for manufacturing IGBT |
CN108604713A (zh) * | 2016-01-29 | 2018-09-28 | 罗伯特·博世有限公司 | 二次电池组管理系统 |
CN108885242A (zh) * | 2016-03-29 | 2018-11-23 | 古河电气工业株式会社 | 二次电池劣化估计装置和二次电池劣化估计方法 |
CN109073708A (zh) * | 2016-03-29 | 2018-12-21 | 古河电气工业株式会社 | 二次电池劣化估计装置和二次电池劣化估计方法 |
WO2019018974A1 (zh) * | 2017-07-24 | 2019-01-31 | 罗伯特·博世有限公司 | 用于对电池容量进行建模和估计的方法及系统 |
US10324134B2 (en) | 2013-07-16 | 2019-06-18 | Tencent Technology (Shenzhen) Company Limited | Method and device for ascertaining required charging time |
CN111308357A (zh) * | 2020-04-01 | 2020-06-19 | 一汽解放汽车有限公司 | 电池容量估算方法、电池管理系统、车辆及存储介质 |
WO2021134395A1 (zh) * | 2019-12-31 | 2021-07-08 | 视航机器人(佛山)有限公司 | 叉车电池状态监测方法、装置及嵌入式设备、存储介质 |
US11065978B2 (en) | 2019-02-25 | 2021-07-20 | Toyota Research Institute, Inc. | Systems, methods, and storage media for adapting machine learning models for optimizing performance of a battery pack |
CN115267541A (zh) * | 2022-07-29 | 2022-11-01 | 中国汽车工程研究院股份有限公司 | 一种基于对抗学习的新能源汽车电池异常检测方法 |
TWI818892B (zh) * | 2017-12-27 | 2023-10-11 | 日商F S R股份有限公司 | 二次電池管理裝置及用於二次電池管理之程式製品 |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5307113B2 (ja) * | 2010-12-20 | 2013-10-02 | 古河電気工業株式会社 | 満充電検知装置および満充電検知方法 |
KR101438901B1 (ko) * | 2012-08-23 | 2014-09-16 | 현대자동차주식회사 | 고전압배터리 냉각블로워 제어장치 및 제어방법 |
US9536205B2 (en) * | 2013-01-24 | 2017-01-03 | Nec Corporation | Adaptive control of hybrid ultracapacitor-battery storage system for photovoltaic output smoothing |
KR102183527B1 (ko) * | 2014-02-07 | 2020-11-26 | 팅크웨어(주) | 전자 장치 및 그의 제어 방법 |
CA2945780A1 (en) | 2014-04-16 | 2015-10-22 | Siemens Aktiengesellschaft | Performance tracking of an electrical energy storage system |
KR102215450B1 (ko) * | 2014-06-24 | 2021-02-15 | 삼성전자주식회사 | 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법 |
US9746894B1 (en) * | 2014-11-26 | 2017-08-29 | Amazon Technologies, Inc. | Dynamic threshold voltage compensation |
CN104483633B (zh) * | 2014-12-23 | 2017-11-28 | 广东电网有限责任公司电力科学研究院 | 铅酸蓄电池监测系统 |
WO2018057532A1 (en) * | 2016-09-23 | 2018-03-29 | Cougeller Research Llc | Battery charge transfer modeling including time-aligned, filter-response-matched voltage and current measurement |
US10099569B2 (en) * | 2016-09-29 | 2018-10-16 | GM Global Technology Operations LLC | Adaptive system and method for optimizing a fleet of plug-in vehicles |
CN106855612B (zh) * | 2017-02-21 | 2019-09-24 | 山东大学 | 计及非线性容量特性的分数阶KiBaM电池模型及参数辨识方法 |
US11691518B2 (en) * | 2017-07-21 | 2023-07-04 | Quantumscape Battery, Inc. | Predictive model for estimating battery states |
US11171498B2 (en) | 2017-11-20 | 2021-11-09 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge estimation |
US11637331B2 (en) | 2017-11-20 | 2023-04-25 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge and state of health estimation |
US11072258B2 (en) | 2017-12-11 | 2021-07-27 | Ford Global Technologies, Llc | Method for predicting battery life |
WO2019142711A1 (ja) * | 2018-01-16 | 2019-07-25 | 株式会社Gsユアサ | 監視装置、監視方法、コンピュータプログラム、劣化判定方法、劣化判定装置、及び劣化判定システム |
US11026761B2 (en) | 2018-02-05 | 2021-06-08 | Covidien Lp | Methods of determining a relative state of charge of a battery for a surgical instrument and surgical instruments and computer-readable media implementing the same |
US11131713B2 (en) | 2018-02-21 | 2021-09-28 | Nec Corporation | Deep learning approach for battery aging model |
CN108445410B (zh) * | 2018-04-02 | 2021-02-26 | 国家计算机网络与信息安全管理中心 | 一种监测蓄电池组运行状态的方法及装置 |
EP3837675A1 (en) * | 2018-08-14 | 2021-06-23 | CPS Technology Holdings LLC | Advanced battery health diagnostic |
US11110816B2 (en) * | 2018-09-18 | 2021-09-07 | GUY Thomas RINI | Condition based maintenance (CBM) of a vehicle primary electrical system |
US11165270B2 (en) | 2019-03-21 | 2021-11-02 | Microsoft Technology Licensing, Llc | Predictive management of battery operation |
US20220335326A1 (en) * | 2021-04-16 | 2022-10-20 | Dell Products L.P. | Battery learn cycle management |
US11784358B2 (en) | 2021-07-07 | 2023-10-10 | The Aerospace Corporation | Self regulating modular battery |
JP2023552356A (ja) | 2021-08-31 | 2023-12-15 | エルジー エナジー ソリューション リミテッド | バッテリー診断システム及び方法 |
CN114312322B (zh) * | 2021-12-31 | 2024-04-12 | 中国第一汽车股份有限公司 | 车辆检测方法及装置 |
US11527786B1 (en) | 2022-03-28 | 2022-12-13 | Eatron Technologies Ltd. | Systems and methods for predicting remaining useful life in batteries and assets |
CN114860492B (zh) * | 2022-04-29 | 2024-08-13 | 合众新能源汽车股份有限公司 | 电池数据动态存储方法、装置及相关设备 |
CN116736142B (zh) * | 2023-08-14 | 2023-10-24 | 新誉集团有限公司 | 一种电池组健康状况预警的方法、系统及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090009176A1 (en) * | 2007-07-05 | 2009-01-08 | Canon Kabushiki Kaisah | Electronic device, battery pack, and electronic device system |
CN101354432A (zh) * | 2007-07-23 | 2009-01-28 | 黄永升 | 电池性能监控 |
CN102200568A (zh) * | 2010-03-24 | 2011-09-28 | 力旺电子股份有限公司 | 电池装置的剩余容量与剩余使用时间的估算方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4759795B2 (ja) * | 2000-09-28 | 2011-08-31 | 株式会社Gsユアサ | 二次電池の残存容量検知方法 |
US7199557B2 (en) * | 2003-07-01 | 2007-04-03 | Eaton Power Quality Company | Apparatus, methods and computer program products for estimation of battery reserve life using adaptively modified state of health indicator-based reserve life models |
GB0425232D0 (en) * | 2004-11-16 | 2004-12-15 | Trw Ltd | Determining the state of health of a battery |
US20070046261A1 (en) * | 2005-08-17 | 2007-03-01 | Wojciech Porebski | Method and apparatus for temperature, conductance and/or impedance testing in remote application of battery monitoring systems |
US8890480B2 (en) * | 2006-11-30 | 2014-11-18 | The Boeing Company | Health management of rechargeable batteries |
US8860420B2 (en) * | 2011-09-16 | 2014-10-14 | Blackberry Limited | Diagnostic use of physical and electrical battery parameters and storing relative condition data |
-
2011
- 2011-10-10 US US13/269,965 patent/US8719195B2/en active Active
-
2012
- 2012-08-14 CA CA2786067A patent/CA2786067C/en active Active
- 2012-10-05 EP EP12187367.3A patent/EP2581754B1/en active Active
- 2012-10-10 CN CN201210381972.0A patent/CN103035961B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090009176A1 (en) * | 2007-07-05 | 2009-01-08 | Canon Kabushiki Kaisah | Electronic device, battery pack, and electronic device system |
CN101354432A (zh) * | 2007-07-23 | 2009-01-28 | 黄永升 | 电池性能监控 |
CN102200568A (zh) * | 2010-03-24 | 2011-09-28 | 力旺电子股份有限公司 | 电池装置的剩余容量与剩余使用时间的估算方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9553164B2 (en) | 2013-07-03 | 2017-01-24 | Csmc Technologies Fab1 Co., Ltd. | Method for manufacturing IGBT |
US10324134B2 (en) | 2013-07-16 | 2019-06-18 | Tencent Technology (Shenzhen) Company Limited | Method and device for ascertaining required charging time |
US10663521B2 (en) | 2013-07-16 | 2020-05-26 | Tencent Technology (Shenzhen) Company Limited | Method and device for ascertaining required charging time |
CN105206882A (zh) * | 2015-08-25 | 2015-12-30 | 广州能源检测研究院 | 一种电动汽车动力电池地面修复装置 |
CN108604713A (zh) * | 2016-01-29 | 2018-09-28 | 罗伯特·博世有限公司 | 二次电池组管理系统 |
CN108604713B (zh) * | 2016-01-29 | 2021-11-30 | 罗伯特·博世有限公司 | 二次电池组管理系统 |
US11163010B2 (en) | 2016-03-29 | 2021-11-02 | Furukawa Electric Co., Ltd. | Secondary battery deterioration estimation device and secondary battery deterioration estimation method |
US11143710B2 (en) | 2016-03-29 | 2021-10-12 | Furukawa Electric Co., Ltd. | Device for estimating degradation of secondary cell, and method for estimating degradation of secondary cell |
CN109073708A (zh) * | 2016-03-29 | 2018-12-21 | 古河电气工业株式会社 | 二次电池劣化估计装置和二次电池劣化估计方法 |
CN108885242A (zh) * | 2016-03-29 | 2018-11-23 | 古河电气工业株式会社 | 二次电池劣化估计装置和二次电池劣化估计方法 |
WO2019018974A1 (zh) * | 2017-07-24 | 2019-01-31 | 罗伯特·博世有限公司 | 用于对电池容量进行建模和估计的方法及系统 |
TWI818892B (zh) * | 2017-12-27 | 2023-10-11 | 日商F S R股份有限公司 | 二次電池管理裝置及用於二次電池管理之程式製品 |
TWI835767B (zh) * | 2017-12-27 | 2024-03-21 | 日商F S R股份有限公司 | 二次電池 |
US11065978B2 (en) | 2019-02-25 | 2021-07-20 | Toyota Research Institute, Inc. | Systems, methods, and storage media for adapting machine learning models for optimizing performance of a battery pack |
WO2021134395A1 (zh) * | 2019-12-31 | 2021-07-08 | 视航机器人(佛山)有限公司 | 叉车电池状态监测方法、装置及嵌入式设备、存储介质 |
CN111308357A (zh) * | 2020-04-01 | 2020-06-19 | 一汽解放汽车有限公司 | 电池容量估算方法、电池管理系统、车辆及存储介质 |
CN115267541A (zh) * | 2022-07-29 | 2022-11-01 | 中国汽车工程研究院股份有限公司 | 一种基于对抗学习的新能源汽车电池异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
EP2581754B1 (en) | 2024-05-01 |
CN103035961B (zh) | 2015-08-12 |
CA2786067A1 (en) | 2013-04-10 |
US8719195B2 (en) | 2014-05-06 |
CA2786067C (en) | 2016-01-12 |
EP2581754A3 (en) | 2016-08-03 |
EP2581754A2 (en) | 2013-04-17 |
US20130091083A1 (en) | 2013-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103035961B (zh) | 电池组适应性学习管理系统 | |
US11215679B2 (en) | Method and apparatus for detecting micro short circuit of battery | |
CN109725266B (zh) | 一种电池健康状态soh的计算方法及装置 | |
Wenzl et al. | Life prediction of batteries for selecting the technically most suitable and cost effective battery | |
JP5768001B2 (ja) | 電池システムのメンテナンス管理システム及び方法 | |
CN101141077B (zh) | 电池控制装置和电池控制方法 | |
US10203375B2 (en) | Method for ascertaining storage battery state, state-ascertaining system, and computer program | |
US11635467B2 (en) | Evaluation device, computer program, and evaluation method | |
EP4321884A1 (en) | Apparatus of detecting abnormal cell in battery pack and method thereof | |
CN114444370B (zh) | 一种考虑运行工况的充电电池累计损耗寿命预测方法、装置、电子设备及可读存储介质 | |
KR20150063204A (ko) | 에너지 관리장치의 수요관리 운전성능 시험장치 및 그 시험방법 | |
Zhang et al. | An application‐oriented multistate estimation framework of lithium‐ion battery used in electric vehicles | |
CN116885763B (zh) | 一种适用于分布式储能系统的能量管理装置及方法 | |
CN118282001B (zh) | 一种超级电容器储能控制方法及系统 | |
EP4235198A1 (en) | Apparatus and method for managing battery | |
Zhang et al. | A variable multi‐time‐scale based dual estimation framework for state‐of‐energy and maximum available energy of lithium‐ion battery | |
CN103296324B (zh) | 车用动力电池组充电方法 | |
CN112529464A (zh) | 一种电池包的健康度评估方法、装置及相关产品 | |
CN105759217A (zh) | 一种基于可测数据的铅酸蓄电池组在线故障诊断方法 | |
CN114137434B (zh) | 一种不间断电源设备测试方法、设备及系统 | |
CN105488333A (zh) | 城铁车辆蓄电池剩余容量计算方法 | |
Ye et al. | Quantifying the impact of charging strategy on degradation of battery energy storage system | |
Zhao et al. | Hierarchical Deep Learning Model for Degradation Prediction per Look-Ahead Scheduled Battery Usage Profile | |
WO2024057996A1 (ja) | 蓄電素子の劣化状態の算出装置、劣化状態の算出方法、劣化状態の算出プログラム、劣化状態の推定装置、劣化状態の推定方法、異常検知装置及び異常検知方法 | |
Stamatis | An evaluation of high energy density battery technologies for substation standby applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |