CN107765190B - 一种长寿命快充型磷酸铁锂电池的寿命预测方法 - Google Patents

一种长寿命快充型磷酸铁锂电池的寿命预测方法 Download PDF

Info

Publication number
CN107765190B
CN107765190B CN201711303727.7A CN201711303727A CN107765190B CN 107765190 B CN107765190 B CN 107765190B CN 201711303727 A CN201711303727 A CN 201711303727A CN 107765190 B CN107765190 B CN 107765190B
Authority
CN
China
Prior art keywords
life
charging
battery
dod
output
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
Application number
CN201711303727.7A
Other languages
English (en)
Other versions
CN107765190A (zh
Inventor
陈泽华
柴晶
赵哲峰
刘晓峰
刘帆
李伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN201711303727.7A priority Critical patent/CN107765190B/zh
Publication of CN107765190A publication Critical patent/CN107765190A/zh
Application granted granted Critical
Publication of CN107765190B publication Critical patent/CN107765190B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明涉及磷酸铁锂电池，具体涉及一种长寿命快充型磷酸铁锂电池的寿命预测方法。寿命预测方法包括如下过程：利用快充型智能充放电测试仪收集磷酸铁锂电池响因子；计算寿命预测模型修正系数；基于历史数据拟合的电池剩余有效容量Cy储能循环次数x拟合关系式：f(Cy)＝1+k1*x+k2*n2+k3*x3，长寿命磷酸铁锂电池寿命衰减因子动态函数NNow＝N‑δ*f(Cy)；本发明相对于现有技术的优点在于：将预测数据存入数据库，对数据进行自学习，修正寿命预测模型修正系数，使预测结果更准确。

Description

一种长寿命快充型磷酸铁锂电池的寿命预测方法
技术领域：
本发明涉及磷酸铁锂电池，具体涉及一种长寿命快充型磷酸铁锂电池的寿命预测方法。
背景技术：
容量是描述锂离子电池健康状态的典型性能参数，随充放电周期的增加，容量逐渐退化，当容量退化到无法维持设备工作或者退化到人为设定的失效阈值时，锂离子电池寿命终止。关于电池寿命预测目前有很多方法，现有的基于模型的寿命预测方法可以分为基于电化学模型的方法，基于等效电路的方法,基于性能的方法和基于解析模型的方法。考虑到诸多变量对电池寿命的影响，各寿命影响因子与电池性能之间的关系，通过大量加速寿命试验数据得到相关寿命预测动态函数，进而得出不同工况及影响因子下的储能剩余寿命。
发明内容：
本发明目的在于提供一种长寿命快充型磷酸铁锂电池的寿命预测方法，具体技术方案如下：
一种长寿命快充型磷酸铁锂电池的寿命预测方法，所述长寿命快充型磷酸铁锂电池包含至少1个电池单体，寿命预测方法包括如下过程：
(一)利用快充型智能充放电测试仪收集磷酸铁锂电池影响因子，包括：充电截止电压U、充电截止电流I、充电周期内平均温度T、充放电电流倍率C、放电深度DOD、储能单体电池容量一致性系数k；
(二)计算寿命预测模型修正系数δ＝k*δ1*δ2*δ3*δ4*δ5；其中，δ1为充电截止电压对电池寿命的影响系数、δ2充电截止电流对电池寿命的影响系数、δ3充电周期内平均温度对电池寿命的影响系数、δ4充放电电流倍率对电池寿命的影响系数、δ5放电深度对电池寿命的影响系数；
(三)基于历史数据拟合的电池剩余有效容量Cy与储能循环次数x拟合关系式：
f(Cy)＝1+k1(DOD)*x+k2(DOD)*x2+k3(DOD)*x3
其中，k1(DOD)、k2(DOD)、k3(DOD)为拟合参数，是放电深度DOD的函数，各拟合参数分别为：
k1(DOD)＝-2.667e-6*DOD+8.722e-5，
k2(DOD)＝7.342e-10*DOD-2.859e-8，
k3(DOD)＝1.495e-12*DOD-1.514e-12
Cy＝γ*g(Cii*Δt)，其中，γ为容量衰减率，Cii为各电池单体的充电容量，△t为测试有效时间；
(四)长寿命磷酸铁锂电池寿命衰减因子动态函数
NNow＝N-δ*f(Cy)＝N-δ*f(γ*g(Cii*Δt))；
δ为寿命预测模型修正系数，NNow为当前动力电池的剩余寿命，N为长寿命磷酸铁锂电池的标准使用寿命；
(五)寿命预测模型修正系数及容量衰减率计算步骤如下：
建立人工神经网络算法模型，共4层和14个节点(节点编号i＝1、2、3、4、5、6、7、8、9、10、11、12、13、14)，各节点是连续可微的；
设定每次计算网络输出只有一个输出Oj(j＝1、2、3、4……14)分别为δ1、δ2、δ3、δ4、δ5、k、γ，将历史测试数据划分为M个样本(xz，yz)，(z＝1、2、3……M)；M为测试次数；
Figure GDA0002292886700000021
任何一个节点i的输出为Ozi；对任何一个节点，如果输入为xz，输出为yz，则节点i的输出为Ozi，
Figure GDA0002292886700000031
输入层与第一个隐含层以及另外两个隐含层之间的传递函数均采用双曲正切s型激活函数，当第L层的第i个节点输入z(z＝1、2、3……M)个样本时，节点i的输出为：
Figure GDA0002292886700000032
表示第L-1层第i个节点的输出；输入第z个样本时，第i个节点的输出
Figure GDA0002292886700000034
第L-1输入层与第L输出层之间的关系如下：
Figure GDA0002292886700000035
其中：Xi为各层输入量，M为测试次数，A为输出量，b为变量偏差，
Figure GDA0002292886700000036
Figure GDA0002292886700000037
是神经网络的实际输出；
总误差为
Figure GDA0002292886700000038
Em为第m次测试结果下的误差；
存在如下关系：
Figure GDA0002292886700000039
Figure GDA00022928867000000310
为各层各节点的修正权值；
若节点i为输出单元，则
Figure GDA00022928867000000311
若节点i不为输出单元，则
Figure GDA00022928867000000312
前一层的输出为下一层的输入，正向计算各层的输出
Figure GDA00022928867000000313
netL-1z、
Figure GDA00022928867000000314
反向计算各层的输出，并设置修正权值
Figure GDA00022928867000000315
其中μ神经网络计算步长，μ>0；
根据神经网络模型，定义输入量为U、I、T、DOD、△t、N、M、测试前的修正系数δ'、测试前的储能单体电池容量一致性系数k'，则δ1、δ2、δ3、δ4、δ5、k、γ作为输出量。
优选方案之一，所述快充型智能充放电测试仪可以实现恒流恒压充电，脉冲充电，多阶段恒流充电，急充电四种充电控制模式。
优选方案之二，所述快充型智能充放电测试仪包含数据测试系统、控制动作系统、数据显示系统及人机交互界面；本方案进一步优选，所述快充型智能充放电测试仪可通过控制动作系统生成控制方波，通过方波占空比的变化来控制充电电流。
优选方案之三，所述的快充型智能充放电测试仪的充放电接口符合SAEJ1772标准。
优选方案之四，快充型智能充放电测试仪的数据测试系统可以获取每个电池单体的基本充放电信息数据并实时上传。
相对于现有技术的优点在于：本发明专利基于充电截止电压、充电截止电流、充电周期内平均温度、充放电电流倍率、放电深度、储能单体电池容量一致性系数等多个参数和历史运行数据得到寿命预测模型，在测试结束时即可得到不同工况下寿命快充型磷酸铁锂电池的寿命值，并将预测数据存入数据库，对数据进行自学习，修正寿命预测模型修正系数，使预测结果更准确。
附图说明：
图1是本发明的原理框图。
图2是本发明寿命预测模型修正系数及容量衰减率计算示意图。
具体实施方式：
一种长寿命快充型磷酸铁锂电池的寿命预测方法，所述长寿命快充型磷酸铁锂电池包含至少1个电池单体，寿命预测方法包括如下过程：
(一)利用快充型智能充放电测试仪收集磷酸铁锂电池影响因子，包括：充电截止电压U、充电截止电流I、充电周期内平均温度T、充放电电流倍率C、放电深度DOD、储能单体电池容量一致性系数k；
(二)计算寿命预测模型修正系数δ＝k*δ1*δ2*δ3*δ4*δ5；其中，δ1为充电截止电压对电池寿命的影响系数、δ2充电截止电流对电池寿命的影响系数、δ3充电周期内平均温度对电池寿命的影响系数、δ4充放电电流倍率对电池寿命的影响系数、δ5放电深度对电池寿命的影响系数；
(三)基于历史数据拟合的电池剩余有效容量Cy与储能循环次数x拟合关系式：
f(Cy)＝1+k1(DOD)*x+k2(DOD)*x2+k3(DOD)*x3
其中，k1(DOD)、k2(DOD)、k3(DOD)为拟合参数，是放电深度DOD的函数，各拟合参数分别为：
k1(DOD)＝-2.667e-6*DOD+8.722e-5，
k2(DOD)＝7.342e-10*DOD-2.859e-8，
k3(DOD)＝1.495e-12*DOD-1.514e-12，
Cy＝γ*g(Cii*Δt)，其中，γ为容量衰减率，△t为测试有效时间；
(四)长寿命磷酸铁锂电池寿命衰减因子动态函数：
NNow＝N-δ*f(Cy)＝N-δ*f(γ*g(Cii*Δt))；δ为寿命预测模型修正系数，NNow为当前动力电池的剩余寿命，N为长寿命磷酸铁锂电池的标准使用寿命；Cii为各电池单体的充电容量。
(五)寿命预测模型修正系数及容量衰减率计算步骤如下：
建立人工神经网络算法模型，共4层和14个节点(节点编号i＝1、2、3、4、5、6、7、8、9、10、11、12、13、14)，各节点是连续可微的；设定每次计算网络输出只有一个输出Oj(j＝1、2、3、4……14)分别为δ1、δ2、δ3、δ4、δ5、k、γ，将历史测试数据划分为M个样本(xz，yz)，(z＝1、2、3……M)；M为测试次数；
Figure GDA0002292886700000061
任何一个节点i的输出为Ozi；对任何一个节点，如果输入为xz，输出为yz，则节点i的输出为Ozi：
Figure GDA0002292886700000062
输入层与第一个隐含层以及另外两个隐含层之间的传递函数均采用双曲正切s型激活函数，当第L层的第i个节点输入z(z＝1、2、3……M)个样本时，节点i的输出为：
Figure GDA0002292886700000063
Figure GDA0002292886700000064
表示第L-1层第i个节点的输出；
输入第z个样本时，第i个节点的输出
Figure GDA0002292886700000065
第L-1输入层与第L输出层之间的关系如下：
其中：Xi为各层输入量，M为测试次数，A为输出量，b为变量偏差，
Figure GDA0002292886700000068
是神经网络的实际输出。
总误差为Em为第m次测试结果下的误差；
存在如下关系：
Figure GDA00022928867000000610
Figure GDA00022928867000000611
为各层各节点的修正权值。
若节点i为输出单元，则
Figure GDA00022928867000000612
若节点i不为输出单元，则
Figure GDA00022928867000000613
前一层的输出为下一层的输入，正向计算各层的输出
Figure GDA0002292886700000071
netL-1z、
Figure GDA0002292886700000072
反向计算各层的输出，并设置修正权值
Figure GDA0002292886700000073
其中μ神经网络计算步长，μ>0。
根据神经网络模型，定义输入量为U、I、T、DOD、△t、N、M、测试前的修正系数δ'、测试前的储能单体电池容量一致性系数k'，则δ1、δ2、δ3、δ4、δ5、k、γ作为输出量。
输出结果作为历史数据进行存储，对数据进行自学习，修正寿命预测模型修正系数，使下次预测结果更准确。
上述快充型智能充放电测试仪可以实现恒流恒压充电，脉冲充电，多阶段恒流充电，急充电四种充电控制模式。
上述快充型智能充放电测试仪包含数据测试系统、控制动作系统、数据显示系统及人机交互界面；上述快充型智能充放电测试仪可通过控制动作系统生成控制方波，通过方波占空比的变化来控制充电电流。
上述的快充型智能充放电测试仪的充放电接口符合SAEJ1772标准。
上述快充型智能充放电测试仪的数据测试系统可以获取每个电池单体的基本充放电信息数据并实时上传。

Claims (6)

1.一种长寿命快充型磷酸铁锂电池的寿命预测方法，所述长寿命快充型磷酸铁锂电池包含至少1个电池单体，其特征在于，寿命预测方法包括如下过程：
(一)利用快充型智能充放电测试仪收集磷酸铁锂电池影响因子，包括：截止电压U、充电截止电流I、充电周期内平均温度T、充放电电流倍率C、放电深度DOD、储能单体电池容量一致性系数k；
(二)计算寿命预测模型修正系数δ＝k*δ1*δ2*δ3*δ4*δ5；其中，δ1为充电截止电压对电池寿命的影响系数、δ2充电截止电流对电池寿命的影响系数、δ3充电周期内平均温度对电池寿命的影响系数、δ4充放电电流倍率对电池寿命的影响系数、δ5放电深度对电池寿命的影响系数；
(三)基于历史数据拟合电池剩余有效容量Cy与储能循环次数x拟合关系式为：f(Cy)＝1+k1(DOD)*x+k2(DOD)*x2+k3(DOD)*x3
其中，k1(DOD)、k2(DOD)、k3(DOD)为拟合参数，是放电深度DOD的函数，各拟合参数分别为：
k1(DOD)＝-2.667e-6*DOD+8.722e-5，
k2(DOD)＝7.342e-10*DOD-2.859e-8，
k3(DOD)＝1.495e-12*DOD-1.514e-12，
Cy＝γ*g(Cii*Δt)，其中，γ为容量衰减率，Cii为各电池单体的充电容量，△t为测试有效时间；
(四)长寿命磷酸铁锂电池寿命衰减因子动态函数NNow＝N-δ*f(Cy)＝N-δ*f(γ*g(Cii*Δt))；δ为寿命预测模型修正系数，NNow为当前动力电池的剩余寿命，N为长寿命磷酸铁锂电池的标准使用寿命；
(五)寿命预测模型修正系数及容量衰减率计算步骤如下：
基于影响动力电池的寿命因素，建立人工神经网络算法模型，共4层和14个节点(节点编号i＝1、2、3、4、5、6、7、8、9、10、11、12、13、14)，各节点是连续可微的；定义输入量为U、I、T、DOD、△t、N、M、测试前的修正系数δ'、测试前的储能单体电池容量一致性系数k'，则δ1、δ2、δ3、δ4、δ5、k、γ作为输出量，M为测试次数；
设定每次计算网络输出只有一个输出Oj(j＝1、2、3、4……14)分别为δ1、δ2、δ3、δ4、δ5、k、γ，将历史测试数据划分为M个样本(xz，yz)，(z＝1、2、3……M)；
任何一个节点i的输出为Ozi；对任何一个节点，如果输入为xz，输出为yz，则节点i的输出为Ozi，
Figure FDA0002310754840000022
输入层与第一个隐含层以及另外两个隐含层之间的传递函数均采用双曲正切s型激活函数，当第L层的第i个节点输入z(z＝1、2、3……M)个样本时，节点i的输出为：
Figure FDA0002310754840000023
Figure FDA0002310754840000024
表示第L-1层第i个节点的输出；输入第z个样本时，第i个节点的输出
Figure FDA0002310754840000025
第L-1输入层与第L输出层之间的关系如下：
Figure FDA0002310754840000026
其中：Xi为各层输入量，M为测试次数，A为输出量，b为变量偏差，
Figure FDA0002310754840000027
Figure FDA0002310754840000028
是神经网络的实际输出；
总误差为
Figure FDA0002310754840000031
Em为第m次测试结果下的误差；
存在如下关系：
Figure FDA0002310754840000033
为各层各节点的修正权值；
若节点i为输出单元，则
若节点i不为输出单元，则
Figure FDA0002310754840000035
前一层的输出为下一层的输入，正向计算各层的输出
Figure FDA0002310754840000036
netL-1z、
Figure FDA0002310754840000037
反向计算各层的输出，并设置修正权值其中μ神经网络计算步长，μ>0。
2.根据权利要求1所述的一种长寿命快充型磷酸铁锂电池的寿命预测方法，其特征在于，所述快充型智能充放电测试仪可以实现恒流恒压充电，脉冲充电，多阶段恒流充电，急充电四种充电控制模式。
3.根据权利要求1所述的一种长寿命快充型磷酸铁锂电池的寿命预测方法，其特征在于，所述快充型智能充放电测试仪包含数据测试系统、控制动作系统、数据显示系统及人机交互界面。
4.根据权利要求3所述的一种长寿命快充型磷酸铁锂电池的寿命预测方法，其特征在于，所述快充型智能充放电测试仪可通过控制动作系统生成控制方波，通过方波占空比的变化来控制充电电流。
5.根据权利要求1-4任何一项所述的一种长寿命快充型磷酸铁锂电池的寿命预测方法，其特征在于：所述的快充型智能充放电测试仪的充放电接口符合SAEJ1772标准。
6.根据权利要求1-4任何一项所述的一种长寿命快充型磷酸铁锂电池的寿命预测方法，其特征在于：快充型智能充放电测试仪的数据测试系统可以获取每个电池单体的基本充放电信息数据并实时上传。
CN201711303727.7A 2017-12-11 2017-12-11 一种长寿命快充型磷酸铁锂电池的寿命预测方法 Expired - Fee Related CN107765190B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711303727.7A CN107765190B (zh) 2017-12-11 2017-12-11 一种长寿命快充型磷酸铁锂电池的寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711303727.7A CN107765190B (zh) 2017-12-11 2017-12-11 一种长寿命快充型磷酸铁锂电池的寿命预测方法

Publications (2)

Publication Number Publication Date
CN107765190A CN107765190A (zh) 2018-03-06
CN107765190B true CN107765190B (zh) 2020-02-11

Family

ID=61277832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711303727.7A Expired - Fee Related CN107765190B (zh) 2017-12-11 2017-12-11 一种长寿命快充型磷酸铁锂电池的寿命预测方法

Country Status (1)

Country Link
CN (1) CN107765190B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108872862A (zh) * 2018-04-28 2018-11-23 青岛特锐德电气股份有限公司 一种动力电池循环寿命估算方法及充放电桩
CN108549036A (zh) * 2018-05-03 2018-09-18 太原理工大学 基于miv和svm模型的磷酸铁锂电池寿命预测方法
CN110555226A (zh) * 2019-04-03 2019-12-10 太原理工大学 基于emd和mlp的磷酸铁锂电池剩余寿命预测方法
CN109975713B (zh) * 2019-04-12 2021-11-02 苏州正力新能源科技有限公司 一种考虑多因素影响的动力电池soh估算方法
CN111060835A (zh) * 2019-12-31 2020-04-24 湖州师范学院 锂电池剩余寿命的预测方法、系统及可读存储介质
CN111413622B (zh) * 2020-04-03 2022-04-15 重庆大学 一种基于堆叠降噪自动编码机的锂电池寿命预测方法
CN111509316B (zh) * 2020-04-29 2021-11-02 集美大学 一种基于循环寿命的船用锂电池组能量管理方法
CN112757921B (zh) * 2020-12-24 2022-04-15 北京理工大学 一种基于锂电池寿命预测的车用混合储能系统
CN112416959B (zh) * 2021-01-25 2021-04-06 湖北鑫英泰系统技术股份有限公司 一种基于无源测温的引流板寿命计算方法及系统
CN113433466A (zh) * 2021-05-28 2021-09-24 北京元代码科技有限公司 一种新能源汽车动力电池检测方法及系统
CN113341331B (zh) * 2021-05-31 2022-12-13 湖北亿纬动力有限公司 一种复合电源工作寿命的预测方法以及装置
CN113640683A (zh) * 2021-08-06 2021-11-12 江苏金帆电源科技有限公司 识别异常电池的方法
CN113625183B (zh) * 2021-08-06 2023-07-04 河北工业大学 一种电池包寿命预测方法及电池包模拟系统
CN114463330B (zh) * 2022-04-12 2022-07-01 江苏康医通科技有限公司 一种ct数据归集系统、方法及存储介质
CN117243497B (zh) * 2023-10-11 2024-03-08 山东好景节能设备有限公司 饮水机智能控制系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749589B (zh) * 2012-07-13 2014-11-26 哈尔滨工业大学深圳研究生院 电动汽车动力电池衰退模式预测方法
CN103293487B (zh) * 2013-06-28 2015-09-09 哈尔滨工业大学 基于集成模型的锂离子电池寿命预测方法
CN103558554A (zh) * 2013-10-15 2014-02-05 广东电网公司电力科学研究院 一种新能源汽车动力电池soh在线估算的方法
CN103954913B (zh) * 2014-05-05 2017-06-30 哈尔滨工业大学深圳研究生院 电动汽车动力电池寿命预测方法
CN105425156B (zh) * 2015-11-06 2018-07-10 安徽江淮汽车集团股份有限公司 一种动力电池循环寿命测试方法
CN106291372B (zh) * 2016-07-22 2019-02-22 南京工业大学 一种新的锂离子动力电池剩余寿命预测方法

Also Published As

Publication number Publication date
CN107765190A (zh) 2018-03-06

Similar Documents

Publication Publication Date Title
CN107765190B (zh) 一种长寿命快充型磷酸铁锂电池的寿命预测方法
CN107015157B (zh) 基于恒流等压升片段的锂电池剩余循环寿命在线快速测试法
CN106291372B (zh) 一种新的锂离子动力电池剩余寿命预测方法
CN109633474B (zh) 一种锂离子电池剩余寿命预测方法
CN107612076A (zh) 电池充电方法、装置、设备和存储介质
CN105406532B (zh) 电动汽车及其电池可用能量的检测方法和装置
CN105891730B (zh) 一种汽车动力电池容量的计算方法
CN110568359A (zh) 一种锂电池剩余寿命预测方法
CN111366848A (zh) 一种基于pso-elm算法的电池健康状态预测方法
CN106093778A (zh) 电池状态预测方法及系统
CN109839599B (zh) 基于二阶ekf算法的锂离子电池soc估计方法
CN107015158B (zh) 基于恒流放电片段的锂电池剩余寿命在线快速检测法
CN104793144A (zh) 一种电池寿命快速检测方法
CN105634063B (zh) 一种基于电池历史数据的主动均衡方法
CN106885994A (zh) 基于恒压充电片段的锂电池剩余寿命快速检测法
CN113253140A (zh) 电池健康状态在线估算方法
CN110045288A (zh) 一种基于支持向量回归的锂离子电池容量在线估计方法
CN105203963A (zh) 一种基于开路电压滞回特性的荷电状态的估计方法
CN108872869A (zh) 一种基于bp神经网络的锂离子电池劣化分类方法
CN107024664A (zh) 基于恒流充电片段的锂电池剩余寿命快速预测法
CN110362897B (zh) 一种串联电池组多目标优化均衡方法
CN107340476A (zh) 电池的电气状态监测系统和电气状态监测方法
CN113917336A (zh) 基于片段充电时间和gru的锂离子电池健康状态预测方法
CN113011012A (zh) 一种基于Box-Cox变化的储能电池剩余寿命预测方法
CN114675187A (zh) 一种物理机理和机器学习融合的锂离子电池寿命预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200211

Termination date: 20211211

CF01 Termination of patent right due to non-payment of annual fee