CN107783057B - 一种动力电池soc估算方法及估算系统 - Google Patents

一种动力电池soc估算方法及估算系统 Download PDF

Info

Publication number
CN107783057B
CN107783057B CN201710954773.7A CN201710954773A CN107783057B CN 107783057 B CN107783057 B CN 107783057B CN 201710954773 A CN201710954773 A CN 201710954773A CN 107783057 B CN107783057 B CN 107783057B
Authority
CN
China
Prior art keywords
power battery
model
soc
estimation
battery
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
CN201710954773.7A
Other languages
English (en)
Other versions
CN107783057A (zh
Inventor
谢木生
李林波
王波涛
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.)
GAC Fiat Chrysler Automobiles Co Ltd
Original Assignee
GAC Fiat Chrysler Automobiles Co Ltd
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 GAC Fiat Chrysler Automobiles Co Ltd filed Critical GAC Fiat Chrysler Automobiles Co Ltd
Priority to CN201710954773.7A priority Critical patent/CN107783057B/zh
Publication of CN107783057A publication Critical patent/CN107783057A/zh
Application granted granted Critical
Publication of CN107783057B publication Critical patent/CN107783057B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明属于锂电池技术领域，公开了一种动力电池SOC估算方法及估算系统，其包含：建立动力电池空间状态模型，确定动力电池空间状态模型的扩展卡尔曼滤波模型；对动力电池进行动力学特性测试，根据动力学特性测试数据对动力电池空间状态模型的扩展卡尔曼滤波模型的匹配系数进行确定；根据卡尔曼滤波模型的匹配系数对SOC进行估算。该系统依托于上述方法，本发明能够克服安时积分法需要准确初始SOC值以及存在误差累积的现有技术问题。

Description

一种动力电池SOC估算方法及估算系统
技术领域
本发明涉及锂电池技术领域，尤其涉及一种动力电池SOC估算方法及估算系统。
背景技术
随着能源危机和环境问题的日益严重，各国政府及汽车企业越来越重视电动汽车的研发。动力电池及电池管理系统是电动汽车的关键部件，准确进行荷电状态(SOC)的估计对提高电池使用寿命和整车性能有着重要的意义。
动力电池的高度非线性使得传统的卡尔曼滤波方面不能得到准确的SOC估计结果，而无迹卡尔曼滤波技术相对计算量比较大，粒子滤波技术计算的复杂程度更大，这两种并不适合在实际工程中应用。目前在估算电动汽车电池这块在实际使用中以安时积分法为主，但安时积分法存在需要准确的初始SOC值，要求很高的精度的电流传感器，计算过程中存在误差积累等问题。
发明内容
本发明目的在于提供一种动力电池SOC估算方法及估算系统，以克服安时积分法需要准确初始SOC值以及存在误差累积的现有技术问题。
为实现上述目的，本发明提供了一种动力电池SOC估算方法，包括以下步骤：
建立动力电池空间状态模型，确定动力电池空间状态模型的扩展卡尔曼滤波模型；
对动力电池进行动力学特性测试，根据动力学特性测试数据对动力电池空间状态模型的扩展卡尔曼滤波模型的匹配系数进行确定；
根据卡尔曼滤波模型的匹配系数对SOC进行估算。
依托于上述方法，本发明还提供了一种动力电池SOC估算系统，包括：
第一模块：用于建立动力电池空间状态模型，确定动力电池空间状态模型的扩展卡尔曼滤波模型；
第二模块：用于对动力电池进行动力学特性测试，根据动力学特性测试数据对动力电池空间状态模型的扩展卡尔曼滤波模型的匹配系数进行确定；
第三模块：用于根据卡尔曼滤波模型的匹配系数对SOC进行估算。
本发明具有以下有益效果：
1、本发明的估算方法能够克服电流误差的累积，对动力电池SOC进行准确的估算；
2、本发明的估算方法对初始值要求精度没有过高的要求；
3、本发明的估算方法能够克服一定量的传感器误差，估算精度高。
下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例的一种动力电池SOC估算方法流程图；
图2是本发明优选实施例的动力电池一阶RC等效电路图；
图3是本发明优选实施例的动力电池模型参数识别用1C放电脉冲图；
图4是本发明优选实施例的参数拟合完后，测量电压与计算电压对比图；
图5是本发明优选实施例的克服初始SOC存大误差的示意图；
图6是本发明优选实施例的克服积累误差的示意图；
图7是本发明优选实施例的30％SOC平衡功况时最大误差示意图；
图8是本发明优选实施例的50％SOC平衡功况时最大误差示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
SOC的全称是State of Charge，称为荷电状态，也叫剩余电量，代表的是电池使用一段时间或长期搁置不用后的剩余容量与其完全充电状态的容量的比值，常用百分数表示。
参见图1，本发明公开了一种动力电池SOC估算方法，包括以下步骤：
S1：建立动力电池空间状态模型，确定动力电池空间状态模型的扩展卡尔曼滤波模型。
利用动力电池的动力学特征符合RC电路的基本特性建立起如图2所示的一阶RC电池的等效电路模型，且因为电路电流测量会存在误差，而误差是随机的，带有不确定性，需要进行大量的试验情况了解BMS电流误差的情况，还需建立电流传感器误差模型。电流传感器误差模型的方程应满足如下形式：
θk＝Ke*θk-1+rk
等效电路模型和电流传感器误差模型离散化后得到由状态方程和观测方程所组成的动力电池空间状态模型。
状态方程：
Figure BDA0001433690770000031
观测方程:
Utk＝OCVk+U1k+ROk(Ik-θk)。
U1为RC两端的电压值，下标k表示第k步，Ut为负载两端电压，OCV为开路电压，其中OCV是与SOC有关的函数，R0为电池内阻，I为电流，T为采样时间间隔。R1为电池极化电阻，C1为电池极化电容；θk项为第k步电流误差项Qn为电池容量。Ke其值为经过多次实验方法，给合所用的BMS采样精度与大功能高精度电池充放电设备测试而经过计算后给出的标定值。
对空间状态方程进行泰勒级数张开，略去二次展开以上的项并经过线性化处理后得到扩展卡尔曼滤波模型：
Figure BDA0001433690770000033
Figure BDA0001433690770000034
算法状态初始值：对于k＝0,定义：
Figure BDA0001433690770000035
循环迭代计算，对k＝1,2...计算过程如下：
状态变量预测估计：
Figure BDA0001433690770000036
协方差误差预测估计：
Figure BDA0001433690770000037
卡尔曼滤波增益计算：
Figure BDA0001433690770000038
状态变量最优估计值：
协方差最优估计值：
Figure BDA00014336907700000310
其中yk为k时刻实际测得到的端电压，Qk为过程噪声误差协方差，Rk为观测噪声误差协方差，它们的大小根据具体系统噪声情况而定。
S2：对动力电池进行动力学特性测试，根据动力学特性测试数据对动力电池空间状态模型的扩展卡尔曼滤波模型的匹配系数进行确定。
模拟电动汽车动力电池的使用情况，因为车辆在时间运行中大部分情况下的电流都小于1C，所以选择1C电流作为电池的动力学测试电流。对电池进行脉冲放电，每次放电消耗10％的SOC，每放一次电然后静置2个小时消除电池极化。图3所示为动力电池模型参数识别用1C放电的脉冲图。根据测试数据利用最小二乘法来确定动力电池空间状态模型R0、R1、C1的值，模型里面只拟合了RC与R0两端的电压，输入电压为端电压与OCV的电压差，在本拟合中必须要用到电池OCV曲线。参见图4，图4为参数拟合完成后，测量电压与计算电压的对比图，由图4见，测量电压和计算电压基本保持吻合。
S3：根据卡尔曼滤波模型的匹配系数对SOC进行估算。
令状态量xk＝[Sk,U1k,θk]，
Figure BDA0001433690770000041
为k时刻的预测估计值，
Figure BDA0001433690770000042
为状态变量最优估计值。上标“-”表示预测估计，“+”表示最优估计。将步骤2所得参数值代入扩展卡尔曼滤波的模型得到SOC的估算值。
如图5所示，图5(a)的准确初始SOC值应为0.9，如图5(b)所示，当EKF的SOC初始值调为0.01时，本估算方法很快就能找到准确的SOC值。图5(c)为图5(b)横轴时间缩小104倍的示意图，通过图5(c)能够更加明确的观测到本估算方法能找到准确SOC值。
如图6所示，安时积分法输出的SOC值随着时间的拉长误差越来越大，而本发明的估算方法的SOC值基本与真实测量值保持一致。
车辆在实际使用中，若一直跑平衡功况，则BMS无法对安时积分法进行校正，则不能及时的消除误差积累等问题；而开路电压法计算SOC则要求电池能够有长时间的静置，不能实时准确的估计电池的SOC值。并且以上的算法并不能处理电流传感器存在一定的漂移的问题。为了验证本发明的估算方法，利用30％SOC平衡工况和50％SOC平衡工况进行验证。通过对传感器精度进行分析，得出电流误差为1％,电压误差正负5毫伏，将此误差加到输入信号中，得到验证矩阵表：
Figure BDA0001433690770000043
Figure BDA0001433690770000051
30％SOC平衡功况：就是车辆在这功况下运行，动力电池SOC一直保持在30％左右。同理，50％SOC平衡功况：就是车辆在这功况下运行，动力电池SOC一直保持在50％左右。
如上表和图7、8所示，30％SOC平衡功况的最大误差情况为电流误差为入恒定正偏1％，电流误差方差为1安，最大的误差为：4.884％，在整个过程中SOC最大误差小于5％。50％SOC平衡功况的最大误差情况为电流误差为入恒定正偏1％，电流误差方差为1安，最大的误差为：4.4424％，在整个过程中SOC最大误差小于5％。因此，通过本发明方法得到的SOC值误差很小。
验证完算法后，将利用在Simulink Embedded Coder自动生成C代码，并自动将生成的C代码生成S-Funtion，同时运行建立起来的Simulink与S-Funtion模型，来进行软件在环测试，两个模型得到的结果一样，生成的代码正确，软件验证完成。
依托于上述方法，本发明还提供了一种动力电池SOC估算系统，包括：
第一模块：用于建立动力电池空间状态模型，确定动力电池空间状态模型的扩展卡尔曼滤波模型；
第二模块：用于对动力电池进行动力学特性测试，根据动力学特性测试数据对动力电池空间状态模型的扩展卡尔曼滤波模型的匹配系数进行确定；
第三模块：用于根据卡尔曼滤波模型的匹配系数对SOC进行估算。
优选地，第一模块中动力电池空间状态模型包括状态方程和观测方程：
所述状态方程：
Figure BDA0001433690770000052
所述观测方程:
Utk＝OCVk+U1k+R0k(Ik-θk)。
优选地，第一模块中扩展卡尔曼滤波模型为：
Figure BDA0001433690770000053
Figure BDA0001433690770000061
Figure BDA0001433690770000062
算法状态初始值：对于k＝0,定义：
循环迭代计算，对k＝1,2...计算过程如下：
状态变量预测估计：
协方差误差预测估计：
Figure BDA0001433690770000065
卡尔曼滤波增益计算：
Figure BDA0001433690770000066
状态变量最优估计值：
Figure BDA0001433690770000067
协方差最优估计值：
Figure BDA0001433690770000068
其中yk为k时刻实际测得到的端电压，Qk为过程噪声误差协方差，Rk为观测噪声误差协方差，它们的大小根据具体系统噪声情况而定。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种动力电池SOC估算方法，其特征在于，包括以下步骤：
建立动力电池空间状态模型，确定动力电池空间状态模型的扩展卡尔曼滤波模型，所述动力电池空间状态模型包括状态方程和观测方程：
所述状态方程：
Figure FDA0002293939590000011
所述观测方程:
Utk＝OCVk+U1k+ROk(Ik-θk)，
其中，U1为RC两端的电压值，下标k表示第k步，Ut为负载两端电压，OCV为开路电压，其中OCV是与SOC有关的函数，R0为电池内阻，I为电流，T为采样时间间隔；R1为电池极化电阻，C1为电池极化电容；θk项为第k步电流误差项Qn为电池容量；Ke其值为经过多次实验方法，给合所用的BMS采样精度与大功能高精度电池充放电设备测试而经过计算后给出的标定值；
对动力电池进行动力学特性测试，根据动力学特性测试数据对动力电池空间状态模型的扩展卡尔曼滤波模型的匹配系数进行确定；
根据扩展卡尔曼滤波模型的匹配系数对SOC进行估算。
2.根据权利要求1所述的一种动力电池SOC估算方法，其特征在于，所述扩展卡尔曼滤波模型为：
Figure FDA0002293939590000012
Figure FDA0002293939590000013
算法状态初始值：对于k＝0,定义：
Figure FDA0002293939590000015
循环迭代计算，对k＝1，2...计算过程如下：
状态变量预测估计：
Figure FDA0002293939590000016
协方差误差预测估计：
Figure FDA0002293939590000017
卡尔曼滤波增益计算：
Figure FDA0002293939590000021
状态变量最优估计值：
Figure FDA0002293939590000022
协方差最优估计值：
Figure FDA0002293939590000023
其中yk为k时刻实际测得到的端电压，Qk为过程噪声误差协方差，Rk为观测噪声误差协方差，它们的大小根据具体系统噪声情况而定。
3.一种动力电池SOC估算系统，其特征在于，包括：
第一模块：用于建立动力电池空间状态模型，确定动力电池空间状态模型的扩展卡尔曼滤波模型，所述动力电池空间状态模型包括状态方程和观测方程：
所述状态方程：
Figure FDA0002293939590000024
所述观测方程:
Utk＝OCVk+U1k+R0k(Ik-θk)，
其中，U1为RC两端的电压值，下标k表示第k步，Ut为负载两端电压，OCV为开路电压，其中OCV是与SOC有关的函数，R0为电池内阻，I为电流，T为采样时间间隔；R1为电池极化电阻，C1为电池极化电容；θk项为第k步电流误差项Qn为电池容量；Ke其值为经过多次实验方法，给合所用的BMS采样精度与大功能高精度电池充放电设备测试而经过计算后给出的标定值；
第二模块：用于对动力电池进行动力学特性测试，根据动力学特性测试数据对动力电池空间状态模型的扩展卡尔曼滤波模型的匹配系数进行确定；
第三模块：用于扩展根据卡尔曼滤波模型的匹配系数对SOC进行估算。
4.根据权利要求3所述的一种动力电池SOC估算系统，其特征在于，所述第一模块中扩展卡尔曼滤波模型为：
Figure FDA0002293939590000025
Figure FDA0002293939590000026
Figure FDA0002293939590000031
算法状态初始值：对于k＝0,定义：
Figure FDA0002293939590000032
循环迭代计算，对k＝1，2...计算过程如下：
状态变量预测估计：
Figure FDA0002293939590000033
协方差误差预测估计：
Figure FDA0002293939590000034
卡尔曼滤波增益计算：
Figure FDA0002293939590000035
状态变量最优估计值：
Figure FDA0002293939590000036
协方差最优估计值：
Figure FDA0002293939590000037
其中yk为k时刻实际测得到的端电压，Qk为过程噪声误差协方差，Rk为观测噪声误差协方差，它们的大小根据具体系统噪声情况而定。
CN201710954773.7A 2017-10-13 2017-10-13 一种动力电池soc估算方法及估算系统 Expired - Fee Related CN107783057B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710954773.7A CN107783057B (zh) 2017-10-13 2017-10-13 一种动力电池soc估算方法及估算系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710954773.7A CN107783057B (zh) 2017-10-13 2017-10-13 一种动力电池soc估算方法及估算系统

Publications (2)

Publication Number Publication Date
CN107783057A CN107783057A (zh) 2018-03-09
CN107783057B true CN107783057B (zh) 2020-02-07

Family

ID=61434491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710954773.7A Expired - Fee Related CN107783057B (zh) 2017-10-13 2017-10-13 一种动力电池soc估算方法及估算系统

Country Status (1)

Country Link
CN (1) CN107783057B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109358293B (zh) * 2018-06-07 2021-04-02 温州大学 基于ipf的锂离子电池soc估计方法
CN108427079B (zh) * 2018-06-11 2019-06-07 西南交通大学 一种动力电池剩余电量估计方法
FR3084170B1 (fr) * 2018-07-17 2020-07-17 Zodiac Aero Electric Procede de determination d'une matrice de covariance de bruit d'etat pour le reglage d'un observateur de l'etat de charge d'une batterie et dispositif correspondant
CN109541485A (zh) * 2018-11-23 2019-03-29 河海大学常州校区 一种动力电池的soc估算方法
CN112782584B (zh) * 2019-11-05 2023-06-23 奥动新能源汽车科技有限公司 电池电量的剩余使用额度的预测方法、系统、介质及设备
CN111289911A (zh) * 2020-04-03 2020-06-16 深圳天邦达新能源技术有限公司 基于电池的soc估算方法、装置以及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101022178A (zh) * 2007-03-09 2007-08-22 清华大学 基于标准电池模型的镍氢动力电池荷电状态的估计方法
CN103852727A (zh) * 2014-02-14 2014-06-11 清华大学深圳研究生院 动力电池荷电状态在线估算方法和装置
CN105093128A (zh) * 2015-08-31 2015-11-25 山东智洋电气股份有限公司 基于扩展卡尔曼滤波的蓄电池荷电状态估算方法
EP2963434A1 (en) * 2014-06-30 2016-01-06 Foundation Of Soongsil University-Industry Cooperation Battery state estimation method and system using dual extended kalman filter, and recording medium for performing the method
CN105301509A (zh) * 2015-11-12 2016-02-03 清华大学 锂离子电池荷电状态、健康状态与功率状态的联合估计方法
CN105445665A (zh) * 2015-11-12 2016-03-30 华晨汽车集团控股有限公司 一种利用卡尔曼滤波预估电池荷电状态的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101022178A (zh) * 2007-03-09 2007-08-22 清华大学 基于标准电池模型的镍氢动力电池荷电状态的估计方法
CN103852727A (zh) * 2014-02-14 2014-06-11 清华大学深圳研究生院 动力电池荷电状态在线估算方法和装置
EP2963434A1 (en) * 2014-06-30 2016-01-06 Foundation Of Soongsil University-Industry Cooperation Battery state estimation method and system using dual extended kalman filter, and recording medium for performing the method
CN105093128A (zh) * 2015-08-31 2015-11-25 山东智洋电气股份有限公司 基于扩展卡尔曼滤波的蓄电池荷电状态估算方法
CN105301509A (zh) * 2015-11-12 2016-02-03 清华大学 锂离子电池荷电状态、健康状态与功率状态的联合估计方法
CN105445665A (zh) * 2015-11-12 2016-03-30 华晨汽车集团控股有限公司 一种利用卡尔曼滤波预估电池荷电状态的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Correlation between the model accuracy and model-based SOC estimation";Qianqian Wang 等;《Electrochimica Acta》;20170111;146-159 *
"基于模型的锂离子电池SOC估计研究";郭凯;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20140315(第03期);C042-587 *

Also Published As

Publication number Publication date
CN107783057A (zh) 2018-03-09

Similar Documents

Publication Publication Date Title
CN107783057B (zh) 一种动力电池soc估算方法及估算系统
Xu et al. State of charge estimation for lithium-ion batteries based on adaptive dual Kalman filter
CN107402353B (zh) 一种对锂离子电池的荷电状态进行滤波估计的方法及系统
Murnane et al. A closer look at state of charge (SOC) and state of health (SOH) estimation techniques for batteries
Song et al. Improved SOC estimation of lithium-ion batteries with novel SOC-OCV curve estimation method using equivalent circuit model
Vasebi et al. A novel combined battery model for state-of-charge estimation in lead-acid batteries based on extended Kalman filter for hybrid electric vehicle applications
RU2361333C2 (ru) Оценка состояния и параметров гальванического элемента
Chen et al. Battery state of charge estimation based on a combined model of Extended Kalman Filter and neural networks
JP5944291B2 (ja) バッテリのパラメータ等推定装置およびその推定方法
Yu et al. Online estimation of state-of-charge based on the H infinity and unscented Kalman filters for lithium ion batteries
CN110196393B (zh) 一种锂电池荷电状态、能量状态和功率状态的联合在线估计方法
CN105301509A (zh) 锂离子电池荷电状态、健康状态与功率状态的联合估计方法
CN108732508B (zh) 一种锂离子电池容量的实时估计方法
CN109358293B (zh) 基于ipf的锂离子电池soc估计方法
CN106716158A (zh) 电池荷电状态估算方法和装置
CN110795851A (zh) 一种考虑环境温度影响的锂离子电池建模方法
CN111220920B (zh) 基于h∞无迹卡尔曼滤波算法的退役锂离子电池荷电状态计算方法
Hu et al. Recursive calibration for a lithium iron phosphate battery for electric vehicles using extended Kalman filtering
CN111190109B (zh) 一种无电流传感器的锂电池荷电状态估计方法
CN112285570B (zh) 一种基于衰减记忆滤波器的电动汽车故障诊断方法
CN111142025A (zh) 一种电池soc估算方法、装置、存储介质及电动汽车
Ye et al. Model-based state-of-charge estimation approach of the Lithium-ion battery using an improved adaptive particle filter
Zhao et al. Global sensitivity analysis of battery equivalent circuit model parameters
CN110716146A (zh) 一种动力电池开路电压的估计方法
CN115656848A (zh) 一种基于容量修正的锂电池soc估算方法

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: 20200207