CN109633456B - 一种基于分段电压识别法的动力锂电池组soc估算方法 - Google Patents
一种基于分段电压识别法的动力锂电池组soc估算方法 Download PDFInfo
- Publication number
- CN109633456B CN109633456B CN201910058169.5A CN201910058169A CN109633456B CN 109633456 B CN109633456 B CN 109633456B CN 201910058169 A CN201910058169 A CN 201910058169A CN 109633456 B CN109633456 B CN 109633456B
- Authority
- CN
- China
- Prior art keywords
- battery pack
- lithium battery
- power lithium
- soc
- 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.)
- Expired - Fee Related
Links
Images
Abstract
本发明涉及电动汽车动力电池技术,具体涉及一种基于分段电压识别法的动力锂电池组SOC估算方法,动力锂电池组通过锂电池管理系统BMS采样得到动力锂电池组中各电池单体两端电压,取任意两个电池单体之间的端电压差值,将所述的端电压差值按照降序排列后存入动力锂电池组的BMS中。取所有端电压差值的平均值,并实时判断端电压差值平均值与初始端电压差值平均值的大小关系,并根据比较结果将动力电池放电过程分为第一放电阶段与第二放电阶段。将计算得到的端电压值代入基于多元自适应遗忘因子的最小二乘法递推矩阵中,计算动力锂电池组的开路电压值,再通过查询OCV‑SOC对应关系表的方式得到动力锂电池组的SOC值。该方法有效地简化了动力锂电池组SOC估算的计算过程,提高了精确度,减少了估算过程中的计算量,为安全稳定运行提供了保障。
Description
技术领域
本发明属于电动汽车动力电池技术领域,尤其涉及一种基于分段电压识别法的动力锂电池组SOC估算方法。
背景技术
电池管理系统BMS是电动汽车的重要组成部分,SOC的估计是电池管理系统BMS的核心,SOC代表的是电池的剩余容量与其完全充电状态的容量的比值,精度直接影响到电池的使用寿命、安全性能、均衡控制和热管理策略的定制,因此精确的SOC估算对于电池管理系统BMS极为重要。由于电动汽车行驶过程中电压和能量的需求,电池管理系统BMS需将数百个单体电池进行串联或并联。然而,由于电池生产过程中材料的差异,以及充放电过程中电池参数的变化,会使得同一动力锂电池组中的电池单体存在一定程度的不一致性,进而导致各电池单体的SOC存在差异,使得动力锂电池组整体的SOC难以估算。现有技术中,对动力锂电池组整体的SOC估算通常用最小SOC单体的SOC或者电池组平均SOC来代替整体SOC,若以电池组平均SOC为整体SOC,则会导致动力锂电池组中SOC最小的单体过充,或者电池单体的电压达到充电截至时动力锂电池组整体的SOC不为100%;以SOC最小单体的SOC作为整体SOC虽然具有足够的精确性,但估算过程需要寻找极端SOC单体,这就要求计算出所有电池单体的SOC值,计算量很大,不利于动力锂电池组SOC的实时在线估算。
为了减小寻找极端SOC单体的计算量,现有算法中有一种估算方法是寻找最小端电压的电池单体,用这个单体的SOC作为最小SOC,从而作为动力锂电池组的SOC值。但是由于每个电池单体的内阻存在差异,导致电池单体间的不一致性,无法保证最小端电压单体就是极端SOC单体,所以这种方法的准确性显然不满足BMS的要求。采用的最小SOC来估算整体SOC满足计算精确度以及连续性的要求。
因此,在保证动力锂电池组SOC估算的精确度的同时,如何减小计算量实现实时在线的精准估算是本领域技术人员目前急需解决的问题。
发明内容
本发明的目的是提供一种基于分段电压识别法的动力锂电池组SOC估算方法,旨在提高动力锂电池组SOC估算精确度的同时,减小估算过程的计算量,从而实现动力锂电池组SOC实时在线的精准估算。
为实现上述目的,本发明采用的技术方案是:一种基于分段电压识别法的动力锂电池组SOC估算方法,包括以下步骤:
S1.动力锂电池组通过电池管理系统BMS采样得到动力锂电池组中各电池单体两端电压,取任意两个电池单体之间的端电压差值ΔUij,并将ΔUij按照降序排列后存入电池管理系统BMS;
S2.取ΔUij的平均值,并计算端电压差的平均值ΔUavg,且实时判断初始状态端电压差的平均值ΔUavg(0)和采样时间Ts的端电压差的平均值ΔUavg(Ts)是否满足状态判别不等式ΔUavg(Ts)<kΔUavg(0);并采集动力锂电池组的端电压平均值与各电池单体的端电压最小值;
S3.将步骤S2所采集动力锂电池组的端电压平均值或各电池单体的端电压最小值代入基于多元自适应遗忘因子的最小二乘法递推矩阵中,计算动力锂电池组的开路电压值,通过查询OCV-SOC对应关系表的方式得到动力锂电池组的SOC值。
在上述的基于分段电压识别法的动力锂电池组SOC估算方法中,步骤S2的实现包括:
S21.动力锂电池组放电的初始状态,在一个放电周期内通过步骤S1计算得到初始状态动力锂电池组放电的所有端电压差值,取ΔUij的平均值,计算得到动力锂电池组初始状态端电压差的平均值ΔUavg(0);
S22.通过步骤S1计算得到的所有端电压的差值,计算采样时间Ts的平均电压差值ΔUavg(Ts);
S23.将步骤S21和步骤S22中的计算结果代入状态判别不等式ΔUavg(Ts)<kΔUavg(0),进行实时判断;
S24.通过设置状态切换系数k将动力锂电池组放电过程分为两个阶段:第一放电阶段和第二放电阶段,当动力锂电池组处于第一放电阶段时,步骤S2所采集动力锂电池组的端电压平均值作为所述的步骤S3的输入量;当动力锂电池组处于第二放电阶段时,步骤S2采集动力锂电池组的各电池单体的端电压最小值作为所述的步骤S3的输入量。
在上述的基于分段电压识别法的动力锂电池组SOC估算方法中,状态切换系数k是通过对动力锂电池组的放电过程进行分析,结合曲线模型,采用遗传算法和BP神经网络相结合的方法来设置。
在上述的基于分段电压识别法的动力锂电池组SOC估算方法中,S3所述的多元自适应遗忘因子最小二乘法根据各电池参数的自身特性引入了多个不断自适应的遗传因子,执行矢量型遗忘方法来追踪动力锂电池组各项参数的动态变化。
本发明的有益效果:本发明利用遗传学算法的全局最优解搜索能力来获得最佳适应度群体,同时利用BP神经网络的很强的非线性映射学习能力,基于误差反向传播算法的多层前馈神经网络对k值进行优化,能够在不确定中找到相应的映射关系。引入动力锂电池组的实时开路电压通过多元自适应遗忘因子最小二乘法识别得到,多元自适应遗忘因子最小二乘法根据各电池参数的自身特性引入了多个不断自适应的遗传因子,执行矢量型遗忘方法,能够有效追踪动力锂电池组的各项参数的动态变化。采用了分段点选取的优化,避免了过早进入放电2段增大SOC估算的计算量,过晚进入放电2段不能保证动力锂电池组SOC显示的连续性,提高了SOC估算准确性。采用本发明的方法能够有效地延长动力锂电池组使用寿命,同时保证了动力锂电池组SOC显示的连续平滑性,提高用户体验。
附图说明
图1为本发明一个实施例的算法流程图;
图2为本发明一个实施例分段电压识别法的算法流程图;
图3为本发明一个实施例多元自适应遗忘因子的最小二乘法流程图;
图4为本发明一个实施例的SOC估算值与动力锂电池组SOC参考值的比较。
具体实施方式
下面结合附图对本发明的实施方式进行详细描述。
如图1所示,本实施例是通过以下技术方案来实现的,一种基于分段电压识别法的动力锂电池组SOC估算方法,其特征在于,包括以下步骤:
A:动力锂电池组通过电池管理系统BMS采样得到动力锂电池组中各电池单体两端电压,取任意两个电池单体之间的端电压差值,记为ΔUij,将ΔUij按照降序排列后存入动力锂电池组的电池管理系统BMS中;
B:将步骤A中的ΔUij取平均值,计算此时的端电压差的平均值,记为ΔUavg,实时判断初始状态端电压差的平均值ΔUavg(0)和采样时间Ts的端电压差的平均值ΔUavg(Ts)是否满足状态判别不等式ΔUavg(Ts)<kΔUavg(0);并采集动力锂电池组的端电压平均值与各电池单体的最小端电压值;
C:将步骤B所采集动力锂电池组的端电压的平均值或各电池单体的最小端电压值代入基于多元自适应遗忘因子的最小二乘法递推矩阵中,计算动力锂电池组的开路电压值,通过查询OCV-SOC对应关系表的方式得到动力锂电池组的SOC值。
步骤B包括以下步骤:
B1:在动力锂电池组放电的初始阶段,在一个放电周期内通过步骤A计算得到初始阶段动力锂电池组放电的所有端电压差值,将所述的ΔUij取平均值,计算得到动力锂电池组初始状态端电压差的平均值ΔUavg(0);
B2:在动力锂电池组放电的Ts时刻采样点,通过步骤A计算得到的所有端电压的差值,计算此时的平均电压差值ΔUavg(Ts);
B3:将步骤B1和步骤B2中的计算结果代入状态判别不等式ΔUavg(Ts)<kΔUavg(0),并进行实时判断。
B4:步骤B中通过设置状态切换系数k将动力锂电池整个放电过程分为两个阶段:第一放电阶段和第二放电阶段。其中当动力锂电池组处于第一放电阶段时,系统采集所有动力锂电池单体的端电压平均值作为所述的步骤C的输入量。当动力锂电池组处于第二放电阶段时,系统采用电池组中所有电池单体的端电压最小值作为所述的步骤C的输入量。
动力锂电池组通过电池管理系统BMS采样得到动力锂电池组中各电池单体两端电压,取任意两个电池单体之间的端电压差值,记为ΔUij,将所述的ΔUij按照降序排列后存入动力锂电池组的BMS中。
在多个连续的放电周期内重复上面的步骤,并将所有计算数据统计分析之后,存于动力锂电池组的BMS中。
对曲线模型进行拟合分析,在SOC较高的情况下,单元之间的不一致性很小,可以忽略不计,而在SOC较低的情况下,单元之间的不一致性会被凸显出来。本实施例设动力锂电池组SOC较高时为第一放电阶段,SOC较低时为第二放电阶段。
如图2所示,分段电压识别法(Segmented Voltage Identification method,SVI)的实现步骤如下:
假设动力锂电池组中的电池单元数为m,在每一次采样时间Ts时,对端电压的值进行降序排列,选择端电压差值降序序列中,数值较大的前m/2个单体为“极限终端电压单元”。
记作ΔUij(i=12,…,m/2-1,j=2,3,…,m/2) (1)
(2)式为每两个被选择的“极端端电压单体之间的端电压差值。
ΔUij(Ts)=Ui-Uj (2)
(3)式为(2)式计算的电压差的平均值:
(3)式在Ts=0时可得到在动力锂电池组放电的初始阶段的所有端电压差的平均值ΔUavg(0)。
同时在动力锂电池组放电的第Ts个放电周期内,通过(3)式可计算得到此时的平均电压差值ΔUavg(Ts)。
将上述计算得到的ΔUavg(0)和ΔUavg(Ts)代入状态判别不等式,并进行实时判断。
ΔUavg(Ts)<kΔUavg(0)
上式中的k是本实施例引入的一个大于1的状态切换系数,用来描述动力锂电池组放电状态的分段点。
SVI方法的分段点由式中的系数k决定。当k值很小时,系统会过早进入第二放电阶段,造成较大的计算量,但每个单元之间的差异并不明显。相反,当k值较大时,SOC的估计会产生较大的波动。在动力锂电池组的整个使用寿命中,每个放电过程都有不同的工作条件、温度和电流分布。因此,基于计算负载确定的固定k是不准确的。
k值的选取和优化是通过对动力锂电池组的放电过程进行分析,结合曲线模型,采用遗传算法和BP神经网络相结合的方法来实现的。
以下给出获得k值的步骤:
首先,在1000-2000次循环后,动力锂电池组的容量一般不满足于电动汽车的使用需求。因此,可以认为在L周期(小于50次)中,动力锂电池组内部的不一致性变化很小。进行k的优化分析,优化的约束条件见下式:
(4)式ΔSOC为SOC的变化值,因为在不同的循环周期内电池的工作条件不同,f(k)和g(k)是非线性映射,系数a和系数b是系统的等效计算需求值。
本实施例将采用遗传算法和BP神经网络相结合的方法对上述目标进行优化。
利用遗传算法获得最佳适应度群体,具有很强的全局最优解搜索能力。由于优化约束的不确定性,可以采用BP神经网络,BP神经网络具有很强的非线性映射学习能力,是一种基于误差反向传播算法的多层前馈神经网络。K,ΔSOC以及C在前L次的循环是记录在电池管理系统BMS和用作输入训练BP神经网络,以找到上述两个映射关系。
在L+1次的放电循环中,在不增加电池管理系统BMS计算负载的情况下,采用遗传法和BP神经网络相结合的方法,对预期的k值进行优化。
本实施例中使用以下步骤优化k;
对以10个电池单体组成的动力锂电池组进行50次DST放电试验。
将k随机分配到系统的计算要求范围。
对k,ΔSOC和C的50个周期的输入采用遗传算法和BP神经网络相结合的方法获得第51个放电周期的最优k。
依此递推获得动力锂电池组的每个放电周期内的最优分段点,即k的最优值。
对于所述的状态判别式,判别结果有以下两种:
如果结果满足状态判别式的不等式,动力锂电池组SOC由动力锂电池组的端电压平均值决定,则动力锂电池组进入第一放电阶段,公式如下:
相反,如果结果不满足状态判别式的不等式,则动力锂电池组进入第二放电阶段。此时各电池单体间差异明显,持续时间非常短。如果不能准确估计SOC,则“极端SOC单体”会过度放电。因此,对所有单体进行SOC估计,此时动力锂电池组SOC由各电池单体的最小端电压值决定,公式如下:
其中SOCpack(Ts)为在采样时间Ts时的动力锂电池组SOC,Utp(Ts)为电池单体p在采样时间Ts时的端电压,SOCp(Ts)为电池单体p在采样时间Ts时的SOC。
f(k)和g(k)是非线性映射,在不同的循环周期内电池的工作条件不同。
系数a和系数b是动力锂电池组的等效计算需求值。
为了根据每个参数的特性对其进行跟踪,本实施例采用了部分自适应遗忘因子RLS(PAFFRLS)方法对电池进行跟踪。
将上述两种情况计算得到的端电压值代入基于多元自适应遗忘因子的最小二乘法递推矩阵中,计算动力锂电池组的开路电压值。多元自适应遗忘因子的最小二乘法递推方法如图3所示,具体步骤如下:
下式表示部分自适应遗忘因子矩阵由两个自适应遗忘因子和两个固定遗忘因子组成,分别赋值于a1、a2、a0和Uoc,采用上述的的自适应方法,用遗传算法确定固定的遗忘因子。
Pk=Λ-1(1-Kk·φk T)Pk-1Λ-1 (8)
θk=θk-1+Kk(yk-φk T·θk-1) (9)
Λ=diag[λ1,λ2,λ3,λ4] (10)
上式中的部分自适应遗忘因子不仅可以调整变化输入,还可以动态跟踪电池参数的变化,因此提高了系统的跟踪效果。
图3为遗传算法的逻辑流程图。
计算得到动力锂电池组计算的开路电压值,可以通过查询OCV-SOC表的方式得到动力锂电池组的SOC值。
图4为本实施例的SOC估算值与动力锂电池组SOC参考值的比较。
动力锂电池组SOC的参考值的确定原则是:对动力锂电池组进行先恒流再恒压充至截止电压,进行充分静置后,校准各单体的SOC初值,并在DST试验过程中通过安时积分计算各单体的SOC值,选取10节单体中最小的SOC作为本试验中动力锂电池组SOC的参考值,电流采样精度由电池测试仪保证。
由实验数据可以得知,SVI法在整个放电工况下,当k=1.2时,对动力锂电池组SOC的估算精度平均误差小于1.1%,精确度满足动力锂电池应用条件,同时,在整个过程仅进行一次模式切换,保证了SOC显示的连续性。
SVI法可根据电动汽车的电池管理系统BMS要求以及电池循环状态优化调整k值,从而控制模式切换的时间及增加的计算量。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
虽然以上结合附图描述了本发明的具体实施方式,但是本领域普通技术人员应当理解,这些仅是举例说明,可以对这些实施方式做出多种变形或修改,而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。
Claims (2)
1.一种基于分段电压识别法的动力锂电池组SOC估算方法,其特征是,包括以下步骤:
S1.动力锂电池组通过电池管理系统BMS采样得到动力锂电池组中各电池单体两端电压,取任意两个电池单体之间的端电压差值ΔUij,并将ΔUij按照降序排列后存入电池管理系统BMS;
S2.取所有端电压差值ΔUij的平均值ΔUavg,且实时判断初始状态端电压差的平均值ΔUavg(0)和采样时间Ts的端电压差的平均值ΔUavg(Ts)是否满足状态判别不等式ΔUavg(Ts)<kΔUavg(0);并采集动力锂电池组的端电压平均值与各电池单体的端电压最小值;
S3.将步骤S2所采集动力锂电池组的端电压平均值或各电池单体的端电压最小值代入基于多元自适应遗忘因子的最小二乘法递推矩阵中,计算动力锂电池组的开路电压值,通过查询OCV-SOC对应关系表的方式得到动力锂电池组的SOC值;
步骤S2的实现包括:
S21.动力锂电池组放电的初始状态,在一个放电周期内通过步骤S1计算得到初始状态动力锂电池组放电的所有端电压差值,取ΔUij的平均值,计算得到动力锂电池组初始状态端电压差的平均值ΔUavg(0);
S22.通过步骤S1计算得到的所有端电压的差值,计算采样时间Ts的平均电压差值ΔUavg(Ts);
S23.将步骤S21和步骤S22中的计算结果代入状态判别不等式ΔUavg(Ts)<kΔUavg(0),进行实时判断;
S24.通过设置状态切换系数k将动力锂电池组放电过程分为两个阶段:第一放电阶段和第二放电阶段,当动力锂电池组处于第一放电阶段时,步骤S2所采集动力锂电池组的端电压平均值作为所述的步骤S3的输入量;当动力锂电池组处于第二放电阶段时,步骤S2采集动力锂电池组的各电池单体的端电压最小值作为所述的步骤S3的输入量。
2.如权利要求1所述的基于分段电压识别法的动力锂电池组SOC估算方法,其特征是,状态切换系数k是通过对动力锂电池组的放电过程进行分析,结合曲线模型,采用遗传算法和BP神经网络相结合的方法来设置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910058169.5A CN109633456B (zh) | 2019-01-22 | 2019-01-22 | 一种基于分段电压识别法的动力锂电池组soc估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910058169.5A CN109633456B (zh) | 2019-01-22 | 2019-01-22 | 一种基于分段电压识别法的动力锂电池组soc估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109633456A CN109633456A (zh) | 2019-04-16 |
CN109633456B true CN109633456B (zh) | 2020-09-08 |
Family
ID=66063012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910058169.5A Expired - Fee Related CN109633456B (zh) | 2019-01-22 | 2019-01-22 | 一种基于分段电压识别法的动力锂电池组soc估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109633456B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110488203A (zh) * | 2019-07-12 | 2019-11-22 | 武汉大学 | 一种老化锂电池组soc在线估计方法 |
CN110488204B (zh) * | 2019-07-12 | 2021-07-02 | 武汉大学 | 一种储能元件soh-soc联合在线估计方法 |
CN113030555B (zh) * | 2020-03-18 | 2022-12-09 | 深圳大学 | 储能器开路电压估计方法、装置、终端设备及存储介质 |
CN112748341B (zh) * | 2021-02-01 | 2023-03-24 | 苏州泰鼎智能科技有限公司 | 一种基于电压评估锂电池soc的方法 |
CN113655278B (zh) * | 2021-08-13 | 2023-09-26 | 海南师范大学 | 一种在电动汽车动力电池连接时的绝缘阻值检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106597291A (zh) * | 2016-10-11 | 2017-04-26 | 深圳市沃特玛电池有限公司 | 在线估算电池参数的方法 |
CN106646265A (zh) * | 2017-01-22 | 2017-05-10 | 华南理工大学 | 一种锂电池soc估计方法 |
CN107367692A (zh) * | 2017-06-07 | 2017-11-21 | 东莞市德尔能新能源股份有限公司 | 一种带遗忘因子的最小二乘法锂电池模型参数辨识方法 |
CN108957347B (zh) * | 2018-08-13 | 2021-02-23 | 北京航空航天大学 | 一种电池组soc的高精度动态估计方法和系统 |
-
2019
- 2019-01-22 CN CN201910058169.5A patent/CN109633456B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN109633456A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109633456B (zh) | 一种基于分段电压识别法的动力锂电池组soc估算方法 | |
CN110568361B (zh) | 一种动力电池健康状态的预测方法 | |
Chaoui et al. | Aging prediction and state of charge estimation of a LiFePO4 battery using input time-delayed neural networks | |
Saji et al. | SoC estimation of lithium ion battery using combined coulomb counting and fuzzy logic method | |
CN109256834B (zh) | 基于电池健康状态和荷电状态的电池组主动均衡方法 | |
Wang et al. | Online dynamic equalization adjustment of high-power lithium-ion battery packs based on the state of balance estimation | |
CN110525269B (zh) | Soc的电池组均衡控制方法 | |
JP5798067B2 (ja) | 二次電池の状態推定装置 | |
CN107064805A (zh) | 蓄电池容量测量系统和蓄电池容量测量方法 | |
CN103020445A (zh) | 一种电动车车载磷酸铁锂电池的soc与soh预测方法 | |
CN110247451B (zh) | 一种锂离子动力电池组全寿命周期均衡控制方法 | |
CN110303945B (zh) | 一种蓄电池组电量自适应优化平衡控制方法 | |
WO2018003210A1 (ja) | 二次電池制御システム、二次電池制御方法 | |
Li et al. | A novel state estimation approach based on adaptive unscented Kalman filter for electric vehicles | |
CN112510774B (zh) | 一种电池组的均衡方法 | |
CN110931901B (zh) | 模拟铅酸电池电气特性的锂电池柔性集成方法与系统 | |
US20200067146A1 (en) | Method, system and device for active balance control of battery pack | |
Shi et al. | Electric vehicle battery remaining charging time estimation considering charging accuracy and charging profile prediction | |
CN113341330B (zh) | 基于ocv修正和卡尔曼滤波算法的锂硫动力电池soc估算方法 | |
CN110579714A (zh) | 一种基于BAS优化ElmanNN-AH法电池SOC双态切换估算方法 | |
CN110488203A (zh) | 一种老化锂电池组soc在线估计方法 | |
CN112350400A (zh) | 一种锂电池组无层级主被动均衡电路及方法 | |
CN114217234B (zh) | 一种基于ide-asrckf的锂离子电池参数辨识与soc估计方法 | |
CN111762059B (zh) | 一种考虑电池充放电工况的多变量融合电池组的均衡方法 | |
CN113807039A (zh) | 一种串联型电池系统的功率状态预测方法 |
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: 20200908 Termination date: 20210122 |
|
CF01 | Termination of patent right due to non-payment of annual fee |