CN112305423A - 锂离子动力电池荷电状态估算方法、装置、介质和设备 - Google Patents
锂离子动力电池荷电状态估算方法、装置、介质和设备 Download PDFInfo
- Publication number
- CN112305423A CN112305423A CN202011179571.8A CN202011179571A CN112305423A CN 112305423 A CN112305423 A CN 112305423A CN 202011179571 A CN202011179571 A CN 202011179571A CN 112305423 A CN112305423 A CN 112305423A
- Authority
- CN
- China
- Prior art keywords
- power battery
- soc
- value
- current
- moment
- 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.)
- Pending
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
Abstract
本发明公开了一种锂离子动力电池荷电状态估算方法、装置、介质和设备,首先进行电池模型的导入,对导入的电池模型进行参数辨识;根据辨识出的模型参数构建动力电池SOC估算基础公式,将动力电池SOC估算基础公式融合到卡尔曼滤波算法中;卡尔曼滤波状态向量和误差协方差矩阵参数的初始化赋值;在SOC实际估算时,实时采集动力电池的开路电压和负载电流;在融合后的卡尔曼滤波中引入渐消因子,基于引入渐消因子的卡尔曼滤波估算出动力电池的SOC值。本发明基于优化非线性系统滤波技术实现电池荷电状态的估算,在系统模型出现不确定时具有强跟踪滤波器的优良特性,能够实现锂离子动力电池荷电状态实时、精确的动态估算。
Description
技术领域
本发明属于锂离子动力电池管理技术领域,特别涉及一种锂离子动力电池荷电状态估算方法、装置、介质和设备。
背景技术
全球探明石油存储量日趋减少,能源短缺将是当今世界汽车工业界面临的最大问题,为了应对节能减排的要求,推广新能源汽车(尤其是电动汽车)有望解决这一问题,智能化、网联化、电动化、共享化不仅改变着人们传统交通出行模式,同时也影响着大家的生活方式,以电动汽车为代表的新能源交通技术的发展和延伸构成了未来智能交通和智慧城市的基石,成为必然的发展趋势。
动力电池的作用是为新能源汽车的驱动电动机提供电能,是新能源汽车发展的首要关键,要想在较大范围内应用,甚至普及新能源汽车,就要依靠安全、可靠、持久、价格低廉的动力电池组。目前锂离子动力电池由于具有单体电压高、比能量大、比功率高、自放电小、无记忆效应、循环特性好、可快速充放电、能量效率高等优点而成为较有前景的新能源汽车储能方案,实践也证明锂离子动力电池已经具备了实际应用的条件,今后必将成为新能源汽车应用中的主流方向。
电池管理系统是新能源整车能源系统的智能核心和重要组成部分。在电池系统中,单体电池容量较小,单体电压较低,难以满足高电压、大容量的需求。因此,通常需要将单体电池通过串、并联的方式组成电池组以提高总电压和总容量来满足车载应用需求。而单体电池的差异性,将会导致系统中电池之间的自充电和自放电,极易导致电池过充电和过放电,从而缩短电池使用寿命、降低能源的使用效率,甚至导致锂离子动力电池的过热而自燃。作为电化学系统,锂离子动力电池内部反应存在不确定性,易受环境因素的影响,在实际应用中,表现为容量不确定、充放电功率不稳定、内阻随反应过程时变等特点。以上这些因素如果不能合理有效地解决,必然导致电池使用寿命下降、电池状态改变和电池性能降低。因此,电池管理依靠高精度的传感器对电压、电流、温度等参数进行实时采样,再依靠这些基础数据对电池剩余容量、效能状态等非直接测量变量进行实时的估计;同时,作为均衡控制、热平衡管理的依据;再者,通过对基础采样数据的监测,可以保证电池不发生过欠压、过流、过温等安全事故。大量单体电池成组后使用带来的问题需要电池管理系统来解决,电池管理系统的功能越强,电池系统的故障率就越低,使用效率就越高。
电量状态估算是电池管理系统的关键技术和重要功能。电量状态(State ofCharge,SOC),即剩余电量、荷电状态,定义为电池经过一段时间使用或静置后的剩余容量与其充满电状态时的容量之比值,常用0~100之间的百分数来表示。SOC是描述电池的一个常用且重要指标,对SOC的精确估算是一个重点也是一个难点。SOC的准确估算有三个方面的意义:1)、新能源汽车能量的分配需要以电池SOC的估算值做参考,因此估算精确度会直接影响车辆行驶的安全性和可靠性;2)、电池使用时常以SOC为判断操作的依据,因此SOC估算精度会影响电池的使用寿命;3)、电池SOC估算精度是衡量电池管理系统优劣的重要标志。
目前,广泛采用的SOC估算方法有:电流积分法、开路电压法、滤波算法、人工神经网络和支持向量回归算法等。但是现有的这些SOC进行估算时,当系统模型出现不确定情况时,会导致模型对SOC估算的精度比较低。
发明内容
本发明的第一目的在于克服现有技术的缺点与不足,提供一种锂离子动力电池荷电状态估算方法,该方法基于优化非线性系统滤波技术实现电池荷电状态的估算,在系统模型出现不确定时具有强跟踪滤波器的优良特性,能够实现锂离子动力电池荷电状态实时、精确的动态估算。
本发明的第二目的在提供一种锂离子动力电池荷电状态估算装置。
本发明的第三目的在于提供一种存储介质。
本发明的第四目的在于提供一种计算设备。
本发明的第一目的通过下述技术方案实现:一种锂离子动力电池荷电状态估算方法,包括:
电池模型导入,对导入的电池模型进行参数辨识;
根据辨识出的模型参数构建动力电池SOC估算的基础公式,将动力电池SOC估算的基础公式融合到卡尔曼滤波算法中;
卡尔曼滤波状态向量和误差协方差矩阵参数的初始化赋值;
获取实时采集的动力电池电流测量值,作为卡尔曼滤波的输入向量;
在融合后的卡尔曼滤波中引入渐消因子,基于引入渐消因子的卡尔曼滤波估算出动力电池的SOC值。
优选的,对导入的电池模型辨识出的模型参数包括动力电池内部的欧姆内阻Ro以及动力电池的第一极化内阻Rp1和第二极化内阻Rp2;具体通过以下方程组计算得到:
Uoc(k)=EMF-IL(k)Ro-Ip1(k)Rp1-Ip2(k)Rp2;
其中,EMF为动力电池的电动势;
Uoc(k)为动力电池k时刻的开路电压或负载电压,IL(k)为动力电池k时刻的负载电流;
Ip1(k)为动力电池k时刻的第一极化内阻的极化电流,Ip2(k)为动力电池k时刻的第二极化内阻的极化电流;
△t为采样间隔,τ1和τ2分别对应为第一极化内阻和第二极化电阻所在RC等效电路的时间常数。
更进一步的,基于引入渐进因子的卡尔曼滤波估算出动力电池SOC值的具体过程包括:
其中,当前时刻状态向量xk为:
其中SOC(k)为SOC估算的基础公式融合到卡尔曼滤波算法后计算得到的当前时刻SOC值,Up1(k)为SOC估算的基础公式融合到卡尔曼滤波算法后计算得到的当前时刻第一极化内阻的极化电压,Up2(k)为SOC估算的基础公式融合到卡尔曼滤波算法后计算得到的当前时刻第二极化内阻的极化电压;
Sb、将上一时刻误差协方差矩阵Pk-1送入多重次优渐消因子滤波器进行运算;多重次优渐消因子滤波器经过运算输出多重次优渐消因子,计算当前时刻一步误差协方差矩阵Pk|k-1;一步误差协方差矩阵Pk|k-1送入滤波增益矩阵运算公式计算当前时刻滤波增益矩阵Kk,进一步的,一步误差协方差矩阵Pk|k-1送入误差协方差矩阵运算公式计算当前时刻误差协方差矩阵Pk;
Sc、根据上一时刻状态向量估计值计算当前时刻一步状态向量估计值基于当前时刻一步状态向量估计值当前时刻滤波增益矩阵Kk、当前时刻量测向量测量值zk和当前一步量测向量估计值计算出当前时刻状态向量估计值由当前时刻状态向量估计值中的分量获取到电池当前时刻估算的SOC值其中:
更进一步的,步骤Sa中,根据上一个时刻状态向量,通过状态方程计算当前时刻状态向量xk为:
xk=fk-1(xk-1,uk-1,ωk-1);
其中,xk为k时刻的状态向量,ωk∈Rp为高斯白噪声序列;uk∈Rr为k时刻的输入向量,对应为动力电池k时刻的负载电流IL(k),uk-1对应为动力电池k时刻的负载电流IL(k-1);Rr为r阶的实数空间,Rp为p阶的实数空间;
根据当前时刻状态向量xk,计算当前时刻量测向量测量值zk为:
zk=hk(xk,νk);
步骤Sb中,多重次优渐消因子滤波器经过运算输出多重次优渐消因子,计算当前时刻一步误差协方差矩阵Pk|k-1为:
Pk|k-1=λkΦk|k-1Pk-1Φk|k-1 T+Γk|k-1Qk-1Γk|k-1 T;
其中,Pk|k-1为k时刻一步误差协方差矩阵;λk为多重次优渐消因子滤波器k时刻多重次优渐消因子;Qk为对称非负定矩阵;Rk为对称正定矩阵;
步骤Sb中,一步误差协方差矩阵Pk|k-1送入滤波增益矩阵运算公式计算当前时刻滤波增益矩阵Kk为:
Kk=Pk|k-1Ηk T(ΗkPk|k-1Ηk T+ΛkRkΛk T)-1;
其中,Kk为k时刻滤波增益矩阵;
步骤Sb中,一步误差协方差矩阵Pk|k-1送入误差协方差矩阵运算公式计算当前时刻误差协方差矩阵Pk为:
Pk=(I-KkΗk)Pk|k-1;
其中,I为单位矩阵;
更进一步的,多重次优渐消因子滤波器经过运算输出多重次优渐消因子为:
其中,λk为多重次优渐消因子滤波器k时刻多重次优渐消因子,n是渐消因子的个数;
其中,αi≥1为预先设定的常数,由先验信息确定,ck为待定因子;
Nk=Vk-HkΓk|k-1Qk-1Γk|k-1 THk T-βΛkRkΛk T;
Mk=HkΦk|k-1Pk-1Φk|k-1 THk T,Mk=[Mk 1,Mk 2,...,Mk n];
更进一步的,电池SOC估算的基础公式为:
其中,SOC(k)为通过基础公式在k时刻估算的电池SOC,Up1(k)为基础公式在k时刻估算的第一极化内阻的极化电压,Up2(k)为基础公式在k时刻估算的第二极化内阻的极化电压,CN为电池的额定容量,η(k)为电池在k时刻的充放电效率,Uoc(k)为基础公式在k时刻估算的动力电池的负载电压或开路电压;EMF(SOC(k))表示动力电池在SOC值为SOC(k)下的电动势,EMF(SOC(k))为动力电池电动势和SOC值之间的函数关系;
将电池SOC估算的基础公式融合到卡尔曼滤波算法中得到:xk=fk-1(xk-1,uk-1,ωk-1),zk=hk(xk,νk);
其中,函数f为:
ω1 k-1、ω2 k-1和ω3 k-1分别为高斯白噪声序列ωk-1中的各元素;
其中,函数hk为:
hk=EMF(SOC(k))-IL(k)Ro-Up1(k)-Up2(k)+νk;
卡尔曼滤波状态向量初始化赋值x0为:
其中SOC(0)、Up1(0)、Up2(0)为系统上一次保持掉电前的数据或随意的赋予值;
卡尔曼滤波误差协方差矩阵参数初始值P0为:
其中E(x0)表示状态向量初始值x0的数学期望。
更进一步的,针对于预先设定的常数αi,当初始计算时没有先验信息参考,则设置为α1=α2=…=αn=1;
当初始计算时存在先验信息参考,则设置各αi为大于1且小于等于5的值。
本发明的第二目的通过下述技术方案实现:一种锂离子动力电池荷电状态估算装置,包括:
参数辨识模块,用于对导入的电池模型进行参数辨识;
算法融合模块,用于根据辨识出的模型参数构建动力电池SOC估算的基础公式,将动力电池SOC估算的基础公式融合到卡尔曼滤波算法中;
初始化模块,用于卡尔曼滤波状态向量和误差协方差矩阵参数的初始化赋值;
获取模块,用于获取实时采集的动力电池电流测量值,作为卡尔曼滤波的输入向量;
SOC值估算模块,用于在融合后的卡尔曼滤波中引入渐消因子,基于引入渐消因子的卡尔曼滤波估算出动力电池的SOC值。
本发明的第三目的通过下述技术方案实现:一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现本发明第一目的所述的锂离子动力电池荷电状态估算方法。
本发明的第四目的通过下述技术方案实现:一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现本发明第一目的所述的锂离子动力电池荷电状态估算方法。
本发明中,基于扩展卡尔曼滤波算法获取到上述公式的原理如下:
在解决满足高斯分布非线性系统滤波问题中,以扩展卡尔曼滤波算法最具代表性,该方法的核心思想是将非线性系统滤波问题转化为线性卡尔曼滤波问题后进行处理。因此,在计算时,需要在对非线性状态方程进行泰勒级数展开并进行一阶线性化截断处理,扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法是一种具备一阶泰勒精度的次优滤波算法。
如式(1)所示,带控制输入项的非线性离散系统表达式为:
式中:uk∈Rr为输入向量;ωk∈Rp和υk∈Rq均为高斯白噪声序列,且互不相关,其统计特性满足为式(2):
式中:Qk为对称非负定矩阵;Rk为对称正定矩阵。x0为初始状态向量且独立于ωk、υk,x0的均值和协方差满足式(3):
其中
则可以得到非线性系统状态函数一阶线性化后的状态方程为:
xk≈Φk|k-1xk-1+Uk-1+Γk|k-1(ωk-1-qk-1)(10)
其中
则可以得到非线性系统量测函数式一阶线性化后的量测方程为:
zk≈Ηkxk+yk+Λk(νk-rk) (16)
随后再应用线性卡尔曼滤波算法的基本方程可得到EKF方程的计算步骤,如式(17)至式(22)所示:
Pk|k-1=Φk|k-1Pk-1Φk|k-1 T+Γk|k-1Qk-1Γk|k-1 T (21)
Pk=(I-KkΗk)Pk|k-1 (22)
为了使EKF算法在系统模型出现不确定时具有强跟踪滤波器的优良特性,在算法中引入时变的渐消因子,用以弱化原测量值在当前滤波估计运算中的权值,加强新测量数据的权重。该算法是通过在状态预测误差协方差阵中引入多个渐消因子来实现的,可分别对不同的状态数据通道进行渐消处理,通过该方法还可实时调整增益矩阵Kk。
本发明提出的基于优化非线性系统滤波技术的锂离子动力电池荷电状态估算算法是在EKF算法的基础上加入多重次优渐消因子得到的方法,具体的实现原理如下:
将渐消因子λk引入至式(21)一步预测误差方差阵中,可得:
Pk|k-1=λkΦk|k-1Pk-1Φk|k-1 T+Γk|k-1Qk-1Γk|k-1 T (23)
以下介绍渐消因子的解法,根据正交性原理,同时引入弱化因子β,可以得到:
λkHkΦk|k-1Pk-1Φk|k-1 THk T=Vk-HkΓk|k-1Qk-1Γk|k-1 THk T-βΛkRkΛk T (24)
在上式中,只有在等式右端大于零的情况下,渐消因子λk才能起作用。在实际系统中,为了避免λk引起的过调节作用,使状态估计更加平顺,往往在式中引入弱化因子β≥1。
对式(24)两边求矩阵的迹,并应用迹的可交换性质,同时作如下定义:
Nk=Vk-HkΓk|k-1Qk-1Γk|k-1 THk T-βΛkRkΛk T (25)
Mk=HkΦk|k-1Pk-1Φk|k-1 THk T (26)
tr[λkMk]=tr[Nk] (27)
根据系统的先验知识,可以确定:
λk 1:λk 2:…:λk n=α1:α2:…:αn (28)
令λk i=αick,i=1,2,…,n
式中:αi≥1均为预先设定的常数,由先验信息确定;ck为待定因子。可以确定多重次优渐消因子的一般算法为:
于是可以得到:
综上所述,本发明中多重渐消因子λk次优求解算法如式(31)至式(34)所示:
Nk=Vk-HkΓk|k-1Qk-1Γk|k-1 THk T-βΛkRkΛk T (32)
Mk=HkΦk|k-1Pk-1Φk|k-1 THk T (33)
如果通过先验计算,发现状态变量xk变化频繁,变量值易发生突变,需要在滤波过程中加强对该状态变量的跟踪能力,可以通过把αn值设置的较大来实现;假如初始计算时没有先验知识参考,可以设置初始α1=α2=…=αn=1,此时基于多重渐消因子的EKF算法将退化为单重渐消因子的EKF算法,依然具有强跟踪能力且收敛性能优越。
本发明相对于现有技术具有如下的优点及效果:
(1)本发明锂离子动力电池荷电状态估算方法,首先进行电池模型的导入,对导入的电池模型进行参数辨识;根据辨识出的模型参数构建动力电池SOC估算基础公式,将动力电池SOC估算基础公式融合到卡尔曼滤波算法中;卡尔曼滤波状态向量和误差协方差矩阵参数的初始化赋值;在SOC实际估算时,实时采集动力电池的开路电压和负载电流;在融合后的卡尔曼滤波中引入渐消因子,基于引入渐消因子的卡尔曼滤波估算出动力电池的SOC值。本发明方法将非线性系统滤波问题转化为线性卡尔曼滤波问题后进行处理,并且在卡尔曼滤波算法中引入了渐消因子,基于此,系统模型在出现不确定时仍能保持强跟踪滤波器的优良特性,能够实现锂离子动力电池荷电状态实时、精确的动态估算,为电池在实际系统应用中的充放电保护、温度控制、安全控制和均衡控制等功能提供SOC参考依据。
(2)本发明锂离子动力电池荷电状态估算方法中,是通过在状态预测误差协方差阵中引入多个渐消因子来实现的,可分别对不同的状态数据通道进行渐消处理,并且通过该方法还可实时调整增益矩阵Kk,上述操作能够进一步提高本发明SOC估算的精度。
(3)本发明锂离子动力电池荷电状态估算方法中,可以根据先验信息来设置决定渐消因子大小常数αi(i=1,2,…,n,n为渐消因子个数),具体为,假如具备先验信息,通过先验计算,发现状态变量xk变化频繁,变量值易发生突变,此时可以把αn值设置的较大,以在滤波过程中加强对状态变量的跟踪能量,而假如没有先验信息可参考,那么可以设置α1=α2=…=αn=1,此时基于多重渐消因子的EKF算法将退化为单重渐消因子的EKF算法,依然具有强跟踪能力且收敛性能优越。因此本发明方法中,无论是否有先验信息,在卡尔曼滤波中引入渐消因子,都能保证SOC估算的准确度。
附图说明
图1是本发明方法流程图。
图2是本发明中锂离子电池等效电路示意图。
图3是本发明中引入次优渐消因子EKF算法流程图;
图4a是本发明方法在电池放电过程实测数据和仿真数据对比图;
图4b是图4a方框部分的局部放大图。
图5a是本发明方法误差曲线图。
图5b是图5a方框部分的局部放大图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例1
本实施例公开了一种锂离子动力电池荷电状态估算方法,该方法优化了非线性系统滤波技术,基于卡尔曼滤波方法,实现锂离子动力电池荷电状态实时动态估算,如图1所示,该方法包括:
S1、SOC值算法估算程序开始。
S2、电池模型导入,对导入的电池模型进行参数辨识。
在本实施例,电池模型如图2中所示,图2中,代表电池的电动势(electro motiveforce,EMF),单位为伏特(V)它与动力电池的SOC存在一定的函数关系。其中,Ro代表动力电池内部的欧姆内阻,单位为欧姆(Ω);阻容网络参数(Rp1,Cp1)用来描述动力电池的第一极化内阻,单位分别为欧姆(Ω)和法拉(F);IL和Uoc分别代表负载电流(A)和电池的开路电压(V)。在实际系统中Uoc代表动力电池的负载电压。本电池模型对锂离子电池进行的等效电路建模根据实际应用的需求,兼顾计算复杂度和模型精度两个方面的因素,具备一定的可操作性和实用价值。
在本实施例中,对导入的电池模型辨识出的模型参数包括动力电池内部的欧姆内阻Ro以及动力电池的第一极化内阻Rp1和第二极化内阻Rp2;具体通过以下方程组计算得到:
Uoc(k)=EMF-IL(k)Ro-Ip1(k)Rp1-Ip2(k)Rp2;
其中,EMF为动力电池的电动势;
Uoc(k)为动力电池k时刻的负载电压,IL(k)为动力电池k时刻的负载电流;
Ip1(k)为动力电池k时刻的第一极化内阻的极化电流,Ip2(k)为动力电池k时刻的第二极化内阻的极化电流;
△t为采样间隔,τ1和τ2分别对应为第一极化内阻和第二极化电阻所在RC等效电路的时间常数;
在本实施例中,可以在算法开始的时候通过公式计算出上述模型参数Ro、Rp1和Rp2,并进行固化后在算法后续进行使用,也可以定期更新计算上述模型参数Ro、Rp1和Rp2。
S3、根据辨识出的模型参数构建动力电池SOC估算的基础公式,将动力电池SOC估算的基础公式融合到卡尔曼滤波算法中。
在本实施例中,动力电池SOC估算的基础公式如下:
其中,SOC(k)为通过基础公式在k时刻估算的电池SOC,Up1(k)为基础公式在k时刻估算的第一极化内阻的极化电压,Up2(k)为基础公式在k时刻估算的第二极化内阻的极化电压,CN为电池的额定容量,η(k)为电池在k时刻的充放电效率,Uoc(k)为基础公式在k时刻估算的动力电池的负载电压;EMF(SOC(k))表示动力电池在SOC值为SOC(k)下的电动势,EMF(SOC(k))为动力电池电动势和SOC值之间的函数关系。
本实施例中,将电池SOC估算的基础公式融合到卡尔曼滤波算法中得到状态方程为:xk=fk-1(xk-1,uk-1,ωk-1),zk=hk(xk,νk);
其中,函数f为:
ω1 k-1、ω2 k-1和ω3 k-1分别为高斯白噪声序列ωk-1中的各元素;
其中,函数hk为:
hk=EMF(SOC(k))-IL(k)Ro-Up1(k)-Up2(k)+νk。
S4、卡尔曼滤波状态向量和误差协方差矩阵参数的初始化赋值。
在本实施例中,卡尔曼滤波状态向量初始化赋值x0为:
在本实施例中,SOC(0)、Up1(0)、Up2(0)为系统上一次保持掉电前的数据或随意的赋予值;
在本实施例中,卡尔曼滤波误差协方差矩阵参数初始值P0为:
S5、获取实时采集的动力电池电流测量值,作为卡尔曼滤波的输入向量。本实施例中在动力电池上设置有电流测量传感器,通过传感器实时测量动力电池电流测量值。将传感器测量的动力电池电压测量值作为卡尔曼滤波的输入向量uk。
S6、在融合后的卡尔曼滤波中引入渐消因子,基于引入渐消因子的卡尔曼滤波估算出动力电池的SOC值,本实施例中,卡尔曼滤波估算实现电池SOC值估算的过程如图3中所示,并且具体的过程如下:
其中,当前时刻状态向量xk为:
SOC(k)为SOC估算的基础公式融合到卡尔曼滤波算法后计算得到的当前时刻SOC值,Up1(k)为SOC估算的基础公式融合到卡尔曼滤波算法后计算得到的当前时刻第一极化内阻的极化电压,Up2(k)为SOC估算的基础公式融合到卡尔曼滤波算法后计算得到的当前时刻第二极化内阻的极化电压;
在本步骤中,根据上一个时刻状态向量,通过状态方程计算当前时刻状态向量xk为:
xk=fk-1(xk-1,uk-1,ωk-1);
其中,xk为k时刻的状态向量,ωk∈Rp为高斯白噪声序列;uk∈Rr为k时刻的输入向量,对应为动力电池k时刻的负载电流IL(k),uk-1对应为动力电池k时刻的负载电流IL(k-1);Rr为r阶的实数空间,Rp为p阶的实数空间;函数f的具体表达式见上述步骤S3。
在本步骤中,根据当前时刻状态向量xk,计算当前时刻量测向量测量值zk为:
zk=hk(xk,νk);
Sb、将上一时刻误差协方差矩阵Pk-1送入多重次优渐消因子滤波器进行运算;多重次优渐消因子滤波器经过运算输出多重次优渐消因子,计算当前时刻一步误差协方差矩阵Pk|k-1;一步误差协方差矩阵Pk|k-1送入滤波增益矩阵运算公式计算当前时刻滤波增益矩阵Kk,进一步的,一步误差协方差矩阵Pk|k-1送入误差协方差矩阵运算公式计算当前时刻误差协方差矩阵Pk。
在本步骤中,多重次优渐消因子滤波器经过运算输出多重次优渐消因子为:
其中,λk为多重次优渐消因子滤波器k时刻多重次优渐消因子,n是渐消因子的个数;
其中,αi≥1为预先设定的常数,由先验信息确定,ck为待定因子;在本实施例中,针对于预先设定的常数αi,当初始计算时没有先验信息参考,则设置为α1=α2=…=αn=1;当初始计算时存在先验信息参考,则设置各αi为大于1且小于等于5的值。
待定因子ck通过以下公式计算:
Nk=Vk-HkΓk|k-1Qk-1Γk|k-1 THk T-βΛkRkΛk T;
Mk=HkΦk|k-1Pk-1Φk|k-1 THk T,Mk=[Mk 1,Mk 2,...,Mk n];
本步骤中,基于上述多重次优渐消因子滤波器经过运算输出多重次优渐消因子,计算当前时刻一步误差协方差矩阵Pk|k-1为:
Pk|k-1=λkΦk|k-1Pk-1Φk|k-1 T+Γk|k-1Qk-1Γk|k-1 T;
其中,Pk|k-1为k时刻一步误差协方差矩阵;λk为多重次优渐消因子滤波器k时刻多重次优渐消因子;Qk为对称非负定矩阵;Rk为对称正定矩阵;
本步骤中,一步误差协方差矩阵Pk|k-1送入滤波增益矩阵运算公式计算当前时刻滤波增益矩阵Kk为:
其中,Kk为k时刻滤波增益矩阵;
本步骤中,一步误差协方差矩阵Pk|k-1送入误差协方差矩阵运算公式计算当前时刻误差协方差矩阵Pk为:
Pk=(I-KkΗk)Pk|k-1;
其中,I为单位矩阵。
Sc、根据上一时刻状态向量估计值计算当前时刻一步状态向量估计值基于当前时刻一步状态向量估计值当前时刻滤波增益矩阵Kk、当前时刻量测向量测量值zk和当前一步量测向量估计值计算出当前时刻状态向量估计值由当前时刻状态向量估计值中的分量获取到电池当前时刻估算的SOC值其中:
其中,为k时刻状态向量估计值,为k时刻一步状态向量估计值,为k时刻一步量测向量估计值;Kk为k时刻滤波增益矩阵;为k-1时刻状态向量估计值,其中的函数为:将fk-1(xk-1,uk-1,ωk-1)函数中的xk-1用代替,ωk-1用qk-1代替即可得到。
S7、基于步骤S6估算出动力电池各时刻的SOC值,在当前时刻,如果系统有其他任务中断或者出现关机等事件,则SOC值算法估算程序执行结束,否则返回步骤S5,通过步骤S5和S6对动力电池下一时刻的SOC值进行估算。
如图4a所示为,动力电池放电过程中实验数据与本发明方法以及现有的EKF方法的计算机仿真数据的对比图,其中,Expermantal curve表示的线条对应为实验数据,EKFAgorithm表示的线条对应为现有的EKF方法的数据,SMFFEKF Agorithm表示的线条对应为本发明方法的数据。如图4b中所示,为图4a中3500s到4500s之间的数据放大图。通过对比实验数据、现有的EKF方法的仿真数据以及本发明方法的仿真数据,可以发现本发明方法获取到的数据,相对于实验数据来说误差较小,主要原因是算法引入了多重次优渐消因子,具备强跟踪滤波器的特性,从而使算法在系统模型不确定时仍能保持对系统状态的跟踪能力,强制仿真数值保持对真实值的追踪。相比之下现有的EKF算法由于缺少这种跟踪机制,仿真的误差较本发明提出算法要大。
如图5a所述为,现有EKF方法的仿真数据、本发明方法的仿真数据与实验数据之间的误差对比图。如图5b中所示,为图5a中3500s至4500s之间的数据放大图。现有的EKF方法的设计思路是将非线性状态空间方程进行局部线性化处理后再进行线性运算,通常使用的方法是一阶泰勒级数展开,然后再进行卡尔曼滤波,由于对系统模型具有严格的要求,模型不确定性会引起滤波发散。本发明方法是基于EKF算法的改进算法,所以同样具有EKF算法的一些缺点。但是本发明提出算法由于引入强跟踪因子,故能提供一个更加稳定的滤波系统,保持对于时变状态向量的追踪能力。因此本发明方法相对于现有的EKF方法具有更高的可靠性和较好的收敛性。
本领域技术人员可以理解,实现本实施例方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成,相应的程序可以存储于计算机可读存储介质中。应当注意,尽管在附图中以及上述流程中以特定顺序描述了本实施例1的方法操作,但是这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。相反,描绘的步骤可以改变执行顺序,有些步骤也可以同时执行。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。另外,在实际应用中,本实施例提供的一种锂离子动力电池荷电状态估算方法,还可以作为基本算法再与其他的算法结合使用实现新的锂离子动力电池SOC方法,也可以作为其他运算的基础参数或输入参数参与计算。
实施例2
本实施例公开了一种锂离子动力电池荷电状态估算装置,包括参数辨识模块、算法融合模块、初始化模块、获取模块、SOC值估算模块;各个模块的功能分别如下:
参数辨识模块,用于对导入的电池模型进行参数辨识;
算法融合模块,用于根据辨识出的模型参数构建动力电池SOC估算的基础公式,将动力电池SOC估算的基础公式融合到卡尔曼滤波算法中;
初始化模块,用于卡尔曼滤波状态向量和误差协方差矩阵参数的初始化赋值;
获取模块,用于获取实时采集的动力电池电流测量值,作为卡尔曼滤波的输入向量;
SOC值估算模块,用于在融合后的卡尔曼滤波中引入渐消因子,基于引入渐消因子的卡尔曼滤波估算出动力电池的SOC值。
本实施例上述各个模块的具体实现可以参见上述实施例1,在此不再一一赘述。需要说明的是,本实施例提供的装置仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
实施例3
本实施例公开了一种存储介质,存储有程序,所述程序被处理器执行时,实现实施例1所述的锂离子动力电池荷电状态估算方法,具体如下:
电池模型导入,对导入的电池模型进行参数辨识;
根据辨识出的模型参数构建动力电池SOC估算的基础公式,将动力电池SOC估算的基础公式融合到卡尔曼滤波算法中;
卡尔曼滤波状态向量和误差协方差矩阵参数的初始化赋值;
获取实时采集的动力电池电流测量值,作为卡尔曼滤波的输入向量;
在融合后的卡尔曼滤波中引入渐消因子,基于引入渐消因子的卡尔曼滤波估算出动力电池的SOC值。
上述各步骤的具体实现方式如实施例1中所示,此处不再赘述。
在本实施例中,存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、U盘、移动硬盘等介质。
实施例4
本实施例公开了一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现实施例1所述的锂离子动力电池荷电状态估算方法,具体如下:
电池模型导入,对导入的电池模型进行参数辨识;
根据辨识出的模型参数构建动力电池SOC估算的基础公式,将动力电池SOC估算的基础公式融合到卡尔曼滤波算法中;
卡尔曼滤波状态向量和误差协方差矩阵参数的初始化赋值;
获取实时采集的动力电池电流测量值,作为卡尔曼滤波的输入向量;
在融合后的卡尔曼滤波中引入渐消因子,基于引入渐消因子的卡尔曼滤波估算出动力电池的SOC值。
上述各步骤的具体实现方式如实施例1中所示,此处不再赘述。
本实施例中,计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑等终端设备。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种锂离子动力电池荷电状态估算方法,其特征在于,包括:
电池模型导入,对导入的电池模型进行参数辨识;
根据辨识出的模型参数构建动力电池SOC估算的基础公式,将动力电池SOC估算的基础公式融合到卡尔曼滤波算法中;
卡尔曼滤波状态向量和误差协方差矩阵参数的初始化赋值;
获取实时采集的动力电池电流测量值,作为卡尔曼滤波的输入向量;
在融合后的卡尔曼滤波中引入渐消因子,基于引入渐消因子的卡尔曼滤波估算出动力电池的SOC值。
2.根据权利要求1所述的锂离子动力电池荷电状态估算方法,其特征在于,对导入的电池模型辨识出的模型参数包括动力电池内部的欧姆内阻Ro以及动力电池的第一极化内阻Rp1和第二极化内阻Rp2;具体通过以下方程组计算得到:
Uoc(k)=EMF-IL(k)Ro-Ip1(k)Rp1-Ip2(k)Rp2;
其中,EMF为动力电池的电动势;
Uoc(k)为动力电池k时刻的开路电压或负载电压,IL(k)为动力电池k时刻的负载电流;
Ip1(k)为动力电池k时刻的第一极化内阻的极化电流,Ip2(k)为动力电池k时刻的第二极化内阻的极化电流;
△t为采样间隔,τ1和τ2分别对应为第一极化内阻和第二极化电阻所在RC等效电路的时间常数。
3.根据权利要求2所述的锂离子动力电池荷电状态估算方法,其特征在于,基于引入渐进因子的卡尔曼滤波估算出动力电池SOC值的具体过程包括:
其中,当前时刻状态向量xk为:
其中SOC(k)为SOC估算的基础公式融合到卡尔曼滤波算法后计算得到的当前时刻SOC值,Up1(k)为SOC估算的基础公式融合到卡尔曼滤波算法后计算得到的当前时刻第一极化内阻的极化电压,Up2(k)为SOC估算的基础公式融合到卡尔曼滤波算法后计算得到的当前时刻第二极化内阻的极化电压;
Sb、将上一时刻误差协方差矩阵Pk-1送入多重次优渐消因子滤波器进行运算;多重次优渐消因子滤波器经过运算输出多重次优渐消因子,计算当前时刻一步误差协方差矩阵Pk|k-1;一步误差协方差矩阵Pk|k-1送入滤波增益矩阵运算公式计算当前时刻滤波增益矩阵Kk,进一步的,一步误差协方差矩阵Pk|k-1送入误差协方差矩阵运算公式计算当前时刻误差协方差矩阵Pk;
Sc、根据上一时刻状态向量估计值计算当前时刻一步状态向量估计值基于当前时刻一步状态向量估计值当前时刻滤波增益矩阵Kk、当前时刻量测向量测量值zk和当前一步量测向量估计值计算出当前时刻状态向量估计值由当前时刻状态向量估计值中的分量获取到电池当前时刻估算的SOC值其中:
4.根据权利要求3所述的锂离子动力电池荷电状态估算方法,其特征在于,步骤Sa中,根据上一个时刻状态向量,通过状态方程计算当前时刻状态向量xk为:
xk=fk-1(xk-1,uk-1,ωk-1);
其中,xk为k时刻的状态向量,ωk∈Rp为高斯白噪声序列;uk∈Rr为k时刻的输入向量,对应为动力电池k时刻的负载电流IL(k),uk-1对应为动力电池k时刻的负载电流IL(k-1);Rr为r阶的实数空间,Rp为p阶的实数空间;
根据当前时刻状态向量xk,计算当前时刻量测向量测量值zk为:
zk=hk(xk,νk);
步骤Sb中,多重次优渐消因子滤波器经过运算输出多重次优渐消因子,计算当前时刻一步误差协方差矩阵Pk|k-1为:
Pk|k-1=λkΦk|k-1Pk-1Φk|k-1 T+Γk|k-1Qk-1Γk|k-1 T;
其中,Pk|k-1为k时刻一步误差协方差矩阵;λk为多重次优渐消因子滤波器k时刻多重次优渐消因子;Qk为对称非负定矩阵;Rk为对称正定矩阵;
步骤Sb中,一步误差协方差矩阵Pk|k-1送入滤波增益矩阵运算公式计算当前时刻滤波增益矩阵Kk为:
其中,Kk为k时刻滤波增益矩阵;
步骤Sb中,一步误差协方差矩阵Pk|k-1送入误差协方差矩阵运算公式计算当前时刻误差协方差矩阵Pk为:
Pk=(I-KkΗk)Pk|k-1;
其中,I为单位矩阵;
6.根据权利要求4所述的锂离子动力电池荷电状态估算方法,其特征在于,电池SOC估算的基础公式为:
其中,SOC(k)为通过基础公式在k时刻估算的电池SOC,Up1(k)为基础公式在k时刻估算的第一极化内阻的极化电压,Up2(k)为基础公式在k时刻估算的第二极化内阻的极化电压,CN为电池的额定容量,η(k)为电池在k时刻的充放电效率,Uoc(k)为基础公式在k时刻估算的动力电池的负载电压或开路电压;EMF(SOC(k))表示动力电池在SOC值为SOC(k)下的电动势,EMF(SOC(k))为动力电池电动势和SOC值之间的函数关系;
将电池SOC估算的基础公式融合到卡尔曼滤波算法中得到:xk=fk-1(xk-1,uk-1,ωk-1),zk=hk(xk,νk);
其中,函数f为:
ω1 k-1、ω2 k-1和ω3 k-1分别为高斯白噪声序列ωk-1中的各元素;
其中,函数hk为:
hk=EMF(SOC(k))-IL(k)Ro-Up1(k)-Up2(k)+νk;
卡尔曼滤波状态向量初始化赋值x0为:
其中SOC(0)、Up1(0)、Up2(0)为系统上一次保持掉电前的数据或随意的赋予值;
卡尔曼滤波误差协方差矩阵参数初始值P0为:
其中E(x0)表示状态向量初始值x0的数学期望。
7.根据权利要求5所述的锂离子动力电池荷电状态估算方法,其特征在于,针对于预先设定的常数αi,当初始计算时没有先验信息参考,则设置为α1=α2=…=αn=1;
当初始计算时存在先验信息参考,则设置各αi为大于1且小于等于5的值。
8.一种锂离子动力电池荷电状态估算装置,其特征在于,包括:
参数辨识模块,用于对导入的电池模型进行参数辨识;
算法融合模块,用于根据辨识出的模型参数构建动力电池SOC估算的基础公式,将动力电池SOC估算的基础公式融合到卡尔曼滤波算法中;
初始化模块,用于卡尔曼滤波状态向量和误差协方差矩阵参数的初始化赋值;
获取模块,用于获取实时采集的动力电池电流测量值,作为卡尔曼滤波的输入向量;
SOC值估算模块,用于在融合后的卡尔曼滤波中引入渐消因子,基于引入渐消因子的卡尔曼滤波估算出动力电池的SOC值。
9.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1~7中任一项所述的锂离子动力电池荷电状态估算方法。
10.一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1~7中任一项所述的锂离子动力电池荷电状态估算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011179571.8A CN112305423A (zh) | 2020-10-29 | 2020-10-29 | 锂离子动力电池荷电状态估算方法、装置、介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011179571.8A CN112305423A (zh) | 2020-10-29 | 2020-10-29 | 锂离子动力电池荷电状态估算方法、装置、介质和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112305423A true CN112305423A (zh) | 2021-02-02 |
Family
ID=74331931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011179571.8A Pending CN112305423A (zh) | 2020-10-29 | 2020-10-29 | 锂离子动力电池荷电状态估算方法、装置、介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112305423A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113075568A (zh) * | 2021-03-30 | 2021-07-06 | 上海交通大学 | 基于电流积分约束的钠离子电池荷电状态估计方法及设备 |
CN113076688A (zh) * | 2021-03-24 | 2021-07-06 | 广州益维电动汽车有限公司 | 一种锂离子动力电池效能状态评估方法 |
CN113075561A (zh) * | 2021-03-23 | 2021-07-06 | 广东技术师范大学 | 一种锂离子动力电池soc动态估算方法、系统、设备和介质 |
CN114791993A (zh) * | 2022-05-16 | 2022-07-26 | 江苏大学 | 一种动力电池组soh预测方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110441694A (zh) * | 2019-07-23 | 2019-11-12 | 哈尔滨工业大学(威海) | 基于多重渐消因子卡尔曼滤波锂电池荷电状态估计方法 |
-
2020
- 2020-10-29 CN CN202011179571.8A patent/CN112305423A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110441694A (zh) * | 2019-07-23 | 2019-11-12 | 哈尔滨工业大学(威海) | 基于多重渐消因子卡尔曼滤波锂电池荷电状态估计方法 |
Non-Patent Citations (4)
Title |
---|
DI LI, ET AL.: "Accuracy State of Charge Estimation Used in Energy Storage System for Electric Transportation", 《TRANSPORTATION ELECTRIFICATION ASIA PACIFIC(ITEC ASIA PACIFIC)》 * |
吴波 等: "基于ESP模型的锂电池参数辨识和SOC估计", 《电源技术》 * |
欧阳剑: "电动汽车用锂离子动力电池SOC估算和SOF评估的研究", 《中国博士学位论文全文数据库 工程科技II辑》 * |
田晟 等: "基于STEKF的锂离子动力电池SOC估算", 《华南理工大学学报(自然科学版)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113075561A (zh) * | 2021-03-23 | 2021-07-06 | 广东技术师范大学 | 一种锂离子动力电池soc动态估算方法、系统、设备和介质 |
CN113076688A (zh) * | 2021-03-24 | 2021-07-06 | 广州益维电动汽车有限公司 | 一种锂离子动力电池效能状态评估方法 |
CN113075568A (zh) * | 2021-03-30 | 2021-07-06 | 上海交通大学 | 基于电流积分约束的钠离子电池荷电状态估计方法及设备 |
CN113075568B (zh) * | 2021-03-30 | 2022-06-24 | 上海交通大学 | 基于电流积分约束的钠离子电池荷电状态估计方法及设备 |
CN114791993A (zh) * | 2022-05-16 | 2022-07-26 | 江苏大学 | 一种动力电池组soh预测方法及系统 |
CN114791993B (zh) * | 2022-05-16 | 2022-11-11 | 江苏大学 | 一种动力电池组soh预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lai et al. | Co-estimation of state of charge and state of power for lithium-ion batteries based on fractional variable-order model | |
Li et al. | State of energy estimation for a series-connected lithium-ion battery pack based on an adaptive weighted strategy | |
CN112305423A (zh) | 锂离子动力电池荷电状态估算方法、装置、介质和设备 | |
KR102650965B1 (ko) | 배터리 상태 추정 방법 | |
Li et al. | Estimation algorithm research for lithium battery SOC in electric vehicles based on adaptive unscented Kalman filter | |
Shi et al. | Parameter identification method for lithium-ion batteries based on recursive least square with sliding window difference forgetting factor | |
Tang et al. | Design of power lithium battery management system based on digital twin | |
CN111856287A (zh) | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 | |
Zhang et al. | State-of-charge estimation of lithium-ion battery pack based on improved RBF neural networks | |
Jibhkate et al. | Development of low complexity open circuit voltage model for state of charge estimation with novel curve modification technique | |
Meng et al. | Comparative study of lithium‐ion battery open‐circuit‐voltage online estimation methods | |
Shi et al. | Electric vehicle battery remaining charging time estimation considering charging accuracy and charging profile prediction | |
CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理系统 | |
Wang et al. | Battery full life cycle management and health prognosis based on cloud service and broad learning | |
Zhao et al. | Digital twin-driven estimation of state of charge for Li-ion battery | |
Vedhanayaki et al. | Certain investigation and implementation of Coulomb counting based unscented Kalman filter for state of charge estimation of lithium-ion batteries used in electric vehicle application | |
Liu et al. | An improved adaptive cubature H‑infinity filter for state of charge estimation of lithium‑ion battery | |
Ramezani-al et al. | A novel combined online method for SOC estimation of a Li-Ion battery with practical and industrial considerations | |
Liu et al. | Online state of charge estimation for lithium-ion battery by combining incremental autoregressive and moving average modeling with adaptive H-infinity filter | |
Li et al. | A novel battery state estimation model based on unscented Kalman filter | |
Hu et al. | State-of-charge estimation for lithium-ion batteries of electric vehicle based on sensor random error compensation | |
Renxin et al. | Collaborative estimations of state of energy and maximum available energy of lithium-ion batteries with optimized time windows considering instantaneous energy efficiencies | |
Liu et al. | Dynamic adaptive square-root unscented Kalman filter and rectangular window recursive least square method for the accurate state of charge estimation of lithium-ion batteries | |
CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
Shi et al. | An improved adaptive square root cubature kalman filter method for estimating state-of-charge of lithium-ion batteries |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210202 |