CN113128672B - 一种基于迁移学习算法的锂离子电池组soh估计方法 - Google Patents
一种基于迁移学习算法的锂离子电池组soh估计方法 Download PDFInfo
- Publication number
- CN113128672B CN113128672B CN202110422710.3A CN202110422710A CN113128672B CN 113128672 B CN113128672 B CN 113128672B CN 202110422710 A CN202110422710 A CN 202110422710A CN 113128672 B CN113128672 B CN 113128672B
- Authority
- CN
- China
- Prior art keywords
- soh
- battery pack
- model
- difference
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/05—Accumulators with non-aqueous electrolyte
- H01M10/052—Li-accumulators
- H01M10/0525—Rocking-chair batteries, i.e. batteries with lithium insertion or intercalation in both electrodes; Lithium-ion batteries
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Abstract
本发明涉及一种基于迁移学习算法的锂离子电池组SOH估计方法,其特征在于,包括以下步骤:步骤1、数据采集;步骤2、数据处理;步骤3、基础模型构建;步骤4、均值模型构建;步骤5、差值模型构建;步骤6、电池组SOH计算。本发明的一种基于迁移学习算法的锂离子电池组SOH估计方法,利用恒流充电过程中特定电压范围充电时间作为特征参数,利用长短期记忆神经网络和迁移学习算法构建电池组均值模型,大大减少了训练集的数量。在此基础上,构建了电池组不一致性差异模型,表征了电池组单体不一致性,估计得到了电池组SOH。
Description
技术领域
本发明属于锂离子电池技术领域,尤其涉及一种基于迁移学习算法的锂离子电池组SOH估计方法。
背景技术
电池作为能量存储及电动汽车动力源的关键部件,其使用性能,循环寿命备受关注。电池SOH作为锂离子电池内部的关键参数之一,其精确度有助于避免电池过度使用,保证电池使用安全。同时,也能为电池SOC估算提供参考。
然而,由于电池内部化学反应复杂,现有方法难以保证估计精度。常用的基于机器学习的方法需要大量的训练数据,当电池更好或者特征参数发生变化时需要对模型进行重新训练,加大了离线训练的时间。另外,由于电池使用和加工条件的限制,电池组内部单体电池会存在不一致性,导致各个单体间老化趋势不一致,如何利用现有技术表征电池SOH不一致性,同时估计得到电池组SOH也是需要解决的关键问题。
发明内容
本发明所要解决的技术问题是提供一种基于迁移学习算法的锂离子电池组SOH估计方法来解决现有技术中当电池更好或者特征参数发生变化时需要对模型进行重新训练,加大了离线训练的时间问题以及由于电池使用和加工条件的限制,电池组内部单体电池会存在不一致性,导致各个单体间老化趋势不一致等问题。
为解决以上技术问题,本发明的技术方案为:提供一种基于迁移学习算法的锂离子电池组SOH估计方法,其创新点在于:具体包括以下步骤:
步骤1、数据采集:对不同型号锂离子电池进行循环充放电测试,直到各个型号电池放电容量低于标称容量的80%,实时记录电池充电电压、放电容量数据;
步骤2、数据处理:对步骤1中得到的充电电压数据及放电容量数据进行预处理,得出特定电压范围的充电时间和SOH数据;
步骤3、基础模型构建:取步骤2中得到的前70%的特定电压范围的充电时间和SOH数据,运行长短期记忆神经网络方法寻找关联关系,得到训练完成的基础模型;
步骤4、均值模型构建:运行迁移学习算法,选择电池组中某一单体电池作为训练电池,取步骤3中得到的基础模型的参数,利用迁移算法降低训练集数量,修正基础模型参数,修正完成后得到电池组均值模型;
步骤5、差值模型构建:根据循环充放电测试,计算时间差和SOH差,将时间差输入长短期记忆神经网络中,输出SOH差,运行长短期记忆神经网络方法寻找关联关系,训练得到电池组差值模型;
步骤6、电池组SOH计算:取步骤5中得到的电池组差值模型输出的最小值,取步骤4得到的电池组均值模型输出值,将电池组差值模型输出的最小值与电池组均值模型输出值相加得到电池组SOH。
进一步的,步骤2中所述的预处理方法如下:
(1)读取所述锂离子电池充电电压和放电容量;
(2)取充电电压从2.75V到4.2V之间任意区间的充电时间作为特定电压范围的充电时间;
式中,Ca为当前放电容量,CaN为锂离子电池标称容量。
进一步的,步骤3中,所述运行长短期记忆神经网络方法寻找关联关系,得到训练完成的基础模型的具体方法为:
(1)初始化所述长短期记忆神经网络的各参数值;
(2)将步骤2得到的前70%的特定电压范围的充电时间数据作为长短期记忆神经网络的输入,对应SOH值作为长短期记忆神经网络的输出,利用长短期记忆神经网络计算得到长短期记忆神经网络的SOH值,以此完成基础模型的构建,计算公式如下:
式中,i、f、o、C、h分别表示输入门、遗忘门、输出门、状态单元和输出数据,b为偏置参数,Wx·和Wh·分别表示输入和之前输出的权值矩阵,⊙表示按元素排列的单元,sigm表示激活函数,选择sigmoid函数来限制输出值在0到1之间,tanh被定义为双曲函数。
进一步的,所述步骤3中构建的基础模型包含输入层,LSTM层、全连接层、回归输出层。
进一步的,所述步骤5中时间差为其余单体电池特定电压范围的充电时间与均值模型电池特定电压范围的充电时间的时间差,所述SOH差为其余单体电池SOH与均值模型SOH的SOH差,所述时间差和SOH差的计算公式分别为:Δti=ti-tm
ΔSOHi=SOHi-SOHm
式中,Δti为第i个电池特定电压范围的充电时间差,ΔSOHi为第i个电池SOH差,ti为第i个电池特定电压范围充电时间,tm为均值模型特定电压范围充电时间,SOHi为第i个电池SOH,SOHm为均值模型SOH。
进一步的,提取步骤1中循环充放电测试所得的20%数据作为迁移模型训练集,将所述训练集用于步骤5中运行长短期记忆神经网络方法寻找关联关系。
和现有技术相比,本发明的有益效果为:
本发明提出了一种基于迁移学习算法的锂离子电池组SOH估计方法,利用恒流充电过程中特定电压范围充电时间作为特征参数,利用长短期记忆神经网络和迁移学习算法构建电池组均值模型,大大减少了训练集的数量。在此基础上,构建了电池组不一致性差异模型,表征了电池组单体不一致性,估计得到了电池组SOH。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施的流程示意图;
图2是本发明实施得到的基础模型结果;
图3是本发明实施得到的电池组SOH估计结果。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图与具体实施方式对本发明作进一步的说明。
在本发明中,提供了一种基于迁移学习算法的锂离子电池组SOH估计方法,该方法可以应用于如电动汽车电池管理系统等终端设备,包括六个基本步骤,如图1所示,其具体步骤如下:
步骤1、数据采集:对不同型号锂离子电池进行循环充放电测试,直到各个型号电池放电容量低于标称容量的80%,实时记录电池充电电压、放电容量数据,测试过程采用恒流恒压将电池充满电,静置1小时,然后放电至电池截止电压,再静置1小时,循环以上过程,记录实验电流、电压及放电容量。如表1所示:
表1实验记录数据
电流(A) | 电压(V) | 容量(Ah) | SOH |
2.000200 | 3.4898 | 0.000000 | / |
2.001400 | 3.5218 | 0.016678 | / |
2.001400 | 3.5301 | 0.033357 | / |
…… | …… | …… | / |
2.001400 | 3.5258 | 0.116753 | / |
2.001400 | 3.5295 | 0.133432 | / |
2.001400 | 3.5329 | 0.150111 | / |
2.002700 | 3.5367 | 0.166790 | / |
…… | …… | …… | / |
-4.002900 | 3.2840 | 3.569210 | / |
-4.002900 | 3.2598 | 3.602568 | / |
-4.002900 | 3.2204 | 3.635925 | / |
-4.002900 | 3.1324 | 3.669281 | 0.9173 |
步骤2、数据处理:对步骤1中得到的充电电压数据及放电容量数据进行预处理,得出特定电压范围的充电时间和SOH数据;其中,具体预处理方法如下:(1)读取所述锂离子电池充电电压和放电容量;
(2)取充电电压从2.75V到4.2V之间任意区间的充电时间作为特定电压范围的充电时间;
式中,Ca为当前放电容量,CaN为锂离子电池标称容量。
得到SOH数据如表2所示:
表2实验记录数据
循环次数 | SOH | 训练集/测试 |
1 | 0.9296 | 训练集 |
2 | 0.9334 | 训练集 |
3 | 0.9334 | 训练集 |
…… | …… | 训练集 |
630 | 0.7634 | 训练集 |
631 | 0.7630 | 测试集 |
…… | …… | 测试集 |
903 | 0.7046 | 测试集 |
902 | 0.7085 | 测试集 |
901 | 0.7060 | 测试集 |
900 | 0.7044 | 测试集 |
步骤3、基础模型构建:取步骤2中得到的前70%的特定电压范围的充电时间和SOH数据,运行长短期记忆神经网络方法寻找关联关系,得到训练完成的基础模型,其中,运行长短期记忆神经网络方法寻找关联关系,得到训练完成的基础模型的具体方法为:
(1)初始化所述长短期记忆神经网络的各参数值;
(2)将步骤2得到的前70%的特定电压范围的充电时间数据作为长短期记忆神经网络的输入,对应SOH值作为长短期记忆神经网络的输出,利用长短期记忆神经网络计算得到长短期记忆神经网络的SOH值,以此完成基础模型的构建,计算公式如下:
式中,i、f、o、C、h分别表示输入门、遗忘门、输出门、状态单元和输出数据,b为偏置参数,Wx·和Wh·分别表示输入和之前输出的权值矩阵,⊙表示按元素排列的单元,sigm表示激活函数,选择sigmoid函数来限制输出值在0到1之间,tanh被定义为双曲函数。
本发明的步骤3构建的基础模型包含输入层,LSTM层、全连接层、回归输出层。
基础模型构建结构如图2所示,图中实线代表真实的SOH值,虚线代表估计值,从结果中可以看出本发明的基础模型最大误差小于1.5%。
步骤4、均值模型构建:运行迁移学习算法,选择电池组中某一单体电池作为训练电池,取步骤3中得到的基础模型的参数,利用迁移算法降低训练集数量,修正基础模型参数,修正完成后得到电池组均值模型;
步骤5、差值模型构建:根据循环充放电测试,计算时间差和SOH差,将时间差输入长短期记忆神经网络中,输出SOH差,运行长短期记忆神经网络方法寻找关联关系,训练得到电池组差值模型,其中,时间差为其余单体电池特定电压范围的充电时间与均值模型电池特定电压范围的充电时间的时间差,所述SOH差为其余单体电池SOH与均值模型SOH的SOH差,所述时间差和SOH差的计算公式分别为:
Δti=ti-tm
ΔSOHi=SOHi-SOHm
式中,Δti为第i个电池特定电压范围的充电时间差,ΔSOHi为第i个电池SOH差,ti为第i个电池特定电压范围充电时间,tm为均值模型特定电压范围充电时间,SOHi为第i个电池SOH,SOHm为均值模型SOH。
优选的,本发明提取步骤1中循环充放电测试所得的20%数据作为迁移模型训练集,将所述训练集用于步骤5中运行长短期记忆神经网络方法寻找关联关系。
步骤6、电池组SOH计算:取步骤5中得到的电池组差值模型输出的最小值,取步骤4得到的电池组均值模型输出值,将电池组差值模型输出的最小值与电池组均值模型输出值相加得到电池组SOH,其结果如图3所示,图中实线代表真实的SOH值,虚线代表估计值,从结果中可以看出本发明的最大误差小于2%。
Claims (6)
1.一种基于迁移学习算法的锂离子电池组SOH估计方法,其特征在于,包括以下步骤:
步骤1、数据采集:对不同型号锂离子电池进行循环充放电测试,直到各个型号电池放电容量低于标称容量的80%,实时记录电池充电电压、放电容量数据;
步骤2、数据处理:对步骤1中得到的充电电压数据及放电容量数据进行预处理,得出特定电压范围的充电时间和SOH数据;
步骤3、基础模型构建:取步骤2中得到的前70%的特定电压范围的充电时间和SOH数据,运行长短期记忆神经网络方法寻找关联关系,得到训练完成的基础模型;
步骤4、均值模型构建:运行迁移学习算法,选择电池组中某一单体电池作为训练电池,取步骤3中得到的基础模型的参数,利用迁移算法降低训练集数量,修正基础模型参数,修正完成后得到电池组均值模型;
步骤5、差值模型构建:根据循环充放电测试,计算时间差和SOH差,将时间差输入长短期记忆神经网络中,输出SOH差,运行长短期记忆神经网络方法寻找关联关系,训练得到电池组差值模型;
步骤6、电池组SOH计算:取步骤5中得到的电池组差值模型输出的最小值,取步骤4得到的电池组均值模型输出值,将电池组差值模型输出的最小值与电池组均值模型输出值相加得到电池组SOH。
3.根据权利要求1所述的一种基于迁移学习算法的锂离子电池组SOH估计方法,其特征在于,步骤3中,所述运行长短期记忆神经网络方法寻找关联关系,得到训练完成的基础模型的具体方法为:
(1)初始化所述长短期记忆神经网络的各参数值;
(2)将步骤2得到的前70%特定电压范围的充电时间作为长短期记忆神经网络的输入,对应SOH值作为长短期记忆神经网络的输出,利用长短期记忆神经网络计算得到长短期记忆神经网络的SOH值,以此完成基础模型的构建,计算公式如下:
式中,i、f、o、C、h分别表示输入门、遗忘门、输出门、状态单元和输出数据,b为偏置参数,Wx.和Wh·分别表示输入和之前输出的权值矩阵,⊙表示按元素排列的单元,sigm表示激活函数,选择sigmoid函数来限制输出值在0到1之间,tanh被定义为双曲函数。
4.根据权利要求1所述的一种基于迁移学习算法的锂离子电池组SOH估计方法,其特征在于,所述步骤3中构建的基础模型包含输入层,LSTM层、全连接层、回归输出层。
5.根据权利要求1所述的一种基于迁移学习算法的锂离子电池组SOH估计方法,其特征在于,所述步骤5中时间差为其余单体电池特定电压范围的充电时间与均值模型电池特定电压范围的充电时间的时间差,所述SOH差为其余单体电池SOH与均值模型SOH的SOH差,所述时间差和SOH差的计算公式分别为:Δti=ti-tm
ΔSOHi=SOHi-SOHm
式中,Δti为第i个电池特定电压范围的充电时间差,ΔSOHi为第i个电池SOH差,ti为第i个电池特定电压范围充电时间,tm为均值模型特定电压范围充电时间,SOHi为第i个电池SOH,SOHm为均值模型SOH。
6.根据权利要求1所述的一种基于迁移学习算法的锂离子电池组SOH估计方法,其特征在于,提取步骤1中循环充放电测试所得的20%数据作为迁移模型训练集,将所述训练集用于步骤5中运行长短期记忆神经网络方法寻找关联关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110422710.3A CN113128672B (zh) | 2021-04-16 | 2021-04-16 | 一种基于迁移学习算法的锂离子电池组soh估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110422710.3A CN113128672B (zh) | 2021-04-16 | 2021-04-16 | 一种基于迁移学习算法的锂离子电池组soh估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113128672A CN113128672A (zh) | 2021-07-16 |
CN113128672B true CN113128672B (zh) | 2022-11-29 |
Family
ID=76777718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110422710.3A Active CN113128672B (zh) | 2021-04-16 | 2021-04-16 | 一种基于迁移学习算法的锂离子电池组soh估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128672B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114167301A (zh) * | 2021-11-30 | 2022-03-11 | 同济大学 | 一种基于电动汽车实车数据的动力电池评估方法 |
CN114200327B (zh) * | 2022-01-18 | 2023-07-28 | 哈尔滨工业大学 | 一种考虑多因素影响的电池包中单体电池soc估计方法 |
CN114839540A (zh) * | 2022-05-17 | 2022-08-02 | 西安交通大学 | 一种基于深度学习算法的锂离子电池剩余寿命在线预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112540298A (zh) * | 2020-12-26 | 2021-03-23 | 福州大学 | 一种基于深度-迁移学习的锂离子电池soc估计方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2019021099A1 (ja) * | 2017-07-25 | 2020-08-06 | 株式会社半導体エネルギー研究所 | 蓄電システム、電子機器及び車両、並びに推定方法 |
CN111060833A (zh) * | 2019-12-12 | 2020-04-24 | 安徽贵博新能科技有限公司 | 一种动力电池组soh值的估算方法 |
CN111983457A (zh) * | 2020-07-15 | 2020-11-24 | 江苏大学 | 一种基于lstm神经网络的电池组soh估算方法 |
CN111856287B (zh) * | 2020-07-17 | 2021-07-13 | 上海交通大学 | 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 |
CN111985156B (zh) * | 2020-08-19 | 2022-06-14 | 电子科技大学 | 一种预测电池健康状态的方法 |
CN112067998A (zh) * | 2020-09-10 | 2020-12-11 | 昆明理工大学 | 一种基于深度神经网络的锂离子电池荷电状态估计方法 |
CN112241608B (zh) * | 2020-10-13 | 2022-08-26 | 国网湖北省电力有限公司电力科学研究院 | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 |
-
2021
- 2021-04-16 CN CN202110422710.3A patent/CN113128672B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112540298A (zh) * | 2020-12-26 | 2021-03-23 | 福州大学 | 一种基于深度-迁移学习的锂离子电池soc估计方法 |
Non-Patent Citations (1)
Title |
---|
基于LSTM-RNN的动力电池SOH估计算法研究;刘志明;《中国优秀硕士学位论文全文数据库_工程科技Ⅱ辑》;20210415;C042-544 * |
Also Published As
Publication number | Publication date |
---|---|
CN113128672A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113128672B (zh) | 一种基于迁移学习算法的锂离子电池组soh估计方法 | |
CN112946499B (zh) | 基于机器学习的锂电池健康状态及荷电状态联合估算方法 | |
WO2022253038A1 (zh) | 基于弹性网的锂电池健康状态预测方法、系统、设备及介质 | |
CN110398697B (zh) | 一种基于充电过程的锂离子健康状态估计方法 | |
CN112051511A (zh) | 基于多通道技术的动力电池健康状态的估计方法及系统 | |
CN107132490B (zh) | 一种实现锂电池组荷电状态估计的方法 | |
CN111736084B (zh) | 基于改进lstm神经网络的阀控铅酸蓄电池健康状态预测方法 | |
CN112415391A (zh) | 基于改进粒子群优化的船用锂离子电池参数辨识方法 | |
Li et al. | Multi-state joint estimation for a lithium-ion hybrid capacitor over a wide temperature range | |
CN114781176B (zh) | 一种锂离子电池储能系统集总参数的等效电路参数辨识方法 | |
CN112350400A (zh) | 一种锂电池组无层级主被动均衡电路及方法 | |
CN115453399A (zh) | 一种考虑不一致性的电池组soh估计方法 | |
CN114726045A (zh) | 一种基于ipea-lstm模型的锂电池soh估计方法 | |
CN115308608A (zh) | 一种全钒液流电池电压预测方法、装置及介质 | |
CN110850315A (zh) | 一种电池荷电状态的估算方法及装置 | |
CN113791351A (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN113125969B (zh) | 基于aukf的电池数据处理方法、设备和介质 | |
CN116774045A (zh) | 一种基于hho-svr的锂电池健康状态预测方法 | |
CN110927585A (zh) | 一种基于自循环校正的锂电池soh估算系统及方法 | |
CN115792625A (zh) | 基于神经网络的锂电池soc估计方法、系统、设备及介质 | |
Li et al. | Evaluation and analysis of circuit model for lithium batteries | |
CN113093014B (zh) | 一种基于阻抗参数的soh与soc的在线协同估计方法及系统 | |
Tian et al. | Consistency evaluation of electric vehicle battery pack: multi-feature information fusion approach | |
Cui et al. | An Online State of Health Estimation Method for Lithium-Ion Battery Based on ICA and TPA-LSTM | |
CN112946480A (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 |
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 |