CN113466724A - 确定电池等效电路模型的参数的方法、装置、存储介质及电子设备 - Google Patents
确定电池等效电路模型的参数的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113466724A CN113466724A CN202010245900.8A CN202010245900A CN113466724A CN 113466724 A CN113466724 A CN 113466724A CN 202010245900 A CN202010245900 A CN 202010245900A CN 113466724 A CN113466724 A CN 113466724A
- Authority
- CN
- China
- Prior art keywords
- battery
- voltage
- data
- equivalent circuit
- circuit model
- 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.)
- Granted
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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本公开涉及一种确定电池等效电路模型的参数的方法、装置、存储介质及电子设备,所述方法包括:获取电池的状态数据,所述状态数据包括电流数据、电压数据;基于所述电池的等效电路模型、误差信息以及所述状态数据,通过最小二乘法RLS预估模型,确定所述等效电路模型中的元件参数值;其中,所述误差信息包括电压数据的采样误差因子和/或电流数据的采样误差因子。
Description
技术领域
本公开涉及电池技术领域,具体地,涉及一种确定电池等效电路模型的参数的方法、装置、存储介质及电子设备。
背景技术
电动汽车作为一种新能源汽车,具有降低石油消耗、低污染、低噪声等优点,其被认为是能源危机问题和环境恶化问题的重要解决途径。电池作为电动汽车的动力来源,其状态的准确估计不仅有助于提升电池系统的均衡控制效率和电动汽车的能量管理效率,更攸关动态工况下电动汽车的整车安全。
相关技术中,在对电池状态进行估计时,由于采样元件校准不合格、采样元件老化等原因,电池数据的测量精度难以得到保证,从而容易导致电池等效电路模型出现误差,进而导致电池状态的估计出现误差,不利于车辆的安全运行和高效管理。
发明内容
本公开的目的是提供一种确定电池等效电路模型的参数的方法、装置、存储介质及电子设备,以解决上述相关技术问题。
为了实现上述目的,本公开实施例的第一方面,提供一种确定电池等效电路模型的方法,包括:
获取电池的状态数据,所述状态数据包括电流数据、电压数据;
基于所述电池的等效电路模型、误差信息以及所述状态数据,通过最小二乘法RLS预估模型,确定所述等效电路模型中的元件参数值;
其中,所述误差信息包括电压数据的采样误差因子和/或电流数据的采样误差因子。
根据本公开实施例的第二方面,提供一种确定电池等效电路模型的参数的装置,包括:
获取模块,用于获取电池的状态数据,所述状态数据包括电流数据、电压数据;
第一确定模块,用于基于所述电池的等效电路模型、误差信息以及所述状态数据,通过最小二乘法RLS预估模型,确定所述等效电路模型中的元件参数值;
其中,所述误差信息包括电压数据的采样误差因子和/或电流数据的采样误差因子。
根据本公开实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一方面中任一项所述方法的步骤。
根据本公开实施例的第四方面,提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现上述第一方面中任一项所述方法的步骤。
上述技术方案能够通过最小二乘法RLS预估模型确定所述电池的等效电路模型中的元件参数值。并且,在确定所述电池的等效电路模型中的元件参数值时,还考虑了至少包括电压数据的采样误差因子和/或电流数据的采样误差因子的误差信息,从而能够降低采样误差所带来的影响,进而能够提升确定的所述等效电路模型中的元件参数值的准确度,最终起到提升所确定的等效电路模型的精度的效果。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是本公开一示例性实施例所示出的一种确定电池等效电路模型的参数的方法的流程图;
图2是本公开一示例性实施例所示出的一种确定电池等效电路模型的流程示意图;
图3是本公开一示例性实施例所示出的一种L阶电池初始等效电路模型的示意图;
图4是本公开一示例性实施例所示出的一种确定电池等效电路模型的参数的装置的框图;
图5是本公开一示例性实施例所示出的一种确定电池等效电路模型的参数的装置的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
在介绍本公开所提供的确定电池等效电路模型的参数的方法、装置、存储介质及电子设备之前,首先对本公开各实施例的应用场景进行介绍。本公开的各实施例可以用于确定电池的等效电路模型,所述电池例如可以是三元锂电池、磷酸铁锂电池等等。
以电动汽车为例,电池作为电动汽车的动力来源,其状态的准确估计不仅有助于提升电池系统的均衡控制效率和电动汽车的能量管理效率,还攸关动态工况下电动汽车的整车安全。相关技术中,可以通过确定相应的电池等效电路模型进而分析所述电池的状态,这些状态例如可以是电池荷电状态(State of charge,简称SOC)、电池能量状态(State ofenergy,简称SOE)、电池功率状态(State of power,简称SOP)、电池健康状态(State ofhealth,简称SOH)等。
申请人发现,由于采样元件校准不合格、采样元件老化等原因,电池数据的测量结果中还可能包括对应的误差,从而导致相关技术中辨识出的电池等效电路模型容易出现误差,进而导致电池状态的估计出现误差,不利于车辆的安全运行和高效管理。举例来讲,随着电动车辆的使用,BMS(Battery Management System,电池管理系统)的采样器件不断老化,其测量偏置将再次出现,造成BMS的测量噪声不再为白噪声,而变为有色噪声,最终导致辨识出的电池等效电路模型出现误差,降低电池状态的估计精度。
为此,本公开提供一种确定电池等效电路模型的参数的方法,参照图1所示出的一种确定电池等效电路模型的方法的流程示意图,所述方法包括:
S11,获取电池的状态数据,所述状态数据包括电流数据、电压数据。
其中,所述状态数据还可以包括所述电池的温度数据、容量数据、开路电压-荷电状态曲线等等。
以电动汽车为例,在具体实施时可以通过BMS来直接和/或间接地获取电池的所述状态数据。例如,BMS可以通过电流传感器来直接获取所述电池的电流数据。又或者,BMS可以通过温度传感器来获取所述电池的温度数据。在一些实施例中,BMS也可以通过相应的数据接口来间接地获取所述状态数据,例如,通过数据接口来获取存储器中所存储的所述电池的开路电压-荷电状态曲线信息。
S12,基于所述电池的等效电路模型、误差信息以及所述状态数据,通过最小二乘法RLS预估模型,确定所述等效电路模型中的元件参数值。
其中,所述等效电路模型可以包括不同的阶数。所述等效电路模型的阶数可以基于对所述电池进行的离线测试得到,例如一阶电池等效电路模型、二阶电池等效电路模型等等,所述元件参数值可以用于表征所述等效电路模型中各元件的取值。
其中,U(k)为第k时刻所述电池的电压真值,ε1为电压数据的采样误差因子。
这样,上述技术方案在确定所述电池的电池等效电路模型中的元件参数值时,还考虑了电压数据的采样误差因子,从而能够降低电压采样误差所带来的影响,进而能够提升确定的所述电池等效电路模型中的元件参数值的准确度,最终起到提升所确定的电池等效电路模型的精度的效果。
其中,I(k)为第k时刻所述电池的电流真值,ε2为电流数据的采样误差因子。
这样,上述技术方案在确定所述电池的电池等效电路模型中的元件参数值时,还考虑了电流数据的采样误差因子,从而能够降低电流采样误差所带来的影响,进而能够提升确定的所述电池等效电路模型中的元件参数值的准确度,最终起到提升所确定的电池等效电路模型的精度的效果。
值得注意的是,在一些实施例中,所述误差信息也可以同时包括所述电压数据的采样误差因子以及电流数据的采样误差因子。在这种情况下,所述步骤S12包括:
基于所述电池的等效电路模型、所述电压数据的采样误差因子、所述电流数据的采样误差因子以及所述状态数据,通过最小二乘法RLS预估模型,确定所述等效电路模型中的元件参数值。
采用上述技术方案,在确定所述电池的电池等效电路模型中的元件参数值时,同时考虑了所述电压数据的采样误差因子以及所述电流数据的采样误差因子,从而能够进一步地降低采样误差所带来的影响,进而能够提升确定的所述电池等效电路模型中的元件参数值的准确度,最终起到提升所确定的电池等效电路模型的精度的效果。
值得说明的是,在一些实施例中,所述误差信息还可以包括所述电压数据和所述电流数据的采样时间差以及电池开路电压的误差。也就是说,在具体实施时,所述采样误差可以包括电压数据的采样误差因子、电流数据的采样误差因子、所述电压数据和所述电流数据的采样时间差以及电池开路电压的误差中的一种或多种,本公开对此不作限定。
在一种可能的实施方式中,参照图2所示出的一种确定电池等效电路模型阶数的流程图,所述等效电路模型是通过如下方式确定的:
在步骤S21中,基于电池离线测试,获得所述电池的初始属性信息,所述初始属性信息包括所述电池的开路电压-荷电状态曲线、滞回电压-荷电状态曲线。
其中,所述初始属性信息还可以包括电池容量信息,电池等效电路模型参数的协方差初始值等等,所述离线测试可以包括容量测试,脉冲测试以及典型工况测试。
具体的,针对所述容量测试,在一实施例中,所述容量测试包括:
(1)调整温度为25℃,将电池以电池生产商建议的容量测试电流值(例如1C)放电至电压下限,并静置30分钟;
(2)将电池以电池生产商建议的容量测试电流值(例如1C)充电至电压上限(例如4.25V)后,转为恒压充电(恒压值可以为电池生产商建议数值,例如4.25V),并静置30分钟;
(3)统计(1)和(2)分别累计的容量值,重复上述(1)和(2)直至相邻循环之间的容量值差异小于0.1Ah,将此时的容量值记为电池容量Qm。
进一步的,在获得所述电池容量Qm之后,可以对所述电池进行脉冲测试,所述脉冲测试可以包含充电和放电两个部分,其中充电和放电部分均为20组脉冲组合序列。
举例来讲,充电部分的前18组脉冲组合序列中,每组脉冲组合序列可以包括:
(1)调整温度为25℃,恒流充电脉冲(幅值为1C),直至脉冲累积安时变化大于等于Qm的5%;(2)2小时静置;(3)10秒钟恒流充电脉冲(幅值为0.5C);(4)40秒钟静置;(5)10秒钟恒流放电脉冲(幅值为0.1C);(6)将0.1C分别替换为0.5C、1C、2C、3C、4C、5C后,重复(3)至(5);(7)静置24小时;(8)调整温度至55℃,静置2h;(9)将55℃分别替换为40℃、25℃、10℃、0℃、-10℃、-20℃,-30℃后,重复(8);(10)调整温度为25℃;(11)静置24小时。
充电部分的最后2组脉冲组合序列中,每组脉冲包括:
(1)恒流-恒压脉冲,直至脉冲累积安时变化大于等于Qm的5%;(2)2小时静置;(3)10秒钟恒流充电脉冲(幅值为0.5C);(4)40秒钟静置;(5)10秒钟恒流放电脉冲(幅值为0.5C);(6)将0.5C分别替换为1C、2C、3C、4C、5C后,重复(3)至(5);(7)静置24小时;(8)调整温度至55℃,静置2h;(9)将55℃分别替换为40℃、25℃、10℃、0℃、-10℃、-20℃,-30℃后,重复(8);(10)调整温度为25℃;(11)静置24小时。
此外,针对放电部分,放电部分的20组脉冲组合序列中,每组脉冲可以包括:
(1)恒流放电脉冲(幅值为1C),直至脉冲累积安时变化大于或等于Qm的5%;(2)2小时静置;(3)10秒钟恒流放电脉冲(幅值为0.5C);(4)40秒钟静置;(5)10秒钟恒流充电脉冲(幅值为0.5C);(6)将0.5C分别替换为1C、2C、3C、4C、5C后,重复(3)至(5);(7)静置24小时;(8)调整温度至55℃,静置2h;(9)将55℃分别替换为40℃、25℃、10℃、0℃、-10℃、-20℃,-30℃后,重复(8);(10)调整温度为25℃;(11)静置24小时。
这样,通过上述脉冲测试,可以根据充电部分每组脉冲中步骤(8)中的静置2h后的电池电压,从而获得不同电池SOC和不同温度条件下,电池充电OCV(Open CircuitVoltage,开路电压)随电池SOC的变化曲线。类似的,可以根据放电部分每组脉冲中步骤(8)中的静置2h后的电池电压,从而获得不同电池SOC和不同温度条件下,电池放电OCV随电池SOC的变化曲线。其中,相同SOC的条件下,电池充电OCV与放电OCV的平均值即为电池OCV,充电OCV与放电OCV的差异的1/2记为滞回电压,电池OCV随电池SOC和温度的变化曲线即为电池OCV-SOC曲线,滞回电压随电池SOC和温度的变化曲线即为滞回电压-荷电状态曲线。
在步骤S22中,可以根据所述初始属性信息分别建立不同阶数的多个初始等效电路模型。
举例来讲,根据所述初始属性信息建立的L阶电池初始等效电路模型如图3所示。其中,UOCV和Uhys分别代表电池开路电压和电池滞回电压,I和U分别代表电池电流(放电为正)和电池电压,R0为电池电路模型中的欧姆内阻,R1~RL为对应RC网络1~L的极化电阻,C1~CL为对应RC网络1~L的极化电容,为储能元件的端电压。
在具体实施时,针对每一种阶数的电池初始等效电路模型,可以通过多目标优化算法来确定该种阶数的电池初始等效电路模型中各元件参数的取值。以粒子群算法为例,可以通过随机初始化各元件参数的取值,并将该种阶数的等效电路模型在典型工况下的电压预测残差均方根作为适应值,通过不断地迭代优化,从而选择出该种阶数的等效电路模型的元件初始参数值(优化条件可以为该种阶数的等效电路模型在典型工况下的电压预测残差均方根小于预设阈值或是迭代次数达到阈值等等),最终得到各种阶数的初始等效电路模型。此外,在一些实施例中,为了降低模型的复杂度,还可以对所述等效电路模型的阶数进行限制,例如可以将所述等效电路模型的阶数L限制为L≤3,其中L为正整数。
在步骤S23中,针对每一所述初始等效电路模型,分别测试该初始等效电路模型在目标工况下的计算误差信息和计算时间信息。
接上一实施例,在确定各种阶数的初始等效电路模型后,可以分别测试每一阶数的初始等效电路模型在典型工况下的计算误差信息和计算时间信息。
这样,在步骤S24中,可以根据每一所述初始等效电路模型的参数数量、所述计算误差信息以及所述计算时间信息计算每一所述初始等效电路模型的匹配度。并,在步骤S25中,将所述匹配度最优的初始等效电路模型确定为所述电池的等效电路模型。
采用上述技术方案,通过对电池进行离线测试,从而获得了所述电池的初始属性信息。进一步的,根据所述初始属性信息建立并计算了不同阶数的电池初始等效电路模型的匹配度,从而能够提升所述电池初始等效电路模型的精度。
在另一种可能的实施方式中,所述步骤S24,包括:
通过如下公式计算第i阶初始等效电路模型的匹配度Rankmodei:
其中,Nmodei为第i阶初始等效电路模型的参数的数量值。以图3为例进行说明,当L=1,即所述初始等效电路模型为一阶初始等效电路模型时,所述一阶电池初始等效电路模型包括参数R0,R1,C1。因此,所述一阶初始等效电路模型的参数数量为3,即Nmode1=3。
此外,Emodei为第i阶电池初始等效电路模型的计算误差,Tmodei第i阶电池初始等效电路模型的计算时间,p为所述目标工况下的测试数据长度,c为时间因子。这样,通过计算不同阶数的电池初始等效电路模型的匹配度,从而能够提升所述电池初始等效电路模型的精度。
可选地,所述等效电路模型为RC电路模型,所述步骤S11包括:
获取电池管理系统BMS采集的所述状态数据,所述状态数据还包括所述电池的温度数据以及所述电池的荷电状态数据。
例如,BMS可以通过电流传感器来直接获取所述电池的电流数据。又或者,BMS可以通过温度传感器来获取所述电池的温度数据。在一些实施例中,BMS也可以通过相应的数据接口来间接地获取所述状态数据,例如,通过数据接口来获取存储器中所存储的所述电池的开路电压-荷电状态曲线信息以及滞回电压-荷电状态曲线信息等等。
所述步骤S12,包括:
根据所述荷电状态数据,从所述电池的与所述温度数据对应的开路电压-荷电状态曲线以及滞回电压-荷电状态曲线中,确定目标开路电压以及目标滞回电压。
应当理解,在经过离线测试获取所述电池在不同温度下的开路电压-荷电状态曲线以及滞回电压-荷电状态曲线后,可以根据所述BMS获取到的电池当前的SOC信息、所述开路电压-荷电状态曲线以及滞回电压-荷电状态曲线确定当前时刻的目标开路电压以及目标滞回电压。
这样,在步骤S12中,可以基于所述等效电路模型、所述误差信息、所述电流数据、所述电压数据、所述目标开路电压以及所述目标滞回电压通过RLS预估模型,确定所述等效电路模型中的元件参数值,从而起到在线辨识所述电池等效电路模型的参数值的效果。同时,由于辨识过程中还考虑了BMS采样器件的采样误差,从而能够进一步地提升确定的所述电池等效电路模型中的元件参数值的准确度,进而能够提升所述电池等效模型的精度。
可选地,所述误差信息包括电压数据的采样误差因子和电流数据的采样误差因子,所述RLS预估模型的辨识形式为:
其中,为所述RLS预估模型第k时刻的输出信号的测量值,UOCV(k)和Uhys(k)分别代表所述电池第k时刻的目标开路电压和目标滞回电压,为第k时刻所述BMS采集的电池电压值,为所述RLS预估模型第k时刻的输入信号,为第k时刻所述BMS采集的电池电流值,θ(k)为所述RLS预估模型第k时刻的参数矩阵,a1~aL,a0,b0~bL为所述参数矩阵中的参数,L为所述电池的初始等效电路模型的阶数;
以图3为例进行说明,根据图3所示出的L阶电池初始等效电路模型可以得到拉普拉斯空间中L阶电池初始等效电路模型的表达通式:
其中,U为BMS采集到的电池电压,I为与电压同步采样的电池电流真值,UOCV为电池开路电压,Uhys为电池滞回电压,R0代表电池电路模型中的欧姆内阻,R1~RL为对应RC网络1~L的极化电阻,C1~CL为对应RC网络1~L的极化电容。
其中,T为BMS采样周期。
定义:
则式(2)可以进一步地简化为式(4):
其中,bi,aj为简化系数(i=0~L,j=1~L),表达式由电池等效电路模型阶数L决定,如式(5)~(7)所示:
当L=1时,表达式如式(5)所示:
当L=2时,表达式如式(6)所示:
当L=3时,表达式如式(7)所示:
由式(4)可得电池等效电路模型的离散化表达形式,如式(8)所示:
进一步的,在一些实施例中,由于车载BMS测量误差为有色噪声,因而还可以考虑以下两类误差:
则本公开中RLS预估模型的辨识形式为:
之后利用多元方程组求解方法对式(3)、(5)~(7)进行反解,即可求得电池等效电路模型参数Pparameter=[R0,R1~RL,C1~CL]。举例来讲,联立公式12、13可解得θ(k),在θ(k)已知的情况下,可对式(3)、(5)~(7)(根据等效电路模型阶数确定)进行反解,从而得到所述电池等效电路模型参数Pparameter=[R0,R1~RL,C1~CL],进而可以通过代入所述电池等效电路模型参数确定电池的等效电路模型。
申请人发现,在一些场景中,所述误差信息也可以包括电压数据的采样误差因子、电流数据的采样误差因子以及所述电压数据和所述电流数据的采样时间差。在这种情况下,所述RLS预估模型的辨识形式为:
其中,为所述RLS预估模型第k时刻的输出信号的测量值,UOCV(k)和Uhys(k)分别代表所述电池第k时刻的目标开路电压和目标滞回电压,为第k时刻所述BMS采集的电池电压值,为所述RLS预估模型第k时刻的输入信号,为第k时刻所述BMS采集的电池电流值,θ(k)为所述RLS预估模型第k时刻的参数矩阵,a1~aL,a0,b0~bL为所述参数矩阵中的参数,L为所述电池初始等效电路模型的阶数;
接上一实施例的式(10)进行说明,在一些场景中,还可以考虑如下误差:
(3)电流数据与电压数据之间的采样时间差,即:
其中I′(k)=I(k)+ε2,I′为与电压同步采样的电池电流,ε3表示电流数据与电压数据之间的采样时间差值,参照式(10),I(k)以及ε2的含义本公开在此不做赘述。
这样,对式(14)作泰勒展开,可得式(15):
此外,在一些实施例中,由于电池的等效电路模型的参数值估计过程与电池SOC估计过程相互分离,因而在参数值估计过程中还可以考虑电池SOC误差的影响。也就是说,当电池SOC存在误差时,参数估计需要考虑电池OCV误差:
值得注意的是,对于不同的BMS系统来说,电压数据的采样误差因子、电流数据的采样误差因子以及所述电压数据和所述电流数据的采样时间差的数值大小也可能存在着差异。在所述电压数据和所述电流数据的采样时间差的数值大小不可忽略的情况下:
则在此情况下本公开的RLS预估模型的辨识形式为:
类似的,针对式(19),也可以根据式(13)继而采用RLS方法对参数θ(k)进行估计,并利用多元方程组求解方法对式(3)、(5)~(7)进行反解,最终得到电池等效电路模型参数Pparameter=[R0,R1~RL,C1~CL]。
采用上述技术方案,通过最小二乘法RLS预估模型对电池等效电路模型的参数进行反解,从而能够确定所述电池等效电路模型中的元件参数值。并且,所述最小二乘法RLS预估模型还考虑了BMS的采样器件所获取到的各类数据的误差,从而能够降低复杂车载条件下,BMS的采样器件所获取到的各类数据的误差(例如BMS的采样器件不断老化所导致的有色测量噪声,BMS测量过程中电流和电压测量过程之间的非同步性所导致的电池等效电路模型参数值的估计误差等等)对电池等效电路模型参数值的估计影响,进而能够解决后续电池状态估计精度下降的问题。
值得注意的是,上述方法以误差信息同时包括电压数据的采样误差因子、电流数据的采样误差因子、所述电压数据和所述电流数据的采样时间差以及电池开路电压的误差为例进行了说明,但本领域技术人员应当理解,在具体实施时,所述误差信息也可以包括上述电压数据的采样误差因子、电流数据的采样误差因子、所述电压数据和所述电流数据的采样时间差以及电池开路电压的误差中的一种或多种,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
本公开还提供一种确定电池等效电路模型的参数的装置,参照图4所示出的一种确定电池等效电路模型的参数装置的框图,所述装置400包括:
获取模块401,用于获取电池的状态数据,所述状态数据包括电流数据、电压数据;
第一确定模块402,用于基于所述电池的等效电路模型、误差信息以及所述状态数据,通过最小二乘法RLS预估模型,确定所述等效电路模型中的元件参数值;
其中,所述误差信息包括电压数据的采样误差因子和/或电流数据的采样误差因子。
上述技术方案能够通过最小二乘法RLS预估模型确定所述电池等效电路模型中的元件参数值。并且,在确定所述电池的电池等效电路模型中的元件参数值时,还考虑了至少包括电压数据的采样误差因子和/或电流数据的采样误差因子的误差信息,从而能够降低采样误差所带来的影响,进而能够提升确定的所述电池等效电路模型中的元件参数值的准确度,最终起到提升所确定的电池等效电路模型的精度的效果。
可选地,所述装置400还包括:
第二确定模块,用于确定所述等效电路模型,所述第二确定模块包括:
获取子模块,用于基于电池离线测试,获得所述电池的初始属性信息,所述初始属性信息包括所述电池的开路电压-荷电状态曲线、滞回电压-荷电状态曲线;
创建子模块,用于根据所述初始属性信息分别建立不同阶数的多个初始等效电路模型;
测试子模块,用于针对每一所述初始等效电路模型,分别测试该初始等效电路模型在目标工况下的计算误差信息和计算时间信息;
计算子模块,用于根据每一所述初始等效电路模型的参数数量、所述计算误差信息以及所述计算时间信息计算每一所述初始等效电路模型的匹配度;
确定子模块,用于将所述匹配度最优的初始等效电路模型确定为所述电池的等效电路模型。
可选地,所述计算子模块用于:
通过如下公式计算第i阶初始等效电路模型的匹配度Rankmodei:
其中,Nmodei为第i阶初始等效电路模型的参数的数量值,Emodei为第i阶初始等效电路模型的计算误差,Tmodei第i阶初始等效电路模型的计算时间,p为所述目标工况下的测试数据长度,c为时间因子。
可选地,所述等效电路模型为RC电路模型,所述获取模块401用于:
获取电池管理系统BMS采集的所述状态数据,所述状态数据还包括所述电池的温度数据以及所述电池的荷电状态数据;
所述第一确定模块402,包括:
第一确定子模块,用于根据所述荷电状态数据,从所述电池的与所述温度数据对应的开路电压-荷电状态曲线以及滞回电压-荷电状态曲线中,确定目标开路电压以及目标滞回电压;
第二确定子模块,用于基于所述等效电路模型、所述误差信息、所述电流数据、所述电压数据、所述目标开路电压以及所述目标滞回电压通过RLS预估模型,确定所述等效电路模型中的元件参数值。
可选地,所述误差信息包括电压数据的采样误差因子和电流数据的采样误差因子,所述RLS预估模型的辨识形式为:
其中,为所述RLS预估模型第k时刻的输出信号的测量值,UOCV(k)和Uhys(k)分别代表所述电池第k时刻的目标开路电压和目标滞回电压,为第k时刻所述BMS采集的电池电压值,为所述RLS预估模型第k时刻的输入信号,为第k时刻所述BMS采集的电池电流值,θ(k)为所述RLS预估模型第k时刻的参数矩阵,a1~aL,a0,b0~bL为所述参数矩阵中的参数,L为所述初始等效电路模型的阶数;
可选地,所述误差信息包括电压数据的采样误差因子、电流数据的采样误差因子以及所述电压数据和所述电流数据的采样时间差,所述RLS预估模型的辨识形式为:
其中,为所述RLS预估模型第k时刻的输出信号的测量值,UOCV(k)和Uhys(k)分别代表所述电池第k时刻的目标开路电压和目标滞回电压,为第k时刻所述BMS采集的电池电压值,为所述RLS预估模型第k时刻的输入信号,为第k时刻所述BMS采集的电池电流值,θ(k)为所述RLS预估模型第k时刻的参数矩阵,a1~aL,a0,b0~bL为所述参数矩阵中的参数,L为所述初始等效电路模型的阶数;
可选的,所述误差信息包括电压数据的采样误差因子、电流数据的采样误差因子、电池开路电压的误差以及所述电压数据和所述电流数据的采样时间差,所述RLS预估模型的辨识形式为:
其中,为所述RLS预估模型第k时刻的输出信号的测量值,UOCV(k)和Uhys(k)分别代表所述电池第k时刻的目标开路电压和目标滞回电压,为第k时刻所述BMS采集的电池电压值,为所述RLS预估模型第k时刻的输入信号,为第k时刻所述BMS采集的电池电流值,θ(k)为所述RLS预估模型第k时刻的参数矩阵,a1~aL,a0,b0~bL为所述参数矩阵中的参数,L为所述初始等效电路模型的阶数;
其中,U(k)为第k时刻所述电池的电压真值,ε1为电压数据的采样误差因子,I为与电压同步采样的电池电流,ε2为电流数据的采样误差因子,ε3表示电流数据与电压数据之间的采样时间差值;为电池SOC存在误差时的电池OCV值,ε4表示对应的电池开路电压的误差。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
此外值得说明的是,为描述的方便和简洁,说明书中所描述的实施例均属于优选实施例,其所涉及的部分并不一定是本发明所必须的,例如,所述第一确定模块402和第二确定模块,在具体实施时可以是相互独立的装置也可以是同一个装置,本公开对此不作限定。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一实施例中所述的确定电池等效电路模型的参数的方法的步骤。
本公开还提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现上述任一实施例中所述的确定电池等效电路模型的参数的方法的步骤。
图5是根据一示例性实施例示出的一种用于确定电池等效电路模型的参数的装置500的框图。参照图5,装置500可以包括以下一个或多个组件:处理组件502,存储器504,电力组件506,多媒体组件505,输入/输出(I/O)的接口512,传感器组件514,以及通信组件516。
处理组件502通常控制装置500的整体操作,诸如数据的获取、传感器数据的处理,RLS算法的求解等等。处理组件502可以包括一个或多个处理器520来执行指令,以完成上述确定电池等效电路模型的参数的方法的全部或部分步骤。此外,处理组件502可以包括一个或多个模块,便于处理组件502和其他组件之间的交互。例如,处理组件502可以包括多媒体模块,以方便多媒体组件505和处理组件502之间的交互。
存储器504被配置为存储各种类型的数据以支持在装置500的操作。这些数据的示例包括用于在装置500上操作的任何应用程序或方法的指令,历史电流数据、历史电压数据、电池的开路电压-荷电状态曲线、滞回电压-荷电状态曲线等。存储器504可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电力组件506为装置500的各种组件提供电力。电力组件506可以包括电源管理系统,一个或多个电源,及其他与为装置500生成、管理和分配电力相关联的组件。
多媒体组件505包括在所述装置500和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。
I/O接口512为处理组件502和外围接口模块之间提供接口,上述外围接口模块可以是点击轮,按钮等。
传感器组件514包括一个或多个传感器,用于为装置500提供各个方面的状态评估。例如,传感器组件514可以检测电池的温度、电流等等。在一些实施例中,该传感器组件514例如可以包括加温度传感器,速度传感器,电流传感器等等。
通信组件516被配置为便于装置500和其他设备之间有线或无线方式的通信。装置500可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。
在示例性实施例中,装置500可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述确定电池等效电路模型的参数的方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器504,上述指令可由装置500的处理器520执行以完成上述确定电池等效电路模型的参数的方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的确定电池等效电路模型的参数的方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (10)
1.一种确定电池等效电路模型的参数的方法,其特征在于,包括:
获取电池的状态数据,所述状态数据包括电流数据、电压数据;
基于所述电池的等效电路模型、误差信息以及所述状态数据,通过最小二乘法RLS预估模型,确定所述等效电路模型中的元件参数值;
其中,所述误差信息包括电压数据的采样误差因子和/或电流数据的采样误差因子。
2.根据权利要求1所述的方法,其特征在于,所述等效电路模型是通过如下方式确定的:
基于电池离线测试,获得所述电池的初始属性信息,所述初始属性信息包括所述电池的开路电压-荷电状态曲线、滞回电压-荷电状态曲线;
根据所述初始属性信息分别建立不同阶数的多个初始等效电路模型;
针对每一所述初始等效电路模型,分别测试该初始等效电路模型在目标工况下的计算误差信息和计算时间信息;
根据每一所述初始等效电路模型的参数数量、所述计算误差信息以及所述计算时间信息计算每一所述初始等效电路模型的匹配度;
将所述匹配度最优的初始等效电路模型确定为所述电池的等效电路模型。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述等效电路模型为RC电路模型,所述获取电池的状态数据包括:
获取电池管理系统BMS采集的所述状态数据,所述状态数据还包括所述电池的温度数据以及所述电池的荷电状态数据;
所述基于所述电池的等效电路模型、误差信息以及所述状态数据,通过最小二乘法RLS预估模型,确定所述等效电路模型中的元件参数值,包括:
根据所述荷电状态数据,从所述电池的与所述温度数据对应的开路电压-荷电状态曲线以及滞回电压-荷电状态曲线中,确定目标开路电压以及目标滞回电压;
基于所述等效电路模型、所述误差信息、所述电流数据、所述电压数据、所述目标开路电压以及所述目标滞回电压通过RLS预估模型,确定所述等效电路模型中的元件参数值。
5.根据权利要求4所述的方法,其特征在于,所述误差信息包括电压数据的采样误差因子和电流数据的采样误差因子,所述RLS预估模型的辨识形式为:
其中,为所述RLS预估模型第k时刻的输出信号的测量值,UOCV(k)和Uhys(k)分别代表所述电池第k时刻的目标开路电压和目标滞回电压,为第k时刻所述BMS采集的电池电压值,为所述RLS预估模型第k时刻的输入信号,为第k时刻所述BMS采集的电池电流值,θ(k)为所述RLS预估模型第k时刻的参数矩阵,a1~aL,a0,b0~bL为所述参数矩阵中的参数,L为所述初始等效电路模型的阶数;
6.根据权利要求4所述的方法,其特征在于,所述误差信息包括电压数据的采样误差因子、电流数据的采样误差因子以及所述电压数据和所述电流数据的采样时间差,所述RLS预估模型的辨识形式为:
其中,为所述RLS预估模型第k时刻的输出信号的测量值,UOCV(k)和Uhys(k)分别代表所述电池第k时刻的目标开路电压和目标滞回电压,为第k时刻所述BMS采集的电池电压值,为所述RLS预估模型第k时刻的输入信号,为第k时刻所述BMS采集的电池电流值,θ(k)为所述RLS预估模型第k时刻的参数矩阵,a1~aL,a0,b0~bL为所述参数矩阵中的参数,L为所述初始等效电路模型的阶数;
7.根据权利要求4所述的方法,其特征在于,所述误差信息包括电压数据的采样误差因子、电流数据的采样误差因子、电池开路电压的误差以及所述电压数据和所述电流数据的采样时间差,所述RLS预估模型的辨识形式为:
其中,为所述RLS预估模型第k时刻的输出信号的测量值,UOCV(k)和Uhys(k)分别代表所述电池第k时刻的目标开路电压和目标滞回电压,为第k时刻所述BMS采集的电池电压值,为所述RLS预估模型第k时刻的输入信号,为第k时刻所述BMS采集的电池电流值,θ(k)为所述RLS预估模型第k时刻的参数矩阵,a1~aL,a0,b0~bL为所述参数矩阵中的参数,L为所述初始等效电路模型的阶数;
8.一种确定电池等效电路模型的参数的装置,其特征在于,包括:
获取模块,用于获取电池的状态数据,所述状态数据包括电流数据、电压数据;
第一确定模块,用于基于所述电池的等效电路模型、误差信息以及所述状态数据,通过最小二乘法RLS预估模型,确定所述等效电路模型中的元件参数值;
其中,所述误差信息包括电压数据的采样误差因子和/或电流数据的采样误差因子。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210730398.9A CN115097331A (zh) | 2020-03-31 | 2020-03-31 | 确定电池等效电路模型的参数的方法、装置、存储介质及电子设备 |
CN202010245900.8A CN113466724B (zh) | 2020-03-31 | 2020-03-31 | 确定电池等效电路模型的参数的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010245900.8A CN113466724B (zh) | 2020-03-31 | 2020-03-31 | 确定电池等效电路模型的参数的方法、装置、存储介质及电子设备 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210730398.9A Division CN115097331A (zh) | 2020-03-31 | 2020-03-31 | 确定电池等效电路模型的参数的方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113466724A true CN113466724A (zh) | 2021-10-01 |
CN113466724B CN113466724B (zh) | 2022-10-18 |
Family
ID=77866067
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010245900.8A Active CN113466724B (zh) | 2020-03-31 | 2020-03-31 | 确定电池等效电路模型的参数的方法、装置、存储介质及电子设备 |
CN202210730398.9A Pending CN115097331A (zh) | 2020-03-31 | 2020-03-31 | 确定电池等效电路模型的参数的方法、装置、存储介质及电子设备 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210730398.9A Pending CN115097331A (zh) | 2020-03-31 | 2020-03-31 | 确定电池等效电路模型的参数的方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN113466724B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104007390A (zh) * | 2013-02-24 | 2014-08-27 | 快捷半导体(苏州)有限公司 | 电池电荷状态跟踪、等效电路选择及基准测试方法及系统 |
US20140244193A1 (en) * | 2013-02-24 | 2014-08-28 | Fairchild Semiconductor Corporation | Battery state of charge tracking, equivalent circuit selection and benchmarking |
JP2015224919A (ja) * | 2014-05-27 | 2015-12-14 | 株式会社デンソー | 車両用二次電池の等価回路のパラメータ推定装置 |
CN106249171A (zh) * | 2016-09-18 | 2016-12-21 | 北京理工大学 | 一种用于宽采样间隔的动力电池系统辨识和状态估计方法 |
KR20170052936A (ko) * | 2015-11-05 | 2017-05-15 | 영화테크(주) | 배터리 센서를 이용한 자동차 배터리의 기능상태 예측방법 |
CN108072847A (zh) * | 2018-01-29 | 2018-05-25 | 西南交通大学 | 一种动力锂电池模型参数辨识和剩余电量的估计方法 |
CN108693472A (zh) * | 2017-04-12 | 2018-10-23 | 上海蓝诺新能源技术有限公司 | 电池等效模型参数在线辨识方法 |
CN109726501A (zh) * | 2019-01-11 | 2019-05-07 | 武汉理工大学 | 基于可变遗忘因子的rls锂电池模型参数在线辨识方法 |
CN109900937A (zh) * | 2019-04-10 | 2019-06-18 | 河南科技大学 | 一种具有温度补偿功能的锂电池电荷状态估算方法 |
CN110333460A (zh) * | 2018-03-30 | 2019-10-15 | 比亚迪股份有限公司 | 动力电池组的rc网络参数获取方法、装置和电动汽车 |
-
2020
- 2020-03-31 CN CN202010245900.8A patent/CN113466724B/zh active Active
- 2020-03-31 CN CN202210730398.9A patent/CN115097331A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104007390A (zh) * | 2013-02-24 | 2014-08-27 | 快捷半导体(苏州)有限公司 | 电池电荷状态跟踪、等效电路选择及基准测试方法及系统 |
US20140244193A1 (en) * | 2013-02-24 | 2014-08-28 | Fairchild Semiconductor Corporation | Battery state of charge tracking, equivalent circuit selection and benchmarking |
JP2015224919A (ja) * | 2014-05-27 | 2015-12-14 | 株式会社デンソー | 車両用二次電池の等価回路のパラメータ推定装置 |
KR20170052936A (ko) * | 2015-11-05 | 2017-05-15 | 영화테크(주) | 배터리 센서를 이용한 자동차 배터리의 기능상태 예측방법 |
CN106249171A (zh) * | 2016-09-18 | 2016-12-21 | 北京理工大学 | 一种用于宽采样间隔的动力电池系统辨识和状态估计方法 |
CN108693472A (zh) * | 2017-04-12 | 2018-10-23 | 上海蓝诺新能源技术有限公司 | 电池等效模型参数在线辨识方法 |
CN108072847A (zh) * | 2018-01-29 | 2018-05-25 | 西南交通大学 | 一种动力锂电池模型参数辨识和剩余电量的估计方法 |
CN110333460A (zh) * | 2018-03-30 | 2019-10-15 | 比亚迪股份有限公司 | 动力电池组的rc网络参数获取方法、装置和电动汽车 |
CN109726501A (zh) * | 2019-01-11 | 2019-05-07 | 武汉理工大学 | 基于可变遗忘因子的rls锂电池模型参数在线辨识方法 |
CN109900937A (zh) * | 2019-04-10 | 2019-06-18 | 河南科技大学 | 一种具有温度补偿功能的锂电池电荷状态估算方法 |
Non-Patent Citations (2)
Title |
---|
XIAN WANG ET AL: "《On-line Identification of Liquid Metal Battery Model Using Bias Compensation Recursive Least Squares Method with Forgetting Factor》", 《2018 IEEE 2ND INTERNATIONAL ELECTRICAL AND ENERGY CONFERENCE (CIEEC)》 * |
赵洋 等: "《超级电容器等效电路模型参数辨识算法比较研究》", 《电气应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115097331A (zh) | 2022-09-23 |
CN113466724B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113466723B (zh) | 确定电池荷电状态的方法及装置,电池管理系统 | |
Wang et al. | A framework for state-of-charge and remaining discharge time prediction using unscented particle filter | |
Chen et al. | A new state-of-health estimation method for lithium-ion batteries through the intrinsic relationship between ohmic internal resistance and capacity | |
Farmann et al. | Comparative study of reduced order equivalent circuit models for on-board state-of-available-power prediction of lithium-ion batteries in electric vehicles | |
Deng et al. | Online available capacity prediction and state of charge estimation based on advanced data-driven algorithms for lithium iron phosphate battery | |
Li et al. | Enhanced online model identification and state of charge estimation for lithium-ion battery under noise corrupted measurements by bias compensation recursive least squares | |
KR102652848B1 (ko) | 리튬 유황 배터리의 충전 상태 및 건강 상태를 결정하는 방법 및 장치 | |
Ungurean et al. | Battery state of health estimation: a structured review of models, methods and commercial devices | |
Sun et al. | Model-based dynamic multi-parameter method for peak power estimation of lithium–ion batteries | |
Dong et al. | Kalman filter for onboard state of charge estimation and peak power capability analysis of lithium-ion batteries | |
CN110488194B (zh) | 一种基于电化学阻抗模型的锂电池soc估算方法及其系统 | |
KR100894021B1 (ko) | 진보 셀 모델 예측 기술을 이용한 배터리 팩의 전력 용량을계산하는 방법 | |
US10295600B2 (en) | Monitoring charge stored in a battery | |
CN111722118B (zh) | 一种基于soc-ocv优化曲线的锂离子电池soc估计方法 | |
CN113466725B (zh) | 确定电池荷电状态的方法及装置,存储介质及电子设备 | |
CN105334462A (zh) | 电池容量损失在线估算方法 | |
KR20160000317A (ko) | 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법 | |
Jin et al. | SOC estimation of lithium-ion battery considering the influence of discharge rate | |
US20230184840A1 (en) | Method and Apparatus for Providing an Aging State for a Device Battery Having Correction of State Observations on the Basis of Systematic State and Environmental Influences | |
CN111060822B (zh) | 一种基于模型切换及融合的荷电状态估计方法 | |
Manthopoulos et al. | A review and comparison of lithium-ion battery SOC estimation methods for electric vehicles | |
Wang et al. | A flexible method for state-of-health estimation of lithium battery energy storage system | |
Pózna et al. | Model identification and parameter estimation of lithium ion batteries for diagnostic purposes | |
CN113608126A (zh) | 一种不同温度下的锂电池soc在线预估方法 | |
Rezoug et al. | State-of-charge Estimation of Lithium-ion Batteries Using Extended Kalman Filter |
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 |