CN113791350A - 电池故障预测方法 - Google Patents
电池故障预测方法 Download PDFInfo
- Publication number
- CN113791350A CN113791350A CN202110905841.7A CN202110905841A CN113791350A CN 113791350 A CN113791350 A CN 113791350A CN 202110905841 A CN202110905841 A CN 202110905841A CN 113791350 A CN113791350 A CN 113791350A
- Authority
- CN
- China
- Prior art keywords
- voltage
- battery
- value
- time
- outlier
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 208000032953 Device battery issue Diseases 0.000 title claims description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 23
- 238000012706 support-vector machine Methods 0.000 claims description 18
- 238000013450 outlier detection Methods 0.000 claims description 9
- 239000000178 monomer Substances 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 1
- 238000004364 calculation method Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Secondary Cells (AREA)
Abstract
本发明属于电池检测方法技术领域，涉及一种电池故障预测方法，包括以下步骤：设定电池组内各单体电池的报警电压阈值，所述报警电压阈值包括正常电压阈值、欠压阈值和过压阈值；采集各所述单体电池的电压参数并与其对应所述正常电压阈值比较，判断有无单体异常电压，所述单体电池的电压参数处于欠压阈值或过压阈值为单体异常电压；若无单体异常电压，则判断该电池组不会发生电压故障；否则，对单体异常电压进一步进行判断，其具有能够快速的对电池电压趋势进行预判，对电压的预估方法准确，能迅速的对即将发生的故障进行精准判断的优点。
Description
技术领域
本发明属于电池检测方法技术领域，尤其涉及一种电池故障预测方法。
背景技术
近年来，频发的电动汽车起火事件，很大一部分原因是电池原因引起的。对于突发的碰撞造成电池起火是无法进行预测的，但是，由于电池自身一致性差，造成电池寿命 衰减甚至热失控，从而引起电池可能自燃这种安全事故是可以通过一定分析方法进行故 障预测的。
然而，现有技术中，对于电池故障的预测，基本上是基于各单体电池电压变化率与行驶里程建立联立关系，来作为故障预测的判定依据。例如公开号为CN107528095A的发 明专利，提供了一种基于新能源车辆存储卡数据的低压蓄电池失效预测方法，该方法首 先预设静置时间内标定电压，记录车辆静止一段时间低压蓄电池恢复到一定电压变化差 值，其差值与标定电压建立比值(静置电压变化率)，根据行车样本数据、给出车辆车 载低压蓄电池的静置电压变化率-新能源车辆行驶里程的标准阈值曲线，对待检车辆绘制 低压蓄电池的静置电压变化率-新能源车辆行驶里程的曲线，并与标准阈值曲线相对照： 若待检测低压蓄电池的静置电压变化率曲线高出标准阈值曲线，则判断该低压蓄电池发 生了故障或即将发生故障。但该方法是在基于里程的故障进行判断，而不能精准预测故 障发生的具体时间，并且对于车辆在静止充电时电池故障预测问题并没能够实现。而对 于故障发生前能够提前精准十分钟、二十分钟的故障预警，则是意义非常重大的，很可 能避免由于电池故障引起车毁人亡的悲惨事件发生。
由此可见，现有技术中并不能完全对车辆电池处于各种状态下进行故障预测，也不 能短期内对故障发生时间进行精确判断。
发明内容
为了解决上述背景技术中的问题，本发明提供了一种电池故障预测方法，其具有能 够快速的对电池电压趋势进行预判，对电压的预估方法准确，能迅速的对即将发生的故障进行精准判断优点。
本发明是通过以下技术方案来实现的：
一种电池故障预测方法，包括以下步骤：
设定电池组内各单体电池的正常电压阈值；
采集各所述单体电池的电压参数并与其对应所述正常电压阈值比较，判断有无单体 异常电压；
若无单体异常电压，则判断该电池组不会发生电压故障；否则，对单体异常电压进一步进行判断。
作为发明的进一步说明：所述对单体异常电压进一步进行判断采用离群值检测方法， 包括以下步骤：
设定电池组内各单体电池的报警电压阈值；
通过离群值检测方法检测单体异常电压是否为离群值点；若非离群值点，继续判断 该电池组整体是否会发生故障；否则，继续判断该离群值对应单体电池是否会发生故障。
作为发明的进一步说明：所述若非离群值点，继续判断该电池组整体是否出现故障， 包括以下步骤：
设定预报警时间T1；
计算当前时刻t0下电池组电压发生故障所需时间T，若T＞T1，电池组T时刻内不会发生电压故障，否则，电池组T时刻内发生电压故障。
作为发明的进一步说明：所述计算当前时刻t0下电池组电压发生故障所需时间T，包括以下步骤：
用该电池组内各单体电池前N个连续时间的电压均值作线性方程拟合，其线性回归 方程表达式：yi＝a0+b0ti，yi为对应时间ti的电压预测值，计算a0，b0两个参数值求得拟合方程，通过拟合方程计算前时刻t0下电池组电压发生故障所需时间T。
作为发明的进一步说明：所述否则，继续判断该离群值对应单体电池是否会出现故 障，包括以下步骤：
设定预报警时间T2；
预估该离群值对应单体电池T2时刻后电压预估值VT；若所述电压预估值VT处于报警电压阈值内，则判定该离群值对应单体电池未来T2时刻内不会发生电压故障；否则， 继续预估该离群值对应单体电池T2时刻后X个连续时刻内的电压预估值VT+1至VT+X， 若VT+1至VT+X均处于所述报警电压阈值内，则判定该电池组未来T2时刻内不会发生故 障，若VT+1至VT+X中存在超出所述报警电压阈值的电压预测值，则判定该电池组未来T 时刻内将发生故障。
作为发明的进一步说明：
所述预估该离群值对应单体电池T2时刻后电压预估值VT，包括以下步骤：
将该单体电池前一连续时刻电压参数进行回归拟合，得到基于时间的电压方程，所 述的电压方程回归拟合采用最小二乘法支持向量机回归预测；
所述最小二乘法支持向量机回归预测，包括以下步骤：
选取该离群值对应单体电池当前时刻的前M个连续时间的电压参数作为训练样本； 用该离群值对应单体电池当前时刻及前M-1个连续时间的电压参数作为测试样本，求得 预测值；
设定容许误差极限Emax，预测值与实际值的绝对误差在设置的容许压差Emax范围内， 且平均绝对百分比误差MAPE＜3％，则该支持向量机回归模型为当前时刻t0下最佳；
所述继续预估该离群值对应单体电池T2时刻后X个连续时刻内的电压预估值VT+1至VT+X同样采用最小二乘法支持向量机回归预测。
作为发明的进一步说明：还包括对所述继续预估该离群值对应单体电池T2时刻后X 个连续时刻内的电压预估值VT+1至VT+X进行优化，包括以下步骤：
用训练完成的支持向量机回归模型预测t0+1时刻的电压，并与t0+1时刻实际电压参数 比较，计算误差Ei，若Ei＜Emax，则将(t0+1，U0+1)带入支持向量机训练样本集中；
若Ei＜Emax，运用滑动窗口原理，将t0-M时刻的样本剔除，将(t0+1，U0+1)插入至样 本集末尾形成新的样本集；
重复上述步骤，直到找到最佳模型为止。
作为发明的进一步说明：所述设定电池组内各单体电池的报警电压阈值，包括以下 步骤：
随机选择电池种类相同、单体电池数量一致的多个车辆，采集故障车辆发生故障前 各单体电池电压参数以及正常车辆各单体电池电压参数组成随机样本，对随机样本进行 概率统计；
取置信度α＝y，计算置信区间双侧电压临界值分别为u1，u2；
通过聚类算法对所述随机样本进行分类，设置c＝3，计算三个聚类区间中心坐标值 c1、c2和c3，单体电池欠压上临界值V2＝min(u1，c1)，单体电池过压下临界值V3＝ max(u2，c3)；
确定单体电池电压状态，[V1，V2]为欠压阈值，[V2，V3]为正常电压阈值，[V3， V4]为过压阈值；其中，V1为单体电池欠压临界报警值，V4为单体电池过压临界报警值。
作为发明的进一步说明：所述设定电池组内各单体电池的报警电压阈值，包括以下 步骤：
随机选择电池种类相同、单体电池数量一致的多个车辆，采集故障车辆发生故障前 各单体电池电压参数以及正常车辆各单体电池电压参数组成随机样本，对随机样本进行 概率统计；
取置信度α＝y，计算置信区间双侧电压临界值分别为u1，u2；
通过聚类算法对所述随机样本进行分类，设置K＝3，计算三个聚类区间中心坐标值c1、 c2和c3，单体电池欠压上临界值V2＝min(u1，c1)，单体电池过压下临界值V3＝max(u2，c3)； 确定单体电池电压状态，[V1，V2]为欠压阈值，[V2，V3]为正常电压阈值，[V3，V4]为过压阈值；其中，V1为单体电池欠压临界报警值，V4为单体电池过压临界报警值。
作为发明的进一步说明：所述离群值检测方法采用箱体图、格拉布斯准则或拉依达 准则。
与现有技术相比，本发明具有以下有益的技术效果：
1、首先，按照一定比例将正常车辆电池工作电压，故障车辆发生电压故障前的电池 电压参数数据融合一起组成大数据样本，通过聚类方法，并结合统计分布确定的置信区间，将电池电压工作状态划分为偏低、正常、偏高区域。用机器学习及大数据统计思想 将电池状态大致分了区间，能够初步对电池状态进行了区分。
2、根据初步对电池状态进行分类，对落入电压偏低以及偏高区域单体电池或者整体 电池组的未来电压趋势进行预测，用曲线拟合以及支持向量机回归预测模型的方法对达 到临界报警电压值时间进行预测，并用以设定好的预报警时间进行对比。其设置的预报警时间一般设置在故障发生前半小时左右，能够较精确的计算出故障发生时间。并且其 拟合的支持向量机回归方法其模型具有迭代性，能够不断优化预估精度，其算法简单、 可靠。
附图说明
图1为本发明判断流程示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施 例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、 “竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位 或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述 本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定 的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、 “第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂，而是可 以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结 构一定要完全水平，而是可以稍微倾斜。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆 卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以 通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言， 可以具体情况理解上述术语在本发明中的具体含义。
如图1所示，一种电池故障预测方法，包括以下步骤：
设定电池组内各单体电池的正常电压阈值、欠压阈值和过压阈值，同时设定电池组 内各单体电池的报警电压阈值，具体包括以下步骤：
将车辆类型、电池种类、单体数量一致的车辆进行分类，从同一类中随机选择电池种类相同、单体电池数量一致的多个车辆，采集故障车辆发生故障前各单体电池电压参 数以及正常车辆各单体电池电压参数组成随机样本，本实施例中，采集单体电池电压参 数的故障车辆与正常车辆的车量比例为1∶4，采集数据时要求提取时间长度一致，便于 形成基于时间序列的电压矩阵参数。其中，电压参数的采集通过车载终端TBOX实现， 且采集的电压参数来源基于GB201 6-32960协议规定数据格式要求，采集频率为1条/10s。
进一步，对随机样本进行概率统计；具体的，对上述采集的正常车辆的电压参数以及故障车辆故障发生前的电压参数形成的基于时间序列的历史电压数组进行统计分布，得到的概率分布图近似等于正态分布。
取置信度α＝y，计算置信区间双侧电压临界值分别为u1，u2。计算该随机样本的电压均值
标准差S，代替正态分布的μ，σ；取置信度d＝95％，计算得到双侧电压临 界值分别为u1，u2。接着对上述的历史电压数组进行模糊均值C聚类，设置类别数目 K＝3，加权指数b＝2，分别计算每一类聚类中心坐标值c1，c2，c3及每一类聚类中心坐 标值对应的电压点，取单体电池欠压上临界值V2＝min(u1，c1)，取单体电池过压下临界 值V3＝max(u2，c3)，本实施中V2＝2.9V，v3＝3.5V。
BMS厂家设置的单体欠压、单体过压临界报警值分别为v1＝2.8V、v4＝3.6V；将单体 欠压临界报警值作为本申请中电池欠压下临界值，将单体过压临界报警值作为本申请中 电池过压上临界值其中；则为欠压阈值为[2.8V，2.9V]，正常电压阈值为[2.9V，3.5V]，过压阈值为[3.5V，3.6V]。
采集各所述单体电池的电压参数并与其对应所述正常电压阈值比较，判断有无单体 异常电压，即获取电池组内各单体电池电压参数、按照上述三个单体电池电压划分区间， 判断当前各单体电池所处状态，单体电池电压处于欠压阈值或过压阈值内则属于单体异 常电压。
如果各单体电池电压均处在正常电压阈值内，则判断该电池组不会发生电压故障， 若存在单体电池电压处于欠压阈值或过压阈值内，则对单体异常电压对应的单体电池采 用离群值检测方法进一步进行判断。
当有单体电池电压处在欠压阈值或过压阈值内，首先用离群值检测方法检测该落入 欠压阈值或者过压阈值内的单体电池电压是否是离群值。这一步的离群值检测并未是对 原电压数据出现的单体异常电压值的预处理，而是在电池组电压工作范围内，对已进入欠压阈值或过压阈值的单体电池疑似可能出现单体故障欠压和过压的电池单体值进行识别，对用该方法检测出来的可疑单体后续进一步分析，本申请中离群值检测方法包括但 不限于箱体图、格拉布斯准则以及拉依达准则。离群值检测发有很多种，本申请并未全 部提及，但其思想意图皆为对本发明保护范围的限定。
若落入欠压阈值或过压阈值的单体电池电压参数非离群值点(电池组内各单体电池 整体电压均处于欠压阈值，则该单体异常电压并不属于离群值，该单体异常电压对应的单体电池其实处于正常工作，同理，电池组内各单体电池整体电压均处于过压阈值，则 该单体异常电压并不属于离群值，该单体异常电压对应的单体电池处于正常工作)，此 时，由于电池组内各单体电池的电压参数均处于欠压阈值或过压阈值内，则继续判断该 电池组整体是否出现故障。
判断该电池组整体是否出现故障，包括以下步骤：
设定预报警时间T1，本实施例中，T1设定为30分钟；
用该电池组内各单体电池前N个连续时间的电压均值作线性方程拟合，即待拟合点 为
其中
分别对应ti-N...ti-1时刻下电池组内各单体 电压平均值，本实施例中，电池组内设160个单体电池，则ti-1时刻下的单体电压平均值
即为这160个各单体电池电压总和的的算术平均值，则其线性回归方程表达式为： yi＝a0+b0ti，yi为对应时间ti的电压预测值，利用最小二乘法得到a0，b0两个参数值， 通过拟合方程计算当前时刻t0下电池组电压发生故障所需时间T，若T＞T1，电池组T时 刻内不会发生电压故障，否则，电池组T时刻内发生电压故障。
否则，继续判断该离群值对应单体电池是否会出现故障，即确定单体异常电压为离 群值点，由于此时电池组内只有离群值对应的单体电池出现故障，则需将这些单体电池的电压趋势进行逐一分析，本实施例中，采用最小二乘法支持向量机回归模型预测未来 短期内电压参数。
所述最小二乘法支持向量机回归预测，包括以下步骤：
选取该离群值对应单体电池当前时刻的前M个连续时间的电压参数作为训练样本；
用该离群值对应单体电池当前时刻及前M-1个连续时间的电压参数作为测试样本， 求得预测值；
设定容许误差极限Emax，预测值与实际值的绝对误差在设置的容许压差Emax范围内， 且平均绝对百分比误差MAPE＜3％，则该支持向量机回归模型为当前时刻t0下最佳；
所述继续预估该离群值对应单体电池T2时刻后X个连续时刻内的电压预估值VT+1至VT+X同样采用最小二乘法支持向量机回归预测。
支持向量机是以结构风险最小化为建模基础的机器学习方法，其良好的推广能力以 及非线性处理优势，而被广泛应用于模式识别以及回归估计领域，并且LS-SVR在解决高维特征的回归问题很有效，在特征维度大于样本数时依然有很好的效果。核函数选用rbf核，对于核函数参数选取问题，我们通过网格搜索法选择拟合分数较好的超平面系数，其中惩罚系数C：[0.1，1，10]，gamma：[0.1，0.2，0.3]}，9种超参数的组合来进行网格 搜索，同时用k折交叉验证评估模型性能，本实施例中，k＝10，用该单体电池当前时刻 前50个时间采样点的电压数据做训练集，其中，数据采样间隔为20S，用当前时刻以及 前49个采样点电压值做测试集进行模型精度验证，用均方根误差(RMES)及平均绝对百 分比误差(MAPE)对模型评价，其计算的误差值结果均比设定的阈值λ1、λ2小，说明该模 型稳定有效。
设定预报警时间T2为20分钟。
预估该离群值对应单体电池T2时刻后电压预估值VT；若所述电压预估值VT处于报警电压阈值内，则判定该离群值对应单体电池未来T2时刻内不会发生电压故障。具体为，用上述训练好的最小二乘法支持向量机回归模型预测当前时刻20分钟后的电压预估值，若预估电压值大于临界阈值V1或者小于临界阈值V4，则可以判定20分钟内该电池不会 发生电压故障。
若预测20分钟后该单体电压值小于临界阈值V1或者大于临界阈值V4，还需继续预估该离群值对应单体电池T2时刻后X个连续时刻内的电压预估值VT+1至VT+X，若VT+1至VT+X均处于所述报警电压阈值内，则判定该电池组未来T2时刻内不会发生故障，若 VT+1至VT+X中存在超出所述报警电压阈值的电压预测值，则判定该电池组未来T时刻内 将发生故障。
本实施例中，仅验证下一连续T21及T22下该单体电池的电压预估值VT+1和VT+2， 若VT+1和VT+2都小于预报警时间20分钟，则可判定该单体电池在未来20分钟内将会发 生电压故障，若VT+1和VT+2中任一小于V，则可判定该单体电池在未来20分钟内将会 发生电压故障。
上述预估T2、T21及T22时刻的电压预估值采用确定预估时刻，进而计算预估时刻电压值的方法，同理，也可采用确定预估电压参数，进而计算超出报警电压阈值的时间 的办法，两种办法采用相同的原理。
对于单体电池T2时刻后X个连续时刻内的电压预估值VT+1至VT+X模型优化问题， 调整训练样本数量，调参，或改tiUi变核函数种类等多种验证方式来进行优化。在本实 施例中，通过调整训练样本值和改造组合预估模型来达到提高预估精度。本实施仍以预 估T21及T22电压参数为例进行说明，其具体方法为：
分别用上述得到的最小二乘支持向量机回归预测模型预估T21及T22时刻电压参数， 并与实际值比较，计算误差Ei，以及均方根误差(RMES)和平均绝对百分比误差(MAPE)，若Ei＜Emax，均方根误差(RMES)和平均绝对百分比误差(MAPE)都小于设定的阈值，则将(t0+1，U0+1)带入到上述支持向量机回归模型训练样本中，建立最新预测模型预测T21时刻电压达到临界阈值V1或者临界阈值V4所需时长，则在T21时刻预估T22时刻电压 达到临界阈值V1或者临界阈值V4所需时长时，就需要将(t0+2，U0+2)增加以增加的训 练样本末端，这样通过不停的增加临近点的历史数据能够对预估曲线的跟随性保持一致， 在增大训练样本的同时，不会造成局部最优。这种增加拟合区间长度，可进一步训练优 化支持向量机回归新模型。长的数据样本可以展示长期的变化规律，而短的临近的数据 样本则能突出短期的数据变化。
如果Ei＜Emax，则运用滑动窗口原理，将t0-M时刻的样本剔除，将(t0+1，U0+1)插入 至样本集末尾形成新的样本集并且对预估模型进行构造，通过结合不同训练样本组成的 新模型，来预估未来时刻的电压趋势。本方案实施例中，用前期50的历史样本组成的训 练集样本建立模型，用当前时刻最近的连续10个历史样本建立另一个预估模型。将分别 计算的电压预估值进行加权和，得到的最新的电压值。即为优化后的最小二乘支持向量 机回归模型预测的电压值，其原理是长数据样本可以展示长期的变化规律，而短的临近 的数据样本则能突出短期的数据变化。其对预估值进行加权方法在本实施例的具体方法 是，用50个训练样本得到T21时刻电压预估值是2.65，用临近10个训练样本得到的电压 预估值是2.68，实际值为2.74，则根据50个训练样本中心与T21时刻的距离和10个训 练样本与T21时刻的距离和组成总距离为(50+10)/2＝30。则对50个训练样本得到T21时刻电压预估值加权处理，可得2.65*5/30＝0.441，对10个训练样本得到时T21刻电压预 估值2.68*25/30＝2.23，则加权后之和为2.67，则加权后的预测结果与真实值的误差进一 步减小，并且模型对之前训练样本集进行改动，将较早时间的样本进行剔除，增加(t0+1， U0+1)插入到改动后的样本集末尾，并按照上述办法进行测试验证，直到找到最佳模型为 止。
实施例二
本实施例以实际单体电压数据对电池电压预测模型及预测结果进一步说明；
以下表一数据为某单体电压发生欠压故障前的某正常单体的基于时间序列的一组数 据。一共选取30个采样数据点，本实施例中用前25个采样的电压值做训练样本，用后五个数据点做测试样本集。基于篇幅考虑，其所选电压数据的时间间隔为60s。
本实施例中用matlab对模型进行测试验证，选用自带的支持向量机(SVM)模型函数fitcsvm及预测函数predict，其中选用高斯核函数及rbf，选择10倍交叉验证，并使用fitcsvm自动优化超参数设置。
对于模型的预测结果用运用均方根误差(RMES)及平均绝对百分比误差(MAPE)来评 价。
其中，actual(t)为实际值，forecast(t)为预测值。
表一：
表2
| RMES | MAPE | |
| SVR | 0.0184 | 0.5293 |
表2为根据真实值和预测值计算的均方根误差及平均绝对百分比误差，本实施例结 合表一和表二以及图1进行说明，根据表一和表二可以看出预测值和真实值实际偏差较小。从表1中看出，1-25个采样点组成训练样本，测试2-25个采样点对应的电压预估值， 可以从绝对误差结果可以看出其最大绝对误差是0.052V，其预估的精度是比较高的，并 且在表一中所示，可以看出预估的电压值跟实际电压状态曲线保持了很好的跟随性，以 及整体偏差都很小，而且和电压趋势保持一致，并且从表2看出，MAPE的值越小，说 明预测模型拥有很好的精确度。
以上给出的实施例是实现本发明较优的例子，本发明不限于上述实施例。本领域的 技术人员根据本发明技术方案的技术特征所做出的任何非本质的添加、替换，均属于本发明的保护范围。
Claims (9)
1.一种电池故障预测方法，其特征在于，包括以下步骤：
设定电池组内各单体电池的报警电压阈值，所述报警电压阈值包括正常电压阈值、欠压阈值和过压阈值；
采集各所述单体电池的电压参数并与其对应所述正常电压阈值比较，判断有无单体异常电压，所述单体电池的电压参数处于欠压阈值或过压阈值为单体异常电压；
若无单体异常电压，则判断该电池组不会发生电压故障；否则，对单体异常电压进一步进行判断。
2.根据权利要求1所述的电池故障预测方法，其特征在于，所述对单体异常电压进一步进行判断采用离群值检测方法，包括以下步骤：
通过离群值检测方法检测单体异常电压是否为离群值点；若非离群值点，继续判断该电池组整体是否会发生故障；否则，继续判断该离群值对应单体电池是否会发生故障。
3.根据权利要求2所述的电池故障预测方法，其特征在于，所述若非离群值点，继续判断该电池组整体是否出现故障，包括以下步骤：
设定预报警时间T1；
计算当前时刻t0下电池组电压发生故障所需时间T，若T＞T1，电池组T时刻内不会发生电压故障，否则，电池组T时刻内发生电压故障。
4.根据权利要求3所述的电池故障预测方法，其特征在于，所述计算当前时刻t0下电池组电压发生故障所需时间T，包括以下步骤：
用该电池组内各单体电池前N个连续时间的电压均值作线性方程拟合，其线性回归方程表达式：yi＝a0+b0ti，yi为对应时间ti的电压预测值，计算a0，b0两个参数值求得拟合方程，通过拟合方程计算前时刻t0下电池组电压发生故障所需时间T。
5.根据权利要求2所述的电池故障预测方法，其特征在于，所述否则，继续判断该离群值对应单体电池是否会出现故障，包括以下步骤：
设定预报警时间T2；
预估该离群值对应单体电池T2时刻后电压预估值VT；若所述电压预估值VT处于报警电压阈值内，则判定该离群值对应单体电池未来T2时刻内不会发生电压故障；否则，继续预估该离群值对应单体电池T2时刻后X个连续时刻内的电压预估值VT+1至VT+X，若VT+1至VT+X均处于所述报警电压阈值内，则判定该电池组未来T2时刻内不会发生故障，若VT+1至VT+X中存在超出所述报警电压阈值的电压预测值，则判定该电池组未来T时刻内将发生故障。
6.根据权利要求5所述的电池故障预测方法，其特征在于，所述预估该离群值对应单体电池T2时刻后电压预估值VT，包括以下步骤：
将该单体电池前一连续时刻电压参数进行回归拟合，得到基于时间的电压方程，所述的电压方程回归拟合采用最小二乘法支持向量机回归预测；
所述最小二乘法支持向量机回归预测，包括以下步骤：
选取该离群值对应单体电池当前时刻的前M个连续时间的电压参数作为训练样本；用该离群值对应单体电池当前时刻及前M-1个连续时间的电压参数作为测试样本，求得预测值；
设定容许误差极限Emax，预测值与实际值的绝对误差在设置的容许压差Emax范围内，且平均绝对百分比误差MAPE＜3％，则该支持向量机回归模型为当前时刻t0下最佳；所述继续预估该离群值对应单体电池T2时刻后X个连续时刻内的电压预估值VT+1至VT+X同样采用最小二乘法支持向量机回归预测。
7.根据权利要求6所述的电池故障预测方法，其特征在于，还包括对所述继续预估该离群值对应单体电池T2时刻后X个连续时刻内的电压预估值VT+1至VT+X进行优化，包括以下步骤：
用训练完成的支持向量机回归模型预测t0+1时刻的电压，并与t0+1时刻实际电压参数比较，计算误差Ei，若Ei＜Emax，则将(t0+1，U0+1)带入支持向量机训练样本集中；若Ei＜Emax，运用滑动窗口原理，将t0-M时刻的样本剔除，将(t0+1，U0+1)插入至样本集末尾形成新的样本集；
重复上述步骤，直到找到最佳模型为止。
8.根据权利要求2所述的电池故障预测方法，其特征在于，所述设定电池组内各单体电池的报警电压阈值，包括以下步骤：
随机选择电池种类相同、单体电池数量一致的多个车辆，采集故障车辆发生故障前各单体电池电压参数以及正常车辆各单体电池电压参数组成随机样本，对随机样本进行概率统计；
取置信度α＝y，计算置信区间双侧电压临界值分别为u1，u2；
通过聚类算法对所述随机样本进行分类，设置c＝3，计算三个聚类区间中心坐标值c1、c2和c3，单体电池欠压上临界值V2＝min(u1，c1)，单体电池过压下临界值V3＝max(u2，c3)；
确定单体电池电压状态，[V1，V2]为欠压阈值，[V2，V3]为正常电压阈值，[V3，V4]为过压阈值；其中，V1为单体电池欠压临界报警值，V4为单体电池过压临界报警值。
9.根据权利要求1所述的电池故障预测方法，其特征在于，所述离群值检测方法采用箱体图、格拉布斯准则或拉依达准则。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110905841.7A CN113791350B (zh) | 2021-08-06 | 2021-08-06 | 电池故障预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110905841.7A CN113791350B (zh) | 2021-08-06 | 2021-08-06 | 电池故障预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113791350A true CN113791350A (zh) | 2021-12-14 |
| CN113791350B CN113791350B (zh) | 2024-05-14 |
Family
ID=79181521
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110905841.7A Active CN113791350B (zh) | 2021-08-06 | 2021-08-06 | 电池故障预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113791350B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114400738A (zh) * | 2022-01-06 | 2022-04-26 | 浙江南都能源互联网有限公司 | 一种储能电站电池预警方法和系统 |
| CN116068413A (zh) * | 2023-03-22 | 2023-05-05 | 长安新能源南京研究院有限公司 | 一种电池电压预测方法、装置、设备及存储介质 |
| CN116106758A (zh) * | 2023-03-23 | 2023-05-12 | 华能新能源股份有限公司山西分公司 | 基于数据驱动的电池故障诊断方法及系统 |
| CN117092519A (zh) * | 2023-08-21 | 2023-11-21 | 湖南行必达网联科技有限公司 | 一种基于XGBoost的电动重卡电池故障预警方法、装置及设备 |
| CN117686922A (zh) * | 2024-02-04 | 2024-03-12 | 深圳市安仕新能源科技有限公司 | 基于数据建模的电芯测试方法、系统和可读存储介质 |
| CN118294814A (zh) * | 2024-04-30 | 2024-07-05 | 青岛城市轨道交通科技有限公司 | 基于数据分析的实现地铁ups蓄电池故障预警的方法和装置 |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007085843A (ja) * | 2005-09-21 | 2007-04-05 | Nissan Motor Co Ltd | 電流センサの故障検知装置および方法 |
| CN103399282A (zh) * | 2013-08-07 | 2013-11-20 | 清华大学 | 电池单体故障诊断方法 |
| CN104459556A (zh) * | 2014-12-03 | 2015-03-25 | 重庆长安汽车股份有限公司 | 电池系统故障诊断方法及装置 |
| CN105620304A (zh) * | 2016-01-26 | 2016-06-01 | 华霆（合肥）动力技术有限公司 | 电池组热失稳监测装置以及电动汽车 |
| CN106556802A (zh) * | 2016-11-01 | 2017-04-05 | 东软集团股份有限公司 | 一种蓄电池组异常单体电池识别方法及装置 |
| CN108387850A (zh) * | 2018-05-04 | 2018-08-10 | 金卡智能集团股份有限公司 | 一种基于物联网的电池监测统计系统及其方法 |
| CN108646184A (zh) * | 2018-04-17 | 2018-10-12 | 深圳供电局有限公司 | 一种基于蓄电池放电初期特征的内部损伤探测装置及方法 |
| CN108761337A (zh) * | 2018-05-03 | 2018-11-06 | 自贡同发荣实业有限公司 | 一种锂电池管理系统 |
| WO2019037595A1 (zh) * | 2017-08-21 | 2019-02-28 | 北京新能源汽车股份有限公司 | 电动汽车动力电池的保护方法、装置及电动汽车 |
| CN110346726A (zh) * | 2019-05-28 | 2019-10-18 | 安徽沃博源科技有限公司 | 电池故障诊断方法、装置及电动汽车 |
| CN110940921A (zh) * | 2019-12-11 | 2020-03-31 | 山东工商学院 | 基于修正方差的锂离子电池串的多故障诊断方法及系统 |
| CN111208445A (zh) * | 2020-02-25 | 2020-05-29 | 中国第一汽车股份有限公司 | 一种动力电池异常单体识别方法及系统 |
| CN111289900A (zh) * | 2020-02-21 | 2020-06-16 | 浙江捷创智能技术有限公司 | 一种锂电池放电电压的函数拟合预测方法 |
| CN111413629A (zh) * | 2020-02-24 | 2020-07-14 | 上海蔚来汽车有限公司 | 动力电池内单体电池的短路监测方法、系统以及装置 |
| CN111873853A (zh) * | 2020-07-30 | 2020-11-03 | 广州小鹏汽车科技有限公司 | 电池管理方法、装置、电池管理系统、车辆以及存储介质 |
| CN112208389A (zh) * | 2020-09-08 | 2021-01-12 | 北京交通大学 | 一种针对车载动力电池的日常便捷检测方法 |
| CN112345955A (zh) * | 2020-11-04 | 2021-02-09 | 北京理工大学 | 一种动力电池多故障在线诊断方法与系统 |
| CN112731159A (zh) * | 2020-12-23 | 2021-04-30 | 江苏省电力试验研究院有限公司 | 一种储能电站电池舱电池故障预判及定位的方法 |
| CN112906744A (zh) * | 2021-01-20 | 2021-06-04 | 湖北工业大学 | 一种基于孤立森林算法的故障单体电池识别方法 |
| CN113049975A (zh) * | 2019-12-26 | 2021-06-29 | 观致汽车有限公司 | 动力电池系统故障诊断方法、可读取的存储介质和车辆 |
| CN113189503A (zh) * | 2021-01-28 | 2021-07-30 | 南斗六星系统集成有限公司 | 一种电动汽车电池多级故障预警方法及系统 |
-
2021
- 2021-08-06 CN CN202110905841.7A patent/CN113791350B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007085843A (ja) * | 2005-09-21 | 2007-04-05 | Nissan Motor Co Ltd | 電流センサの故障検知装置および方法 |
| CN103399282A (zh) * | 2013-08-07 | 2013-11-20 | 清华大学 | 电池单体故障诊断方法 |
| CN104459556A (zh) * | 2014-12-03 | 2015-03-25 | 重庆长安汽车股份有限公司 | 电池系统故障诊断方法及装置 |
| CN105620304A (zh) * | 2016-01-26 | 2016-06-01 | 华霆（合肥）动力技术有限公司 | 电池组热失稳监测装置以及电动汽车 |
| CN106556802A (zh) * | 2016-11-01 | 2017-04-05 | 东软集团股份有限公司 | 一种蓄电池组异常单体电池识别方法及装置 |
| WO2019037595A1 (zh) * | 2017-08-21 | 2019-02-28 | 北京新能源汽车股份有限公司 | 电动汽车动力电池的保护方法、装置及电动汽车 |
| CN108646184A (zh) * | 2018-04-17 | 2018-10-12 | 深圳供电局有限公司 | 一种基于蓄电池放电初期特征的内部损伤探测装置及方法 |
| CN108761337A (zh) * | 2018-05-03 | 2018-11-06 | 自贡同发荣实业有限公司 | 一种锂电池管理系统 |
| CN108387850A (zh) * | 2018-05-04 | 2018-08-10 | 金卡智能集团股份有限公司 | 一种基于物联网的电池监测统计系统及其方法 |
| CN110346726A (zh) * | 2019-05-28 | 2019-10-18 | 安徽沃博源科技有限公司 | 电池故障诊断方法、装置及电动汽车 |
| CN110940921A (zh) * | 2019-12-11 | 2020-03-31 | 山东工商学院 | 基于修正方差的锂离子电池串的多故障诊断方法及系统 |
| CN113049975A (zh) * | 2019-12-26 | 2021-06-29 | 观致汽车有限公司 | 动力电池系统故障诊断方法、可读取的存储介质和车辆 |
| CN111289900A (zh) * | 2020-02-21 | 2020-06-16 | 浙江捷创智能技术有限公司 | 一种锂电池放电电压的函数拟合预测方法 |
| CN111413629A (zh) * | 2020-02-24 | 2020-07-14 | 上海蔚来汽车有限公司 | 动力电池内单体电池的短路监测方法、系统以及装置 |
| CN111208445A (zh) * | 2020-02-25 | 2020-05-29 | 中国第一汽车股份有限公司 | 一种动力电池异常单体识别方法及系统 |
| CN111873853A (zh) * | 2020-07-30 | 2020-11-03 | 广州小鹏汽车科技有限公司 | 电池管理方法、装置、电池管理系统、车辆以及存储介质 |
| CN112208389A (zh) * | 2020-09-08 | 2021-01-12 | 北京交通大学 | 一种针对车载动力电池的日常便捷检测方法 |
| CN112345955A (zh) * | 2020-11-04 | 2021-02-09 | 北京理工大学 | 一种动力电池多故障在线诊断方法与系统 |
| CN112731159A (zh) * | 2020-12-23 | 2021-04-30 | 江苏省电力试验研究院有限公司 | 一种储能电站电池舱电池故障预判及定位的方法 |
| CN112906744A (zh) * | 2021-01-20 | 2021-06-04 | 湖北工业大学 | 一种基于孤立森林算法的故障单体电池识别方法 |
| CN113189503A (zh) * | 2021-01-28 | 2021-07-30 | 南斗六星系统集成有限公司 | 一种电动汽车电池多级故障预警方法及系统 |
Non-Patent Citations (7)
| Title |
|---|
| YONGZHI ZHANG等: "A LSTM-RNN method for the lithuim-ion battery remaining useful life prediction", 2017 PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT CONFERENCE (PHM-HARBIN) * |
| 何佳星: "基于数据挖掘的电动汽车动力电池的故障预测研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, no. 07 * |
| 孙振宇等: "新能源汽车动力电池系统故障诊断研究综述", 机械工程学报, vol. 57, no. 14 * |
| 杜常清;罗冬;张弛;郭迪;汪雨航;: "锂离子动力电池单体筛选方法研究", 电源技术, no. 07 * |
| 詹华: "电动汽车动力电池故障诊断与预测分析", 机电技术, no. 02 * |
| 詹华;: "基于LS-SVR的电动汽车动力电池故障预测分析", 中国设备工程, no. 19 * |
| 赵士博;申彩英;郭增江;: "基于模糊神经网络的动力电池故障诊断研究", 汽车实用技术, no. 18 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114400738A (zh) * | 2022-01-06 | 2022-04-26 | 浙江南都能源互联网有限公司 | 一种储能电站电池预警方法和系统 |
| CN116068413A (zh) * | 2023-03-22 | 2023-05-05 | 长安新能源南京研究院有限公司 | 一种电池电压预测方法、装置、设备及存储介质 |
| CN116068413B (zh) * | 2023-03-22 | 2023-08-18 | 长安新能源南京研究院有限公司 | 一种电池电压预测方法、装置、设备及存储介质 |
| CN116106758A (zh) * | 2023-03-23 | 2023-05-12 | 华能新能源股份有限公司山西分公司 | 基于数据驱动的电池故障诊断方法及系统 |
| CN116106758B (zh) * | 2023-03-23 | 2024-01-30 | 华能新能源股份有限公司山西分公司 | 基于数据驱动的电池故障诊断方法及系统 |
| CN117092519A (zh) * | 2023-08-21 | 2023-11-21 | 湖南行必达网联科技有限公司 | 一种基于XGBoost的电动重卡电池故障预警方法、装置及设备 |
| CN117686922A (zh) * | 2024-02-04 | 2024-03-12 | 深圳市安仕新能源科技有限公司 | 基于数据建模的电芯测试方法、系统和可读存储介质 |
| CN118294814A (zh) * | 2024-04-30 | 2024-07-05 | 青岛城市轨道交通科技有限公司 | 基于数据分析的实现地铁ups蓄电池故障预警的方法和装置 |
| CN118294814B (zh) * | 2024-04-30 | 2024-09-03 | 青岛城市轨道交通科技有限公司 | 基于数据分析的实现地铁ups蓄电池故障预警的方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113791350B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113791350A (zh) | 电池故障预测方法 | |
| CN112092675B (zh) | 一种电池热失控预警方法、系统及服务器 | |
| CN111707951B (zh) | 一种电池组一致性评估方法及系统 | |
| CN112763929B (zh) | 一种储能电站系统电池单体健康预测方法及装置 | |
| CN110018425B (zh) | 一种动力电池故障诊断方法及系统 | |
| CN108931725B (zh) | 一种电池故障检测的方法及装置 | |
| CN112906744B (zh) | 一种基于孤立森林算法的故障单体电池识别方法 | |
| CN110794305A (zh) | 一种动力电池故障诊断方法和系统 | |
| CN114559819B (zh) | 一种基于信号处理的电动汽车电池安全预警方法 | |
| CN103323755A (zh) | Gis特高频局部放电信号识别方法及系统 | |
| CN111257753B (zh) | 一种电池系统故障诊断方法 | |
| CN112816881A (zh) | 电池压差异常检测方法、装置及计算机存储介质 | |
| CN116664015A (zh) | 一种智能充电桩管理系统及其方法 | |
| CN115366683A (zh) | 一种新能源汽车动力电池多维模型融合的故障诊断策略 | |
| CN116643178B (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
| CN114631032A (zh) | 用于监控电池组健康状况的方法和系统 | |
| CN117289162A (zh) | 一种基于组端收敛方法的蓄电池健康预测方法及系统 | |
| CN114460481B (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
| CN116973763A (zh) | 一种锂电池包热失控预警方法和装置 | |
| CN113391214A (zh) | 一种基于电池充电电压排名变化的电池微故障诊断方法 | |
| O'Reilly et al. | Revisiting the ROC curve for diagnostic applications with an unbalanced class distribution | |
| CN117665590A (zh) | 基于多元多尺度样本熵的电化学储能电站电池故障预警方法和装置 | |
| CN117074985A (zh) | 一种电动汽车电池健康评估方法及装置 | |
| CN116840683A (zh) | 电池故障识别方法、装置、电子设备和存储介质 | |
| CN113514742B (zh) | 一种gis局部放电严重程度的评估方法、系统和介质 |
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 |