CN117148200A - 基于分段聚合近似和聚类的pack不一致性监测方法及装置 - Google Patents
基于分段聚合近似和聚类的pack不一致性监测方法及装置 Download PDFInfo
- Publication number
- CN117148200A CN117148200A CN202311396577.4A CN202311396577A CN117148200A CN 117148200 A CN117148200 A CN 117148200A CN 202311396577 A CN202311396577 A CN 202311396577A CN 117148200 A CN117148200 A CN 117148200A
- Authority
- CN
- China
- Prior art keywords
- pack
- sequence
- cluster
- voltage
- matrix
- 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 58
- 238000012544 monitoring process Methods 0.000 title claims abstract description 52
- 230000002776 aggregation Effects 0.000 title claims abstract description 49
- 238000004220 aggregation Methods 0.000 title claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims abstract description 94
- 230000009467 reduction Effects 0.000 claims abstract description 56
- 238000004146 energy storage Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 101000962156 Homo sapiens N-acetylglucosamine-1-phosphodiester alpha-N-acetylglucosaminidase Proteins 0.000 claims description 8
- LZCXCXDOGAEFQX-UHFFFAOYSA-N N-Acryloylglycine Chemical compound OC(=O)CNC(=O)C=C LZCXCXDOGAEFQX-UHFFFAOYSA-N 0.000 claims description 8
- 102100039267 N-acetylglucosamine-1-phosphodiester alpha-N-acetylglucosaminidase Human genes 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开一种基于分段聚合近似和聚类的PACK不一致性监测方法及装置,方法包括下述步骤:获取需监测的集装箱储能中某簇内所有PACK在检测周期内的电压数据及其充放电转换次数;构建PACK电压时间序列形成PACK电压矩阵;采用分段聚合近似算法对PACK电压矩阵进行降噪与简化处理得到降噪PACK电压矩阵;进行k‑shape时间序列聚类计算每个PACK的离群距离;计算对应PACK的不一致性系数,对超过阈值的PACK采取相应措施。本发明不需要借助实验数据及建立复杂的电池模型,实现在较短时间内对PACK不一致性的在线监测及分析,定量反映PACK间的差异性,评估其寿命状态,有助于储能系统的运行与维护。
Description
技术领域
本发明属于电池不一致性分析的技术领域,具体涉及一种基于分段聚合近似和聚类的PACK不一致性监测方法及装置。
背景技术
储能设备作为实现新能源消纳的关键技术,正蓬勃发展。其中集装箱储能作为储能电站的重要组成部分,其安全及性能问题受到社会各界关注。通常,集装箱储能以电池单体-电池包(PACK)-电池簇-储能集装箱多个层级组成,而PACK的性能,尤其是一致性最差的PACK决定了储能设备的运行状态,较差的一致性可能导致储能容量下降,发生过充过放、热失控等事故,严重威胁人身、设备安全,影响经济效益。目前集装箱式储能系统主要以插箱形式安装PACK组成电池簇,PACK作为最小的维护单元,因此,快速分析PACK不一致性对运行检修人员快速维护储能设备,提高运行安全与经济效益有重大意义。
目前,电池不一致性分析方法主要分为基于模型的不一致性分析方法及基于数据驱动的不一致性分析方法两种。其中,基于模型的不一致性分析方法通常选用电池容量、电压、内阻等参数建立电池模型,如目前广泛使用的电化学模型,该方法有准确性高的特点,但其参数选择、模型建立复杂,通常需要大量实验测试得到具体参数,无法用于在线监测。而基于数据驱动的不一致性分析方法是通过机械学习方法对电池运行数据进行挖掘建立规则,这种方法依赖于大量历史运行数据,同时数据的冗余性导致处理计算需要大量时间,且受噪声数据的影响较大,因此准确性较低。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提供一种基于分段聚合近似和聚类的PACK不一致性监测方法及装置,不需要借助实验数据及建立复杂的电池模型,在较短时间内对PACK不一致性进行分析,实现PACK不一致性的在线监测。
为了达到上述目的,本发明采用以下技术方案:
本发明第一目的在于提供一种基于分段聚合近似和聚类的PACK不一致性监测方法,包括:
步骤1、获取需监测的集装箱储能中某簇内所有PACK在检测周期内的电压数据及其充放电转换次数;
步骤2、根据电压数据构建该簇内PACK的电压时间序列形成PACK电压矩阵;
步骤3、采用分段聚合近似算法对PACK电压矩阵进行降噪与简化处理,得到降噪PACK电压矩阵;
步骤4、对降噪PACK电压矩阵进行k-shape时间序列聚类,计算每个PACK的离群距离;
步骤5、根据离群距离计算对应PACK的不一致性系数,对超过阈值的PACK采取相应措施。
作为优选的技术方案,步骤2中,所述电压时间序列v i ,表示为:
v i = [v i,1,v i,2, ...,v i,j , ...,v i,t ];
其中,v i,j 表示集装箱储能中某簇内第i个PACK在第j个采样点的电压,t表示监测周期;
根据该簇内PACK的电压时间序列形成PACK电压矩阵V:
;
其中,n表示集装箱储能中该簇内所有PACK的数量。
作为优选的技术方案,步骤3中,所述得到降噪PACK电压矩阵,具体为:
步骤3.1、统计监测周期内该簇中各PACK的充放电转换次数C;
步骤3.2、提取PACK的电压斜率变化边缘点,定义PACK电压时间序列v i 中,任意一电压采样点v i,j 与其相邻电压采样点v i,j-1、v i,j+1间的斜率分别为k 1、k 2;当斜率变化大于阈值f时,即|k 1-k 2| ≥f时,记电压采样点v i,j 为边缘点,统计边缘点数量B,其中时间序列两侧采样点记为非边缘点;
步骤3.3、采用分段聚合近似算法APAA对PACK电压矩阵进行降噪与简化处理,得到降噪PACK电压矩阵。
作为优选的技术方案,步骤3.3中,所述采用分段聚合近似算法APAA对PACK电压矩阵进行降噪与简化处理,具体为:
设置事件阈值σ1、σ2;
对于监测周期t内该簇中的某一PACK电压时间序列v i ,将其分为t/m个数据段;每个数据段包含m个数据点,分别统计各数据段中PACK的充放电转换次数C m 及边缘点数量B m ;
当C m <σ1且B m <σ2时,使用该数据段的均值替换该数据段中的数据点;
当C m <σ1且B m ≥σ2、或 C m ≥σ1且B m <σ2时,根据下式替换该数据段中的数据点:
,
式中,v k 为第k个数据段,k∈{1, 2, …,t/m};s k,j 为第k个数据段被替换后的第j个数据点;v k,j 为第k个数据段的第j个数据点;max(v k )与min(v k )分别表示第k个数据段中的极大值与极小值;
当C m >σ1且B m >σ2时,保留该数据段中的数据点;
经过替换后,得到该簇的降噪PACK电压矩阵S,表示为:
。
作为优选的技术方案,步骤4中,所述计算每个PACK的离群距离,具体为:
步骤4.1、对于该簇的降噪PACK电压矩阵S,剔除其中第i个PACK的电压数据得到S i ,指定聚类数k,从S i 中随机选择k行序列分别作为初始质心序列;
步骤4.2、计算该簇降噪PACK电压矩阵S与各初始质心序列的形态距离SBD,将形态距离SBD最小的初始质心序列作为聚类质心序列,将降噪PACK电压矩阵S中每个PACK分别归类至每个聚类质心序列下,形态距离计算公式为:
SBD(x,y) = 1 - maxNCC w (x,y)
其中,x为降噪PACK电压矩阵S中某个PACK的电压时间序列,y为某一聚类质心序列,NCC w (x,y)为x与y归一化后的相似性序列;
步骤4.3、引入瑞利商公式迭代更新聚类质心序列,更新公式为:
,
,
其中,μ k 为第k个聚类质心序列,x i 为第k个聚类中的第i个序列,P k 为第k个聚类,NCC w (x i ,μ k )为x i 和μ k 归一化后的相似性序列;;m为μ k 的维度;I为m阶单位方阵;O为除对角线元素为0外,其他元素均为1的m阶方阵;R(M,μ k )即为瑞利商公式,其特点为矩阵R的最大值、最小值分别等于矩阵M的最大特征值、最小特征值;
步骤4.4、重复步骤4.2和步骤4.3直到达到最大迭代次数或每个聚类质心序列不再变化,输出每个聚类质心序列;
步骤4.5、分别计算每个聚类质心序列与剔除的第i个PACK的形态距离SBD,将形态距离的最大值作为剔除的第i个PACK的离群距离d SBD,i ;
步骤4.6、重复步骤4.1~4.5,直到得到簇内所有PACK的离群距离D={d SBD,1, ...,d SBD,i , ...,d SBD,n },n为簇内所有PACK的数量。
作为优选的技术方案,步骤4.2中,所述计算该簇降噪PACK电压矩阵S与各初始质心序列的形态距离SBD时,需要分析该簇降噪PACK电压矩阵S中各序列与各初始质心序列的相似性,具体为:
设该簇降噪PACK电压矩阵S中某一电压时间序列为x=[x 1,x 2, …,x m ],初始质心序列为y=[y 1,y 2, …,y m ],通过滑动对比其相似性,相似性序列C w 表示为:
C w (x,y) = [c 1 ,c 2 ,...,c w ],w∈{1, 2, ..., 2m-1},
c w =R w-m (x,y),
,
其中,m为序列长度;w为滑动步长;C w 为一个长度为2m-1的相似性序列,反映两序列的相似性;c w 反映滑动步长为w时,两序列间的相似性值;R w-m (x,y)为x与y的相似性计算函数;x l 、y l 分别为电压时间序列x与初始质心序列y交叉的第l个电压;
对相似性序列C w 进行归一化处理,得到归一化后的相似性序列NCC w ,归一化公式为:
,
式中,NCC w 是由范围为[-1,1]的值组成的相似性序列;R 0为不进行位移时,序列与序列自身进行相似性计算的相似值。
作为优选的技术方案,步骤5中,所述计算对应PACK的不一致性系数,计算公式为:
,
其中,CDI i 为第i个PACK的不一致性系数,d SBD,i 为第i个PACK的离群距离,ζ SBD 、σ SBD 分别为所有PACK的离群距离D的期望与标准差。
作为优选的技术方案,所述对超过阈值的PACK采取相应措施,具体为:
设定故障阈值α 1,α 2;
当CDI i ≤α 1时,则判定该簇内第i个PACK一致性良好,不采取措施;
当α 2<CDI i ≤α 1时,则判定该簇内第i个PACK一致性较差,存在故障风险,发出故障风险信号与汇报该簇内第i个PACK的位置;
当α 2≤CDI i 时,则判定该簇内第i个PACK一致性很差,应进行检修,发出PACK不一致报警信号与汇报该簇内第i个PACK的位置。
本发明第二目的在于提供一种基于分段聚合近似和聚类的PACK不一致性监测系统,应用于上述的基于分段聚合近似和聚类的PACK不一致性监测方法,包括数据获取模块、矩阵形成模块、矩阵降噪模块、距离计算模块及系数判断模块;
所述数据获取模块用于获取需监测的集装箱储能中某簇内所有PACK在检测周期内的电压数据及其充放电转换次数;
所述矩阵形成模块用于根据电压数据构建该簇内PACK的电压时间序列形成PACK电压矩阵;
所述矩阵降噪模块用于采用分段聚合近似算法对PACK电压矩阵进行降噪与简化处理,得到降噪PACK电压矩阵;
所述距离计算模块用于对降噪PACK电压矩阵进行k-shape时间序列聚类,计算每个PACK的离群距离;
所述系数判断模块用于根据离群距离计算对应PACK的不一致性系数,对超过阈值的PACK采取相应措施。
本发明第三目的在于提供一种计算机可读存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现上述的基于分段聚合近似和聚类的PACK不一致性监测方法。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明提出一种基于分段聚合近似和聚类的PACK不一致性监测方法,可以部署在运行中的储能集装箱BMS系统中,不需要借助实验数据与建立复杂的电池模型,在较短的时间内对PACK不一致性进行分析,实现PACK不一致性的在线监测。
2、本发明采用分段聚合近似APAA算法对数据进行降噪与简化处理,降低数据复杂度,减少数据存在的噪声,有助于提高不一致性实时监测的计算速度与精度。
3、本发明采用k-shape时间序列聚类算法对电压进行聚类,分别计算剔除PACK的形态距离SBD,然后计算对应PACK的不一致性系数CDI,能定量反映PACK之间的差异性,评估各PACK的寿命状态,有助于储能系统的运行与维护。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中基于分段聚合近似和聚类的PACK不一致性监测方法的流程图。
图2为本发明实施例中获取的边缘点示意图。
图3为本发明实施例中得到的PACK离群距离图。
图4为本发明实施例中相似性计算的示意图。
图5为本发明实施例中计算得到的不一致性系数图。
图6为本发明实施例中基于分段聚合近似和聚类的PACK不一致性监测系统的结构图。
图7为本发明实施例中计算机可读存储介质的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本申请所描述的实施例可以与其它实施例相结合。
本实施例以某10P384S储能集装箱内某一簇PACK为研究对象于实验环境下进行仿真测试,其中该簇PACK中电芯参数分别为280Ah,3.2V,0.5C,其具体仿真测试工步如下表1所示:
表1 仿真测试工步
如图1所示,本实施例基于分段聚合近似和聚类的PACK不一致性监测方法,包括:
步骤1、获取需监测的集装箱储能中某簇内所有PACK在检测周期内的电压数据及其充放电转换次数;
步骤2、根据电压数据构建该簇内PACK的电压时间序列形成PACK电压矩阵;
具体的,根据电压数据构建的某一PACK的电压时间序列v i 表示为:
v i = [v i,1,v i,2, ...,v i,j , ...,v i,t ] (1);
其中,v i,j 表示集装箱储能中某簇内第i个PACK在第j个采样点的电压,t表示监测周期。本实施例中仿真测试工步下,t=1080。
根据该簇内PACK的电压时间序列形成PACK电压矩阵V:
(2);
其中,n表示集装箱储能中该簇内所有PACK的数量。
由于本实施例是以某10P384S储能集装箱中某一簇内PACK为研究对象,因此n=8。
步骤3、采用分段聚合近似算法对PACK电压矩阵进行降噪与简化处理,得到降噪PACK电压矩阵,减少矩阵中的噪声并简化数据;
具体的,步骤3包括:
步骤3.1、统计监测周期内该簇中各PACK的充放电转换次数C;
步骤3.2、提取PACK的电压斜率变化边缘点,定义PACK电压时间序列v i 中,任意一电压采样点v i,j 与其相邻电压采样点v i,j-1、v i,j+1间的斜率分别为k 1、k 2;当斜率变化大于阈值f时,即|k 1-k 2| ≥f时,记电压采样点v i,j 为边缘点,统计边缘点数量B,其中时间序列两侧采样点记为非边缘点;
步骤3.3、采用分段聚合近似算法APAA对PACK电压矩阵进行降噪及简化处理,得到降噪PACK电压矩阵。
进一步的,APAA算法的原理是根据序列的具体特征将其分为多个数据段,并取每个数据段的均值代替原序列实现序列的简化与降噪,其具体步骤为:
(1)、设置事件阈值σ1、σ2;
(2)、对于监测周期t内该簇中的某一PACK电压时间序列v i ,将其分为t/m个数据段;每个数据段包含m个数据点,分别统计各数据段中PACK的充放电转换次数C m 及边缘点数量B m ;
(3)、当C m <σ1且B m <σ2时,使用该数据段的均值替换该数据段中的数据点;
当C m <σ1且B m ≥σ2、或 C m ≥σ1且B m <σ2时,根据下式(3)替换该数据段中数据点:
(3),
式中,v k 为第k个数据段,k∈{1, 2, …,t/m};s k,j 为第k个数据段被替换后的第j个数据点;v k,j 为第k个数据段的第j个数据点;max(v k )与min(v k )分别表示第k个数据段中的极大值与极小值;
当C m >σ1且B m >σ2时,保留该数据段中数据点;
经过替换后,得到降噪PACK电压矩阵S,表示为:
(4)。
本实施例中,设置事件阈值σ1=1,σ2=1;每个数据段包含m=10个数据点,共划分为108个数据段,获取的边缘点如图2所示;经过APAA算法处理后,在较好的保留源数据特征的情况下,每个PACK的电压数据量由1080压缩为234,压缩率为78.33%,有效降低了数据量,减少后续计算的时间。
步骤4、对降噪PACK电压矩阵进行k-shape时间序列聚类,计算每个PACK的离群距离;
进一步的,k-shape时间序列聚类原理是在矩阵中寻找质心序列与所有其他序列的平方相似性最大,使得各簇序列与质心序列间的形态距离SBD最小,实现对不同序列的聚类,具体为:
步骤4.1、对于该簇的降噪PACK电压矩阵S,剔除其中第i个PACK的电压数据得到S i ,指定聚类数k,从S i 中随机选择k行序列分别作为初始质心序列;
步骤4.2、计算该簇降噪PACK电压矩阵S与各初始质心序列的形态距离SBD,将形态距离SBD最小的初始质心序列作为聚类质心序列,将降噪PACK电压矩阵S中每个PACK分别归类至每个聚类质心序列下,形态距离计算公式为:
SBD(x,y) = 1 - maxNCC w (x,y) (5)
其中,x为降噪PACK电压矩阵S中某个PACK的电压时间序列,y为某一聚类质心序列,NCC w (x,y)为x与y归一化后的相似性序列;形态距离SBD是范围为[0,2]内的数值,SBD值越接近0,说明两序列间相似度越高,越接近2说明两序列间相似度越差;
步骤4.3、引入瑞利商公式迭代更新聚类质心序列,更新公式为:
(6),
(7),
其中,μ k 为第k个聚类质心序列,x i 为第k个聚类中的第i个序列,P k 为第k个聚类,NCC w (x i ,μ k )为x i 和μ k 归一化后的相似性序列;Q为中间变量,;m为μ k 的维度;I为m阶单位方阵;O为除对角线元素为0外,其他元素均为1的m阶方阵;R(M,μ k )即为瑞利商公式,其特点为矩阵R的最大值、最小值分别等于矩阵M的最大特征值、最小特征值;
步骤4.4、重复步骤4.2、4.3直到达到最大迭代次数或每个聚类质心序列不再变化,输出每个聚类质心序列;
步骤4.5、分别计算每个聚类质心序列与剔除的第i个PACK的形态距离SBD,将形态距离的最大值作为剔除的第i个PACK的离群距离d SBD,i ;
步骤4.6、重复步骤4.1~4.5,直到得到簇内所有PACK的离群距离D={d SBD,1, ...,d SBD,i , ..., d SBD,n },n为簇内所有PACK的数量。
本实施例中,设置聚类数k=1,得到的所有PACK的离群距离如图3所示。
进一步的,在计算该簇降噪PACK电压矩阵S与各初始质心序列的形态距离SBD时,首先需要分析该簇降噪PACK电压矩阵S中各序列与各初始质心序列的相似性,如图4所示,具体为:
设该簇降噪PACK电压矩阵S中某一电压时间序列为x=[x 1,x 2, …,x m ],初始质心序列为y=[y 1,y 2, …,y m ],通过滑动对比其相似性,相似性序列C w 表示为:
C w (x,y) = [c 1 ,c 2 , ...,c w ],w∈{1, 2, ..., 2m-1} (8),
c w =R w-m (x,y) (9),
(10),
其中,m为序列长度;w为滑动步长;C w 为一个长度为2m-1的相似性序列,反映两序列的相似性;c w 反映滑动步长为w时,两序列间的相似性值;R w-m (x,y)为x与y的相似性计算函数;x l 、y l 分别为电压时间序列x与初始质心序列y交叉的第l个电压;
为解决平移不变形问题,对相似性序列C w 进行归一化处理,得到归一化后的相似性序列NCC w ,归一化公式为:
(11),
式中,NCC w 由范围为[-1,1]的值组成的相似性序列;R 0为不进行位移时,序列与序列自身进行相似性计算的相似值。
步骤5、根据离群距离计算对应PACK的不一致性系数,对超过阈值的PACK采取相应措施。
具体的,不一致性系数计算公式为:
(12),
其中,CDI i 为第i个PACK的不一致性系数,d SBD,i 为第i个PACK的离群距离,ζ SBD 、σ SBD 分别为所有PACK的离群距离D的期望与标准差。本实施例计算出的不一致性系数如图5所示。
最后,根据不一致性系数对超过阈值的PACK采取相应措施,具体为:
首先设定故障阈值α 1,α 2;
当CDI i ≤α 1时,则判定该簇内第i个PACK一致性良好,不采取措施;
当α 2<CDI i ≤α 1时,则判定该簇内第i个PACK一致性较差,存在故障风险,发出故障风险信号与汇报该簇内第i个PACK的位置;
当α 2≤CDI i 时,则判定该簇内第i个PACK一致性很差,应进行检修,发出PACK不一致报警信号与汇报该簇内第i个PACK的位置。
本实施例中,故障阈值α 1=1,α 2=2。从图5中可以看出,PACK6的不一致性系数CDI为2.01213,一致性很差,应进行检修,发出PACK不一致报警并需要进行更换;PACK7的不一致性系数CDI为1.09355,一致性较差存在故障风险,仅发出故障风险信号;其他PACK不一致性系数CDI均保持在良好水平。由此可以说明本发明所提基于分段聚合近似和聚类的PACK不一致性监测方法能有效监测出储能集装箱内部PACK的不一致性问题,可以实现PACK的不一致性在线监测,有效提高储能集装箱的安全运行水平。
需要说明的是,对于前述的各方法实施例,为了简便描述,将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。
基于与上述实施例中的基于分段聚合近似和聚类的PACK不一致性监测方法相同的思想,本发明还提供基于分段聚合近似和聚类的PACK不一致性监测系统,该系统可用于执行上述基于分段聚合近似和聚类的PACK不一致性监测方法。为了便于说明,基于分段聚合近似和聚类的PACK不一致性监测系统实施例的结构示意图中,仅仅示出了与本发明实施例相关的部分,本领域技术人员可以理解,图示结构并不构成对装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图6所示,本发明另一个实施例提供了一种基于分段聚合近似和聚类的PACK不一致性监测系统,包括数据获取模块、矩阵形成模块、矩阵降噪模块、距离计算模块及系数判断模块;
其中,数据获取模块用于获取需监测的集装箱储能中某簇内所有PACK在检测周期内的电压数据及其充放电转换次数;
矩阵形成模块用于根据电压数据构建该簇内PACK的电压时间序列形成PACK电压矩阵;
矩阵降噪模块用于采用分段聚合近似算法对PACK电压矩阵进行降噪与简化处理,得到降噪PACK电压矩阵;
距离计算模块用于对降噪PACK电压矩阵进行k-shape时间序列聚类,计算每个PACK的离群距离;
系数判断模块用于根据离群距离计算对应PACK的不一致性系数,对超过阈值的PACK采取相应措施。
需要说明的是,本发明的基于分段聚合近似和聚类的PACK不一致性监测系统与本发明的基于分段聚合近似和聚类的PACK不一致性监测方法一一对应,在上述基于分段聚合近似和聚类的PACK不一致性监测方法的实施例阐述的技术特征及其有益效果均适用于基于分段聚合近似和聚类的PACK不一致性监测系统的实施例中,具体内容可参见本发明方法实施例中的叙述,此处不再赘述,特此声明。
此外,上述实施例的基于分段聚合近似和聚类的PACK不一致性监测系统的实施方式中,各程序模块的逻辑划分仅是举例说明,实际应用中可以根据需要,例如出于相应硬件的配置要求或者软件的实现的便利考虑,将上述功能分配由不同的程序模块完成,即将所述基于分段聚合近似和聚类的PACK不一致性监测系统的内部结构划分成不同的程序模块,以完成以上描述的全部或者部分功能。
如图7所示,在一个实施例中,提供了一种计算机可读存储介质,存储有程序于存储器中,当程序被处理器执行时,实现上述的基于分段聚合近似和聚类的PACK不一致性监测方法,具体为:
步骤1、获取需监测的集装箱储能中某簇内所有PACK在检测周期内的电压数据及其充放电转换次数;
步骤2、根据电压数据构建该簇内PACK的电压时间序列形成PACK电压矩阵;
步骤3、采用分段聚合近似算法对PACK电压矩阵进行降噪与简化处理,得到降噪PACK电压矩阵;
步骤4、对降噪PACK电压矩阵进行k-shape时间序列聚类,计算每个PACK的离群距离;
步骤5、根据离群距离计算对应PACK的不一致性系数,对超过阈值的PACK采取相应措施。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM (DRAM)、同步DRAM (SDRAM)、双数据率SDRAM (DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
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.基于分段聚合近似和聚类的PACK不一致性监测方法,其特征在于,包括:
步骤1、获取需监测的集装箱储能中某簇内所有PACK在检测周期内的电压数据及其充放电转换次数;
步骤2、根据电压数据构建该簇内PACK的电压时间序列形成PACK电压矩阵;
步骤3、采用分段聚合近似算法对PACK电压矩阵进行降噪与简化处理,得到降噪PACK电压矩阵;
步骤4、对降噪PACK电压矩阵进行k-shape时间序列聚类,计算每个PACK的离群距离;
步骤5、根据离群距离计算对应PACK的不一致性系数,对超过阈值的PACK采取相应措施。
2.根据权利要求1所述的基于分段聚合近似和聚类的电池包不一致性监测方法,其特征在于,步骤2中,所述电压时间序列v i ,表示为:
v i = [v i,1, v i,2, ... ,v i,j , ... ,v i,t ];
其中,v i,j 表示集装箱储能中某簇内第i个PACK在第j个采样点的电压,t表示监测周期;
根据该簇内PACK的电压时间序列形成PACK电压矩阵V:
;
其中,n表示集装箱储能中该簇内所有PACK的数量。
3.根据权利要求1所述的基于分段聚合近似和聚类的电池包不一致性监测方法,其特征在于,步骤3中,所述得到降噪PACK电压矩阵,具体为:
步骤3.1、统计监测周期内该簇中各PACK的充放电转换次数C;
步骤3.2、提取PACK的电压斜率变化边缘点,定义PACK电压时间序列v i 中,任意一电压采样点v i,j 与其相邻电压采样点v i,j-1、v i,j+1间的斜率分别为k 1、k 2;当斜率变化大于阈值f时,即|k 1-k 2| ≥ f时,记电压采样点v i,j 为边缘点,统计边缘点数量B,其中时间序列两侧采样点记为非边缘点;
步骤3.3、采用分段聚合近似算法APAA对PACK电压矩阵进行降噪与简化处理,得到降噪PACK电压矩阵。
4.根据权利要求3所述的基于分段聚合近似和聚类的电池包不一致性监测方法,其特征在于,步骤3.3中,所述采用分段聚合近似算法APAA对PACK电压矩阵进行降噪与简化处理,具体为:
设置事件阈值σ1、σ2;
对于监测周期t内该簇中的某一PACK电压时间序列v i ,将其分为t/m个数据段;每个数据段包含m个数据点,分别统计各数据段中PACK的充放电转换次数C m 及边缘点数量B m ;
当C m <σ1且B m <σ2时,使用该数据段的均值替换该数据段中的数据点;
当C m <σ1且B m ≥σ2、或 C m ≥σ1且B m <σ2时,根据下式替换该数据段中的数据点:
,
式中,v k 为第k个数据段,k∈{1,2,…,t/m};s k,j 为第k个数据段被替换后的第j个数据点;v k,j 为第k个数据段的第j个数据点;max(v k )与min(v k )分别表示第k个数据段中的极大值与极小值;
当C m >σ1且B m >σ2时,保留该数据段中的数据点;
经过替换后,得到该簇的降噪PACK电压矩阵S,表示为:
。
5.根据权利要求1所述的基于分段聚合近似和聚类的电池包不一致性监测方法,其特征在于,步骤4中,所述计算每个PACK的离群距离,具体为:
步骤4.1、对于该簇的降噪PACK电压矩阵S,剔除其中第i个PACK的电压数据得到S i ,指定聚类数k,从S i 中随机选择k行序列分别作为初始质心序列;
步骤4.2、计算该簇降噪PACK电压矩阵S与各初始质心序列的形态距离SBD,将形态距离SBD最小的初始质心序列作为聚类质心序列,将降噪PACK电压矩阵S中每个PACK分别归类至每个聚类质心序列下,形态距离计算公式为:
SBD(x,y) = 1 - maxNCC w (x,y)
其中,x为降噪PACK电压矩阵S中某个PACK的电压时间序列,y为某一聚类质心序列,NCC w (x,y)为x与y归一化后的相似性序列;
步骤4.3、引入瑞利商公式迭代更新聚类质心序列,更新公式为:
,
,
其中,μ k 为第k个聚类质心序列,x i 为第k个聚类中的第i个序列,P k 为第k个聚类,NCC w (x i ,μ k )为x i 和μ k 归一化后的相似性序列;;m为μ k 的维度;I为m阶单位方阵;O为除对角线元素为0外,其他元素均为1的m阶方阵;R(M,μ k )即为瑞利商公式,其特点为矩阵R的最大值、最小值分别等于矩阵M的最大特征值、最小特征值;
步骤4.4、重复步骤4.2和步骤4.3直到达到最大迭代次数或每个聚类质心序列不再变化,输出每个聚类质心序列;
步骤4.5、分别计算每个聚类质心序列与剔除的第i个PACK的形态距离SBD,将形态距离的最大值作为剔除的第i个PACK的离群距离d SBD,i ;
步骤4.6、重复步骤4.1~4.5,直到得到簇内所有PACK的离群距离D={d SBD,1,...,d SBD,i ,..., d SBD,n },n为簇内所有PACK的数量。
6.根据权利要求5所述的基于分段聚合近似和聚类的电池包不一致性监测方法,其特征在于,步骤4.2中,所述计算该簇降噪PACK电压矩阵S与各初始质心序列的形态距离SBD时,需要分析该簇降噪PACK电压矩阵S中各序列与各初始质心序列的相似性,具体为:
设该簇降噪PACK电压矩阵S中某一电压时间序列为x=[x 1,x 2,…,x m ],初始质心序列为y=[y 1,y 2,…,y m ],通过滑动对比其相似性,相似性序列C w 表示为:
C w (x,y) = [c 1 ,c 2 ,...,c w ],w∈{1,2,...,2m-1},
c w = R w-m (x,y),
,
其中,m为序列长度;w为滑动步长;C w 为一个长度为2m-1的相似性序列,反映两序列的相似性;c w 反映滑动步长为w时,两序列间的相似性值;R w-m (x,y)为x与y的相似性计算函数;x l 、y l 分别为电压时间序列x与初始质心序列y交叉的第l个电压;
对相似性序列C w 进行归一化处理,得到归一化后的相似性序列NCC w ,归一化公式为:
,
式中,NCC w 是由范围为[-1,1]的值组成的相似性序列;R 0为不进行位移时,序列与序列自身进行相似性计算的相似值。
7.根据权利要求1所述的基于分段聚合近似和聚类的电池包不一致性监测方法,其特征在于,步骤5中,所述计算对应PACK的不一致性系数,计算公式为:
,
其中,CDI i 为第i个PACK的不一致性系数,d SBD,i 为第i个PACK的离群距离,ζ SBD 、σ SBD 分别为所有PACK的离群距离D的期望与标准差。
8.根据权利要求7所述的基于分段聚合近似和聚类的电池包不一致性监测方法,其特征在于,所述对超过阈值的PACK采取相应措施,具体为:
设定故障阈值α 1,α 2;
当CDI i ≤α 1时,则判定该簇内第i个PACK一致性良好,不采取措施;
当α 2<CDI i ≤α 1时,则判定该簇内第i个PACK一致性较差,存在故障风险,发出故障风险信号与汇报该簇内第i个PACK的位置;
当α 2≤CDI i 时,则判定该簇内第i个PACK一致性很差,应进行检修,发出PACK不一致报警信号与汇报该簇内第i个PACK的位置。
9.基于分段聚合近似和聚类的PACK不一致性监测系统,其特征在于,应用于权利要求1-8中任一项所述的基于分段聚合近似和聚类的PACK不一致性监测方法,包括数据获取模块、矩阵形成模块、矩阵降噪模块、距离计算模块及系数判断模块;
所述数据获取模块用于获取需监测的集装箱储能中某簇内所有PACK在检测周期内的电压数据及其充放电转换次数;
所述矩阵形成模块用于根据电压数据构建该簇内PACK的电压时间序列形成PACK电压矩阵;
所述矩阵降噪模块用于采用分段聚合近似算法对PACK电压矩阵进行降噪与简化处理,得到降噪PACK电压矩阵;
所述距离计算模块用于对降噪PACK电压矩阵进行k-shape时间序列聚类,计算每个PACK的离群距离;
所述系数判断模块用于根据离群距离计算对应PACK的不一致性系数,对超过阈值的PACK采取相应措施。
10.一种计算机可读存储介质,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1-8任一项所述的基于分段聚合近似和聚类的PACK不一致性监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311396577.4A CN117148200B (zh) | 2023-10-26 | 2023-10-26 | 基于分段聚合近似和聚类的pack不一致性监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311396577.4A CN117148200B (zh) | 2023-10-26 | 2023-10-26 | 基于分段聚合近似和聚类的pack不一致性监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117148200A true CN117148200A (zh) | 2023-12-01 |
CN117148200B CN117148200B (zh) | 2024-03-15 |
Family
ID=88884532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311396577.4A Active CN117148200B (zh) | 2023-10-26 | 2023-10-26 | 基于分段聚合近似和聚类的pack不一致性监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117148200B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118035779A (zh) * | 2024-04-12 | 2024-05-14 | 山东海纳智能装备科技股份有限公司 | 一种超高压压滤机扭矩测量方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100453749B1 (ko) * | 1995-10-31 | 2005-04-06 | 코닌클리케 필립스 일렉트로닉스 엔.브이. | 재충전가능한배터리의방전/충전사이클모니터링시스템과스마트배터리를포함하는호스트장치 |
WO2019033391A1 (zh) * | 2017-08-18 | 2019-02-21 | 罗伯特·博世有限公司 | 用于检测电池组一致性的方法、装置及系统 |
WO2020156079A1 (zh) * | 2019-01-28 | 2020-08-06 | 深圳市道通智能航空技术有限公司 | 一种飞行器电池监控方法、装置、电池及飞行器 |
CN113765179A (zh) * | 2021-08-17 | 2021-12-07 | 江苏大学 | 基于层次聚类及类中心距的云端电池组一致性分析方法 |
CN113866646A (zh) * | 2021-11-15 | 2021-12-31 | 长沙理工大学 | 基于极化阻抗压升的电池簇不一致性在线监测方法研究 |
CN114839541A (zh) * | 2022-05-18 | 2022-08-02 | 山东大学 | 基于k均值聚类的动力电池组不一致性诊断方法及系统 |
CN115166533A (zh) * | 2022-07-26 | 2022-10-11 | 湖北工业大学 | 基于分段降维和离群值识别的锂离子电池故障诊断方法 |
US20230098799A1 (en) * | 2021-09-30 | 2023-03-30 | Yokogawa Electric Corporation | Diagnostic device, diagnostic method, and non-transitory computer-readable recording medium |
CN116628533A (zh) * | 2023-05-06 | 2023-08-22 | 重庆川南环保科技有限公司 | 基于K-Shape的时间序列大数据聚类算法 |
KR20230129953A (ko) * | 2022-07-27 | 2023-09-11 | 저장 지커 인텔리전트 테크놀로지 씨오., 엘티디 | 차량 배터리 셀 일관성 평가 방법, 장치, 기기 및 저장매체 |
CN116804715A (zh) * | 2022-03-18 | 2023-09-26 | 北京昇科能源科技有限责任公司 | 一种判断导致电池系统出现不一致原因的方法 |
-
2023
- 2023-10-26 CN CN202311396577.4A patent/CN117148200B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100453749B1 (ko) * | 1995-10-31 | 2005-04-06 | 코닌클리케 필립스 일렉트로닉스 엔.브이. | 재충전가능한배터리의방전/충전사이클모니터링시스템과스마트배터리를포함하는호스트장치 |
WO2019033391A1 (zh) * | 2017-08-18 | 2019-02-21 | 罗伯特·博世有限公司 | 用于检测电池组一致性的方法、装置及系统 |
WO2020156079A1 (zh) * | 2019-01-28 | 2020-08-06 | 深圳市道通智能航空技术有限公司 | 一种飞行器电池监控方法、装置、电池及飞行器 |
CN113765179A (zh) * | 2021-08-17 | 2021-12-07 | 江苏大学 | 基于层次聚类及类中心距的云端电池组一致性分析方法 |
US20230098799A1 (en) * | 2021-09-30 | 2023-03-30 | Yokogawa Electric Corporation | Diagnostic device, diagnostic method, and non-transitory computer-readable recording medium |
CN113866646A (zh) * | 2021-11-15 | 2021-12-31 | 长沙理工大学 | 基于极化阻抗压升的电池簇不一致性在线监测方法研究 |
CN116804715A (zh) * | 2022-03-18 | 2023-09-26 | 北京昇科能源科技有限责任公司 | 一种判断导致电池系统出现不一致原因的方法 |
CN114839541A (zh) * | 2022-05-18 | 2022-08-02 | 山东大学 | 基于k均值聚类的动力电池组不一致性诊断方法及系统 |
CN115166533A (zh) * | 2022-07-26 | 2022-10-11 | 湖北工业大学 | 基于分段降维和离群值识别的锂离子电池故障诊断方法 |
KR20230129953A (ko) * | 2022-07-27 | 2023-09-11 | 저장 지커 인텔리전트 테크놀로지 씨오., 엘티디 | 차량 배터리 셀 일관성 평가 방법, 장치, 기기 및 저장매체 |
CN116628533A (zh) * | 2023-05-06 | 2023-08-22 | 重庆川南环保科技有限公司 | 基于K-Shape的时间序列大数据聚类算法 |
Non-Patent Citations (2)
Title |
---|
WANG, LS: "Understanding Discharge Voltage Inconsistency in Lithium-Ion Cells via Statistical Characteristics and Numerical Analysis", IEEE ACCESS, pages 84821 - 84836 * |
李海林: "基于 K-Shape 的时间序列模糊分类方法", 电子科技大学学报, vol. 50, no. 6, pages 899 - 906 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118035779A (zh) * | 2024-04-12 | 2024-05-14 | 山东海纳智能装备科技股份有限公司 | 一种超高压压滤机扭矩测量方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117148200B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107797067B (zh) | 一种基于深度学习的锂离子电池寿命迁移预测方法 | |
Xu et al. | Life prediction of lithium-ion batteries based on stacked denoising autoencoders | |
CN117148200B (zh) | 基于分段聚合近似和聚类的pack不一致性监测方法及装置 | |
WO2021017416A1 (zh) | 一种感知对抗生成下的深度压缩动力锂电池故障诊断方法 | |
CN112434848B (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN113821875B (zh) | 一个基于端云协同的智能车辆故障实时预测方法及系统 | |
CN114734873B (zh) | 一种基于云端在线数据的动力电池单体热失控预警方法 | |
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 | |
Lin et al. | Screening of retired batteries with gramian angular difference fields and ConvNeXt | |
CN117825998A (zh) | 一种锂离子电池剩余寿命预测方法、系统、设备及介质 | |
CN111080001A (zh) | 一种应用于风电场风速的深度神经网络预测方法 | |
Zhang et al. | Encoding time series as images: A robust and transferable framework for power system DIM identification combining rules and VGGNet | |
Rui et al. | Smart network maintenance in an edge cloud computing environment: An adaptive model compression algorithm based on model pruning and model clustering | |
CN117036103A (zh) | 基于lstm循环神经网络的电力系统运行态势预测方法 | |
CN116823042A (zh) | 充电桩安全评估方法和系统 | |
CN116298988A (zh) | 一种储能电站中电池状态的诊断方法及装置 | |
Li et al. | Degradation Pattern Recognition and Features Extrapolation for Battery Capacity Trajectory Prediction | |
CN114429046A (zh) | 电池寿命估计方法及电池管理系统 | |
CN112990603B (zh) | 考虑频域分解后数据特征的空调冷负荷预测方法及系统 | |
CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 | |
CN112100902B (zh) | 一种基于流数据的锂离子电池寿命预测方法 | |
Wang et al. | A cell screening method for lithium-ion battery grouping based on pre-trained data-driven model with multi-source time series data | |
CN114492578A (zh) | 一种基于bp神经网络的电气设备运行数据分类方法 | |
Qin et al. | Lithium-ion Batteries RUL Prediction Based on Temporal Pattern Attention | |
Liu et al. | Research progress on data driven-based rul prediction methods of mechanical equipment |
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 |