CN117517963A - 一种基于膨胀力的多尺度的锂离子电池荷电状态评估方法 - Google Patents
一种基于膨胀力的多尺度的锂离子电池荷电状态评估方法 Download PDFInfo
- Publication number
- CN117517963A CN117517963A CN202311368700.1A CN202311368700A CN117517963A CN 117517963 A CN117517963 A CN 117517963A CN 202311368700 A CN202311368700 A CN 202311368700A CN 117517963 A CN117517963 A CN 117517963A
- Authority
- CN
- China
- Prior art keywords
- data
- expansion force
- lithium ion
- soc
- ion 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 19
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000007599 discharging Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 abstract description 14
- 238000012986 modification Methods 0.000 abstract description 3
- 230000004048 modification Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 239000010409 thin film Substances 0.000 abstract description 2
- 230000007774 longterm Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036316 preload Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008961 swelling Effects 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]
- G01R31/367—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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及锂离子电池状态评估技术领域,具体为一种基于膨胀力的多尺度的锂离子电池荷电状态评估方法,包括以下步骤:采集放电过程中电流、电压、膨胀力信号;将采集到的数据进行归一化处理,消除不同类型数据量纲的影响;处理后的数据输入多尺度SOC估算算法中;将输出的数据进行反归一化处理,最后输出估计值;有益效果为:本发明提出的基于膨胀力的多尺度的锂离子电池荷电状态评估方法,选用的膨胀力传感器为薄膜式,无需占用额外空间,对电池组无需进行额外改造就能集成;在多种采样间隔下,该方法能保证约1%以内的SOC评估精度,其预测精度可以达到高于现有方法的水准。
Description
技术领域
本发明涉及锂离子电池状态评估技术领域,具体为一种基于膨胀力的多尺度的锂离子电池荷电状态评估方法。
背景技术
由于能源危机和全球对减少温室气体排放的承诺,电动汽车已成为逐步取代传统汽车的选择。锂离子电池具有能量密度高、循环寿命长的特点,已被公认为电动汽车的主要储能设备。因此,有效监控电池状态,其中包括荷电状态(SOC)对于确保电动汽车的安全、可靠和高效运行至关重要。
现有技术中,锂离子电池SOC评估方法主要包括安时积分法或开路电压法(OCV)、基于模型的方法和数据驱动的方法。安时积分法通过对电流积分计算电池SOC,然而测量中的微小误差就会导致显著的估计偏差。开路电压法建立OCV和SOC之间的映射关系,但是OCV需要电池静置数十分钟达到平衡状态时才能获得,这就阻碍了上述方法在电动汽车中的应用。基于模型的方法可以提供精确的SOC估算,但确定模型中的各种参数给估算带来巨大挑战。此外,电池模型的开发需要深入了解被测电池的电化学特性,这就降低了所建模型的通用性。数据驱动的方法可以提供精确的SOC估算,但其SOC估算精度在很大程度上依赖于数据采样间隔。在电动汽车等快速变化的场景中,较大的采样间隔可能无法捕捉电池SOC的动态特性,从而影响SOC估算的准确性。因此,目前的方法无法在较大的数据采样间隔内提供准确的估计。
发明内容
本发明的目的在于提供一种基于膨胀力的多尺度的锂离子电池荷电状态评估方法,以解决上述背景技术中提出的现有的技术如安时积分法、开路电压法、基于模型的方法或者数据驱动的方法均只能在较小的采样间隔下进行评估,难以适应实际使用的需求的问题。
为实现上述目的,本发明提供如下技术方案:一种基于膨胀力的多尺度的锂离子电池荷电状态评估方法,所述方法包括以下步骤:
采集放电过程中电流、电压、膨胀力信号;
将采集到的数据进行归一化处理,消除不同类型数据量纲的影响;
处理后的数据输入多尺度SOC估算算法中;
将输出的数据进行反归一化处理,最后输出估计值。
优选的,采集放电过程中电流、电压、膨胀力信号时,使用滑动窗口对数据进行平滑处理,同时分析时间窗口内的连续数据,捕捉电池SOC随时间变化的趋势,并据此进行估算。
优选的,多尺度SOC估算方算法使用最小二乘法调整组合预测模型的权重,以最小化预测误差:
其中ωk为权重,xi为真实SOC,为SOC估计值。
优选的,采用最小-最大归一化方法对输入进行归一化处理,消除不同参量之间的量纲影响,确保数据指标之间的可比性,公式如下:
其中xt表示t时间点的电池参数,xt,max和xt,min分别为最大值和最小值,为归一化特征值。
优选的,计算均方根误差(RMSE)、平均绝对误差(MAE)和绝对值的最大值(MaxAE):
其中N表示数据个数,yi表示真实数据,表示预测数据。
与现有技术相比,本发明的有益效果是:
本发明提出的基于膨胀力的多尺度的锂离子电池荷电状态评估方法,选用的膨胀力传感器为薄膜式,无需占用额外空间,对电池组无需进行额外改造就能集成;在多种采样间隔下,该方法能保证约1%以内的SOC评估精度,其预测精度可以达到高于现有方法的水准。
附图说明
图1为本发明LSTM单元结构示意图;
图2为本发明多尺度SOC估算算法结构示意图;
图3为本发明方法流程图;
图4为本发明电池测试平台结构示意图;
图5为本发明动态工况示意图;
图6为本发明在不同采样间隔的NEDC循环下的SOC估算结果:(a)1秒的SOC;(b)1秒的SOC误差;(c)5秒的SOC;(d)5秒的SOC误差;(e)10秒的SOC;(f)10秒的SOC误差示意图;
图7为本发明在不同采样间隔的UDDS循环下的SOC估算结果:(a)1秒的SOC;(b)1秒的SOC误差;(c)5秒的SOC;(d)5秒的SOC误差;(e)10秒的SOC;(f)10秒的SOC误差示意图;
图8为本发明SOC评估方法的统计分析:(a)RMSE;(b)MaxAE;(c)MAE示意图。
具体实施方式
为了使本发明的目的、技术方案进行清楚、完整地描述,及优点更加清楚明白,以下结合附图对本发明实施例进行进一步详细说明。应当理解,此处所描述的具体实施例是本发明一部分实施例,而不是全部的实施例,仅仅用以解释本发明实施例,并不用于限定本发明实施例,本领域普通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,都属于本发明保护的范围。
实施例一
请参阅图3,本发明提供一种技术方案:一种基于膨胀力的多尺度的锂离子电池荷电状态评估方法,所述方法包括以下步骤:
采集放电过程中电流、电压、膨胀力信号;
将采集到的数据进行归一化处理,消除不同类型数据量纲的影响;
处理后的数据输入多尺度SOC估算算法中;
将输出的数据进行反归一化处理,最后输出估计值。
采用SOC的长期估计(即全局趋势)是通过使用长短期记忆网络(LSTM)从膨胀力和电压数据中提取信息来建立的,而SOC的短期估计(即局部变化)则是通过使用支持向量回归(SVR)从电流和电压测量中提取信息来获得的。然后,融合长期和短期(即多尺度)SOC估算结果,提供最终的SOC估算结果。长期和短期估算均使用电压测量值,因为它们包含SOC全局趋势和局部变化的宝贵信息。采用这种方法,长期和短期估算可以互为补充,从而有效缓解对较小数据采样间隔的依赖。
LSTM是深度学习的循环神经网络(RNN)架构,用于处理和预测时间序列数据。与传统的RNN架构相比,LSTM引入了一种称为"门控机制"的方法,能更有效地处理长期依赖性和梯度消失问题。因此,我们选择LSTM来通过膨胀力等长期变量估计长期SOC;LSTM单元的结构如图1所示。它包含一个遗忘门(ft)、一个输入门(it)和一个输出门(ot)。遗忘门决定从单元状态(ct)中丢弃哪些信息。输入门决定从当前输入(xt)和上一时刻的隐藏状态(lt-1)中获取哪些新信息,然后将其更新到单元状态。输出门决定从单元状态输出多少信息到下一时间步的隐藏状态。具体公式如下
SVR是一种解决回归问题的技术。它是一种基于统计学习理论和结构风险最小化原理的算法。SVR的核心思想是将输入向量映射到高维空间,并构建一个最优分离的超平面,借助凸优化,得到全局最优解。SVR使用核函数和回归算法,能够将非线性模型转化为线性模型。基于SVR在处理非线性数据方面的优势,我们选择SVR来通过短期变量如电流估计短期SOC。
对于给定样本D={(x1,y1),(x2,y2),…,(xn,yn)},yi∈R,期望得到一个回归函数,使得f(x)与y尽可能地接近。
w是权重向量,是将输入特征向量映射到高维特征空间的映射函数,b为偏置项。
将式(7)转化为目标函数,C是正则化参数,用于平衡回归函数的复杂度和拟合误差的权重,ε是容忍度,表示预测值与真实值的最大差异。
引入松弛变量ξi,表示对于第i个样本允许的函数间隔偏差,可将目标函数转化为
引入拉格朗日函数并求偏导,得到回归函数
α是拉格朗日系数,K是核函数。
实施例二
在实施例一的基础上,随着数据采样间隔的增加,在动态条件下采集的电池电流和电压数据可能无法捕捉电池SOC的动态特性,这将严重影响SOC评估的稳定性。因此,本专利选择了合适的滑动窗口宽度。假设滑动窗口的大小为λ,即第t个输入向量的组成为{xt-λ+1,…,xt-1,xt}。使用滑动窗口可以对数据进行平滑处理,同时分析时间窗口内的连续数据,捕捉电池SOC随时间变化的趋势,并据此进行估算。
图2描述了所提出的多尺度SOC估算方法。结合长期SOC估算和短期SOC估算,构建了多尺度SOC估算方法,并使用最小二乘法调整了组合预测模型的权重,以最小化预测误差;SOC的长期估计(即全局趋势)是通过使用长短期记忆网络(LSTM)从膨胀力和电压数据中提取信息来建立的,而SOC的短期估计(即局部变化)则是通过使用支持向量回归(SVR)从电流和电压测量中提取信息来获得的。然后,融合长期和短期(即多尺度)SOC估算结果,提供最终的SOC估算结果。长期和短期估算均使用电压测量值,因为它们包含SOC全局趋势和局部变化的宝贵信息。采用这种方法,长期和短期估算可以互为补充,从而有效缓解对较小数据采样间隔的依赖。
其中ωk为权重,xi为真实SOC,为SOC估计值。
同时,为了消除不同参量之间的量纲影响,确保数据指标之间的可比性,采用最小-最大归一化方法对输入进行归一化处理,具体方法如下:
其中xt表示t时间点的电池参数,xt,max和xt,min分别为最大值和最小值,为归一化特征值。
为了评估所提方法的有效性,我们利用公式(18-19)计算均方根误差(RMSE)、平均绝对误差(MAE)和绝对值的最大值(MaxAE):
其中N表示数据个数,yi表示真实数据,表示预测数据。
实施例三
在实施例二的基础上,锂电池测试台如图4所示,将电池固定在膨胀力测试装置上,放置在恒温箱中,电池由电源柜充放电,电脑收集电流、电压和膨胀力数据。表1列出了电池的详细参数。
表1.测试电池参数
为了全面掌握锂离子电池充放电过程中膨胀力的变化情况,需要在不同的动态测试工况下对电池进行测试,具体测试条件见表2。膨胀力测试装置对电池施加25kg的预负荷,并在恒流恒压模式下将电池充电至4.2V的截止电压和0.05C的截止电流。在测试过程中,执行图5所示的新欧洲行驶循环(NEDC)和城市测功机驾驶时间表(UDDS)动态工况。
表2.电池充放电实验方案
为了进一步评估所提方法的性能,我们引入了一些现有方法作为所提方法的对比,包括输入为膨胀力、电压和电流的LSTM(定义为FLSTM),以及输入为电压和电流的SVR。结果如图6、图7和图8所示。
图6显示了三种方法在NEDC工况下的SOC估算性能比较。可以看出,在数据采样间隔为1s的情况下,三种方法都能实现可靠的电池SOC估算,而专利所提方法的RMSE、MaxAE和MAE分别为0.44%、1.58%和0.32%,是三种方法中最低的。此外,由于加入了膨胀力的测量,FLSTM和所提方法的SOC估算结果与SVR相比波动更小(见图6(a)和(b))。
随着采样间隔从1s增加到5s,FLSTM和SVR的估计精度急剧下降,SVR的RMSE和MAE几乎增加了一倍。相反,专利提出的方法的估计精度几乎没有变化,其RMSE、MaxAE和MAE分别从0.44%、1.58%和0.32%增加到0.46%、1.86%和0.34%。此外,当采样间隔进一步增加到10秒时,FLSTM和SVR的RMSE值分别为1.4%和2%,MAE值分别为1.21%和1.61%,而专利提出的方法的RMSE和MAE值分别为0.64%和0.48%,不到FLSTM和SVR的一半和三分之一。在MaxAE方面,FLSTM和SVR分别达到了4.89%和7.45%,而专利提出的方法可以将其控制在2.84%左右。图7和图8所示的UDDS工况的估计结果与NEDC工况的结果类似。根据上述结果,可以得出结论:专利提出的方法可以提供更好的SOC估计精度,并保持较高的稳定性。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于膨胀力的多尺度的锂离子电池荷电状态评估方法,其特征在于:所述方法包括以下步骤:
采集放电过程中电流、电压、膨胀力信号;
将采集到的数据进行归一化处理,消除不同类型数据量纲的影响;
处理后的数据输入多尺度SOC估算算法中;
将输出的数据进行反归一化处理,最后输出估计值。
2.根据权利要求1所述的一种基于膨胀力的多尺度的锂离子电池荷电状态评估方法,其特征在于:采集放电过程中电流、电压、膨胀力信号时,使用滑动窗口对数据进行平滑处理,同时分析时间窗口内的连续数据,捕捉电池SOC随时间变化的趋势,并据此进行估算。
3.根据权利要求1所述的一种基于膨胀力的多尺度的锂离子电池荷电状态评估方法,其特征在于:多尺度SOC估算方算法使用最小二乘法调整组合预测模型的权重,以最小化预测误差:
其中ωk为权重,xi为真实SOC,为SOC估计值。
4.根据权利要求3所述的一种基于膨胀力的多尺度的锂离子电池荷电状态评估方法,其特征在于:采用最小-最大归一化方法对输入进行归一化处理,消除不同参量之间的量纲影响,确保数据指标之间的可比性,公式如下:
其中xt表示t时间点的电池参数,xt,max和xt,min分别为最大值和最小值,为归一化特征值。
5.根据权利要求1所述的一种基于膨胀力的多尺度的锂离子电池荷电状态评估方法,其特征在于:计算均方根误差(RMSE)、平均绝对误差(MAE)和绝对值的最大值(MaxAE):
其中N表示数据个数,yi表示真实数据,表示预测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311368700.1A CN117517963A (zh) | 2023-10-20 | 2023-10-20 | 一种基于膨胀力的多尺度的锂离子电池荷电状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311368700.1A CN117517963A (zh) | 2023-10-20 | 2023-10-20 | 一种基于膨胀力的多尺度的锂离子电池荷电状态评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117517963A true CN117517963A (zh) | 2024-02-06 |
Family
ID=89740816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311368700.1A Pending CN117517963A (zh) | 2023-10-20 | 2023-10-20 | 一种基于膨胀力的多尺度的锂离子电池荷电状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117517963A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117782569A (zh) * | 2024-02-23 | 2024-03-29 | 国广顺能(上海)能源科技有限公司 | 电池紧固件性能测试方法、装置、电子设备和存储介质 |
-
2023
- 2023-10-20 CN CN202311368700.1A patent/CN117517963A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117782569A (zh) * | 2024-02-23 | 2024-03-29 | 国广顺能(上海)能源科技有限公司 | 电池紧固件性能测试方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A review on online state of charge and state of health estimation for lithium-ion batteries in electric vehicles | |
Chang et al. | Lithium-ion battery state of health estimation using the incremental capacity and wavelet neural networks with genetic algorithm | |
Liu et al. | Gaussian process regression with automatic relevance determination kernel for calendar aging prediction of lithium-ion batteries | |
CN111707951B (zh) | 一种电池组一致性评估方法及系统 | |
Guo et al. | A state-of-health estimation method of lithium-ion batteries based on multi-feature extracted from constant current charging curve | |
Zhao et al. | Elman neural network using ant colony optimization algorithm for estimating of state of charge of lithium-ion battery | |
CN110146822B (zh) | 一种基于恒流充电过程的车用动力电池容量在线估计方法 | |
CN111323719A (zh) | 一种电动汽车动力电池组健康状态在线确定方法和系统 | |
CN110398697B (zh) | 一种基于充电过程的锂离子健康状态估计方法 | |
US11703548B2 (en) | Methods and systems for accelerated determining of state of health using incremental capacity analysis | |
CN111443293A (zh) | 一种基于数据驱动的锂电池健康状态soh估算方法 | |
CN113447828B (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及系统 | |
CN109239602B (zh) | 一种动力电池的欧姆内阻的估算方法 | |
CN109839596B (zh) | 基于ud分解的自适应扩展卡尔曼滤波的soc估算方法 | |
CN112557907A (zh) | 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 | |
CN110196395B (zh) | 蓄电池soc估算方法 | |
Takyi-Aninakwa et al. | An optimized long short-term memory-weighted fading extended Kalman filtering model with wide temperature adaptation for the state of charge estimation of lithium-ion batteries | |
CN117517963A (zh) | 一种基于膨胀力的多尺度的锂离子电池荷电状态评估方法 | |
CN116298934B (zh) | 一种用于锂电池健康状态估算的预测网络的建模方法 | |
Zhou et al. | Research on online capacity estimation of power battery based on EKF-GPR model | |
CN112883637A (zh) | 锂离子电池rul的混沌时序非线性组合预测方法 | |
CN113484774A (zh) | 一种基于温度校准和神经网络的锂电池组容量估计方法 | |
CN111751750A (zh) | 基于模糊ekf的多阶段闭环锂电池soc估算方法 | |
Huang et al. | State of health estimation of lithium-ion batteries based on fine-tuning or rebuilding transfer learning strategies combined with new features mining | |
CN113759258A (zh) | 一种动力电池soc估计方法、装置及纯电动汽车 |
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 |