CN109299752A - 一种基于聚类与信息熵的废旧动力电池一致性指标的优选方法 - Google Patents
一种基于聚类与信息熵的废旧动力电池一致性指标的优选方法 Download PDFInfo
- Publication number
- CN109299752A CN109299752A CN201811450452.4A CN201811450452A CN109299752A CN 109299752 A CN109299752 A CN 109299752A CN 201811450452 A CN201811450452 A CN 201811450452A CN 109299752 A CN109299752 A CN 109299752A
- Authority
- CN
- China
- Prior art keywords
- index
- comentropy
- waste
- cluster
- power 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 25
- 239000002699 waste material Substances 0.000 title claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 17
- 238000010219 correlation analysis Methods 0.000 claims abstract description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000004445 quantitative analysis Methods 0.000 abstract 1
- 239000000306 component Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 239000007787 solid Substances 0.000 description 4
- 238000004064 recycling Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009510 drug design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 101150048619 mdt-31 gene Proteins 0.000 description 1
- 238000005375 photometry Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Secondary Cells (AREA)
Abstract
本发明是一种基于聚类与信息熵的废旧动力电池一致性指标的优选方法,涉及废旧动力电池指标评价领域,包括:指标海选,任何与电池属性有关的指标均可纳入到备选指标库;初选,剔除数据不可得等无效指标;筛选,通过相关分析和聚类分析删除冗余信息量大于阈值的指标;优选,计算信息熵,结合聚类分析图谱留选显著性最高的指标。本发明开放式选择指标,设计合理,经过一系列的量化分析,得到更科学、更有效的电池一致性评价指标。
Description
技术领域
本发明属于废旧动力电池指标评价领域,尤其涉及一种基于聚类与信息熵的废旧动力电池一致性指标的优选方法。
背景技术
近年来,我国政府为了实现节能减排、减少城市污染,加大了对电动汽车发展的扶持力度。动力电池是电动汽车的核心部件,随着时间的发展,将面临巨大的动力电池退役问题。
电池组中由于生产工过程的复杂因素与使用环境的复杂因素共同作用,导致相同的电池单元在经过使用后,存在使用性能的劣化,且程度不同;甚至刚出厂的电池也会存在一定的性能差异,在长时间的使用过程中,其劣化程度会继续增加,电池组的综合性能所受影响极大。根据木桶效应理论,会极大地缩减电池组的使用寿命,劣化程度最大的电池反而会成为最大的负载,导致电池组提前报废。
传统的做法是把不满足性能的电池组全部进行替换,将旧电池组进行物理、化学方法回收或者直接进入二级市场使用,即便是直接进入二级市场使用,仍然存在极大的浪费,性能完好的电池单元无法更进一步地发挥作用,裂化程度大的单体电池仍然是一个负载。
电池的一致性评价贯穿始终,无论是从刚生产出来的新单体电池配组,还是废旧动力电池的梯次利用再分配;然而目前评价电池一致性的指标众多,电池性能所受影响因素的范围也较广泛。因此,如何选择评价电池一致性的指标成为了关键。
发明内容
(一)解决的技术问题
本发明要解决的技术问题是克服上述缺陷,提供一种基于聚类与信息熵的废旧动力电池一致性指标的优选方法,提供了一套科学、开放、可行的***优选方法,使得选择指标更有效、更简便,为提高电池利用率与循环使用奠定坚实的基础。
(二)技术方案
为解决上述问题,本发明所采用的技术方案是:基于聚类与信息熵的废旧动力电池一致性指标的优选方法,其特征在于,所述方法包括:
海选模块,任何与电池属性有关的指标均可纳入到备选指标库;
初选模块,剔除数据不可得等无效指标;
筛选模块,通过相关分析和聚类分析删除冗余信息量大于阈值的指标,计算各指标之间的相关系数,将相关系数大于阈值的指标进行归类,删除信息重叠指标;
优选模块,计算信息熵,结合聚类分析的树状分类图谱与指标数量复杂度,最终留选显著性最高的指标。
作为优选,海选模块的任何指标可以是电池的内在固有属性指标,也可以是测量指标,还可以是其衍生指标。
作为优选,筛选模块显著性值为t统计量,该统计量服从n-2个自由度的t分布,概率界限可选择1%至5%。
作为优选,筛选模块的阈值为0.9至1。
作为优选,聚类分析的距离为相关系数距离。
作为优选,聚类分析的距离为欧式距离。
作为优选,优选模块的显著性可以使用表示信息量的信息熵来判别,信息熵
式1中,pi为离散型***状态的概率,i为***状态数,m为***状态最大值,且定义当概率为0时,熵为零;H为指标的信息熵值。
优选模块复杂度可以根据人为经验与需求留选指标,应在聚类分析图谱中,由大类到小类进行分类,在每个类别中均衡选择指标,分类的数量可以人为决策。
作为优选,优选模块复杂度指标的数量,是对筛选指标进行主成分分析,为特征根大于 1时的主成分个数。
(三)有益效果
本发明提供了一种基于聚类与信息熵的废旧动力电池一致性指标的优选方法,与现有技术相比,具备以下有益效果:
本发明设计合理,开放式选择指标,进一步扩大指标的选择范围,提高指标选择代表性,为得到更包容、更广泛的电池一致性指标打好基础。
经过一系列的相关分析、聚类分析、显著性分析,进一步优化指标的选择、量化选择标准,避免了以往指标筛选中的信息重叠与共线性,更均衡地选择指标,使得留选指标冗余信息更少,减少测度***的复杂程度与盲目性;同时,将指标的选择过程完全可视化,黑箱过程透明化,使得优选过程更加明确、更加科学;为提高电池利用率与循环使用率奠定坚实的基础坚实的基础。
附图说明
图1指标选择流程图
图2筛选指标聚类树状图谱、相关系数与信息熵图
具体实施方式
对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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。
选取了24样本,共搜集到了10个潜在指标。
海选模块:搜集得到10个指标,得到10x24阶矩阵;
初选模块:考虑到信息搜集的可得性、连续性,同时也考虑到指标的客观性,剔除数据不可得等无效指标后,保留了7个指标,荷电状态SOC、功率状态SOP、健康状态SOH、端电压U、电压u0、内阻R和温度T,得到一个7x24阶的原始矩阵,如表1所示;
筛选模块:计算7个指标的相关系数及伴随概率,可以使用SPSS软件计算得到相关系数表,如表2所示,其中U与u0两个指标相关系数为1,可以归为一类,两个指标为完全相关,信息完全重叠。为删除冗余信息量大于阈值的指标,通过相关聚类分析,得到***树状图谱,根据图谱明确了7个指标的亲疏关系,如图2。筛选模块的相关系数阈值选为1,剔除冗余信息最大的指标,并将相关系数标记在7指标聚类图谱中,如图2所示相关系数列。需要说明的是,相关系数为1,意味着其地位相同,可以相互代表,只需留选1个指标。7个指标中,有1个相关系数为1,故缩减为6个指标。为了更好地说明本技术方案,在下一步仍然按照7 个指标进行计算分析。
优选模块:计算7个待选指标的信息熵值
式1中,pi为离散型***状态的概率,i为***状态数,m为***状态最大值,且定义当概率为0时,熵为零;H为指标的信息熵值。将信息熵标记在7个待选指标中,图2。信息熵越大,则说明指标的信息含量越大,具有更显著的信息特征,具有更强的代表性。
通过聚类分析图谱结合信息熵,在所分的大类中,选择信息熵最大的指标作为留选指标。留选个数可以结合经验与复杂程度确定。事实上,可以将7个指标分为2类、3类、4类甚至 7类。留选指标个数越多,描述的精确度会相应增加,且符合边际递减效应,但***复杂度也会相应提升。
对筛选指标进行主成分分析,计算特征根大于1时的主成分个数,结果如表3,特征根大于1的主成分共有3个,为了进一步提升精确度,结合人为经验,把接近于1的第4个主成分也统计进去,因此,本文按照分4大类举例说明。
如图2聚类图谱右半部分所示,从右至左,类别数量逐渐增多,虚线与图谱交点数量逐渐增多,其中,交点数量即为分类数量。本文按照分4大类举例说明,为了使表述更加清晰,在图2中,已经作出1条分类虚线。若将7个指标分为4大类,则可按图2中最右侧虚线分为共4类。
表1
序号 | SOC | U | u0 | SOP | R | T | SOH |
1 | 0.4747 | 2.8959 | 3.76467 | 100.1129 | 0.0102 | 23.842 | 0.7949 |
2 | 0.6499 | 2.915 | 3.7895 | 100.44 | 0.0097 | 24.4 | 0.8024 |
3 | 0.4014 | 2.8912 | 3.75856 | 100.1017 | 0.0099 | 24.7141 | 0.8025 |
4 | 0.795 | 2.9362 | 3.81706 | 102.7873 | 0.0106 | 24.5952 | 0.8007 |
5 | 0.4719 | 2.8876 | 3.75388 | 98.8333 | 0.011 | 24.6241 | 0.7939 |
6 | 0.9618 | 2.9773 | 3.87049 | 98.1457 | 0.0098 | 24.3269 | 0.7878 |
7 | 0.384 | 2.8849 | 3.75037 | 98.8593 | 0.0103 | 24.5432 | 0.8032 |
8 | 0.6398 | 2.9127 | 3.78651 | 98.9067 | 0.0098 | 24.0084 | 0.7866 |
9 | 0.2958 | 2.8699 | 3.73087 | 99.5664 | 0.0102 | 24.272 | 0.7897 |
10 | 0.4553 | 2.8922 | 3.75986 | 99.8315 | 0.0104 | 24.2544 | 0.8133 |
11 | 0.4813 | 2.9044 | 3.77572 | 99.7815 | 0.0094 | 24.6559 | 0.7958 |
12 | 0.6803 | 2.9134 | 3.78742 | 100.5413 | 0.0103 | 24.4958 | 0.7986 |
13 | 0.7884 | 2.9345 | 3.81485 | 100.3893 | 0.0106 | 24.1533 | 0.809 |
14 | 0.6601 | 2.9123 | 3.78599 | 100.7512 | 0.0101 | 24.4971 | 0.797 |
15 | 0.5254 | 2.8846 | 3.74998 | 101.7783 | 0.0117 | 24.2931 | 0.8103 |
16 | 0.7631 | 2.94 | 3.822 | 101.2231 | 0.0094 | 24.3 | 0.7965 |
17 | 0.7598 | 2.9402 | 3.82226 | 98.7167 | 0.0093 | 24.7592 | 0.8101 |
18 | 0.624 | 2.926 | 3.8038 | 97.671 | 0.0083 | 24.534 | 0.8063 |
19 | 0.7142 | 2.9137 | 3.78781 | 100.9019 | 0.0109 | 24.6195 | 0.7979 |
20 | 0.6826 | 2.9078 | 3.78014 | 98.1644 | 0.0109 | 24.7652 | 0.7913 |
21 | 0.4026 | 2.8914 | 3.75882 | 100.0668 | 0.0099 | 24.5541 | 0.7896 |
22 | 0.7519 | 2.9222 | 3.79886 | 100.0355 | 0.0109 | 24.6653 | 0.7973 |
23 | 0.4686 | 2.8953 | 3.76389 | 102.2272 | 0.0102 | 24.7049 | 0.7956 |
24 | 0.4792 | 2.8952 | 3.76376 | 99.9308 | 0.0103 | 24.8512 | 0.7959 |
表2
**.在.01水平(双侧)上显著相关。
表3
主成分 | 特征根 | 方差贡献率% | 累积贡献率% |
1 | 3.03 | 43.279 | 43.279 |
2 | 1.386 | 19.798 | 63.077 |
3 | 1.03 | 14.714 | 77.791 |
4 | 0.936 | 13.374 | 91.165 |
5 | 0.586 | 8.365 | 99.529 |
6 | 0.033 | 0.471 | 100 |
7 | 0 | 0 | 100 |
在各类中,分别选择信息熵最大的指标作为留选指标。如在第1类的3个指标中,应选择信息熵最大的“SOC”作为此类留选指标。在第2类的2个指标中,应选择信息熵最大的“SOP”作为此类留选指标。在第3类的1个指标中,应选择“SOH”作为此类留选指标。在第4类的1个指标中,应选择“T”作为此类留选指标。最终,在分4类的情形下,可以得到 4个主要指标
通过对7个指标进行主成分分析,可以知道前4个主成分的累计贡献率为91.1%超过了 85%的一般水平,将上述7个指标分成4大类是合理的。同时,可知6个主成分指标增加到7 个主成分指标时,累计贡献率还是100%,增加的这1个指标没有作用,也间接印证了筛选模块中两个指标完全相关的信息重叠性。
事实上,随着图2中的虚线从右向左移动,类别数逐渐增加,综合评价一致性越准确,但是指标***复杂度增加,可以根据实际需求来确定指标的数量,寻求信息成本的时间效率与能量利用率的平衡。
综上所述,建立了废旧动力电池一致性指标的优选方法,使得指标筛选更规范合理;开放式***,提高了筛选范围,使得指标更具有代表性;经过一系列相关分析、聚类分析、显著性分析的***量化分析,使得筛选更科学,同时,过程完全可视化,为人为决策提供依据;为提高电池利用率与循环使用率奠定坚实的基础。
Claims (9)
1.一种基于聚类与信息熵的废旧动力电池一致性指标的优选方法,其特征在于,所述方法包括:
海选模块,任何与电池属性有关的指标均可纳入到备选指标库;
初选模块,剔除数据不可得等无效指标;
筛选模块,通过相关分析和聚类分析删除冗余信息量大于阈值的指标,计算各指标之间的相关系数,将相关系数大于阈值的指标进行归类,删除信息重叠指标;
优选模块,计算信息熵,结合聚类分析的树状分类图谱与指标数量复杂度,最终留选显著性最高的指标。
2.根据权利要求1所述的基于聚类与信息熵的废旧动力电池一致性指标的优选方法,其特征在于,所述海选模块的任何指标可以是电池的内在固有属性指标,也可以是测量指标,还可以是其衍生指标。
3.根据权利要求1所述的基于聚类与信息熵的废旧动力电池一致性指标的优选方法,其特征在于,所述筛选模块显著性值为t统计量,该统计量服从n-2个自由度的t分布,概率界限可选择1%至5%。
4.根据权利要求1所述的基于聚类与信息熵的废旧动力电池一致性指标的优选方法,其特征在于,所述筛选模块的阈值为0.9至1。
5.根据权利要求1所述的基于聚类与信息熵的废旧动力电池一致性指标的优选方法,其特征在于,所述聚类分析的距离为相关系数距离。
6.根据权利要求1所述的基于聚类与信息熵的废旧动力电池一致性指标的优选方法,其特征在于,所述聚类分析中的相关系数矩阵可以替换的欧式距离。
7.根据权利要求1所述的基于聚类与信息熵的废旧动力电池一致性指标的优选方法,其特征在于,所述优选模块的显著性可以使用表示信息量的信息熵来判别,信息熵
式1中,pi为离散型***状态的概率,i为***状态数,m为***状态最大值,且定义当概率为0时,熵为零;H为指标的信息熵值。
8.根据权利要求1所述的基于聚类与信息熵的废旧动力电池一致性指标的优选方法,其特征在于,所述优选模块复杂度可以根据人为经验与需求留选指标,应在聚类分析图谱中,由大类到小类进行分类,在每个类别中均衡选择指标,分类的数量可以人为决策。
9.根据权利要求1所述的基于聚类与信息熵的废旧动力电池一致性指标的优选方法,其特征在于,所述优选模块复杂度指标的数量,是对筛选指标进行主成分分析,为特征根大于1时的主成分个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811450452.4A CN109299752A (zh) | 2018-11-30 | 2018-11-30 | 一种基于聚类与信息熵的废旧动力电池一致性指标的优选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811450452.4A CN109299752A (zh) | 2018-11-30 | 2018-11-30 | 一种基于聚类与信息熵的废旧动力电池一致性指标的优选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109299752A true CN109299752A (zh) | 2019-02-01 |
Family
ID=65142039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811450452.4A Pending CN109299752A (zh) | 2018-11-30 | 2018-11-30 | 一种基于聚类与信息熵的废旧动力电池一致性指标的优选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109299752A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111856285A (zh) * | 2020-07-06 | 2020-10-30 | 大连理工大学 | 一种应用于电力***的电动汽车退役电池组等效模型建模方法 |
CN111915600A (zh) * | 2020-08-12 | 2020-11-10 | 南京工程学院 | 一种退役动力锂电池热特征一致性筛选方法 |
CN112505573A (zh) * | 2020-11-23 | 2021-03-16 | 贵州电网有限责任公司 | 一种退役动力电池的一致性评价指标计算方法 |
-
2018
- 2018-11-30 CN CN201811450452.4A patent/CN109299752A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111856285A (zh) * | 2020-07-06 | 2020-10-30 | 大连理工大学 | 一种应用于电力***的电动汽车退役电池组等效模型建模方法 |
CN111856285B (zh) * | 2020-07-06 | 2021-06-08 | 大连理工大学 | 一种电动汽车退役电池组等效模型建模方法 |
CN111915600A (zh) * | 2020-08-12 | 2020-11-10 | 南京工程学院 | 一种退役动力锂电池热特征一致性筛选方法 |
CN111915600B (zh) * | 2020-08-12 | 2023-09-26 | 南京工程学院 | 一种退役动力锂电池热特征一致性筛选方法 |
CN112505573A (zh) * | 2020-11-23 | 2021-03-16 | 贵州电网有限责任公司 | 一种退役动力电池的一致性评价指标计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639237B (zh) | 一种基于聚类和关联规则挖掘的电力通信网风险评估*** | |
CN112791997B (zh) | 一种退役电池梯次利用筛选的方法 | |
CN104809658A (zh) | 一种低压配网台区线损的快速分析方法 | |
CN109299752A (zh) | 一种基于聚类与信息熵的废旧动力电池一致性指标的优选方法 | |
CN103606115A (zh) | 一种节能型电网的评定方法 | |
CN103679544A (zh) | 一种智能配电网运行综合评估方法 | |
CN104318482A (zh) | 一套智能配电网综合评估体系和方法 | |
CN106485089A (zh) | 谐波用户典型工况的区间参数获取方法 | |
CN105512783A (zh) | 用于电磁环网解环方案的综合评价方法 | |
CN105871879A (zh) | 网元异常行为自动检测方法及装置 | |
CN103778573A (zh) | 一种配电网供电区域的分类方法 | |
CN109583756A (zh) | 基于聚类与平均熵比的废旧动力电池一致性指标优选 | |
CN112200209A (zh) | 一种基于日差分用电量的贫困用户识别方法 | |
CN107730399A (zh) | 基于风力发电特性曲线的理论线损评估方法 | |
CN113327047B (zh) | 基于模糊综合模型的电力营销服务渠道决策方法及*** | |
CN109559044A (zh) | 基于聚类与最大熵比的废旧动力电池一致性指标优选 | |
CN110321390A (zh) | 基于有监督和无监督算法结合的负荷曲线数据可视化方法 | |
CN109544026A (zh) | 基于聚类与熵比率的废旧动力电池一致性指标优选 | |
CN107832928A (zh) | 基于风力发电特性曲线的等效综合线损评价方法 | |
CN112488360B (zh) | 基于人工智能的配变异常分析预警方法 | |
CN112001551B (zh) | 一种基于大用户电量信息的地市电网售电量预测方法 | |
CN112308424A (zh) | 一种基于配变数据的供电能力分析方法 | |
CN112072789A (zh) | 低电压台区识别方法、检修方法及其预警方法 | |
CN109934489A (zh) | 一种电力设备状态评价方法 | |
Yechao et al. | Integrated Strategy of Green Building Model Optimization Based on BIM Technology |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190201 |