CN110596604A - 一种基于安时积分法的锂电池soc估计方法 - Google Patents
一种基于安时积分法的锂电池soc估计方法 Download PDFInfo
- Publication number
- CN110596604A CN110596604A CN201910918620.6A CN201910918620A CN110596604A CN 110596604 A CN110596604 A CN 110596604A CN 201910918620 A CN201910918620 A CN 201910918620A CN 110596604 A CN110596604 A CN 110596604A
- Authority
- CN
- China
- Prior art keywords
- battery
- soc
- ampere
- obtaining
- charge
- 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
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
- G01R31/3828—Arrangements for monitoring battery or accumulator variables, e.g. SoC using current integration
- G01R31/3832—Arrangements for monitoring battery or accumulator variables, e.g. SoC using current integration without measurement of battery voltage
- G01R31/3833—Arrangements for monitoring battery or accumulator variables, e.g. SoC using current integration without measurement of battery voltage using analog integrators, e.g. coulomb-meters
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供一种基于安时积分法的锂电池SOC估计方法,采用安时积分法对锂电池SOC状态进行估计,其中对于安时积分法当中所使用到的充放电初始状态、电池容量、库伦效率值进行校正,校正的方法为通过多种途径获取同一个参数的多组初始数据,对初始数据求平均值得到校正后的数据,其中初始数据的获取中包括了采用神经网络来获取的部分,神经网络采用锂电池在长期使用过程中的相应数据训练而成,由于安时积分法中的各个参数都得到了校正,因此最终得到的锂电池SOC状态的误差也较小,从而可以对电池的使用状态进行正确的判断,方便后续对锂电池的维修或者更换。
Description
技术领域
本发明涉及电池管理技术领域,特别涉及一种基于安时积分法的锂电池SOC估计方法。
背景技术
在无人机飞行***中,动力电池荷电状态(SOC)是电池状态的重要参数,被用来直接反应电池的剩余电量,电池SOC也是无人机控制***制定最优能量管理策略的重要依据,准确估计动力电池SOC值,对于延长电池寿命、提高电池的安全可靠性和提高其性能具有重要研究意义。
电池SOC受多种因素影响,无法通过传感器直接测量,必须通过测量电池电压、工作电流和温度等物理量并采用一定的数学模型和算法估计得到,目前常用的方法有开路电压法、安时积分法、神经网络法以及卡尔曼滤波法,而安时积分法因其成本低、测量方便等优点受到广泛应用,安时积分法的表达式为:由此可知电池SOC和充放电初始状态SOCO、电池总容量C、电池库伦效率η有关,而目前采用安时积分法时所使用的上述几个参数都会存在一定的误差,导致电池SOC的测量不够精确,无法正确判断电池的使用状态。
发明内容
鉴以此,本发明提出一种基于安时积分法的锂电池SOC估计方法,采用安时积分法对锂电池SOC状态进行估计,其中对于安时积分法中的各个参数进行校正,从而最终获取的电池SOC状态误差较小,可以对电池的使用状态进行正确的判断。
本发明的技术方案是这样实现的:
一种基于安时积分法的锂电池SOC估计方法,包括以下步骤:
步骤S1、读取数据库中存储的前一次使用结束后的电池SOC作为第一充放电初始状态;获取环境温度信息以及压强信息作为已训练好的第一神经网络的输入,得到第二充放电初始状态以及第三充放电初始状态,求取第一充放电初始状态、第二充放电初始状态、第三充放电初始状态的平均值获得充放电初始状态校正值SOCO;
步骤S2、获取电池健康状态SOH值,并以此获得第一电池容量;获取电池的使用时长作为已训练好的第二神经网络的输入,得到第二电池容量;获取充满电时长以及放完电时长,并以此获得第三电池容量和第四电池容量;求取第一电池容量、第二电池容量、第三电池容量、第四电池容量的平均值获得电池容量校正值C;
步骤S3、获取电池放电电量以及电池充电电量,并以此获得第一库伦效率;获取环境温度信息作为第三神经网络的输入,得到第二库伦效率,求取第一库伦效率和第二库伦效率的平均值得到库伦效率校正值η;
步骤S4、获取电池充放电电流I;
步骤S5、利用安时积分法根据SOCO、C、η以及I获得电池SOC状态。
优选的,还包括以下步骤:
步骤S6、将电池停止放电时的SOC值存入到数据库中,作为下一次计算电池SOC状态时的第一充放电初始状态。
优选的,所述步骤S2中获取电池健康状态SOH值,并以此获得第一电池容量的具体步骤为:
步骤S21、利用电池内阻求取电池健康状态SOH值,SOH值求取公式为:
其中,RO为锂电池在寿命完结时的内阻大小,Rn为锂电池出厂时的内阻大小,R为电池在使用过程中测得的内阻大小;
步骤S22、第一电池容量C1=SOH*CN,其中CN为电池额定容量。
优选的,所述步骤S2中获取充满电时长以及放完电时长,并以此获得第三电池容量和第四电池容量的具体步骤为:采用以下公式获取第三电池容量和第四电池容量:
其中C3为第三电池容量,T3为采集的充满电时长,CN为电池额定容量,TN3为额定充满电时长,C4为第四电池容量,T4为采集的放完电时长,TN4为额定放完电时长。
优选的,所述步骤S3中第一库伦效率的表达式为:
其中Qdis为电池放电电量,Qcha为电池充电电量。
优选的,所述步骤S4中采用电流传感器采集电池充放电电流I。
优选的,所述步骤S5中安时积分法的表达式为:
优选的,所述第一神经网络、第二神经网络以及第三神经网络由多种型号的锂电池在长期使用过程中保存的数据所训练而成。
与现有技术相比,本发明的有益效果是:
本发明提供了一种基于安时积分法的锂电池SOC估计方法,采用传统的安时积分法来对锂电池SOC状态进行估计,并对安时积分法中所使用参数进行了校正,包括充放电初始状态、电池容量以及库伦效率,每个参数都至少采取了两组初始数据来获得校正值,并且初始数据中还包括了采用神经网络结合锂电池长期使用过程中的数据来获得的部分,从而可以对安时积分法的各个参数进行校正,减少由于各个参数的误差而导致的锂电池SOC状态的差异,使得最终获取的电池SOC状态误差较小,从而可以对电池的使用状态进行正确的判断。
附图说明
为了更清楚地说明本发明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发明的优选实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种基于安时积分法的锂电池SOC估计方法的一个实施例的流程图。
具体实施方式
为了更好理解本发明技术内容,下面提供一具体实施例,并结合附图对本发明做进一步的说明。
参见图1,本发明提供的一种基于安时积分法的锂电池SOC估计方法,包括以下步骤:
步骤S1、读取数据库中存储的前一次使用结束后的电池SOC作为第一充放电初始状态;获取环境温度信息以及压强信息作为已训练好的第一神经网络的输入,得到第二充放电初始状态以及第三充放电初始状态,求取第一充放电初始状态、第二充放电初始状态、第三充放电初始状态的平均值获得充放电初始状态校正值SOCO;
步骤S2、获取电池健康状态SOH值,并以此获得第一电池容量;获取电池的使用时长作为已训练好的第二神经网络的输入,得到第二电池容量;获取充满电时长以及放完电时长,并以此获得第三电池容量和第四电池容量;求取第一电池容量、第二电池容量、第三电池容量、第四电池容量的平均值获得电池容量校正值C;
步骤S3、获取电池放电电量以及电池充电电量,并以此获得第一库伦效率;获取环境温度信息作为第三神经网络的输入,得到第二库伦效率,求取第一库伦效率和第二库伦效率的平均值得到库伦效率校正值η;
步骤S4、获取电池充放电电流I;
通过电流传感器来实时检测以及保存测得的电池充放电电流I;
步骤S5、利用安时积分法根据SOCO、C、η以及I获得电池SOC状态;
步骤S6、将电池停止放电时的SOC值存入到数据库中,作为下一次计算电池SOC状态时的第一充放电初始状态。
本发明的一种基于安时积分法的锂电池SOC估计方法,是采用安时积分法来对锂电池SOC状态来进行估计的,其中对于安时积分法当中使用到的多个参数进行校正,从而使得最终获得的锂电池SOC状态的误差较小,从而可以对电池的使用状态进行判断,方便后续的维护或者更换。
其中主要对充放电初始状态、电池容量以及库伦效率进行校正,对于充放电初始状态而言,首先从数据库当中读取前一次使用结束后的电池SOC状态,以此来作为第一充放电初始状态SOCO1,然后获取环境温度信息和压强信息,并将环境温度信息和压强信息输入到第一神经网络中,第一神经网络对环境温度信息进行处理得到第二充放电初始状态SOCO2,第一神经网络对压强信息进行处理得到第三充放电初始状态SOCO3,取SOCO1、SOCO2、SOCO3的平均值即可得到充放电初始状态校正值SOCO,即:
其中SOCO1可以直接由数据库中读取而得,而SOCO2、SOCO3则需要第一神经网络进行处理得到,对于SOCO2、SOCO3而言,所获取的环境温度信息和压强信息为多组,第一神经网络对采集的多组环境温度信息进行处理后,将得到的数据进行平均得到第二充放电初始状态SOCO2,同理第一神经网络也会对采集的多组压强信息进行处理并将结果进行平均得到第三充放电初始状态SOCO3,本实施例中的第一神经网络在使用前已训练好,其训练用的数据为不同型号的锂电池在长时间的使用过程中,不同温度、不同压强下的充放电初始状态,因此在获得环境温度信息以及压强信息后可以通过第一神经网络得到第二充放电初始状态以及第三充放电初始状态,,充放电初始状态校正值SOCO为SOCO1、SOCO2以及SOCO3的平均值,因此在结合前一次的电池SOC值以及根据神经网络获得的充放电初始状态下所得到的充放电初始状态校正值SOCO的误差就很小。
对于电池容量而言,同样是获取多组初始数据后,求取平均值,其中初始数据包括第一电池容量C1、第二电池容量C2、第三电池容量C3、第四电池容量C4,其中获取第一电池容量C1的具体步骤为:
步骤S21、利用电池内阻求取电池健康状态SOH值,SOH值求取公式为:
其中,RO为锂电池在寿命完结时的内阻大小,Rn为锂电池出厂时的内阻大小,R为电池在使用过程中测得的内阻大小;
步骤S22、第一电池容量C1=SOH*CN,其中CN为电池额定容量。
对于第二电池容量C2而言,其是采用第二神经网络进行处理得到,第二神经网络的输入数据是锂电池的使用时长,输出为第二电池容量C2,同第一神经网络一样,第二神经网络在使用前已训练好,训练用的数据为锂电池在长期的使用过程中,不同的使用时长所对应的电池容量。
对于第三电池容量C3和第四电池容量C4而言,采用以下公式获取第三电池容量和第四电池容量:
其中C3为第三电池容量,T3为采集的充满电时长,CN为电池额定容量,TN3为额定充满电时长,C4为第四电池容量,T4为采集的放完电时长,TN4为额定放完电时长。
第三电池容量C3和第四电池容量C4计算的依据是不同容量的电池在日常使用过程中其放完电时长和充满电时长是不同的,但是每个电池在出厂时的额定容量、额定充满电时长、以及额定放完电时长是固定不变的,随着电池容量的不断减小,充满电时长以及放完电时长也在不断减小,其变化是呈线性规律的,额定充满电时长(或额定放完电时长)与电池额定容量的比值等于采集的充满电时长(或采集的放完电时长)的比值相等,因此可以根据该等式关系计算得到第三电池容量C3和第四电池容量C4。
获得第一电池容量C1、第二电池容量C2、第三电池容量C3、第四电池容量C4后,电池容量校正值从而使得电池容量的误差减小。
对于库伦效率的获取,首先根据电池放电电量以及电池充电电量来获得第一库伦效率η1,其中式中,Qdis为电池放电电量,Qcha为电池充电电量,再获取第二库伦效率η2,第二库伦效率η2的获得方式为采用第三神经网络处理得到,第三神经网络在使用前已训练完成,其训练的数据为锂电池在长时间的使用过程中,在不同的环境温度下的库伦效率,因此将测得的环境温度输入到第三神经网络后,经第三神经网络处理后输出得到第二库伦效率η2,而库伦效率校正值η的表达式为从而可以实现对库伦效率的校正,较小库伦效率的误差。
优选的,所述步骤S5中安时积分法的表达式为:
在获取到充放电初始状态校正值SOCO、电池容量校正值C、库伦效率校正值η以及电池充放电电流I后,将上述参数带入到安时积分法的表达式中,即可得到电池SOC状态,当电池结束使用状态后,将结束状态时的电池SOC状态存储到数据库中,作为下一次估计电池SOC状态的第一充放电初始状态,上式中,积分表示电池的充放电电流I在时间[0,t]上的积分,放电电流I为正值,充电电流I为负值。
本发明的一种基于安时积分法的锂电池SOC估计方法,对充放电初始状态校正值SOCO、电池容量校正值C以及库伦效率校正值η进行了校正,分别是通过多种途径采集该参数的初始数据,然后对多组初始数据求取平均值,以此来减少该参数产生的误差,最后再利用安时积分法估计电池SOC状态时,由于各个参数的误差都得到了减小,因此最终获得的电池SOC状态的误差也较小,从而可以对电池的使用状态进行正确的判断,方便后续对锂电池的维修或者更换。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于安时积分法的锂电池SOC估计方法,其特征在于,包括以下步骤:
步骤S1、读取数据库中存储的前一次使用结束后的电池SOC作为第一充放电初始状态;获取环境温度信息以及压强信息作为已训练好的第一神经网络的输入,得到第二充放电初始状态以及第三充放电初始状态,求取第一充放电初始状态、第二充放电初始状态、第三充放电初始状态的平均值获得充放电初始状态校正值SOCO;
步骤S2、获取电池健康状态SOH值,并以此获得第一电池容量;获取电池的使用时长作为已训练好的第二神经网络的输入,得到第二电池容量;获取充满电时长以及放完电时长,并以此获得第三电池容量和第四电池容量;求取第一电池容量、第二电池容量、第三电池容量、第四电池容量的平均值获得电池容量校正值C;
步骤S3、获取电池放电电量以及电池充电电量,并以此获得第一库伦效率;获取环境温度信息作为第三神经网络的输入,得到第二库伦效率,求取第一库伦效率和第二库伦效率的平均值得到库伦效率校正值η;
步骤S4、获取电池充放电电流I;
步骤S5、利用安时积分法根据SOCO、C、η以及I获得电池SOC状态。
2.根据权利要求1所述的一种基于安时积分法的锂电池SOC估计方法,其特征在于,还包括以下步骤:
步骤S6、将电池停止放电时的SOC值存入到数据库中,作为下一次计算电池SOC状态时的第一充放电初始状态。
3.根据权利要求1所述的一种基于安时积分法的锂电池SOC估计方法,其特征在于,所述步骤S2中获取电池健康状态SOH值,并以此获得第一电池容量的具体步骤为:
步骤S21、利用电池内阻求取电池健康状态SOH值,SOH值求取公式为:
其中,RO为锂电池在寿命完结时的内阻大小,Rn为锂电池出厂时的内阻大小,R为电池在使用过程中测得的内阻大小;
步骤S22、第一电池容量C1=SOH*CN,其中CN为电池额定容量。
4.根据权利要求1所述的一种基于安时积分法的锂电池SOC估计方法,其特征在于,所述步骤S2中获取充满电时长以及放完电时长,并以此获得第三电池容量和第四电池容量的具体步骤为:采用以下公式获取第三电池容量和第四电池容量:
其中C3为第三电池容量,T3为采集的充满电时长,CN为电池额定容量,TN3为额定充满电时长,C4为第四电池容量,T4为采集的放完电时长,TN4为额定放完电时长。
5.根据权利要求1所述的一种基于安时积分法的锂电池SOC估计方法,其特征在于,所述步骤S3中第一库伦效率的表达式为:
其中Qdis为电池放电电量,Qcha为电池充电电量。
6.根据权利要求1所述的一种基于安时积分法的锂电池SOC估计方法,其特征在于,所述步骤S4中采用电流传感器采集电池充放电电流I。
7.根据权利要求1所述的一种基于安时积分法的锂电池SOC估计方法,其特征在于,所述步骤S5中安时积分法的表达式为:
8.根据权利要求1所述的一种基于安时积分法的锂电池SOC估计方法,其特征在于,所述第一神经网络、第二神经网络以及第三神经网络由多种型号的锂电池在长期使用过程中保存的数据所训练而成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910918620.6A CN110596604B (zh) | 2019-09-26 | 2019-09-26 | 一种基于安时积分法的锂电池soc估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910918620.6A CN110596604B (zh) | 2019-09-26 | 2019-09-26 | 一种基于安时积分法的锂电池soc估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110596604A true CN110596604A (zh) | 2019-12-20 |
CN110596604B CN110596604B (zh) | 2022-03-11 |
Family
ID=68863832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910918620.6A Active CN110596604B (zh) | 2019-09-26 | 2019-09-26 | 一种基于安时积分法的锂电池soc估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110596604B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113484763A (zh) * | 2021-07-23 | 2021-10-08 | 江苏小牛电动科技有限公司 | 一种电池剩余电量的确定方法、装置、设备及存储介质 |
CN113835036A (zh) * | 2020-06-24 | 2021-12-24 | 丰翼科技(深圳)有限公司 | 电池健康状态评估方法、装置、计算机设备和存储介质 |
CN117406114A (zh) * | 2023-12-14 | 2024-01-16 | 深圳智慧动锂电子股份有限公司 | 基于小电流的soc校准方法、*** |
CN117434453A (zh) * | 2023-12-21 | 2024-01-23 | 南昌大学 | 一种锂离子电池寿命异常检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106646265A (zh) * | 2017-01-22 | 2017-05-10 | 华南理工大学 | 一种锂电池soc估计方法 |
CN107991623A (zh) * | 2017-11-27 | 2018-05-04 | 山东大学 | 一种考虑温度和老化程度的电池安时积分soc估计方法 |
-
2019
- 2019-09-26 CN CN201910918620.6A patent/CN110596604B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106646265A (zh) * | 2017-01-22 | 2017-05-10 | 华南理工大学 | 一种锂电池soc估计方法 |
CN107991623A (zh) * | 2017-11-27 | 2018-05-04 | 山东大学 | 一种考虑温度和老化程度的电池安时积分soc估计方法 |
Non-Patent Citations (3)
Title |
---|
张建寰等: ""基于多参数融合的铅酸蓄电池SOC 估算方法研究"", 《电源技术》 * |
张立强等编: "《电动汽车充电技术》", 30 April 2019 * |
高建树等: ""人工神经网络和安时法电池SOC估计"", 《电源技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113835036A (zh) * | 2020-06-24 | 2021-12-24 | 丰翼科技(深圳)有限公司 | 电池健康状态评估方法、装置、计算机设备和存储介质 |
CN113484763A (zh) * | 2021-07-23 | 2021-10-08 | 江苏小牛电动科技有限公司 | 一种电池剩余电量的确定方法、装置、设备及存储介质 |
CN117406114A (zh) * | 2023-12-14 | 2024-01-16 | 深圳智慧动锂电子股份有限公司 | 基于小电流的soc校准方法、*** |
CN117434453A (zh) * | 2023-12-21 | 2024-01-23 | 南昌大学 | 一种锂离子电池寿命异常检测方法 |
CN117434453B (zh) * | 2023-12-21 | 2024-02-20 | 南昌大学 | 一种锂离子电池寿命异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110596604B (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110596604B (zh) | 一种基于安时积分法的锂电池soc估计方法 | |
CN107991623B (zh) | 一种考虑温度和老化程度的电池安时积分soc估计方法 | |
CN107368619B (zh) | 一种扩展卡尔曼滤波soc估算方法 | |
CN106716158B (zh) | 电池荷电状态估算方法和装置 | |
JP5466564B2 (ja) | 電池劣化推定方法、電池容量推定方法、電池容量均等化方法、および電池劣化推定装置 | |
US10126369B2 (en) | Secondary battery capacity measurement system and secondary battery capacity measurement method | |
CN107271905B (zh) | 一种用于纯电动汽车的电池容量主动估计方法 | |
US20190036356A1 (en) | Method and System for Estimating Battery Open Cell Voltage, State of Charge, and State of Health During Operation of the Battery | |
CN109669131B (zh) | 一种工况环境下动力电池soc估算方法 | |
WO2018196121A1 (zh) | 一种确定电池内短路的方法及装置 | |
CN107677965B (zh) | 一种锂电池能量状态估算方法 | |
JP6158195B2 (ja) | 電池状態推定装置及び蓄電池システム | |
CN109633457B (zh) | 一种剩余电量的获取方法及获取*** | |
CN109342950B (zh) | 一种用于锂电池荷电状态的评估方法、装置及其设备 | |
KR102101912B1 (ko) | 에너지 저장장치 충전상태 추정방법 | |
JP2014025738A (ja) | 残容量推定装置 | |
CN113253140A (zh) | 电池健康状态在线估算方法 | |
CN110058177B (zh) | 一种动力电池电量soc修正方法 | |
CN109752660B (zh) | 一种无电流传感器的电池荷电状态估计方法 | |
CN108693483A (zh) | 一种电池包荷电状态的计算方法及*** | |
CN110716146A (zh) | 一种动力电池开路电压的估计方法 | |
CN111216595B (zh) | 基于锂电池等效电路模型的重度混合动力汽车soc校准方法 | |
CN113125978B (zh) | 一种电动自行车用锂电池soc测量方法 | |
CN109669138B (zh) | 一种精准测定动力铅蓄电池组剩余容量的方法 | |
JP5904916B2 (ja) | バッテリの健全度算出装置および健全度算出方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: No.32 Haifu Road, Meilan District, Haikou City, Hainan Province 570100 Applicant after: China Southern Power Grid Hainan Digital Power Grid Research Institute Co.,Ltd. Address before: 570100 B505, West Tower, Guorui building, No. 11, Guoxing Avenue, Qiongshan District, Haikou City, Hainan Province Applicant before: HAINAN DINGLIXIN TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |