CN111948539A - 一种基于深度强化学习的卡尔曼滤波锂离子电池soc估计方法 - Google Patents
一种基于深度强化学习的卡尔曼滤波锂离子电池soc估计方法 Download PDFInfo
- Publication number
- CN111948539A CN111948539A CN201910422522.3A CN201910422522A CN111948539A CN 111948539 A CN111948539 A CN 111948539A CN 201910422522 A CN201910422522 A CN 201910422522A CN 111948539 A CN111948539 A CN 111948539A
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- ion battery
- battery
- kalman filtering
- soc
- 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
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 81
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000002787 reinforcement Effects 0.000 title claims abstract description 33
- 238000001914 filtration Methods 0.000 title claims abstract description 31
- 238000013178 mathematical model Methods 0.000 claims abstract description 18
- 238000004088 simulation Methods 0.000 claims abstract description 8
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 7
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 10
- 229910052744 lithium Inorganic materials 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000010287 polarization Effects 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 6
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000007599 discharging Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000013468 resource allocation 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种基于深度强化学习卡尔曼滤波锂离子电池SOC的估计方法,其主要技术特点:本发明通过对锂离子电池二阶RC等效电路拓扑,建立了离散***数学模型,提出了一种新的深度强化学习卡尔曼滤波锂离子电池SOC估计方法。首先,通过分析锂离子电池二阶RC等效电路模型,建立了电池的状态空间模型,并利用传统的卡尔曼滤波算法构建了锂离子电池的离散***数学模型。结合人工智能思想,进一步设计了一个深度强化学习卡尔曼滤波锂离子电池SOC估计方法。最后,通过贝叶斯规则确保了最佳协方差。仿真结果表明,该估算方法在利用两种算法优点的基础上,通过贝叶斯规则可以确保***的最佳协方差,有效降低了估算过程的计算量,进而提升SOC估算的精度,具有较好的实用性。
Description
技术领域
本发明属于锂离子电池储能领域,尤其是基于深度强化学习卡尔曼滤波锂离子电池SOC的一种估计方法。
背景技术
随着新能源交通工具的普及,锂离子电池具有了广泛的应用空间。锂离子电池的状态估计是储能***的重要组成部分之一。锂离子电池状态估计的准确性与电池的充放电过程以及新能源交通工具的运行状态密切相关。为了提高锂离子电池状态估计的精度,国内外相关学者进行了大量研究。
卡尔曼滤波(Kalman filter)是一种利用线性***状态方程,通过***输入输出观测数据,对***进行最优估计的算法。由于观测数据中包括***中的噪声和干扰的影响,所以最优估计也可看做是滤波过程,是一种常见的锂离子电池状态估计算法。锂离子电池运行状态复杂,状态估计受很多因素的干扰。针对串联锂离子电池组不一致性辨识与状态估计,葛云龙等提出一种STF&LM算法,该算法将各单体状态、内阻估计误差控制在合理范围内,提升了电池组不一致性辨识与状态估计。程泽等在分析锂离子电池二阶RC等效电路基础上,将Sage-Husa自适应滤波思想与传统平方根无迹卡尔曼滤波(square-rootunscented Kalman filter,SRUKF)相结合,构建了一种自适应平方根无迹卡尔曼滤波算法,该算法提高了对电池欧姆电阻和容量的估计。深度强化学习将深度学习感知能力和强化学习决策能力相结合,可直接根据输入图像进行控制,是一种更接近人类思维方式的人工智能方法。Minho Kim等人利用深度强化学习思维,提出了一种强化学习的锂离子电池的状态估计算法,该方法对于锂离子电池的状态估计更加精确度和灵活性,弊端是更改参数存在困难。Sbarufatti C和Dang X J等人分别将神经网络和卡尔曼滤波算法相结合,提出了两种不同的算法,实验均验证了能够提高锂离子电池状态估计的精度。
发明内容
本发明通过对锂离子电池二阶RC等效电路拓扑,建立了离散***数学模型,提出了一种新的深度强化学习卡尔曼滤波锂离子电池SOC估计方法。
本发明解决其技术问题是采取以下技术方案实现的:
一种基于深度强化学习卡尔曼滤波锂离子电池SOC的估计方法,包括以下步骤:
步骤1、通过分析锂离子电池二阶RC等效电路模型,以及采用安时积分法,建立锂电池的状态空间模型,对电池模型进行参数辨识,利用传统的卡尔曼滤波算法构建锂离子电池的离散***数学模型。
步骤2、根据上述步骤1的数学模型,结合人工智能思想,进一步设计一种深度强化学习卡尔曼滤波锂离子电池SOC估计方法。
步骤3、根据上述步骤1的数学模型,在贝叶斯规则下确保了最佳协方差。得到仿真结果后,可以表明该发明能够较好的提高SOC的精度。
而且,所述锂离子电池二阶RC数学模型为:
其中,ro为锂离子电池内阻,r1、r2、C1、C2为锂离子电池的极化内阻和极化电容,it为锂离子电池电流,uo为锂离子电池内阻端电压,uOCV为锂离子电池开路电压,u1、u2分别为锂离子电池的极化内阻r1、r2的电压,ut为锂离子电池开路端电压。
而且,采用安时积分法有锂离子电池的SOC:
而且,所述锂离子电池的状态空间模型:
其中,τ1=r1C1、τ2=r2C2,uk(uk=it,k)为控制变量,yk(yk=ut,k)为观测变量,wk(wk=[w1,k w2,k w3,k]T)为***噪声干扰,协方差为Q,vk为观测噪声干扰,协方差为R。
所述的锂离子电池的离散***数学模型:
其中,噪声干扰wk、vk分别设置为wk∈(0,Q),vk∈(0,R)。
而且,所述的深度强化学习卡尔曼滤波锂离子电池SOC估计方法,是将卡尔曼滤波算法与深度强化学习相结合,对锂离子电池SOC进行估计,有动作状态值函数:
其中,st∈χ,ut∈η,r(st,ut),t∈[1,T],π(ut|st)∈ρπ(st), γ∈(0,1)为折扣因子。当r(st,ut)+γ max Q[st+1,ut+1]-Q[st,ut]→0时,成立。可通过min L(θQ)=min{r(st,ut)+γ max Q[st+1,ut+1]-Q[st,ut]}优化获得参数更替。
定义最佳Q函数为:
利用贝叶斯规则,方程可以改写为:
其中,f为过渡函数,即sk+1=f(sk,uk,ak)。由此可知,设置sk,uk为决策量,则可获得最佳协方差。
本发明的优点和积极效果是:
1、锂离子电池的运行状态较为复杂,其涉及电化学反应、电荷传递等多个相互耦合的过程,具有强烈的非线性动态特性。针对锂离子电池的SOC估计,学者们建立了不同的模型,其主要包括等效电路模型、电化学模型和人工神经元网络模型三种。本发明使用的是等效电路模型,等效电路模型可以更准确地表达锂离子电池外特性,最能代表电池的动态特性线性模型。
2、本发明运用了深度强化学习,深度强化学习是将深度学习感知能力和强化学习决策能力相结合,不断以试错的方式与环境进行交互,通过最大化累积奖赏的方式来获得最优策略。可直接根据输入图像进行控制,是一种更接近人类思维方式的人工智能方法。这种算法可以使决策更加合理。
3、本发明通过贝叶斯规则可以确保***的最佳协方差,有效降低了估算过程的计算量,进而提升SOC估算的精度,具有较好的实用性。
附图说明
图1是锂离子电池等效电路示意图;
图2是锂离子电池OCV-SOC特性曲线;
图3是深度强化学习的卡尔曼滤波SOC估算原理图;
图4是SOC估计曲线;
图5是SOC估计误差比较曲线。
具体实施方式
以下结合附图对本发明实施例做进一步详述:
本发明通过对锂离子电池二阶RC等效电路拓扑,建立了离散***数学模型,提出了一种新的深度强化学习卡尔曼滤波锂离子电池SOC估计方法。首先,通过分析锂离子电池二阶RC等效电路模型,建立了电池的状态空间模型,并利用传统的卡尔曼滤波算法构建了锂离子电池的离散***数学模型。结合人工智能思想,进一步设计了一个深度强化学习卡尔曼滤波锂离子电池SOC估计方法。最后,通过贝叶斯规则确保了最佳协方差。仿真结果表明算法能够较好的提高SOC的精度。
一种基于深度强化学习卡尔曼滤波锂离子电池SOC的估计方法,包括以下步骤:
步骤1、通过分析锂离子电池二阶RC等效电路模型,以及采用安时积分法,建立锂电池的状态空间模型,对电池模型进行参数辨识,利用传统的卡尔曼滤波算法构建锂离子电池的离散***数学模型。
本发明将二阶等效电路模型作为研究对象如图1,数学模型为:
其中,ro为锂离子电池内阻,r1、r2、C1、C2为锂离子电池的极化内阻和极化电容,it为锂离子电池电流,uo为锂离子电池内阻端电压,uOCV为锂离子电池开路电压,u1、u2分别为锂离子电池的极化内阻r1、r2的电压,ut为锂离子电池开路端电压。
采用安时积分法有锂离子电池的SOC:
定义状态变量xk=[sk u1,k u2,k]T,结合式(1)和(2),可得锂离子电池的状态空间模型:
其中,τ1=r1C1、τ2=r2C2,uk(uk=it,k)为控制变量,yk(yk=ut,k)为观测变量,wk(wk=[w1,k w2,k w3,k]T)为***噪声干扰,协方差为Q,vk为观测噪声干扰,协方差为R。
通过放电实验可以得到SOC-OCV关系式。图2为天津力神公司生产的18650型锂离子在常温(20-25℃)下的SOC-OCV特性曲线图。
结合公式(1)-(3),应用卡尔曼滤波器,建立锂离子电池的离散***数学模型:
其中,噪声干扰wk、vk分别设置为wk∈(0,Q),vk∈(0,R)。
步骤2、根据上述步骤1的数学模型,结合人工智能思想,进一步设计一种深度强化学习卡尔曼滤波锂离子电池SOC估计方法。
强化学习由动物学习、参数扰动自适应控制等理论发展而来,是一种机器学习算法。深度强化学习将深度学习的感知能力和强化学习的决策能力相结合,不断以试错的方式与环境进行交互,通过最大化累积奖赏的方式来获得最优策略[10]。本文采用深度Q网络(DQN,deep Q-network)来具体求解资源分配问题,核心思想是将值网络作为评判模块,基于值网络来遍历当前观测状态下的各种动作,与环境进行实时交互,将状态、动作和奖惩值存储在记忆单元中,采用Q-learning算法来反复训练值网络,最后选择能获得最大价值的动作作为输出。基于深度强化学习的卡尔曼锂电池SOC估计的基本框架如图3所示。
图3中sk为算法进行到第t(t=1,2...k...n)步时对应的观测,uk为观测sk下所执行的动作,r(sk,uk)=rk为观测sk下执行动作uk后,获得的奖赏(或惩罚)。
将卡尔曼滤波算法与深度强化学习相结合,对锂离子电池SOC进行估计,有动作状态值函数:
其中,st∈χ,ut∈η,r(st,ut),t∈[1,T],π(ut|st)∈ρπ(st), γ∈(0,1)为折扣因子。当r(st,ut)+γ max Q[st+1,ut+1]-Q[st,ut]→0时,成立。可通过min L(θQ)=min{r(st,ut)+γ max Q[st+1,ut+1]-Q[st,ut]}优化获得参数更替。
定义最佳Q函数为:
利用贝叶斯规则,方程(6)可以改写为:
其中,f为过渡函数,即sk+1=f(sk,uk,ak)。由此可知,设置sk,uk为决策量,则可获得最佳协方差。
步骤3、仿真及实验分析,通过贝叶斯规则确保了最佳协方差。得到仿真结果后,可以表明该发明能够较好的提高SOC的精度。
在Matlab环境下,模拟天津力神公司生产的18650型锂离子充放电过程,仿真数据采用图2数据,估计曲线如图4、5。SOC真实的初始值为1,实验设定初始值为0.9。图4为平方根高阶容积卡尔曼滤波和深度强化学***方根高阶容积卡尔曼滤波,square-root unscented Kalman filter,SRUKF和深度强化学***方根高阶容积卡尔曼滤波策略估计值与设定值的误差维持在0.16上下,本文所提方法估计值与设定值的误差保持在0.14左右,误差较前一种方法小,表明对锂离子电池的SOC估计精度较高。进而证明深度强化学习卡尔曼滤波可以提升锂离子电池的SOC估计精度。
Claims (5)
1.一种基于深度强化学习卡尔曼滤波锂离子电池SOC的估计方法,包括以下步骤:
步骤1、通过分析锂离子电池二阶RC等效电路模型,以及采用安时积分法,建立锂电池的状态空间模型,对电池模型进行参数辨识,利用传统的卡尔曼滤波算法构建锂离子电池的离散***数学模型。
步骤2、根据上述步骤1的数学模型,结合人工智能思想,进一步设计一种深度强化学习卡尔曼滤波锂离子电池SOC估计方法。
步骤3、仿真及实验分析,通过贝叶斯规则确保了最佳协方差。得到仿真结果后,可以表明该发明能够较好的提高SOC的精度。
5.根据权利要求1所述的深度强化学习卡尔曼滤波锂离子电池SOC估计方法,是将卡尔曼滤波算法与深度强化学习相结合,对锂离子电池SOC进行估计,有动作状态值函数:
其中,st∈χ,ut∈η,r(st,ut),t∈[1,T],π(ut|st)∈ρπ(st), γ∈(0,1)为折扣因子。当r(st,ut)+γmax Q[st+1,ut+1]-Q[st,ut]→0时,成立。可通过min L(θQ)=min{r(st,ut)+γmax Q[st+1,ut+1]-Q[st,ut]}优化获得参数更替。
定义最佳Q函数为:
利用贝叶斯规则,方程可以改写为:
其中,f为过渡函数,即sk+1=f(sk,uk,ak)。由此可知,设置sk,uk为决策量,则可获得最佳协方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910422522.3A CN111948539A (zh) | 2019-05-17 | 2019-05-17 | 一种基于深度强化学习的卡尔曼滤波锂离子电池soc估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910422522.3A CN111948539A (zh) | 2019-05-17 | 2019-05-17 | 一种基于深度强化学习的卡尔曼滤波锂离子电池soc估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111948539A true CN111948539A (zh) | 2020-11-17 |
Family
ID=73336502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910422522.3A Pending CN111948539A (zh) | 2019-05-17 | 2019-05-17 | 一种基于深度强化学习的卡尔曼滤波锂离子电池soc估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111948539A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112858928A (zh) * | 2021-03-08 | 2021-05-28 | 安徽理工大学 | 一种基于在线参数辨识的锂电池soc估计方法 |
CN113125965A (zh) * | 2021-04-01 | 2021-07-16 | 清华大学 | 电池析锂检测方法、装置、设备及存储介质 |
CN113420444A (zh) * | 2021-06-23 | 2021-09-21 | 南通大学 | 一种基于参数在线辨识的锂离子电池soc估计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105699903A (zh) * | 2016-01-15 | 2016-06-22 | 宁波飞拓电器有限公司 | 一种基于变分贝叶斯ckf的应急灯电池soc估计方法 |
US20180100898A1 (en) * | 2016-10-06 | 2018-04-12 | Mitsubishi Electric Research Laboratories, Inc. | Hybrid Battery State Sensor |
CN108896924A (zh) * | 2018-07-09 | 2018-11-27 | 哈尔滨工业大学 | 基于深度置信网络和卡尔曼滤波融合的锂离子电池荷电状态估计方法 |
CN109407007A (zh) * | 2018-12-24 | 2019-03-01 | 广东省智能制造研究所 | 一种电池荷电状态检测方法及装置 |
CN109669132A (zh) * | 2019-01-21 | 2019-04-23 | 西北工业大学 | 一种基于变分贝叶斯滤波的电池荷电状态估计方法 |
CN109669134A (zh) * | 2019-02-27 | 2019-04-23 | 浙江科技学院 | 一种基于卡尔曼滤波法的soc的估算方法 |
-
2019
- 2019-05-17 CN CN201910422522.3A patent/CN111948539A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105699903A (zh) * | 2016-01-15 | 2016-06-22 | 宁波飞拓电器有限公司 | 一种基于变分贝叶斯ckf的应急灯电池soc估计方法 |
US20180100898A1 (en) * | 2016-10-06 | 2018-04-12 | Mitsubishi Electric Research Laboratories, Inc. | Hybrid Battery State Sensor |
CN108896924A (zh) * | 2018-07-09 | 2018-11-27 | 哈尔滨工业大学 | 基于深度置信网络和卡尔曼滤波融合的锂离子电池荷电状态估计方法 |
CN109407007A (zh) * | 2018-12-24 | 2019-03-01 | 广东省智能制造研究所 | 一种电池荷电状态检测方法及装置 |
CN109669132A (zh) * | 2019-01-21 | 2019-04-23 | 西北工业大学 | 一种基于变分贝叶斯滤波的电池荷电状态估计方法 |
CN109669134A (zh) * | 2019-02-27 | 2019-04-23 | 浙江科技学院 | 一种基于卡尔曼滤波法的soc的估算方法 |
Non-Patent Citations (3)
Title |
---|
MINKO KIM等: "State of Charge Estimation for Lithium Ion Battery Based on Reinforcement Learning", 《IFAC-PAPERSONLINE》 * |
李司光等: "锂离子电池荷电状态预测方法研究", 《北京理工大学学报》 * |
高洪森等: "基于深度强化学习卡尔曼滤波锂离子电池SOC估计", 《天津科技大学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112858928A (zh) * | 2021-03-08 | 2021-05-28 | 安徽理工大学 | 一种基于在线参数辨识的锂电池soc估计方法 |
CN112858928B (zh) * | 2021-03-08 | 2024-02-06 | 安徽理工大学 | 一种基于在线参数辨识的锂电池soc估计方法 |
CN113125965A (zh) * | 2021-04-01 | 2021-07-16 | 清华大学 | 电池析锂检测方法、装置、设备及存储介质 |
CN113125965B (zh) * | 2021-04-01 | 2021-11-19 | 清华大学 | 电池析锂检测方法、装置、设备及存储介质 |
CN113420444A (zh) * | 2021-06-23 | 2021-09-21 | 南通大学 | 一种基于参数在线辨识的锂离子电池soc估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | State of charge estimation with the adaptive unscented Kalman filter based on an accurate equivalent circuit model | |
CN110568361B (zh) | 一种动力电池健康状态的预测方法 | |
Liu et al. | State of charge prediction framework for lithium-ion batteries incorporating long short-term memory network and transfer learning | |
Ismail et al. | Battery state of charge estimation using an Artificial Neural Network | |
CN111007399B (zh) | 基于改进生成对抗网络的锂电池荷电状态预测方法 | |
He et al. | State-of-charge estimation of lithium ion batteries based on adaptive iterative extended Kalman filter | |
CN111581904A (zh) | 考虑循环次数影响的锂电池soc及soh协同估算方法 | |
Ma et al. | Co-estimation of state of charge and state of health for lithium-ion batteries based on fractional-order model with multi-innovations unscented Kalman filter method | |
Mamo et al. | Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries | |
CN110941929A (zh) | 一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法 | |
CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
CN113740736B (zh) | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 | |
CN111948560A (zh) | 基于多因子评估模型的锂电池健康状态估算方法 | |
CN111337832A (zh) | 一种动力电池多维度融合soc和soh在线联合估算的方法 | |
CN111948539A (zh) | 一种基于深度强化学习的卡尔曼滤波锂离子电池soc估计方法 | |
Xie et al. | Optimized multi-hidden layer long short-term memory modeling and suboptimal fading extended Kalman filtering strategies for the synthetic state of charge estimation of lithium-ion batteries | |
Li et al. | Review of lithium-ion battery state of charge estimation | |
CN109839599B (zh) | 基于二阶ekf算法的锂离子电池soc估计方法 | |
CN112098878B (zh) | 一种锂电池soh估算和rul预测的端到端神经网络建立方法 | |
CN107741568A (zh) | 一种基于状态转移优化rbf神经网络的锂电池soc估算方法 | |
Xu et al. | State of charge estimation for liquid metal battery based on an improved sliding mode observer | |
CN114660464A (zh) | 一种锂离子电池荷电状态估算方法 | |
CN114114038A (zh) | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 | |
Zhang et al. | A state-of-charge estimation method based on bidirectional LSTM networks for lithium-ion batteries | |
CN115201686A (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201117 |