CN114325450A - 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法 - Google Patents
基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法 Download PDFInfo
- Publication number
- CN114325450A CN114325450A CN202210026201.3A CN202210026201A CN114325450A CN 114325450 A CN114325450 A CN 114325450A CN 202210026201 A CN202210026201 A CN 202210026201A CN 114325450 A CN114325450 A CN 114325450A
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- ion battery
- cnn
- bilstm
- data
- 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 117
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000036541 health Effects 0.000 title claims abstract description 44
- 230000008569 process Effects 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000007600 charging Methods 0.000 claims abstract description 37
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 30
- 238000007599 discharging Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000011176 pooling Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 230000015654 memory Effects 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 230000002441 reversible effect Effects 0.000 claims abstract description 8
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 20
- 230000003862 health status Effects 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 230000036961 partial effect Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000001965 increasing effect Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 235000004257 Cordia myxa Nutrition 0.000 claims description 3
- 244000157795 Cordia myxa Species 0.000 claims description 3
- 238000013450 outlier detection Methods 0.000 claims description 3
- 238000011425 standardization method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000002829 reductive effect Effects 0.000 description 10
- 210000004027 cell Anatomy 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010277 constant-current charging Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004299 exfoliation Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 239000013543 active substance Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 229960001948 caffeine Drugs 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010280 constant potential charging Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006864 oxidative decomposition reaction Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000007774 positive electrode material Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- RYYVLZVUVIJVGH-UHFFFAOYSA-N trimethylxanthine Natural products CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及锂离子电池检测技术领域，具体公开了一种基于CNN‑BiLSTM‑AT混合模型的锂离子电池健康状态预测方法，其中，方法包括：采集锂离子电池充放电过程中的参数数据，作为输入数据；对参数数据进行数据预处理，将数据划分为训练集和测试集；将训练集输入卷积神经网络中，经过卷积和池化操作，输出深层特征矩阵；深层特征矩阵输入双向长短期记忆神经网络中，通过正向和反向对其进行双向深度分析，建立数据过去和未来之间的相关性；添加注意力机制层，增强模型对特征信息的学习，为相关性更高的特征赋予更高的权重；训练CNN‑BiLSTM‑AT混合模型，输入测试集，全连接层输出锂离子电池SOH预测值；制定CNN‑BiLSTM‑AT混合模型预测精度和锂离子电池健康状态的评价标准，用来评判模型预测SOH值的准确性，并预测该锂离子电池的健康状态。
Description
技术领域
本发明涉及锂离子电池检测技术领域，具体公开了一种基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法。
背景技术
近年来，随着全球科学技术的不断进步，锂离子电池作为一种新型清洁能源，具有能量密度、功率密度、寿命、标称电压和成本等方面的优势，已经被广泛应用于新能源汽车、智能电子产品、通讯设备和航空航天等领域中。锂离子电池作为供电***的重要组成部分，其健康状态已经成为重要安全问题之一。锂离子电池在循环充放电的过程中会产生多种不可逆反应，如正极材料的结构衰退、电解质的氧化分解、活性物质的溶解和锂金属的沉淀等，导致其健康状态(State ofHealth，SOH)不断下降直至退役。持续使用锂离子电池易发生故障，影响供电***的正常运行，甚至导致安全事故，因此对锂离子电池健康状况进行快速而准确的预测，能提高其长期使用的安全性。
随着深度学习技术的发展，把合适的深度学习网络应用到锂离子电池健康检测领域，是一件非常有意义的事情。卷积神经网络(Convolutional Neural Networks，CNN)能够提取数据中深层特征，应用到锂离子电池的充放电数据中，能够挖掘出电池健康状态的特征，提高锂离子电池健康状态预测模型的稳定性；双向长短期记忆神经网络(Bi-directional Long Short-Term Memory，BiLSTM)可以双向分析锂离子电池充放电数据的特点，能够充分对锂离子电池充放电数据信息进行深层次利用，使预测模型具有更强的数据提取、分析和泛化能力；注意力机制(Attention)能够根据每个输入特征对输出的影响，对输入序列进行建模，并将其与输出序列的值相关联，训练模型学习如何选择性地关注输入数据，为更相关的输入向量赋予更高的权重。
因此本申请从实际应用角度出发，结合三种模型的特点，构建CNN-BiLSTM-AT混合模型，准确预测锂离子电池的健康状态，及时发现电池的健康状态问题，为供电***的安全运行提供技术保障。
发明内容
本发明要解决的技术问题：为了提锂离子电池健康状态预测的准确性，本申请首先，采集锂离子电池充放电过程中的参数数据，作为输入数据；其次，对参数数据进行数据预处理，将数据划分为训练集和测试集；然后，设计锂离子电池健康状态的CNN-BiLSTM-AT混合模型，通过CNN-BiLSTM-AT混合模型对锂离子电池的充放电数据进行深度分析，输出SOH预测值；接着，制定CNN-BiLSTM-AT混合模型预测精度和锂离子电池健康状态的评价标准，用来评判模型预测准确性，并预测该锂离子电池的健康状态。
基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法，包括以下步骤：
步骤S1：采集锂离子电池充放电过程中的参数数据，作为输入数据；
步骤S2：对参数数据进行数据预处理，将数据划分为训练集和测试集；
步骤S3：将训练集输入卷积神经网络中，经过卷积和池化操作，输出深层特征矩阵；
步骤S4：深层特征矩阵输入双向长短期记忆神经网络中，通过正向和反向对其进行双向深度分析，建立数据过去和未来之间的相关性；
步骤S5：添加注意力机制层，增强模型对特征信息的学习，为相关性更高的特征赋予更高的权重；
步骤S6：训练CNN-BiLSTM-AT混合模型，输入测试集，全连接层输出锂离子电池SOH预测值；
步骤S7：制定CNN-BiLSTM-AT混合模型预测精度和锂离子电池健康状态的评价标准，用来评判模型预测准确性，并预测该锂离子电池的健康状态。
进一步的，所述步骤S1中，采集锂离子电池充放电过程中的参数数据，分为充电过程和放电过程，充电过程的参数数据包括环境温度、充电电流、充电温度、充电电压、电池测量电压和电池测量电流，放电过程的参数数据包括电池容量、电池测量电压、放电温度、电池测量电流、放电电流和放电电压。
进一步的，所述步骤S2中，对参数数据进行数据预处理，将数据划分为训练集和测试集，其操作如下：
(1)使用孤立森林算法，对参数数据进行离群点检测，处理数据中的异常点；
(2)采用插补法，参数数据的缺失值进行填补；
(3)利用极差标准化的方法，对参数数据进行归一化处理；
(4)将数据划分为训练集和测试集。
孤立森林算法识别数据中离群点的过程：将测试记录从独立树根节点开始搜索，确定预测点落到哪片叶子上，异常值一般标为叶子节点到根节点的路径h(x)，最后判断测试记录是否为异常值S(x,n)，计算公式为：
式中，H(n-1)可用ln(n-1)+0.577估算，n为锂离子电池充放电数据样本大小，h(x)为记录在独立树上的高度，S(x,n)的取值范围为[0,1]，接近1则为异常点，接近0则为正常值，若大部分样本的S(x,n)都接近0.5，则整个数据样本没有明显异常值，Sn(x,n)就是记录x在由n个样本训练数据构成的孤立森林的异常值得分，E(h(x))表示记录x在每棵树的高度均值。
对锂离子电池充放电数据进行极差标准化的方法数据进行归一化处理，计算公式为：
式中，x*为归一化处理后的锂离子电池充放电数据，x为锂离子电池充放电数据。
进一步的，所述步骤S3中，将训练集输入卷积神经网络中，经过卷积和池化操作，输出深层特征矩阵。通过卷积神经网络挖掘健康因子中的深层特征，计算公式为：
ct＝f(WCNN*nt+bCNN)
式中，WCNN为卷积过程中滤波器的权重系数，nt为t时刻锂离子电池充放电数据，*为卷积运算，bCNN为卷积运算的偏差系数，ct为经过卷积之后提取的锂离子电池充放电数据序列，f为激活函数SELU，计算公式为：
式中，α≈1.6733，λ≈1.0507。
最大池化层的主要作用是对卷积层输出的信息进行降维处理，去除冗余信息的同时加快计算速度。计算公式为：
pt＝maxct
式中，pt为池化层输出，ct为池化层输入。
进一步的，所述步骤S4中，将提取的深层特征馈入BiLSTM神经网络中，通过BiLSTM神经网络双向(时间轴上正向LSTM层和反向LSTM层)处理时间序列的特点，对已提取的深层特征进行深度学习，建立数据未来与过去时刻之间的关联性。
遗忘门选择删除锂离子电池充放电数据中的弱相关信息，计算公式为：
ft＝σ(Wf[ht-1,xt]+bf)
式中，ht-1为t-1时刻的状态记忆量，xt为当前数据的输入，Wf为遗忘门的权重矩阵、bf为遗忘门的偏置，ft为遗忘门的偏置，σ为sigmoid功能。
输入门和sigmoid层、隐藏层共同更新记忆细胞的状态，计算公式为：
it＝σ(Wi·[ht-1,xt]+bi)
Ct＝ft·Ct-1+it·tanh(WC·[ht-1,xt]+bC)
式中，Wc为记忆细胞状态的权重矩阵，Wi为输入门的权重矩阵，bi为输入门的偏置，bc为记忆细胞状态的偏置，Ct-1为t-1时刻记忆细胞状态，Ct为t时刻记忆细胞状态，it为输入门的状态。
输出门决定输出信息，计算公式为：
ht＝σ(WO[ht-1,xt]+bo)tanh(ct)
式中：σ为sigmoid功能，WO为输出门的权重矩阵，bo为输出门的偏置。
BiLSTM将锂离子电池充放电数据分别馈入正向LSTM隐藏层和反向LSTM层，正向LSTM隐藏层输出{hF0,hF1,...,hFn}，反向LSTM隐藏层输出{hBn,hBn-1,...,hB0}，将二者相结合最终输出{h0,h1,...,hn}。
设置脱落(Dropout)层以提高CNN-BiLSTM-AT混合模型的泛化能力，计算公式为：
r～Bernoulli(p)
ot＝σ(Wo·[ht-1,xt]+bo)·r
式中，脱落层采用Bernoulli函数以概率p(设置的Dropout值)随机生成一个0或1的向量r，从而使部分隐藏层节点失活。
进一步的，所述步骤S5中，添加注意力机制层，增强模型对特征信息的学习，对输入序列进行建模，并将其与输出序列的值相关联，计算公式为：
ut＝tanh(Wαht+b)
式中，Wα为权重系数，b为偏置系数，uw为初始化权重矩阵；首先计算t时刻的输出，其次计算特征权重，然后计算向量Ct，再对t时刻输入指标向量进行加权，计算得到权重αt越大，表示该时刻隐藏层特征的重要程度越大，则该时刻的向量Ct对预测结果的贡献程度越大。
进一步的，所述步骤S6中，CNN-BiLSTM-AT混合模型训练过程，主要包括以下步骤：
(1)初始化CNN-BiLSTM-AT混合模型的权重和偏置；
(2)CNN-BiLSTM-AT混合模型前向传播训练，计算CNN-BiLSTM-AT混合模型隐藏层与输出层的输出；
(3)CNN-BiLSTM-AT混合模型反向传播训练，计算隐藏层和输出层的误差以及偏导数；接着，权重训练，将通过反向传播得到的偏导数并用于更新网络权重和偏差；
(4)判断是否达到最大迭代步数。若达到最大迭代步数，则CNN-BiLSTM-AT混合模型训练结束，否则将目前的迭代步数增加1，并回到(2)。
CNN卷积层前向传播：al＝σ(zl)＝σ(al-1*Wl+bl)
式中，l为卷积层，W为卷积核，σ为激活函数，*为卷积运算。
CNN池化层前向传播：池化层的主要操作为降采样，它的处理方式比较简单，所谓降采样就是指对矩阵进行缩小处理。若输入的矩阵大小是N*N维的，而池化的大小是K*K的区域，则输出的矩阵都是
维。
CNN池化层反向传播：
CNN卷积层反向传播：
式中，upsample函数表示池化层的误差传递，后面的求导是池化层前一层的误差传递，rot180()表示上下翻转一次，接着左右翻转一次。
BiLSTM由前向
和反向
组成，其中LSTM的前向传播过程如下：
更新遗忘门输出：ft＝σ(Wfht-1+Ufxt+bf)
更新输入门两部分输出：it＝σ(Wiht-1+Uixt+bi)、at＝tanh(Waht-1+Uaxt+ba)
更新记忆细胞状态：
更新输出门输出：ot＝σ(Woht-1+Uoxt+bo)、
式中，Ct-1为t-1时刻的记忆细胞状态，σ为sigmoid函数，Wf、Wo、Wi和Wa为权重矩阵，Uf、Uo、Ui和Ua为训练参数，bf、bo、bi和ba为偏置。
BiLSTM反向传播由前向
和反向
组成，LSTM反向传播的导数计算公式为：
在时刻t，神经元的输出：
在时刻t，输出计算模块ot的表达式：
在时刻t，神经网络的状态方程式：
神经元的权值的导数为：
遗忘计算模块ft权值的导数为：
输入计算模块i权值的导数为：
式中，设定Wij为神经元i和j连接时的权重参数，b为神经元的激活函数，
为神经元c在时刻t的状态。下标φ、I、W、c分别表示遗忘计算模块、输入计算模块、输出计算模块和一个神经元。f代表激活函数，g和h分别表示输入层的激活函数和输出层的激活函数。
在CNN-BiLSTM-AT混合模型训练过程中，Adam优化函数用于更新网络的权重和偏差，计算公式为：
mt＝β1mt-1+(1-β1)ft(θt)
nt＝β2nt-1+(1-β2)ft 2(θt)
式中，mt和mt分别是时间t处梯度的一阶矩估计和二阶估计，
和
分别是对mt和nt的修正，θt是模型参数，学习率α为0.001，衰减系数β1和β2分别为0.9和0.999，常数ε为10-8。
所述步骤S6中，全连接层输出锂离子电池SOH预测值，全连接层的计算公式为：
yt＝σ(Wtmt+bt)
式中，σ为sigmoid函数。
SOH值的计算公式为：
式中，capacityo为锂离子电池额定容量、capacityt为第t时刻的锂离子电池容量的实际值。
进一步的，所述步骤S7中，选择模型预测精确度的评价标准，是采用均方根误差RMSE(Root Mean Square Error，RMSE)、平均绝对误差MAE(MeanAbsolute Error，MAE)和决定系数R2(r-square，R2)三种误差测量方式作为评价锂离子电池健康状态预测模型准确性的标准，计算公式：
式中，yi、
和
分别为第i时刻的锂离子电池SOH的实际值、预测值和平均值，RMSE值和MAE值越小，且R2值越大说明预测的锂离子电池SOH与实际锂离子电池SOH之间的误差越小。
所述步骤S7中，根据锂离子电池健康状态的评价标准，预测电池的健康状态，计算公式为：
式中，SOHi为第i时刻的锂离子电池SOH预测值，若该值大于等于0.75，则预测该锂离子电池处于健康状态，若该值小于等于0.75且大于等于0.7时，则预测该锂离子电池处于接近退役状态，若该值小于0.7时，则预测该锂离子电池处于退役状态。
与现有技术相比，本发明的优点和积极效果在于：
本发明根据利用结合CNN、BiLSTM和注意力机制三种网络特点，针对锂离子电池的健康状态设计一种CNN-BiLSTM-AT混合模型，该模型的鲁棒性更高；设计的CNN-BiLSTM-AT混合模型能够利用锂离子电池充放电数据，深度挖掘并分析锂离子电池健康状态相关性高的特征，不受工作条件限制，实用性强；设计的CNN-BiLSTM-AT混合模型能够准确预测出当前锂离子电池的SOH值，并根据锂离子电池健康状态的评价标准，得到该电池的健康状态，预测精度高；该发明对提高锂离子电池的安全使用具有深刻的意义。
附图说明
图1为本发明基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法示意图；
图2为本发明的锂离子电池健康状态变化图；
图3为本发明的锂离子电池充电过程中电流、电压和温度的变化图；
图4为本发明的锂离子电池放电过程中电流、电压和温度的变化图；
图5为本发明设计的CNN-BiLSTM-AT混合模型的结构示意图；
图6为本发明设计的CNN-BiLSTM-AT混合模型的隐藏层调参图；
图7为本发明设计的CNN-BiLSTM-AT混合模型训练过程中评价标准变化图；
图8为本发明设计的CNN-BiLSTM-AT混合模型与其他预测模型的参数设置对比图；
图9为本发明设计的CNN-BiLSTM-AT混合模型与其他预测模型的实验数据对比图；
图10为本发明设计的CNN-BiLSTM-AT混合模型与其他预测模型的实验结果对比图。
具体实施方式
下面结合说明书的附图对本发明的具体实施方案进行更加详细的说明。实施本发明的过程、条件、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本发明没有特别限制内容。
图1为本发明一种基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法示意图，包括以下步骤：
步骤S1：采集锂离子电池充放电过程中的参数数据，选择与锂离子电池SOH相关性高的参数数据：电池容量、充电电流、充电电压、充电温度、放电电压、放电电流和放电温度。在实际应用中，我们选择三组NASA的18650型号锂离子电池充放电数据作为实验数据，分别为B0005(B5)、B0006(B6)和B0007(B7)，其健康状态如图2所示。在相同室温下，以1.5A的电流恒流充电，直到锂离子电池电压达到4.2V，然后切换到恒压模式继续给锂离子电池充电直到充电电流降至20mA以下。放电实验在2A恒流模式下进行，直到B5、B6和B7的电压分别降低到2.7V、2.5V和2.2V。
在充电过程中，锂离子电池先恒流充电，然后恒压充电。以B5电池的充电参数数据为例，采取多个循环次数下充电电压、充电电流和充电温度数据进行对比分析，如图3所示。恒流充电过程：充电温度在短时间内从26℃左右先下降，然后上升到29℃以上；电池的电压从0V上升到4.2V；电流从0A上升到1.4A；随着循环次数的增加，电池恒流充电的时间缩短。恒压充电过程：充电温度逐渐下降到24℃左右；电池电压保持在4.2V直到充电结束；电池电流保持在1.4A一段时间，最后逐渐下降到0A左右。
在放电过程中，锂离子电池在放电过程中进行恒流放电。以B5电池的放电参数数据为例，采取多个循环次数下放电电压、放电电流和放电温度数据进行对比分析，如图4所示。恒流放电过程：电池电流从0A快速增加到2A，然后维持一段时间，然后下降到0A左右，直到放电过程结束；电池温度从24℃逐渐升高到37℃以上，然后电池温度逐渐降低，直到放电过程结束；电池电压从4.2V逐渐下降到2.6V左右，然后逐渐上升到放电过程结束。随着循环次数的增加，恒流放电时间缩短。
步骤S2：对参数数据进行数据预处理，将数据划分为训练集和测试集，其操作如下：
(1)使用孤立森林算法，对参数数据进行离群点检测，处理数据中的异常点；
(2)采用插补法，参数数据的缺失值进行填补；
(3)利用极差标准化的方法，对参数数据进行归一化处理；
(4)将数据划分为训练集和测试集。
步骤S3：CNN-BiLSTM-AT混合模型的CNN网络结构如图5中CNN隐藏层所示，计算公式为：
ct＝f(WCNN*nt+bCNN)
式中，WCNN为卷积过程中滤波器的权重系数，nt为t时刻锂离子电池充放电数据，*为卷积运算，bCNN为卷积运算的偏差系数，ct为经过卷积之后提取的锂离子电池充放电数据序列，f为激活函数SELU。
最大池化层，计算公式为：
pt＝maxct
式中，pt为池化层输出，ct为池化层输入。
步骤S4：CNN-BiLSTM-AT混合模型的BiLSTM网络如图5中BiLSTM隐藏层所示，计算公式为：
it＝σ(Wi·[ht-1,xt]+bi)
ft＝σ(Wf·[ht-1,xt]+bf)
Ct＝ft·Ct-1+it·tanh(WC·[ht-1,xt]+bC)
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot·tanh(Ct)
式中，σ为BiLSTM中的sigmoid函数，Ct为记忆细胞状态，f、i和o分别为BiLSTM中的忘记门、输入门和输出门，所有b为偏置，所有W为权重。
设置脱落层如图5中Dropout隐藏层所示，计算公式为：
r～Bernoulli(p)
ot＝σ(Wo·[ht-1,xt]+bo)·r
式中，脱落层采用Bernoulli函数以概率p(设置的Dropout值)随机生成一个0或1的向量r，从而使部分隐藏层节点失活。
步骤S5：CNN-BiLSTM-AT混合模型的注意力机制如图5中Attention隐藏层所示，计算公式为：
ut＝tanh(Wαht+b)
式中，Wα为权重系数，b为偏置系数，uw为初始化权重矩阵，通过计算t时刻的输出对结果的重要性ut，计算Ct的特征权重αt并输出向量Ct，对t时刻输入指标向量进行加权，计算得到权重αt越大，表示该时刻隐藏层特征的重要程度越大，则该时刻的向量Ct对预测结果的贡献程度越大。
在图6中，在实际应用中，构建深度学习模型后要对其隐藏层的参数进行测试，以达到该模型的最优分析能力。当卷积层节点为64和BiLSTM层节点为64时，评价标准MAE值为0.0042，RMSE值为0.0061，R2值为0.9958，模型设定为最优。
步骤S6：训练CNN-BiLSTM-AT混合模型过程：
(1)初始化CNN-BiLSTM-AT混合模型的权重和偏置；
(2)CNN-BiLSTM-AT混合模型前向传播训练，计算CNN-BiLSTM-AT模型隐藏层与输出层的输出；
(3)CNN-BiLSTM-AT混合模型反向传播训练，计算隐藏层和输出层的误差以及偏导数；接着，权重训练，将通过反向传播得到的偏导数并用于更新网络权重和偏差；
(4)判断是否达到最大迭代步数。若达到最大迭代步数，则CNN-BiLSTM-AT混合模型训练结束，否则将目前的迭代步数增加1，并回到(2)。
全连接层输出锂离子电池SOH预测值，全连接层的计算公式为：
yt＝sigmoid(Wtmt+bt)
在模型训练过程中，随着epoch的增加，RMSE数值和MAE数值逐渐接近于0，R2数值逐渐接近于1，则模型训练至最优，如图7所示。
为了验证CNN-BiLSTM-AT混合模型的预测准确性，使用LSTM模型、BiLSTM模型、CNN-LSTM混合模型、CNN-BiLSTM混合模型和CNN-LSTM-AT混合模型进行对比实验，模型参数设定如图8所示。
如图9所示，LSTM模型在三组实验数据的锂离子电池健康状态评价标准：MAE值在0.0042-0.0118范围内浮动，RMSE值在0.0061-0.0163之间浮动，R2值在0.9819-0.9958之间浮动。LSTM模型具有时间序列分析的能力，对锂离子电池的健康状态具有一定的预测准确性。BiLSTM模型是在LSTM模型的基础上改进而来的。它使用双向策略来处理数据。基于对三组实验数据的分析，与LSTM模型实验结果相比，BiLSTM模型的评价标准MAE值分别降低了16.7％、25.4％和15.9％，RMSE值分别降低了8.2％、20.2％和8％，R2值分别上升0.07％、0.6％和0.1％。BiLSTM模型比LSTM模型可以更准确地估计锂离子电池健康状态的变化趋势。
CNN-LSTM混合模型和CNN-BiLSTM混合模型在LSTM模型和BiLSTM模型的基础上集成了CNN，增强了模型分析数据特征的能力。但在实际预测过程中，其SOH曲线预测并不理想。为了提高模型对有效信息的分析能力，在模型训练中引入注意力机制，增加重要信息的权重。与CNN-LSTM-AT混合模型相比，CNN-BiLSTM-AT混合混合模型的MAE值分别下降了55.3％、30.8％和5.3％，RMSE值下降了37.5％、10.2％和8.3％，R2值上升0.5％、0.3％和0.09％。综合多个模型实验的评价标准分析，CNN-BiLSTM-AT混合模型具有更高的预测精度和鲁棒性。
步骤S7：制定锂离子电池健康状态的评价标准，预测锂离子电池的健康状态，预计算公式为：
式中，SOHi为第i时刻的锂离子电池SOH预测值，若该值大于等于0.75，则预测该锂离子电池处于健康状态，若该值小于等于0.75且大于等于0.7时，则预测该锂离子电池处于接近退役状态，若该值小于0.7时，则预测该锂离子电池处于退役状态。以B5、B6和B7锂离子电池的第85循环次数点为预测点，预测实验如图10所示。CNN-BiLSTM-AT混合模型分析B5电池预测点处的SOH值为0.772(真实值为0.769)，SOH值大于0.75，预测该电池的健康状态为健康；CNN-BiLSTM-AT混合模型分析B6电池预测点处的SOH值为0.740(真实值为0.725)，SOH值小于0.75且大于0.7，预测该电池的健康状态为接近退役；CNN-BiLSTM-AT混合模型分析B7电池预测点处的SOH值为0.8(真实值为0.8)，SOH值大于0.75，预测该电池的健康状态为接近退役。通过三组实验证明，CNN-BiLSTM-AT混合模型具有更强的时序分析能力，从锂离子电池的多维数据中挖掘与其健康状态相关性高的健康因子，准确预测锂离子电池的健康状态。
尽管本发明已以如上较好实施例中公开，但本发明不限于此。本领域技术人员可以在不脱离本发明的精神和范围的情况下进行各种改变和修改。因此，本发明的保护范围以权利要求书限定的范围为准。
Claims (10)
1.基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法，其特征在于，包括以下步骤：
步骤S1：采集锂离子电池充放电过程中的参数数据，作为输入数据；
步骤S2：对参数数据进行数据预处理，将数据划分为训练集和测试集；
步骤S3：将训练集输入卷积神经网络中，经过卷积和池化操作，输出深层特征矩阵；
步骤S4：深层特征矩阵输入双向长短期记忆神经网络中，通过正向和反向对其进行双向深度分析，建立数据过去和未来之间的相关性；
步骤S5：添加注意力机制层，增强模型对特征信息的学习，为相关性更高的特征赋予更高的权重；
步骤S6：训练CNN-BiLSTM-AT混合模型，输入测试集，全连接层输出锂离子电池SOH预测值；
步骤S7：制定CNN-BiLSTM-AT混合模型预测精度和锂离子电池健康状态的评价标准，用来评判模型预测准确性，并预测该锂离子电池的健康状态。
2.根据权利1要求的基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法，其特征在于，所述步骤S1中采集锂离子电池充放电过程中的参数数据，分为充电过程和放电过程，充电过程的参数数据包括环境温度、充电电流、充电温度、充电电压、电池测量电压和电池测量电流，放电过程的参数数据包括电池容量、电池测量电压、放电温度、电池测量电流、放电电流和放电电压。
3.根据权利1要求的基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法，其特征在于，所述步骤S2中对参数数据进行数据预处理，将数据划分为训练集和测试集，包括以下步骤：
(1)使用孤立森林算法，对参数数据进行离群点检测，处理数据中的异常点；
(2)采用插补法，参数数据的缺失值进行填补；
(3)利用极差标准化的方法，对参数数据进行归一化处理；
(4)将数据划分为训练集和测试集。
4.根据权利1要求的基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法，其特征在于，所述步骤S3中将训练集输入卷积神经网络中，其中卷积神经网络为一维卷积神经网络，对锂离子电池的充放电数据进行特征提取，计算公式为：
ct＝f(WCNN*nt+bCNN)
式中，WCNN为卷积过程中滤波器的权重系数，nt为t时刻锂离子电池充放电数据，*为卷积运算，bCNN为卷积运算的偏差系数，ct为经过卷积之后提取的锂离子电池充放电数据序列，f为激活函数SELU；
最大池化层，输出深层特征矩阵，计算公式为：
pt＝max ct
式中，pt为池化层输出，ct为池化层输入。
5.根据权利1要求的基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法，其特征在于，所述步骤S4中深层特征矩阵输入双向长短期记忆神经网络中，双向长短期记忆网络是由前向和后向隐层长短期记忆
组成，计算公式为：
it＝σ(Wi·[ht-1,xt]+bi)
ft＝σ(Wf·[ht-1,xt]+bf)
Ct＝ft·Ct-1+it·tanh(WC·[ht-1,xt]+bC)
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot·tanh(Ct)
式中，σ为BiLSTM中的sigmoid函数，Ct为记忆细胞状态，f、i和o分别为BiLSTM中的忘记门、输入门和输出门，所有b为偏置，所有W为权重。
6.根据权利1要求的基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法，其特征在于，所述步骤S5中添加注意力机制层，CNN-BiLSTM-AT混合模型中AT网络为注意力机制，计算公式为：
ut＝tanh(Wαht+b)
式中，Wα为权重系数，b为偏置系数，uw为初始化权重矩阵。
7.根据权利1要求的基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法，其特征在于，所述步骤S6中的CNN-BiLSTM-AT混合模型训练过程为：
(1)初始化CNN-BiLSTM-AT混合模型的权重和偏置；
(2)模型前向传播训练，计算CNN-BiLSTM-AT混合模型隐藏层与输出层的输出；
(3)模型反向传播训练，计算隐藏层和输出层的误差以及偏导数；
(4)权重训练，将通过反向传播得到的偏导数并用于更新网络权重和偏差；
(5)判断是否达到最大迭代步数，若达到最大迭代步数，则模型训练结束，否则将目前的迭代步数增加1，并回到(2)。
8.根据权利1要求的基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法，其特征在于，所述步骤S6中全连接层输出锂离子电池SOH预测值，全连接层的计算公式为：
yt＝σ(Wtmt+bt)
式中，σ为sigmoid函数；
SOH值的计算公式为：
式中，capacityo为锂离子电池额定容量、capacityt为第t时刻的锂离子电池容量的实际值。
9.根据权利1要求的基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法，其特征在于，所述步骤S7中选择模型预测精确度的评价标准，用于评判预测模型的准确性，采用均方根误差RMSE、平均绝对误差MAE和决定系数R2三种误差测量方式作为评价预测模型准确性的标准，计算公式为：
式中，yi、
和
分别为第i时刻的锂离子电池SOH的实际值、预测值和平均值。
10.根据权利1要求的基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法，其特征在于，所述步骤S7中根据锂离子电池健康状态的评价标准，预测该锂离子电池的健康状态，计算公式为：
式中，SOHi为第i时刻的锂离子电池SOH预测值，若该值大于等于0.75，则预测该锂离子电池处于健康状态，若该值小于等于0.75且大于等于0.7时，则预测该锂离子电池处于接近退役状态，若该值小于0.7时，则预测该锂离子电池处于退役状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210026201.3A CN114325450A (zh) | 2022-01-11 | 2022-01-11 | 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210026201.3A CN114325450A (zh) | 2022-01-11 | 2022-01-11 | 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114325450A true CN114325450A (zh) | 2022-04-12 |
Family
ID=81027685
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210026201.3A Pending CN114325450A (zh) | 2022-01-11 | 2022-01-11 | 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114325450A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114881205A (zh) * | 2022-04-20 | 2022-08-09 | 苏州大学 | 盾构姿态预测方法、介质、电子设备及*** |
| CN115508711A (zh) * | 2022-10-10 | 2022-12-23 | 南京工程学院 | 一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法 |
| CN115630726A (zh) * | 2022-09-01 | 2023-01-20 | 华能江苏综合能源服务有限公司 | 基于vmd-bilstm神经网络融合注意力机制的屋顶光伏功率预测方法 |
| CN115718263A (zh) * | 2023-01-09 | 2023-02-28 | 北京科技大学 | 基于注意力的锂离子电池日历老化预测模型和方法 |
| CN115808627A (zh) * | 2023-02-03 | 2023-03-17 | 泉州装备制造研究所 | 一种锂电池soh预测方法及装置 |
| CN116050673A (zh) * | 2023-03-31 | 2023-05-02 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于CNN-BiLSTM的城市公交客流短时预测方法 |
| CN116176353A (zh) * | 2023-04-26 | 2023-05-30 | 深圳艾斯特创新科技有限公司 | 一种高性能电池的监控方法、装置、设备及存储介质 |
| CN116298934A (zh) * | 2023-05-19 | 2023-06-23 | 河南科技学院 | 一种用于锂电池健康状态估算的预测网络的建模方法 |
| CN116299005A (zh) * | 2023-02-07 | 2023-06-23 | 江南大学 | 一种基于aaf和深度学习的动力电池健康状态预测方法 |
| CN117471327A (zh) * | 2023-12-25 | 2024-01-30 | 深圳市北测检测技术有限公司 | 一种汽车动力电池的安全性能检测方法 |
| CN117973442A (zh) * | 2024-04-01 | 2024-05-03 | 青岛科技大学 | 基于混合神经网络的锂离子电池soc估计方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN111856287A (zh) * | 2020-07-17 | 2020-10-30 | 上海交通大学 | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 |
| CN112241608A (zh) * | 2020-10-13 | 2021-01-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 |
| CN112782591A (zh) * | 2021-03-22 | 2021-05-11 | 浙江大学 | 基于多电池数据融合的锂电池soh长期预测方法 |
| CN113376540A (zh) * | 2021-05-18 | 2021-09-10 | 西安理工大学 | 基于进化注意力机制的lstm电池健康状态估计方法 |
-
2022
- 2022-01-11 CN CN202210026201.3A patent/CN114325450A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN111856287A (zh) * | 2020-07-17 | 2020-10-30 | 上海交通大学 | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 |
| CN112241608A (zh) * | 2020-10-13 | 2021-01-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 |
| CN112782591A (zh) * | 2021-03-22 | 2021-05-11 | 浙江大学 | 基于多电池数据融合的锂电池soh长期预测方法 |
| CN113376540A (zh) * | 2021-05-18 | 2021-09-10 | 西安理工大学 | 基于进化注意力机制的lstm电池健康状态估计方法 |
Non-Patent Citations (5)
| Title |
|---|
| 史永胜等: "基于注意力改进BiGRU 的锂离子电池健康状态估计", 《储能科学与技术》 * |
| 明彤彤;王凯;田冬冬;徐松;田浩含;: "基于LSTM神经网络的锂离子电池荷电状态估算", 广东电力, no. 03 * |
| 王义等: "基于BiLSTM 神经网络的锂电池SOH估计与RUL预测", 《电子测量技术》, vol. 44, no. 20, pages 1 - 4 * |
| 肖仁鑫;宋新月;张梦帆;夏雪磊;肖佳鹏;: "基于长短期记忆神经网络的健康状态估算", 农业装备与车辆工程, no. 04 * |
| 胡燕华: "基于时间卷积记忆网络的锂电池SOH估计", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 31 - 37 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114881205A (zh) * | 2022-04-20 | 2022-08-09 | 苏州大学 | 盾构姿态预测方法、介质、电子设备及*** |
| CN115630726A (zh) * | 2022-09-01 | 2023-01-20 | 华能江苏综合能源服务有限公司 | 基于vmd-bilstm神经网络融合注意力机制的屋顶光伏功率预测方法 |
| CN115630726B (zh) * | 2022-09-01 | 2024-01-30 | 华能江苏综合能源服务有限公司 | 基于vmd-bilstm神经网络融合注意力机制的屋顶光伏功率预测方法 |
| CN115508711A (zh) * | 2022-10-10 | 2022-12-23 | 南京工程学院 | 一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法 |
| CN115718263A (zh) * | 2023-01-09 | 2023-02-28 | 北京科技大学 | 基于注意力的锂离子电池日历老化预测模型和方法 |
| CN115718263B (zh) * | 2023-01-09 | 2023-04-07 | 北京科技大学 | 基于注意力的锂离子电池日历老化预测模型和方法 |
| CN115808627A (zh) * | 2023-02-03 | 2023-03-17 | 泉州装备制造研究所 | 一种锂电池soh预测方法及装置 |
| CN116299005A (zh) * | 2023-02-07 | 2023-06-23 | 江南大学 | 一种基于aaf和深度学习的动力电池健康状态预测方法 |
| CN116299005B (zh) * | 2023-02-07 | 2023-09-05 | 江南大学 | 一种基于aaf和深度学习的动力电池健康状态预测方法 |
| CN116050673B (zh) * | 2023-03-31 | 2023-08-01 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于CNN-BiLSTM的城市公交客流短时预测方法 |
| CN116050673A (zh) * | 2023-03-31 | 2023-05-02 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于CNN-BiLSTM的城市公交客流短时预测方法 |
| CN116176353A (zh) * | 2023-04-26 | 2023-05-30 | 深圳艾斯特创新科技有限公司 | 一种高性能电池的监控方法、装置、设备及存储介质 |
| CN116176353B (zh) * | 2023-04-26 | 2023-07-18 | 深圳艾斯特创新科技有限公司 | 一种高性能电池的监控方法、装置、设备及存储介质 |
| CN116298934A (zh) * | 2023-05-19 | 2023-06-23 | 河南科技学院 | 一种用于锂电池健康状态估算的预测网络的建模方法 |
| CN116298934B (zh) * | 2023-05-19 | 2023-08-04 | 河南科技学院 | 一种用于锂电池健康状态估算的预测网络的建模方法 |
| CN117471327A (zh) * | 2023-12-25 | 2024-01-30 | 深圳市北测检测技术有限公司 | 一种汽车动力电池的安全性能检测方法 |
| CN117471327B (zh) * | 2023-12-25 | 2024-05-07 | 深圳市北测检测技术有限公司 | 一种汽车动力电池的安全性能检测方法 |
| CN117973442A (zh) * | 2024-04-01 | 2024-05-03 | 青岛科技大学 | 基于混合神经网络的锂离子电池soc估计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114325450A (zh) | 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法 | |
| CN110824364B (zh) | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 | |
| CN112241608B (zh) | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 | |
| Yang et al. | State-of-charge estimation of lithium-ion batteries using LSTM and UKF | |
| Ma et al. | A hybrid transfer learning scheme for remaining useful life prediction and cycle life test optimization of different formulation Li-ion power batteries | |
| WO2020191801A1 (zh) | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 | |
| Che et al. | Data efficient health prognostic for batteries based on sequential information-driven probabilistic neural network | |
| Du et al. | Data-driven estimation of remaining useful lifetime and state of charge for lithium-ion battery | |
| CN111856287B (zh) | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 | |
| CN110501646A (zh) | 一种离线锂电池剩余电量估计方法 | |
| CN110888059A (zh) | 一种基于改进随机森林联合容积卡尔曼动力电池荷电状态估计的算法 | |
| CN111999648A (zh) | 一种基于长短期记忆网络的锂电池剩余寿命预测方法 | |
| CN112731183B (zh) | 一种基于改进的elm的锂离子电池寿命预测方法 | |
| CN112734002A (zh) | 一种基于数据层和模型层联合迁移学习的寿命预测方法 | |
| Xue et al. | Estimating state of health of lithium-ion batteries based on generalized regression neural network and quantum genetic algorithm | |
| Li et al. | A hybrid framework for predicting the remaining useful life of battery using Gaussian process regression | |
| Xu et al. | State-of-charge estimation and health prognosis for lithium-ion batteries based on temperature-compensated Bi-LSTM network and integrated attention mechanism | |
| Savargaonkar et al. | A novel neural network with gaussian process feedback for modeling the state-of-charge of battery cells | |
| CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
| CN112014757A (zh) | 一种容量增量分析与遗传小波神经网络融合的电池soh估计方法 | |
| Li et al. | Degradation Pattern Recognition and Features Extrapolation for Battery Capacity Trajectory Prediction | |
| CN115718883A (zh) | 电池储能***热预警方法及装置 | |
| Cui et al. | An Online State of Health Estimation Method for Lithium-Ion Battery Based on ICA and TPA-LSTM | |
| CN114896865A (zh) | 一种面向数字孪生的自适应演化神经网络健康状态在线预测方法 | |
| Uddin et al. | State of health estimation of lithium-ion batteries in vehicle-to-grid applications using recurrent neural networks for learning the impact of degradation stress factors |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220412 |
|
| WD01 | Invention patent application deemed withdrawn after publication |