CN115204038A - 一种基于数据分解和集成模型的储能锂电池寿命预测方法 - Google Patents

一种基于数据分解和集成模型的储能锂电池寿命预测方法 Download PDF

Info

Publication number
CN115204038A
CN115204038A CN202210711671.3A CN202210711671A CN115204038A CN 115204038 A CN115204038 A CN 115204038A CN 202210711671 A CN202210711671 A CN 202210711671A CN 115204038 A CN115204038 A CN 115204038A
Authority
CN
China
Prior art keywords
prediction
data
lithium battery
model
individuals
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.)
Withdrawn
Application number
CN202210711671.3A
Other languages
English (en)
Inventor
易灵芝
刘波
蔡鑫坤
刘西蒙
朱江
张大可
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiangtan University
Original Assignee
Xiangtan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiangtan University filed Critical Xiangtan University
Priority to CN202210711671.3A priority Critical patent/CN115204038A/zh
Publication of CN115204038A publication Critical patent/CN115204038A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种基于数据分解和集成学习模型的储能锂电池寿命预测方法，用于储能锂电池装置状态检测与管理领域，包括：获取新能源高渗透率智能电网环境下不同参数特征的储能锂电池历史容量退化数据集；将所述容量退化数据集分别进行预处理，增强数据潜在规律特性，使之更容易被神经网络捕获；分别构建基于LSTM的剩余寿命预测模型个体，并以MOEA/D多目标优化算法进行参数优化；将得到的预测个体模型按照预测性能需求进行集成；本发明可以在较低的成本前提下，建立一种用于锂电池剩余寿命的预测方法，并增强预测模型在多电池组寿命预测中的预测性能和泛化能力。

Description

一种基于数据分解和集成模型的储能锂电池寿命预测方法
技术领域
本发明涉及大容量储能锂电池装置状态检测领域，特别是一种基于数据分解和集成学习模型的储能锂电池寿命预测方法。
背景技术
锂电池以其能量密度高、安全性好、循环充放电寿命长、低自放电率等诸多优点被广泛应用于电池储能***中。
储能锂电池内部是一个动态、时变的电化学***，拥有非线性行为和复杂内部反应机制，它的寿命循环次数受到工作温度、放电功率、充放电状态转换及放电深度等因素影响。在达到一定充放电循环次数后，锂电池组的老化会使储能装置实际储能容量大幅下降并带来一定安全隐患。对储能锂电池进行剩余寿命(RUL)的预测有助于提高储能电池装置的可靠性和安全性。
在实际应用当中，电池组由于工作环境、使用情况等差别因素，即使同型号的储能锂电池在服役一段时间后实际参数也存在差别。具有间歇新和波动性的新能源大规模接入电网***给大容量储能锂电池充放电行为带来的高度不确定性加剧了电池组一致性缺失的问题。针对单电池组数据建立的寿命预测模型往往在新能源高渗透率的电网环境下缺乏广泛代表性，同时针对单一的预测模型在对一致性缺失的电池组进行寿命预测时，往往很难在每个电池组上都表现优异，因此如何建立一个既拥能有优秀的预测精度又能兼顾良好泛化性能的预测模型是本领域亟待解决的问题之一。
发明内容
本发明的目的是提供一种基于数据分解和集成学习模型的锂电池寿命预测方法，在较低的成本前提下，建立一种可被广泛使用的预测方法，并解决现有储能锂电池剩余寿命预测技术中针对新能源高渗透率智能电网环境下的多电池组预测性能不稳定或缺少泛化性能的问题。
本发明提供了一种基于数据分解和集成学习模型的锂电池寿命预测方法，用于锂电池剩余寿命(RUL)预测；
本方法基于数据驱动，无需通过分析复杂的电池组内部物理、化学原理，来建立电池容量物理退化模型，使预测模型建立成本、复杂度大大降低。其中相关理论和内容包括如下：
锂电池数据采集部分：采集不同工况和环境下的储能锂电池组数据，如端电压、阻抗、放电功率等参数，对这些参数数据进行特征分析并将参数相近的储能电池进行归类整理，将它们划分为不同特征组别。
针对不同特征组的储能电池分别收集历史容量退化数据。
数据预处理(分解)：基于完全自适应噪声集合经验模态分解算法 (CEEMDAN)对采集到的各个特征组别的储能锂电池历史容量数据进行分解,将原始数据分解为多个本征模态分量(IMF)。
对不同频段的分量分别训练，可以使神经网络在训练过程中更易发掘数据变化过程中的潜在规律信息；
将分量数据分别输入长短期记忆神经网络(LSTM)网络，训练子预测模型；
将分量在子预测模型的输出与原数据集结合，生成数据预处理后的锂电池历史容量退化数据；
训练预测模型：将处理后的锂电池数据分别作为长短期记忆神经网络的输入，训练锂电池剩余寿命预测模型；
以准确性和多样性作为预测模型的优化目标，利用多目标进化算法(MOEA/D)对模型参数进行优化；
多目标进化算法优化模型参数：第一个目标函数如(1)式所示，它通过最小化均方根误差来最大化预测模型的准确性。其中Ri是第i个训练样本真实的电池剩余容量数值，
Figure RE-GDA0003826154100000031
代表第m个预测模型在第i个训练集上的估计值。
Figure RE-GDA0003826154100000032
以多样性为目标的目标函数如(2)式所示，它通过最小化相关性函数来最大化模型多样性，其中
Figure RE-GDA0003826154100000033
和
Figure RE-GDA0003826154100000034
分别表示第m个LSTM和第j个LSTM在第i个训练集上的预测值，
Figure RE-GDA0003826154100000035
为所有LSTM在第i个训练集上输出的平均值。
Figure RE-GDA0003826154100000036
进入算法循环寻优，首先随机生成数量为P的个体；
利用DE以及高斯变异，产生候选点，更新邻域点；
循环过程结束后，再根据目标性分步策略筛选优质参数个体，其特征在于先以精确性为目标筛选优质个体，再以泛化性为目标筛选差异大的个体，具体步骤为：
步骤一、根据非支配准则将种群划分为数个非支配层；
步骤二、分别计算每个非支配层中个体的拥挤度；
步骤三、根据拥挤度大小对每个非支配层的个体进行排序；
步骤四、首先，选出非支配等级靠前的个体；
步骤五、在同一非支配层选择个体时，优先选择拥挤度大的个体；
步骤六、按照步骤四和步骤五持续选择，直至所选个体数量满足需求。
根据对精确性和泛化性能的偏好选择来为单个预测模型选择参数；
模型集成：利用如下(3)、(4)两式为不同电池组数据集上训练的预测模型分配连接权重，组成集成模型，并可以按实际需求调整集成参数，来使集成模型更加偏向于锂电池寿命预测问题中的准确性或多样性。
Figure RE-GDA0003826154100000041
Figure RE-GDA0003826154100000042
通过调节μ和ρ的大小控制预测平均性能以及优质个体对预测结果的贡献程度。
附图说明
图1是本发明方法整体流程框图
图2是本发明中储能锂电池寿命预测模型建立方法流程图。
图3是锂电池数据预处理方法流程图。
具体实施方式
下面结合附图，通过实施例对本发明作进一步的详细说明。
需要指出的是，以下所述实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本发明的实施例：本发明提供了一种基于数据分解和集成学习模型的锂电池寿命预测方法，用于储能锂电池剩余寿命(RUL)预测，如图1所示为本发明方法的整体流程图，概括性展示了本发明方法的流程；
图2为本发明中储能锂电池寿命预测模型建立方法流程图，它在图1的基础上更为详细的展示了本发明中储能锂电池寿命预测模型的建立方法和过程；本方法基于数据驱动，无需通过分析复杂的电池组内部物理、化学原理，来建立电池容量物理退化模型，使预测模型建立成本、复杂度大大降低。其中相关理论和内容包括如下：
锂电池数据采集部分：如图2中储能锂电池预测模型建立方法流程图所示，首先要在新能源高渗透率智能电网环境下储能电池库中采集不同工况和环境下的储能锂电池组数据，如端电压、阻抗、放电功率等参数，对这些参数数据进行特征分析并将参数相近的储能电池进行归类整理，将它们划分为不同特征组别。
针对不同特征组的储能电池分别收集历史容量退化数据。
更具体地，在本实施例中使用NASA提供的4组在实际容量和参数上互有差别锂电池数据集(#5、#6、#7和#18)作为原始数据。
本实施例中，利用如下(5)式对原始数据进行0-1标准化：
Figure RE-GDA0003826154100000051
如图3所示为数据预处理部分：基于完全自适应噪声集合经验模态分解算法(CEEMDAN)对采集到的数据进行分解,将原始数据分解为多个本征模态分量 (IMF)；
将分量数据分别输入长短期记忆神经网络(LSTM)网络，训练子预测模型；
将分量在子预测模型的输出与原数据集结合，生成数据预处理后的锂电池历史容量退化数据；
训练预测模型：将处理后的锂电池数据分别作为长短期记忆神经网络的输入，训练锂电池剩余寿命预测模型；
以准确性和多样性作为预测模型的优化目标，利用多目标进化算法 (MOEA/D)对模型参数进行优化；
多目标进化算法优化模型参数：第一个目标函数如(1)式所示，它通过最小化均方根误差来最大化预测模型的准确性。
以多样性为目标的目标函数如(2)式所示，它通过最小化相关性函数来最大化模型多样性
更具体地，多样性代表每个个体相对其它个体的负相关程，负相关程度增大使得多样性增强。提高准确性会使生成种群总体输出向最优个体靠近，使得它们之间的差异减小，即多样性降低；多样性的提高会使种群的预测结果总体差异增加，参数差距变大，总体结果更加偏离真实值，导致个体的准确性降低；
在算法循环过程中，如果两个目标函数的数值分布不一致可能会导致目标空间中点的搜索方向发生偏移。为使目标空间中点的搜索方向不受客观因素影响，我们对两种目标函数的取值进行标准化处理，标准化处理公式如(6)式所示：
Figure RE-GDA0003826154100000061
zq(q＝1...Q)表示个体的第q个目标函数，其中Q为目标函数维度。
Figure RE-GDA0003826154100000062
是所有个体第q个目标函数中最大的数值。在初始生成的解中，
Figure RE-GDA0003826154100000063
为不超过目标函数最大值的范围内随机选取的一个数。
在MOEA/D算法运行的过程中，种群规模大小和种群更新策略会对种群的分布性产生影响。由于本实施例采用的锂电池数据量并不庞大，不会产生大量的计算，因此根据实际考量，本实施例在应用MOEA/D算法时为保证种群分布的多样性将初始种群大小设置为400。同时使用Tchebycheff聚合函数生成子代点最终得到Pareto前沿。
多目标进化算法优化：首先随机生成数量为P的个体；
利用DE以及高斯变异，产生候选点，更新邻域点。
根据目标性分步策略筛选优质参数个体，具体如下：
计算每个个体的非支配性并进行排序；
计算每个个体的拥挤度并进行排序；
根据非支配性排序选出预测精度性能高的个体；
在同一非支配层中，根据拥挤度排序选出差异性大的个体；
更具体地，非支配排序是根据个体间的支配关系将种群划分为若干非支配层的一种等级划分机制，拥挤度表示个体在目标空间中周围个体的密度。
重复上两步，直至选出的个体数量满足要求；
更具体地，引入该策略的主要目的是通过非支配排序及拥挤度计算择优筛选个体并从中去除性能相近的学习模型；
LSTM的结构参数取决于训练数据样本的复杂度及规模，根据本实施例处理的实际问题以及样本规模设置参数范围，本实施例以LSTM隐藏层神经元数量作为MOEA/D决策变量，其范围分别设置为[40,80]，网络结构的学习率设置为 [0.01,0.05]；
当MOEA/D算法运行结束后，根据对精确性和泛化性能的偏好选择来为单个预测模型选择具体参数；
利用(3)、(4)两式为不同电池组数据集上训练的预测模型分配连接权重，组成集成模型，并可以按实际需求调整集成参数，来使集成模型更加偏向于储能锂电池寿命预测问题中的准确性或多样性。

Claims (6)

1.发明的目的是提供一种基于数据分解和集成学习模型的储能锂电池寿命预测方法，其特征在于完全基于数据驱动，无需通过分析复杂的电池组内部物理、化学原理，来建立电池容量物理退化模型，使预测模型建立成本、复杂度大大降低；
锂电池数据采集环节即采集不同使用状况和环境下有代表性的锂电池组历史容量退化数据；
数据预处理(分解)：即基于完全自适应噪声集合经验模态分解算法(CEEMDAN)对采集到的数据进行分解,将原始数据分解为多个本征模态分量(IMF)；
将分量数据分别输入LSTM网络，训练子预测模型；
将分量在子预测模型的输出与原数据集结合，生成数据预处理后的锂电池历史容量退化数据；
训练预测模型：将处理后的锂电池数据分别作为长短期记忆神经网络的输入，训练锂电池剩余寿命预测模型；
以准确性和多样性作为预测模型的优化目标，利用多目标进化算法(MOEA/D)对模型参数进行优化；
根据对精确性和泛化性能的偏好选择来为单个预测模型选择参数；
模型集成：利用如(4)、(5)两式为不同电池组数据集上训练的预测模型分配连接权重，组成集成模型，并可以按实际需求调整集成参数，来使集成模型更加偏向于锂电池寿命预测问题中的准确性或多样性；
通过以上方法组合，得到用于锂电池剩余寿命预测的集成预测模型，可以有效解决现有锂电池剩余寿命预测技术中针对多电池组预测性能不稳定的现状，提升预测模型的泛化能力。
2.根据权利要求1所述的数据采集过程，其特征在于同型号电池组虽然出厂参数接近，但由于工作环境、使用情况等差别因素，参数也存在差别，因此需要根据电池组的工作环境、服役时间、供电对象等实际因素考虑，采集在包括以上因素中具有代表性的锂电池组的历史容量退化数据。
3.根据权利要求1所述的数据分解方法，其特征在于将采集到的原始数据使用CEEMDAN方法分解为多个频段的分量和残差分量，然后对不同频段的分量分别训练，最后将每个分量的预测输出值结合后填回原数据集中，相对原始数据集可以增强潜在规律的表达，可以使神经网络在训练过程中更易发掘数据变化过程中的潜在规律信息。
4.根据权利要求1所述的基于多目标进化算法(MOEA/D)对模型参数进行优化，其特征在于选取的优化目标为两个相互矛盾的目标，即精确性和泛化性；
精确性指预测模型预测锂电池寿命结果相对于真实值的误差精度，泛化性是指预测模型在面对参数有差异的不同电池组时所表现出的整体预测性能。
5.根据权利要求1所述优化算法循环寻优过程结束后，根据目标性分步策略筛选优质参数个体，其特征在于先以精确性为目标筛选优质个体，再以泛化性为目标筛选差异大的个体，具体步骤为：
步骤一、根据非支配准则将种群划分为数个非支配层；
步骤二、分别计算每个非支配层中个体的拥挤度；
步骤三、根据拥挤度大小对每个非支配层的个体进行排序；
步骤四、首先，选出非支配等级靠前的个体；
步骤五、在同一非支配层选择个体时，优先选择拥挤度大的个体；
步骤六、按照步骤四和步骤五持续选择，直至所选个体数量满足需求。
6.根据权利要求1所述集成模型，其特征在于，将个体预测模型集成后，调节μ和ρ的大小可以控制预测平均性能以及优质个体对预测结果的贡献程度μ取较小的正数，ρ取较大的负数时，会给予优质个体较大的权重占比，增大优质个体对预测结果的贡献度；相反，μ取较大的正数而ρ取较小的负数时，集成模型预测结果会偏向于平均性能，每个个体对于集合的贡献度相近。设计时，可以按实际需求调整集成参数，来使集成模型更加偏向于锂电池寿命预测问题中的准确性或多样性。
CN202210711671.3A 2022-06-22 2022-06-22 一种基于数据分解和集成模型的储能锂电池寿命预测方法 Withdrawn CN115204038A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210711671.3A CN115204038A (zh) 2022-06-22 2022-06-22 一种基于数据分解和集成模型的储能锂电池寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210711671.3A CN115204038A (zh) 2022-06-22 2022-06-22 一种基于数据分解和集成模型的储能锂电池寿命预测方法

Publications (1)

Publication Number Publication Date
CN115204038A true CN115204038A (zh) 2022-10-18

Family

ID=83576887

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210711671.3A Withdrawn CN115204038A (zh) 2022-06-22 2022-06-22 一种基于数据分解和集成模型的储能锂电池寿命预测方法

Country Status (1)

Country Link
CN (1) CN115204038A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115983501A (zh) * 2023-03-17 2023-04-18 河北冠益荣信科技有限公司 一种基于大数据的便携式储能设备监测***及方法
CN116502544A (zh) * 2023-06-26 2023-07-28 武汉新威奇科技有限公司 一种基于数据融合的电动螺旋压力机寿命预测方法及***
CN117723999A (zh) * 2024-02-07 2024-03-19 深圳市东田通利电业制品有限公司 电池使用寿命预测方法、装置、设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115983501A (zh) * 2023-03-17 2023-04-18 河北冠益荣信科技有限公司 一种基于大数据的便携式储能设备监测***及方法
CN116502544A (zh) * 2023-06-26 2023-07-28 武汉新威奇科技有限公司 一种基于数据融合的电动螺旋压力机寿命预测方法及***
CN116502544B (zh) * 2023-06-26 2023-09-12 武汉新威奇科技有限公司 一种基于数据融合的电动螺旋压力机寿命预测方法及***
CN117723999A (zh) * 2024-02-07 2024-03-19 深圳市东田通利电业制品有限公司 电池使用寿命预测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN115204038A (zh) 一种基于数据分解和集成模型的储能锂电池寿命预测方法
Li et al. A merged fuzzy neural network and its applications in battery state-of-charge estimation
CN112791997B (zh) 一种退役电池梯次利用筛选的方法
EP4055399A1 (en) Battery performance prediction
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
CN111525587B (zh) 一种基于无功负荷态势的电网无功电压控制方法及***
CN117498400B (zh) 一种分布式光伏与储能数据的处理方法及***
Hu et al. Short-term photovoltaic power prediction based on similar days and improved SOA-DBN model
Wu et al. Optimized multi-source fusion based state of health estimation for lithium-ion battery in fast charge applications
CN116826710A (zh) 基于负荷预测的削峰策略推荐方法、装置及存储介质
Zhang et al. Interpretable battery cycle life range prediction using early cell degradation data
CN114880939A (zh) 一种动力电池寿命的智能预测方法及装置
Eleftheriadis et al. Hyperband optimization of stacked bidirectional long short-term memory neural network for the state of charge estimation
CN114578234A (zh) 一种考虑因果性特征的锂离子电池退化与容量预测模型
Reza et al. Recent advancement of remaining useful life prediction of lithium-ion battery in electric vehicle applications: A review of modelling mechanisms, network configurations, factors, and outstanding issues
CN112418504A (zh) 一种基于混合变量选择优化深度信念网络风速预测方法
Wu et al. Least-squares support vector machine-based learning and decision making in cognitive radios
Li et al. An ensemble hybrid model with outlier detection for prediction of lithium-ion battery remaining useful life
Udeogu et al. Remaining useful life prediction for supercapacitors using an optimized end-to-end deep learning approach
Zhou et al. Remaining useful life prediction and state of health diagnosis of lithium-ion batteries with multiscale health features based on optimized CatBoost algorithm
CN112100902B (zh) 一种基于流数据的锂离子电池寿命预测方法
Cao et al. Design of river water quality assessment and prediction algorithm
Liu et al. Discriminative Signal Recognition for Transient Stability Assessment via Discrete Mutual Information Approximation and Eigen Decomposition of Laplacian Matrix
Basia et al. Comparison of data driven algorithms for SoH estimation of Lithium-ion batteries
Huang et al. Long-Term Health State Estimation of Energy Storage Lithium-Ion Battery Packs

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20221018

WW01 Invention patent application withdrawn after publication