以可视化图像建立电池状态模型的方法与流程

本发明涉及一种判别电池状态的方法，尤指一种建立电池状态的图像化模型以进行分析、判断、学习的方法。

背景技术：

目前的电池模块是通过内部的电池管理系统(batterymanagementsystem,bms)撷取电池模块的多种参数，例如电压、电流、温度、电池容量(stateofcharge,soc)、健康度(stateofhealth,soh)、充饱电量(fullychargedcapacity,fcc)、隔离膜参数、电解液参数、正极材料、负极材料…等，且通过监控、分析其中的某些参数以及其变化来判断电池模块的状态。具体而言，电池管理系统可利用微控制器(microcontrollerunit,mcu)将撷取而得的多种参数以特定的算法运算得出所需要的状态结果。例如在判断电池健康度(soh)时，是通过电池当前的充饱电量除以健康电池的充饱电量所计算出来的，其中目前又有许多不同的算法可取得电池当前的充饱电量。

虽然上述针对健康度、充饱电量、对电池保护条件…等算法相当多，但这些大量的数据计算纯粹是用电学的数值(电压、电流、温度…)来记录，在实际操作的复杂环境中，用户仅能根据当前的数据以及有限的经验进行分析，往往造成虽有多种算法可以使用，却都无法准确地呈现出电池的状态，也无办法对电池状态变化进行合理的归因的技术问题。

技术实现要素：

为了解决上述问题，本发明的目的在于提供一种以场域转换(domaintransfer)的方式建立电池各特征参数的可视化图像的方法，其可以适应环境变因，而有效率且准确的表现电池状态以及电池事件。

为达成上述目的，本发明公开了一种以可视化图像建立电池状态模型的方法，其特征在于，所述方法包含取得电池模块的特征参数在时间区间内的多个数值数据；所述电池模块的控制单元依据取得的所述多个数值数据建立第一特征图像以及第二特征图像；所述控制单元将所述第一特征图像以及所述第二特征图像进行图像迭加以形成变异图像，所述变异图像中具有变异区域；以及所述控制单元依据对应多个时间区间的多个变异图像，产生移动变异区域，其中所述移动变异区域由所述多个变异图像中每一个所述变异图像的所述变异区域的集合依时间的变化而形成，所述第一特征图像、所述第二特征图像以及所述变异图像个别为具有多个像素的图像。

根据本发明其中一实施例，取得所述电池模块的所述特征参数在所述时间区间内的所述多个数值数据包含取得所述电池模块的相异的第一特征参数以及第二特征参数在所述时间区间内的多个第一数值数据以及多个第二数值数据，其中所述控制单元依据所述多个第一数值数据建立所述第一特征图像，以及依据所述多个第二数值数据建立所述第二特征图像。

根据本发明其中一实施例，取得所述电池模块的所述特征参数在所述时间区间内的所述多个数值数据包含取得所述电池模块的所述特征参数在所述时间区间的第一子区间的多个第一数值数据以及第二子区间的多个第二数值数据，其中所述控制单元依据所述多个第一数值数据建立所述第一特征图像，以及依据所述多个第二数值数据建立所述第二特征图像。

根据本发明其中一实施例，所述第一特征图像以及所述第二特征图像中的每一像素对应所述特征参数的所述数值数据，且所述数值数据大小与所述像素的颜色深浅对应。

根据本发明其中一实施例，所述第一特征图像以及所述第二特征图像中的每一像素对应所述特征参数的数值数据差值，且所述数值数据差值大小与所述像素的颜色深浅对应。

根据本发明其中一实施例，所述方法还包含依据所述变异区域或所述移动变异区域，进行数据分析与训练。

根据本发明其中一实施例，以机器学习、深度学习、强化学习对所述变异区域或所述移动变异区域进行数据分析与训练。

根据本发明其中一实施例，所述移动变异区域依时间的变化包含所述多个变异区域的下列至少其中一者：图像像素颜色深浅变化、区域大小变化以及区域形状变化。

根据本发明其中一实施例，所述特征参数包含所述电池模块的下列至少其中一者：容量、电压、电流、温度、隔离膜参数、电解液参数、正极老化度、负极老化度。

根据本发明其中一实施例，所述第一特征图像、所述第二特征图像以及所述变异图像个别为具有多个像素的二维图像。

根据本发明其中一实施例，所述方法还包含取得多个电池模块的各电池模块的特征参数在多个时间区间内的多个数值数据；依据取得的所述多个数值数据建立各电池模块的对应所述多个时间区间的多个特征图像；将各电池模块的所述多个特征图像进行图像迭加以形成相对应各电池模块的变异图像，各电池模块的所述变异图像中具有变异区域；以及将各电池模块的所述变异图像进行图像迭加以形成关联图像，其中所述关联图像为具有多个像素的图像。

根据本发明其中一实施例，所述变异图像与所述关联图像个别为具有多个像素的二维图像。

本发明所提供的以可视化图像建立电池状态模型的方法可通过数据图像化以及堆迭得到特征参数彼此之间的关联性与变异性。本发明将数值形式的分析转为图像分析，可方便后续进行分析与模型训练，从而可适应环境变因，并有效率且准确地表现电池状态与电池事件。

附图说明

图1为本发明实施例电池模块的功能方块图。

图2为本发明实施例以可视化图像建立电池状态模型的方法的流程图。

图3为本发明实施例特征图像的示意图。

图4为本发明实施例多张特征图像迭加的示意图。

图5为本发明实施例变异图像的示意图。

图6为本发明实施例多张变异图像依时间的变化所形成的移动变异区域的示意图。

图7为本发明另一实施例以可视化图像建立电池状态模型以得出多个电池模块的相对应的特征参数之间的关系的方法的流程图。

其中，附图标记说明如下：

1电池模块

2第一特征图像

3第二特征图像

4第三特征图像

5变异图像

10控制单元

11、12、13电池单元

21像素

51、52、53变异区域

61、62、63移动变异区域

100、200方法

110～160、210～240步骤

具体实施方式

在说明书及权利要求书当中使用了某些词汇来指称特定的组件。所属领域中具有通常知识者应可理解，制造商可能会用不同的名词来称呼同一个组件。本发明的说明书及权利要求书并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。在通篇说明书及后续的请求项当中所提及的「包含」为一开放式的用语，故应解释成「包含但不限定于」。此外，「耦接」或「连接」一词在此包含任何直接及间接的电气或结构连接手段。因此，若文中描述一第一装置耦接/连接于一第二装置，则代表第一装置可直接电气/结构连接于第二装置，或透过其他装置或连接手段间接地电气/结构连接至第二装置。

请参考图1，图1为本发明实施例电池模块的功能方块图。电池模块1中包含了控制单元10(电池管理系统)以及多个电池单元11、12、13，由控制单元10控制电池单元11、12、13的充放电行为以及监控各电池单元11、12、13的多个特征参数。

请参考图2至图6，图2为本发明实施例以可视化图像建立电池状态模型的方法的流程图，图3为本发明实施例特征图像的示意图，图4为本发明实施例多张特征图像迭加的示意图，图5为本发明实施例变异图像的示意图，图6为本发明实施例多张变异图像依时间的变化所形成的移动变异区域的示意图。如图2所示，方法100包含下列步骤：

步骤110：取得电池模块的特征参数的数值资料；

步骤120：依据数值数据建立特征图像；

步骤130：将特征图像进行图像迭加形成变异图像；

步骤140：重复步骤110～130以产生移动变异区域；

步骤150：针对变异图像或移动变异区域进行数据分析；以及

步骤160：由步骤150分析而得的数据进行重复的学习与训练。

本发明将电池模块1的电池特征参数的数值数据透过场域转换(domaintransfer)的方式进行图像化以取得多个图像，并藉由图像进行数据分析与后续的学习与训练。电池模块1中可包含一或多个电池单元11、12、13，因此电池特征参数可以是电池模块1整体表现的特征参数，也可以是个别电池单元11、12、13的特征参数，本发明不以此为限。在此实施例中，电池模块1存在许多特征参数，可包含电池模块1的容量、电压、电流、温度、隔离膜参数、电解液参数、正极老化度、负极老化度、负载关系…等，在步骤110中，由电池模块1内部的控制单元10在电池模块1运作过程中监控并取得一个特征参数在一段时间内的多个数值数据，或是两个或多个特征参数在同一段时间内的各自的复数数值数据，换言之，步骤110可取得连续时间的多个电池特征参数的数值数据，且每一单位时间即取得一次数值数据，直到第m个单位时间。举例来说，特征参数可包含有电池模块1的电压、电流以及温度等三个特征参数，而控制单元10在每单位时间(例如每一秒钟)取得一次电池模块1的电压值、电流值以及温度，并持续m个单位时间。

接着在步骤120中，控制单元10(或可用外部的分析监控系统，连接于电池模块1以取得特征参数的内容)依据步骤110所取得的数值数据进行场域转换(domaintransfer)，以建立特征图像。具体来说，可依据一或多个特征参数的多个数值数据分别建立至少一第一特征图像以及一第二特征图像。举例而言，在此实施例中，特征参数的多个数值数据经过正规化后转换成像素，且数值数据的大小与像素的颜色深浅彼此对应，而本发明并不局限于此。在另一实施例中，也可设计成与像素的灰阶值彼此对应。如图3所示，由于步骤110在一个时间区间内取得连续时间的多个数值数据，而每一个数值数据正规化后的大小对应像素21的颜色深浅值，因此步骤120将这些数值数据所对应的像素21依序排列而成为具有多个像素21的二维图像，例如每一个电压值(v)的连续时间变化量的数值数据在第一特征图像中以具有不同颜色深浅的二维像素数组来表示，每一个温度(t)的连续时间变化量的数值数据在第二特征图像中以具有不同颜色深浅的二维像素数组来表示。

特别说明的是，在步骤110以及步骤120中取得特征参数的数值数据以及转换为特征图像的阶段，可依据经验或几种常见的分析模型来选择用来建立特征图像的特征参数，并且可以是由电池模块1的单一特征参数而来，例如电压值随时间的变化，或是从多个特征参数而来，例如电压及温度随着时间的变化。例如在一实施例中，第一特征图像以及第二特征图像(或可再加上第三特征图像、第四特征图像..等)可以是由不同的特征参数(如电流与温度、电压与温度、电压与电流、电压/电流/隔离膜参数…等)建立而成，以分析电池模块的某一段时间的相异特征参数之间的关系。如图4所示，第一特征图像2为一个时间区间内表示电压数值的像素对连续时间排序的二维图像、第二特征图像3为同一时间区间内表示电流数值的像素对连续时间排序的二维图像，而第三特征图像4为同一时间区间内表示温度数值的像素对连续时间排序的二维图像。

在另一实施例中，也可以是由单一个特征参数在不同的时间段内的数值数据来产生特征图像以进行分析，也就是分析不同时间阶段，电池模块的某一个特征参数的变化或特性。例如，控制单元可以取得电池模块的一时间区间内的第一子区间的连续电压值，以及第二子区间的连续电压值，并据以分别建立第一特征图像以及第二特征图像，以供后续分析电池模块在不同阶段的电压变化关系。

此外，前述建立的特征图像是以特征参数的数值数据大小产生对应颜色深浅的像素所构成，而在另一实施例中，也可以将特征参数在时间区间内的一个单位时间点(tn)取得的数值数据减去前一个单位时间点(tn-1)取得的数值数据，所获得的数值数据的差值大小，以产生对应颜色深浅值的像素来建立特征图像。例如，当特征参数为电压、电流以及温度时，则以连续时间获得的δv、δi及δt分别产生对应灰阶值的像素，而建立表示电压差值、电流差值以及温度差值的三个特征图像。其中δv＝vtn-vtn-1、δi＝itn-itn-1，δt＝ttn-ttn-1。

另外说明的是，在此实施例中，步骤120依据数值数据建立二维的特征图像，但本发明不以此为限，也可加入其他的参数或变因而将数值数据建立为三维的特征图像。

在建立了正规化的至少两个或两个以上的特征图像后，接着在步骤130(以及图4)中，控制单元10(或外部的分析监控系统)将这些特征图像进行图像迭加以形成如图5所示的变异图像5。由于每一个特征图像(如图4中的第一特征图像2、第二特征图像3以及第三特征图像4各自的像素灰阶值颜色深浅不同，在图像迭加为变异图像5后，可能在变异图像5中形成一个或多个大小、形状不同的变异区域51、52、53，而这些变异区域51、52、53则表示了这些特征图像所代表的特征参数之间的变异关系，以形成预测电池模块1未来的状态的基准。

接着在步骤140中重复执行前述的步骤110～130以产生移动变异区域，也就是说，前述步骤110～130是对应一时间区间内产生的单一变异图像5(包含一或数个变异区域51、52、53)，而在多个时间区间(可为连续或不连续的时间区间)中可持续产生各自对应的变异图像5，从而由这些变异图像5的迭加中，可产生一或数个变异区域51、52、53随着时间的移动变化，此即为步骤140所产生的移动变异区域61、62、63(如图6所示)，换言之，移动变异区域61、62、63是由多个变异图像5中每一个变异图像5的变异区域51、52、53的集合依时间的变化而形成，而这些移动变异区域61、62、63随时间可具有图像像素灰阶变化、区域大小变化、区域形状变化…等可能的变化。

在步骤110～140重复取得特征参数的数值数据、产生特征图像、变异图像、变异区域以及移动变异区域的可视化过程中，可呈现电池模块1的当前状态或多个时间区间的电池事件，而电池模块1的特征参数的变异性就由图像化的颜色深浅差异、重迭区域大小变化、重迭区域的形状变化来表现。

当重复取得特征图像及变异性，可以得知当前电池参数的可视化图像，即能了解电池模块1的当前状态(例如soh)及电池事件。接着在步骤150以及步骤160中，依据前述所产生的一或多个变异区域51、52、53或一或多个移动变异区域61、62、63进行数据的分析与训练。透过数据分析，呈现电池事件与电池特征参数的关联，并且在一实施例中，可透过重复的机器学习、深度学习、强化学习，将前述搜集到的数值数据所产生的可视化图像输入训练模型中，使得电池事件透过视觉图像化与训练的过程，最终得出电池事件的图像分类。特别说明的是，前述的取样与训练可以针对电池模块1的常规状态进行训练，也可针对电池模块1的异常事件进行训练，例如对温度的学习与训练，可得出电池过温事件的图像分类，而对电池老化因子的训练，可得出电池老化事件的图像分类。

以电池模块1的健康状态(stateofhealth,soh)为例，电池模块1的soh主要的是与充放电循环次数正相关，加上温度高低、是否长期维持在高电压准位、充电电流的大小等其他变因。透过本发明的方法，利用图形比对，可以得到当前电池模块1的soh，并可预估电池模块1未来的soh变化，也可以得知健康状态下降(电池老化)的原因，是否因为异常而或导致加速电池老化的异常事件。

以电池模块1的异常事件为例，透过本发明的方法，利用图形比对，可以得知导致加速电池老化的异常事件电池的异常原因是来自电压、电流、温度、隔离膜、电解液、正极异常或是负极异常。

此外，本发明的以可视化图像建立电池状态模型的方法也可用于得出多个电池模块之间的相对应的特征参数的关系。举例来说，请参阅图7，图7为本发明另一实施例多个以可视化图像建立电池状态模型以得出复数个电池模块的相对应的特征参数之间的关系的方法的流程图。如图7所示，当使用者欲了解多个电池模块的第一电池模块与第二电池模块的相对应的特征参数之间的关系，可先取得第一电池模块与第二电池模块的相对应的特征参数在多个时间区间内的多个数值数据，以建立第一电池模块与第二电池模块的对应多个时间区间的多个特征图像(对应方法200的步骤210、220)，再将第一电池模块的多个特征图像进行图像迭加形成相对应第一电池模块的一第一变异图像且将第二电池模块的多个特征图像进行图像迭加形成相对应第二电池模块的一第二变异图像，其中第一变异图像具有至少一第一变异区域，第二变异图像具有至少一第二变异区域(对应方法200的步骤230)，其中特征图像与变异图像的建立与前述实施例相似，故于此不再赘述。当第一电池模块的第一变异图像与第二电池模块的第二变异图像建立完成后，可将第一电池模块的第一变异图像与第二电池模块的第二变异图像迭加形成一关联图像，藉此只要针对关联图像进行分析，便可得出第一电池模块与第二电池模块的相对应的特征参数之间的关系(对应方法200的步骤240、250)。也就是说，方法200是以可视化的方式呈现第一电池模块与第二电池模块的相对应的特征参数之间的关系。此外，与前述实施例相似，特征图像、变异图像与关联图像较佳地可为具有多个像素的二维图像。本发明的以可视化图像建立电池状态模型的方法也提供了研究人员透过图形直观地判断电池状态或电池异常事件的方法。

本发明所提供的以可视化图像建立电池状态模型的方法，将电池模块在一时间区间所取得的一或多个特征参数的数值数据转换为正规化像素所构成的多个特征图像；通过迭加特征图像以形成具有变异区域的变异图像；以及在重复多个时间区间产生变异图像后得到变异区域的移动变化，从而得出特征参数彼此之间的关联性与变异性。本发明将数值形式的分析转为图像分析，可方便后续进行分析与模型训练，从而可适应环境变因，并有效率且准确地表现电池状态与电池事件。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。