TWI718783B - 以視覺化圖像建立電池狀態模型的方法 - Google Patents
以視覺化圖像建立電池狀態模型的方法 Download PDFInfo
- Publication number
- TWI718783B TWI718783B TW108143313A TW108143313A TWI718783B TW I718783 B TWI718783 B TW I718783B TW 108143313 A TW108143313 A TW 108143313A TW 108143313 A TW108143313 A TW 108143313A TW I718783 B TWI718783 B TW I718783B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- characteristic
- battery module
- variation
- images
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000000007 visual effect Effects 0.000 title claims abstract description 14
- 230000035772 mutation Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 230000032683 aging Effects 0.000 claims description 11
- 238000007405 data analysis Methods 0.000 claims description 8
- 239000003792 electrolyte Substances 0.000 claims description 5
- 238000002955 isolation Methods 0.000 claims description 5
- 239000012528 membrane Substances 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 12
- 238000012800 visualization Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000036541 health Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007773 negative electrode material Substances 0.000 description 1
- 239000007774 positive electrode material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
- H02J7/005—Detection of state of health [SOH]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0013—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries acting upon several batteries simultaneously or sequentially
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Secondary Cells (AREA)
Abstract
本發明所提供的以視覺化圖像建立電池狀態模型的方法，透過將電池模組於一時間區間所取得的一或多個特徵參數的數值資料，將這些數值資料轉換為正規化像素所構成的多個特徵圖像，藉由疊加特徵圖像以形成具有變異區域的變異圖像，在重複多個時間區間產生變異圖像後可得到變異區域的移動變化，藉由資料圖像化並且堆疊後可得到特徵參數彼此之間的關聯性與變異性。
Description
本發明有關一種判別電池狀態的方法，尤指一種建立電池狀態的圖像化模型以進行分析、判斷、學習的方法。
目前的電池模組透過內部的電池管理系統(Battery management system,BMS)擷取電池模組的多種參數，例如電壓、電流、溫度、電池容量(state of charge,SOC)、健康度(State of health,SOH)、充飽電量(Fully charged capacity,FCC)、隔離膜參數、電解液參數、正極材料、負極材料...等，透過監控、分析其中的某些參數以及其變化來判斷電池模組的狀態。具體而言，係透過MCU擷取而得的多種參數，以特定的演算法運算得出所需要的狀態結果。例如在判斷電池健康度(SOH)時，是透過電池當前的充飽電量除以健康電池的充飽電量所計算出來的，其中目前又有許多不同的演算法可取得電池當前的充飽電量。
雖然上述針對健康度、充飽電量、對電池保護條件...等演算法相當多，但這些大量的資料計算係純粹用電學的數值(電壓、電流、溫度...)來記錄，在使用者實際操作的複雜環境中，僅能以有限的經驗或當前的數據進行分析，往往造成雖有多種演算法可以使用，卻都無法準確地呈現出電池的狀態，
也無辦法對電池狀態變化進行合理的歸因。
為了解決上述問題，本發明以場域轉換(domain transfer)的方式建立電池各特徵參數的視覺化圖像，提供一種可以適應環境變因，而有效率且準確的表現電池狀態以及電池事件的方法。
根據本發明的實施例，一種以視覺化圖像建立電池狀態模型的方法包含步驟：取得一電池模組的至少一特徵參數於一時間區間內的複數個數值資料；該電池模組的一控制單元依據取得的該複數個數值資料建立至少一第一特徵圖像以及一第二特徵圖像；該控制單元將該第一特徵圖像以及該第二特徵圖像進行圖像疊加形成一變異圖像，該變異圖像中具有至少一變異區域；以及該控制單元依據對應複數個時間區間的複數個變異圖像，產生至少一移動變異區域，其中該至少一移動變異區域係由該複數個變異圖像中每一個該變異圖像的該至少一變異區域之集合依時間之變化而形成。其中該第一特徵圖像、該第二特徵圖像以及該變異圖像為具有複數個像素的圖像。
於本發明的實施例中，其中取得該電池模組的至少一特徵參數於一時間區間內的複數個數值資料包含：取得該電池模組相異的一第一特徵參數以及一第二特徵參數於該時間區間內的複數個第一數值資料以及複數個第二數值資料。其中該控制單元係依據該複數個第一數值資料建立該第一特徵圖像，以及依據該複數個第二數值資料建立該第二特徵圖像。
於本發明的實施例中，其中取得該電池模組的至少一特徵參數於一
時間區間內的複數個數值資料包含：取得該電池模組的該至少一特徵參數於該時間區間的一第一子區間的複數個第一數值資料以及一第二子區間的複數個第二數值資料。其中該控制單元係依據該複數個第一數值資料建立該第一特徵圖像，以及依據該複數個第二數值資料建立該第二特徵圖像。
於本發明的實施例中，其中該第一特徵圖像以及該第二特徵圖像中的每一像素對應該至少一特徵參數的一數值資料，且該數值資料大小與該像素的顏色深淺對應。
於本發明的實施例中，其中該第一特徵圖像以及該第二特徵圖像中的每一像素對應該至少一特徵參數的一數值資料差值，且該數值資料差值大小與該像素的顏色深淺對應。
於本發明的實施例中，該方法另包含步驟：依據該至少一變異區域或該至少一移動變異區域，進行資料分析與訓練。
於本發明的實施例中，其係以機器學習、深度學習、強化學習對該至少一變異區域或該至少一移動變異區域進行資料分析與訓練。
於本發明的實施例中，其中該至少一變異區域包含有複數個變異區域，且該至少一移動變異區域依時間之變化包含該複數個變異區域的至少下列之一：圖像像素顏色深淺變化、區域大小變化以及區域形狀變化。
於本發明的實施例中，其中該至少一特徵參數包含下列該電池模組
的至少其中之一：容量、電壓、電流、溫度、隔離膜參數、電解液參數、正極老化度、負極老化度。
於本發明的實施例中，其中該第一特徵圖像、該第二特徵圖像以及該變異圖像為具有複數個像素的二維圖像。
於本發明的實施例中，其中該方法另包含取得複數個電池模組之各電池模組的至少一特徵參數於複數個時間區間內的複數個數值資料；依據取得的該複數個數值資料建立各電池模組之對應該複數個時間區間之複數個特徵圖像；將各電池模組之該複數個特徵圖像進行圖像疊加形成相對應各電池模組之一變異圖像，各電池模組之該變異圖像中具有至少一變異區域；以及將各電池模組的該變異區域進行圖像疊加形成一關聯圖像，其中該關聯圖像為具有複數個像素的圖像。
於本發明的實施例中，其中該變異圖像與該關聯圖像為具有複數個像素的二維圖像。
本發明所提供的以視覺化圖像建立電池狀態模型的方法，藉由資料圖像化並且堆疊後可得到特徵參數彼此之間的關聯性與變異性，將數值形式的分析轉為圖像分析，可方便後續進行分析與模型訓練，從而可適應環境變因，有效率且準確地表現電池狀態與電池事件。
1:電池模組
2:第一特徵圖像
3:第二特徵圖像
4:第三特徵圖像
5:變異圖像
10:控制單元
11、12、13:電池單元
21:像素
51、52、53:變異區域
61、62、63:移動變異區域
100、200:方法
110~160、210~240:步驟
第1圖為一種電池模組的元件方塊示意圖。
第2圖為本發明以視覺化圖像建立電池狀態模型的方法流程圖。
第3圖為利用本發明的方法所建立的特徵圖像一實施例的示意圖。
第4圖為多張特徵圖像疊加的示意圖。
第5圖為利用本發明的方法所產生的變異圖像一實施例的示意圖。
第6圖為多張變異圖像依時間變化所形成的移動變異區域的示意圖。
第7圖為本發明以視覺化圖像建立電池狀態模型以得出複數個電池模組之相對應的特徵參數之間的關係的方法流程圖。
在說明書及後續的申請專利範圍當中使用了某些詞彙來指稱特定的元件。所屬領域中具有通常知識者應可理解，製造商可能會用不同的名詞來稱呼同一個元件。本說明書及後續的申請專利範圍並不以名稱的差異來作為區分元件的方式，而是以元件在功能上的差異來作為區分的準則。在通篇說明書及後續的請求項當中所提及的「包含」係為一開放式的用語，故應解釋成「包含但不限定於」。此外，「耦接」或「連接」一詞在此係包含任何直接及間接的電氣或結構連接手段。因此，若文中描述一第一裝置耦接/連接於一第二裝置，則代表該第一裝置可直接電氣/結構連接於該第二裝置，或透過其他裝置或連接手段間接地電氣/結構連接至該第二裝置。
請參考第1圖，第1圖為一種電池模組的元件方塊示意圖。電池模組1中包含了一控制單元10(電池管理系統)以及複數個電池單元11、12、13，由控制單元10控制電池單元11、12、13的充放電行為以及監控各電池單元11、12、13的多個特徵參數。
請參考第2圖，第2圖為本發明以視覺化圖像建立電池狀態模型的方法100的流程圖。本發明的方法包含下列步驟：步驟110：取得電池模組的特徵參數的數值資料；步驟120：依據該數值資料建立特徵圖像；步驟130：將特徵圖像進行圖像疊加形成變異圖像；步驟140：重複步驟110~130以產生移動變異區域；步驟150：針對變異圖像或移動變異區域進行資料分析；步驟160：由步驟150分析而得的資料進行重複的學習與訓練。
本發明將電池模組1的電池特徵參數的數值資料透過場域轉換(domain transfer)的方式進行圖像化以取得多個圖像，並藉由圖像進行資料分析與後續的學習與訓練。電池模組1中可包含一或多個電池單元11、12、13，因此電池特徵參數可以是電池模組1整體表現的特徵參數，也可以是個別電池單元11、12、13的特徵參數，本發明不以此為限。於本發明的實施例中，電池模組1存在許多特徵參數，可包含電池模組1的容量、電壓、電流、溫度、隔離膜參數、電解液參數、正極老化度、負極老化度、負載關係...等，於步驟110中，由電池模組1內部的控制單元10在電池模組1運作過程中監控並取得一特徵參數於一段時間內的複數個數值資料，或是兩個或多個特徵參數於同一段時間內的各自的複數個數值資料，換言之，步驟110可取得連續時間的多個電池特徵參數的數值資料，且每一單位時間即取得一次數值資料，直到第m個單位時間。例如於一實施例中，特徵參數為電池模組1的電壓、電流以及溫度等三個特徵參數，而步驟110即可於每單位時間(例如每一秒鐘)取得一次電池模組1的電壓值、電流值以及溫度，並持續m個單位時間。
接著在步驟120中，控制單元10(或可用外部的分析監控系統，連接於電池模組1以取得特徵參數的內容)依據步驟110所取得的數值資料進行場域轉換(domain transfer)，以建立特徵圖像。具體可依據一或多個特徵參數的複數個數值資料分別建立至少一第一特徵圖像以及一第二特徵圖像。舉例而言，將特徵參數的多個數值資料經過正規化後轉換成像素，且數值資料的大小與像素的顏色深淺彼此對應，於其他實施例中，也可設計成與像素的灰階值彼此對應。請一併參考第3圖，第3圖為利用本發明的方法所建立的特徵圖像一實施例的示意圖。由於步驟110於一時間區間內取得連續時間的多個數值資料，而每一個數值資料正規化後的大小對應像素21的顏色深淺值，因此步驟120將這些數值資料所對應的像素21依序排列而成為具有複數個像素21的二維圖像，例如每一個電壓值(V)的連續時間變化量的數值資料在第一特徵圖像中以具有不同顏色深淺的二維像素陣列來表示，每一個溫度(T)的連續時間變化量的數值資料在第二特徵圖像中以具有不同顏色深淺的二維像素陣列來表示。
特別說明的是，在步驟110以及步驟120中取得特徵參數的數值資料以及轉換為特徵圖像的階段，可依據經驗或幾種常見的分析模型來選擇用來建立特徵圖像的特徵參數，並且可以是由電池模組1的單一特徵參數而來，例如電壓值隨時間的變化，或是從多個特徵參數而來，例如電壓及溫度隨著時間的變化。例如於一實施例中，第一特徵圖像以及第二特徵圖像(或可再加上第三特徵圖像、第四特徵圖像..等)可以是由不同的特徵參數(如電流與溫度、電壓與溫度、電壓與電流、電壓/電流/隔離膜參數...等)建立而成，以分析電池模組1的某一段時間的相異特徵參數之間的關係，在第4圖的多張特徵圖像疊加的示意圖中，第一特徵圖像2為一時間區間內表示電壓數值的像素對連續時間排序的二維圖像、第二特徵圖像3為同一時間區間內表示電流數值的像素對連續時間排序
的二維圖像，而第三特徵圖像4為同一時間區間內表示溫度數值的像素對連續時間排序的二維圖像。
於另一實施例中，也可以是由單一個特徵參數於不同的時間段內的數值資料來產生特徵圖像以進行分析，也就是分析不同時間階段，電池模組1的某一個特徵參數的變化或特性。例如，控制單元10可以取得電池模組1的一時間區間內的第一子區間的連續電壓值，以及第二子區間的連續電壓值，並據以分別建立第一特徵圖像以及第二特徵圖像，以供後續分析電池模組1在不同階段的電壓變化關係。
此外，前述建立的特徵圖像係以特徵參數的數值資料大小產生對應顏色深淺的像素所構成，而在其他實施例中，也可以將特徵參數於該時間區間內的一單位時間點(Tn)取得的數值資料減去前一單位時間點(Tn-1)取得的數值資料，所獲得的數值資料差值大小，以產生對應顏色深淺值的像素來建立特徵圖像。例如，當特徵參數為電壓、電流以及溫度時，則以連續時間獲得的△V、△I及△T分別產生對應灰階值的像素，而建立表示電壓差值、電流差值以及溫度差值的三個特徵圖像。其中△V=Vtn-Vtn-1、△I=Itn-Itn-1，△T=Ttn-Ttn-1。
另外說明的是，在本發明的實施例中，步驟120依據數值資料建立二維的特徵圖像，但本發明不以此為限，也可加入其他的參數或變因而將數值資料建立為三維的特徵圖像。
在建立了正規化的至少兩個或兩個以上的特徵圖像後，接著於步驟130(以及第4圖)中，控制單元10(或外部的分析監控系統)將這些特徵圖像
進行圖像疊加以形成如第5圖所示的變異圖像5。由於每一個特徵圖像(如第4圖中的第一特徵圖像2、第二特徵圖像3以及第三特徵圖像4各自的像素灰階值顏色深淺不同，在圖像疊加為變異圖像5後，可能於變異圖像5中形成一個或多個大小、形狀不同的變異區域51、52、53，而這些變異區域51、52、53則表示了這些特徵圖像所代表的特徵參數之間的變異關係，以形成預測電池模組1未來的狀態的基準。
接著於步驟140中重複執行前述的步驟110~130以產生移動變異區域，也就是說，前述步驟110~130係對應一時間區間內產生的單一變異圖像5(包含一或數個變異區域51、52、53)，而在複數個時間區間(可為連續或不連續的時間區間)中可持續產生各自對應的變異圖像5，從而由這些變異圖像5的疊加中，可產生一或數個變異區域51、52、53隨著時間的移動變化，此即為步驟140所產生的移動變異區域61、62、63(如第6圖所示)，換言之，移動變異區域61、62、63係由複數個變異圖像5中每一個變異圖像5的變異區域51、52、53的集合依時間之變化而形成，而這些移動變異區域61、62、63隨時間可具有圖像像素灰階變化、區域大小變化、區域形狀變化...等可能的變化。
在步驟110~140重複取得特徵參數的數值資料、產生特徵圖像、變異圖像、變異區域以及移動變異區域的視覺化過程中，可呈現電池模組1的當前狀態或複數個時間區間的電池事件，而電池模組1的特徵參數的變異性就由圖像化的顏色深淺差異、重疊區域大小變化、重疊區域的形狀變化來表現。
當重複取得特徵圖像及變異性，可以得知當前電池參數的視覺化圖像，即能了解電池模組1的當前狀態(例如SOH)及電池事件。接著於步驟150以及
步驟160中，依據前述所產生的一或多個變異區域51、52、53或一或多個移動變異區域61、62、63進行資料的分析與訓練。透過資料分析，呈現電池事件與電池特徵參數的關聯，並且於一實施例中，可透過重複的機器學習、深度學習、強化學習，將前述蒐集到的數值資料所產生的視覺化圖像輸入訓練模型中，使得電池事件透過視覺圖像化與訓練的過程，最終得出電池事件的圖像分類。特別說明的是，前述的取樣與訓練可以針對電池模組1的常規狀態進行訓練，也可針對電池模組1的異常事件進行訓練，例如對溫度的學習與訓練，可得出電池過溫事件的圖像分類，而對電池老化因子的訓練，可得出電池老化事件的圖像分類。
以電池模組1的健康狀態(state of health,SOH)為例，電池模組1的SOH主要的是與充放電循環次數正相關，加上溫度高低、是否長期維持在高電壓準位、充電電流的大小等其他變因。透過本發明的方法，利用圖形比對，可以得到當前電池模組1的SOH，並可預估電池模組1未來的SOH變化，也可以得知健康狀態下降(電池老化)的原因或導致加速電池老化之異常事件。以電池模組1的異常事件為例，透過本發明的方法，利用圖形比對，可以得知導致加速電池老化之異常事件是來自電壓、電流、溫度、隔離膜、電解液、正極異常或是負極異常。
此外，本發明之以視覺化圖像建立電池狀態模型的方法亦可用於得出複數個電池模組之間的相對應的特徵參數的關係。舉例來說，請參閱第7圖，第7圖為本發明以視覺化圖像建立電池狀態模型以得出複數個電池模組之相對應的特徵參數之間的關係的方法200的流程圖。如第7圖所示，當使用者欲瞭解複數個電池模組之第一電池模組與第二電池模組之相對應的特徵參數之間的關
係，可先取得第一電池模組與第二電池模組之相對應的特徵參數於複數個時間區間內的複數個數值資料，以建立第一電池模組與第二電池模組之對應複數個時間區間之複數個特徵圖像(對應步驟210、220)，再將第一電池模組之複數個特徵圖像進行圖像疊加形成相對應第一電池模組之一第一變異圖像且將第二電池模組之複數個特徵圖像進行圖像疊加形成相對應第二電池模組之一第二變異圖像，其中第一變異圖像具有至少一第一變異區域，第二變異圖像具有至少一第二變異區域(對應步驟230)，其中特徵圖像與變異圖像之建立與前述實施例相似，故於此不再贅述。當第一電池模組之第一變異圖像與第二電池模組之第二變異圖像建立完成後，可將第一電池模組之第一變異圖像與第二電池模組之第二變異圖像疊加形成一關聯圖像，藉此只要針對關聯圖像進行分析，便可得出第一電池模組與第二電池模組之相對應的特徵參數之間的關係(對應步驟240、250)。也就是說，方法200係以視覺化的方式呈現第一電池模組與第二電池模組之相對應的特徵參數之間的關係。此外，與前述實施例相似，特徵圖像、變異圖像與關聯圖像較佳地可為具有複數個像素的二維圖像。本發明之以視覺化圖像建立電池狀態模型的方法也提供了研究人員透過圖形直觀地判斷電池狀態或電池異常事件的方法。
本發明所提供的以視覺化圖像建立電池狀態模型的方法，透過將電池模組於一時間區間所取得的一或多個特徵參數的數值資料，將這些數值資料轉換為正規化像素所構成的多個特徵圖像，藉由疊加特徵圖像以形成具有變異區域的變異圖像，在重複多個時間區間產生變異圖像後可得到變異區域的移動變化，藉由資料圖像化並且堆疊後可得到特徵參數彼此之間的關聯性與變異性，將數值形式的分析轉為圖像分析，可方便後續進行分析與模型訓練，從而可適應環境變因，有效率且準確地表現電池狀態與電池事件。
以上所述僅為本發明之較佳實施例，凡依本發明申請專利範圍所做之均等變化與修飾，皆應屬本發明之涵蓋範圍。
100:方法
110~160:步驟
Claims (12)
- 一種以視覺化圖像建立電池狀態模型的方法，包含步驟：取得一電池模組的至少一特徵參數於一時間區間內的複數個數值資料；該電池模組的一控制單元依據取得的該複數個數值資料建立至少一第一特徵圖像以及一第二特徵圖像；該控制單元將該第一特徵圖像以及該第二特徵圖像進行圖像疊加形成一變異圖像，該變異圖像中具有至少一變異區域；以及該控制單元依據對應複數個時間區間的複數個變異圖像，產生至少一移動變異區域，其中該至少一移動變異區域係由該複數個變異圖像中每一個該變異圖像的該至少一變異區域之集合依時間之變化而形成；其中該第一特徵圖像、該第二特徵圖像以及該變異圖像為具有複數個像素的圖像。
- 如請求項1所述的方法，其中取得該電池模組的至少一特徵參數於一時間區間內的複數個數值資料包含：取得該電池模組相異的一第一特徵參數以及一第二特徵參數於該時間區間內的複數個第一數值資料以及複數個第二數值資料；其中該控制單元係依據該複數個第一數值資料建立該第一特徵圖像，以及依據該複數個第二數值資料建立該第二特徵圖像。
- 如請求項1所述的方法，其中取得該電池模組的至少一特徵參數於一時間區間內的複數個數值資料包含：取得該電池模組的該至少一特徵參數於該時間區間的一第一子區間的複數個第一數值資料以及一第二子區間的複數個第二數值資料； 其中該控制單元係依據該複數個第一數值資料建立該第一特徵圖像，以及依據該複數個第二數值資料建立該第二特徵圖像。
- 如請求項1所述的方法，其中該第一特徵圖像以及該第二特徵圖像中的每一像素對應該至少一特徵參數的一數值資料，且該數值資料大小與該像素的顏色深淺對應。
- 如請求項1所述的方法，其中該第一特徵圖像以及該第二特徵圖像中的每一像素對應該至少一特徵參數的一數值資料差值，且該數值資料差值大小與該像素的顏色深淺對應。
- 如請求項1所述的方法，另包含步驟：依據該至少一變異區域或該至少一移動變異區域，進行資料分析與訓練。
- 如請求項6所述的方法，其係以機器學習、深度學習、強化學習對該至少一變異區域或該至少一移動變異區域進行資料分析與訓練。
- 如請求項1所述的方法，其中該至少一變異區域包含有複數個變異區域，且該至少一移動變異區域依時間之變化包含該複數個變異區域的至少下列之一：圖像像素顏色深淺變化、區域大小變化以及區域形狀變化。
- 如請求項1所述的方法，其中該至少一特徵參數包含下列該電池模組的至少其中之一：容量、電壓、電流、溫度、隔離膜參數、電解液參數、正極老化度、負極老化度。
- 如請求項1所述的方法，其中該第一特徵圖像、該第二特徵圖像以及該變異圖像為具有複數個像素的二維圖像。
- 如請求項1所述的方法，其另包含：取得複數個電池模組之各電池模組的至少一特徵參數於複數個時間區間內的複數個數值資料；依據取得的該複數個數值資料建立各電池模組之對應該複數個時間區間之複數個特徵圖像；將各電池模組之該複數個特徵圖像進行圖像疊加形成相對應各電池模組之一變異圖像，各電池模組之該變異圖像中具有至少一變異區域；以及將各電池模組的該變異圖像進行圖像疊加形成一關聯圖像，其中該關聯圖像為具有複數個像素的圖像。
- 如請求項11所述的方法，其中該變異圖像與該關聯圖像為具有複數個像素的二維圖像。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108143313A TWI718783B (zh) | 2019-11-28 | 2019-11-28 | 以視覺化圖像建立電池狀態模型的方法 |
| CN202010754616.3A CN112862911B (zh) | 2019-11-28 | 2020-07-30 | 以可视化图像建立电池状态模型的方法 |
| US17/103,961 US11380036B2 (en) | 2019-11-28 | 2020-11-25 | Method of establishing visual images of models of battery status |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108143313A TWI718783B (zh) | 2019-11-28 | 2019-11-28 | 以視覺化圖像建立電池狀態模型的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI718783B true TWI718783B (zh) | 2021-02-11 |
| TW202120919A TW202120919A (zh) | 2021-06-01 |
Family
ID=75745732
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW108143313A TWI718783B (zh) | 2019-11-28 | 2019-11-28 | 以視覺化圖像建立電池狀態模型的方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11380036B2 (zh) |
| CN (1) | CN112862911B (zh) |
| TW (1) | TWI718783B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113222992B (zh) * | 2021-06-21 | 2022-05-03 | 苏州大学 | 基于多重分形谱的裂纹特征表征方法及*** |
| CN115117981B (zh) * | 2022-08-26 | 2022-11-18 | 深圳市高健实业股份有限公司 | 一种可编程控制新能源汽车电池充电的芯片 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160195587A1 (en) * | 2015-01-07 | 2016-07-07 | Samsung Electronics Co., Ltd. | Apparatus and method estimating state of battery pack including plural battery cells |
| TW201702623A (zh) * | 2015-04-16 | 2017-01-16 | 歐希斯能源有限公司 | 用於測定鋰硫電池之健康狀態及充電狀態的方法及裝置 |
| EP3162609A1 (en) * | 2015-11-02 | 2017-05-03 | Samsung Electronics Co., Ltd. | Battery management method and apparatus |
| TW201817113A (zh) * | 2016-07-22 | 2018-05-01 | 美商艾歐斯能源儲存有限責任公司 | 電池管理系統 |
| TW201833575A (zh) * | 2016-11-18 | 2018-09-16 | 美商半導體組件工業公司 | 用於評估電池之健全狀態的方法及設備 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102749102B (zh) * | 2012-07-10 | 2015-11-25 | 新源动力股份有限公司 | 一种用于大功率燃料电池的数据可视化方法 |
| JP5388078B1 (ja) * | 2012-11-14 | 2014-01-15 | レーザーテック株式会社 | 解析装置及び解析方法 |
| CN105027127A (zh) * | 2013-01-28 | 2015-11-04 | 恩菲斯能源公司 | 用于能量数据可视化的方法和设备 |
| WO2014119328A1 (ja) * | 2013-02-01 | 2014-08-07 | 三洋電機株式会社 | 電池状態推定装置 |
| US20170136914A1 (en) * | 2015-11-17 | 2017-05-18 | Johnson Controls Technology Company | Systems and methods for visualizing battery data |
| CN109031153B (zh) * | 2018-10-16 | 2020-01-24 | 北京交通大学 | 一种锂离子电池的健康状态在线估计方法 |
-
2019
- 2019-11-28 TW TW108143313A patent/TWI718783B/zh active
-
2020
- 2020-07-30 CN CN202010754616.3A patent/CN112862911B/zh active Active
- 2020-11-25 US US17/103,961 patent/US11380036B2/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160195587A1 (en) * | 2015-01-07 | 2016-07-07 | Samsung Electronics Co., Ltd. | Apparatus and method estimating state of battery pack including plural battery cells |
| TW201702623A (zh) * | 2015-04-16 | 2017-01-16 | 歐希斯能源有限公司 | 用於測定鋰硫電池之健康狀態及充電狀態的方法及裝置 |
| EP3162609A1 (en) * | 2015-11-02 | 2017-05-03 | Samsung Electronics Co., Ltd. | Battery management method and apparatus |
| US20170126027A1 (en) * | 2015-11-02 | 2017-05-04 | Samsung Electronics Co., Ltd. | Battery management method and apparatus |
| TW201817113A (zh) * | 2016-07-22 | 2018-05-01 | 美商艾歐斯能源儲存有限責任公司 | 電池管理系統 |
| TW201833575A (zh) * | 2016-11-18 | 2018-09-16 | 美商半導體組件工業公司 | 用於評估電池之健全狀態的方法及設備 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11380036B2 (en) | 2022-07-05 |
| CN112862911B (zh) | 2024-02-20 |
| TW202120919A (zh) | 2021-06-01 |
| CN112862911A (zh) | 2021-05-28 |
| US20210166453A1 (en) | 2021-06-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Qiao et al. | Online quantitative diagnosis of internal short circuit for lithium-ion batteries using incremental capacity method | |
| TWI718783B (zh) | 以視覺化圖像建立電池狀態模型的方法 | |
| CN104331521B (zh) | 基于图像处理的变电设备异常自动识别方法 | |
| KR102439041B1 (ko) | 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치 | |
| CN107843745B (zh) | 风力发电机组的风速仪的故障诊断方法和装置、存储介质 | |
| JP2021077450A (ja) | 電池管理システム、電池管理方法、及び組電池の製造方法 | |
| CN108399486A (zh) | 一种基于最小二乘向量机的电力设备故障检测方法 | |
| JP7384529B2 (ja) | 電池診断装置および方法 | |
| CN116189103B (zh) | 基于视觉图像分析的设备监控自动控制方法及控制*** | |
| CN110751642A (zh) | 一种绝缘子裂缝检测方法和*** | |
| CN112881915A (zh) | 锂电池的故障识别方法、识别装置及计算机可读存储介质 | |
| CN116418117A (zh) | 一种用于智能电网的设备检测*** | |
| CN111983464A (zh) | 一种基于纯电动车用锂电池析锂测试方法 | |
| CN116482540A (zh) | 电池电压不一致性的分析预测方法、装置及*** | |
| CN116165563A (zh) | 一种基于中子成像的船舶动力锂电池健康等级辨识方法 | |
| CN109740527B (zh) | 一种视频帧中图像处理方法 | |
| CN114910793A (zh) | 一种储能电站串联电池组的soh估计方法 | |
| CN116488578A (zh) | 一种基于ai视觉辅助的光伏设备分析方法 | |
| Dheeraj et al. | Detecting deepfakes using deep learning | |
| CN113180701B (zh) | 一种用于图像标签标注的脑电信号深度学习方法 | |
| JP2013222259A (ja) | データ分析支援装置、データ分析支援方法、コンピュータプログラムおよびコンピュータ読み取り可能な記憶媒体 | |
| JP6904062B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
| CN113570473B (zh) | 设备故障监测方法、装置、计算机设备和存储介质 | |
| CN114720879A (zh) | 基于bp神经网络的储能锂电池组老化模式自动识别方法 | |
| Xie et al. | Faults diagnosis for large-scale battery packs via texture analysis on spatial–temporal images converted from electrical behaviors |