TWM631494U

TWM631494U - 智能電源管理邊緣估算系統

Info

Publication number: TWM631494U
Application number: TW111204146U
Authority: TW
Inventors: 陳雍宗
Original assignee: 大葉大學
Priority date: 2022-04-22
Filing date: 2022-04-22
Publication date: 2022-09-01

Abstract

本新型揭示包含經組態後的一邊緣估算裝置，與具有經由機器訓練學習後建立之量測電壓、電流、能量的一預運算功能與預測模型；基於透過機器學習技術所建立的一量測預測模型，又包含一邊緣預運算功能藉以進階量測該電源系統。故，本新型經組態藉以量測一電源系統之電壓的其中一個電壓測量點及其電流的其中一個電流測量點；另外，基於量測該電源系統的消耗能量與工作溫度，故本新型總括經預測上述各項參數，藉以了解並管理該電源系統的充電狀態與電源系統健康狀態，進而調控或分配該電源系統的進階充放電行為。

Description

智能電源管理邊緣估算系統

本新型涉及一種判別該電源系統狀態的裝置，尤指一種建立電池狀態的即時數據邊緣運算化模型以進行分析、判斷、學習與管理該電源系統的充電狀態SOC(state of charge)與電池健康狀態SOH(state of health)的裝置。

為提升電動消耗設備之運作效率，電源管理機制(Energy management scheme)是電動設備中電池充電狀態SOC(state of charge)與電池健康狀態SOH(state of health)極為重要的。一方面，事實上電池的SOH與SOC本身也是會互相影響與估測準確與否的重要環節。另一方面，當更進一步考慮其後果時，當SOH太低的情況下，而該電池不堪再作為消耗設備之電池使用時，一個當務之急且必須解決之議題將是，在電動車輛數量與日俱增，如何處理淘汰下來的大量電動設備所使用的電池，若要將電動設備中或其他應用場合汰換下來的除役電源再利用，此時，能有一種具備即時而高效率的SOC與SOH之估測方法與系統，更是決定安全可靠且高效能的充放電控制的重要技術一環。

就實際之市場的應用而言，鋰離子電池SOH的估測方法中，過去文獻中曾經使用過或被討論過的估測方式有「充放電測試法」，而「電池健康狀態估測方法」目前已有相當之多，例如：電電壓曲線法、查表法、電量斜率法、電池模型估測法及資料學習估測法…等等。

近年來大量資料的處理或大數據演算是相當熱門話題，在電池健康狀態估測上，也可見到其應用，包括類神經網路(artificial neural network)、支援向量機(support yector machine)都是常見的機器學習演算法，資料學習估測法植基於大量的電池充放電運轉資料。然而在各種這些方法的使用上，其估測方法並未達成即時化與最佳化，這樣的情節，更使得生活愉快節奏的使用者，更加深行駛距離而產生即期深度的路程行駛之憂慮。

由於電池製造技術與材料的進步，循環壽命大幅提升，甚或深層提高電池容量與電池充放電能力，一直以來在產業與學術界是一個相當重要的課題。但當前電池的SOC與SOH其實要精準估測仍然存在其最後一哩的難度，使駕駛無法因各種路況，預估可行駛距離而產生不同程度的路程焦慮感。

一般而言，電動消耗設備之電池模組可以經由電池管理系統BMS(Battery management system)之實體層擷取的多種參數，例如包含有：電池容量(battery capacity)、電壓、電流、工作溫度、充飽電量FCC(Fully charged capacity)、隔離膜參數、電解液參數、正極材料、負極材料電池、健康度SOH(State of health)...等，不論是透過即時(on-line)或離時(off-line)手段擷取電池模組的多種參數，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，都是為了提升維持電池系統的使用效率與延長其壽命的絕佳方法。

目前的電池模組透過內部的電池管理系統(Battery Management System，簡稱BMS)8a、電池管理系統8b、電池管理系統8c分別以擷取電池模組9a、電池模組9b、電池模組9c的多種參數，如圖13所示，大都採取離線的分析與判定之過程。具體而言，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。這樣的處理過程，基本上係透過微控制器 (Microcontroller Unit，簡稱MCU)擷取而得的多種參數，再以特定的演算法運算得出所需要的電池狀態利用結果。

再者，電源管理系統於離線狀態的監控之環境中，已經失去有效掌握電動消耗設備之運作的進行情境，可見其分析所獲得的數據可信度並不足，並不能有效地即時反應電池管理系統所顯現的樣態。

另外，既使架設物聯網能有效的透過監控、分析收集到電池系統的某些參數，以及其變化來判斷電池模組的狀態，如圖13所示者，儘管物聯網所具有特性，但由於缺乏位置感知、高延遲以及缺少靠近物聯網設備的地理分佈式數據中心，雲端伺服器10的雲計算無法滿足所述特徵。故需要一種新穎的分佈式計算範式。為了能夠在網絡邊緣利用這些資源，這種分佈式範式就是邊緣計算其模型。

為了讓電池管理系統上所建置的機器，可以看到、執行物體檢測、駕駛汽車、理解語音、說話、走路或以其他方式模仿人類技能，上述的各項具有透過人類思考可以運作的執行過程，便需要在功能上複製人類智能。

本新型所揭露的技術內容涵蓋了智慧物連網AIoT(Artificial Internet-of-Thing)，人工智能AI(artificial intelligence)，以及邊緣運算(Edge computing)的技術。

人工智能採用一種稱為深度神經網絡的數據結構來複製人類認知。這些經過具深度類神經網路DNN(deep Neural Network)訓練的技術，可以透過顯示該類型問題的許多示例以及正確答案來回答特定類型的問題。這種被稱為“深度學習”的訓練過程通常在數據中心或雲中運行(cloud computing)，因為訓練準確模型需要大量數據，並且需要數據科學家協作配置模型。經過訓練，模型建置完成後成為可以回答現實世界問題的“推理引擎”(inference engine)。

在邊緣人工智能部署中，推理引擎在工廠、醫院、汽機車、衛星和家庭等偏遠地區的某種計算機或設備上運行。當人工智能遇到問題時，麻煩的數據通常會上傳到雲端伺服器，以對原始AI模型進行進一步訓練，在某個時候取代邊緣的推理引擎。這種反饋迴路在提高模型性能方面發揮著重要作用；一旦部署了邊緣AI模型，它們只會變得越來越智能。

為了提供上述解決方案，本新型物聯網結合邊緣運算與人工智慧技術，以自行研發之演算法建立類神經學習模組，將其部署於具邊緣運算之微控制器(MCU)的預判與估測控制器之中，以建立消耗電能設備電池各特徵參數的即時運算結果，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顯示方法與裝置。

本新型智能電源管理邊緣估算裝置及系統旨在透過過濾和預處理由越來越多的傳感器、基於延遲敏感的路徑選擇，和連接到邊緣計算環境的其他物聯網設備產生的數據來減少雲端伺服器的直接參與，這種提高邊緣資源的利用率可以導致更快的通信和任務執行。另一方面，事實已經證明，優異的邊緣運算之基本組件會影響智能設備的計算性能，尤其是對於大部分的類神經網絡而言。

本新型中也解決了一個有趣的問題，那就是應用將輕量型機器學習(tiny machine learning，簡稱TinyML)訓練的框架嵌入到本新型所提議的智能電源管理邊緣估算裝置及系統之中，該系統可以從邊緣計算組件獲得計算結果。此後，本新型所揭露的另一個貢獻是嘗試使用新設計的邊緣計算組件完成對智能電源管理邊緣估算裝置及系統的性能進行其效度與信度之評估。

據此，本新型首次提出智能電源管理邊緣估算裝置及系統是一種資源分配模型解構式的創新方法與組裝，它不但管理了分佈在邊緣設備計算資源的分配，而且獨立於雲服務器端執行的服務提供管理。再其次，在該邊緣設備模型的配置基礎上，開發了一種基於時延敏感的選擇不同路徑之數據傳輸機制。此外，也可以將數據傳輸到雲端的大數據透過路徑選擇算法的方式而改變其計算結果之儲存方法，之後再透過廣泛的試驗與根據演算結果來評估前述計算之數據，應該如何傳送與應用正確途徑加以處置，這些實驗證明了所提出模型的有效性、可擴展性和性能。本新型項目開發的智能電源管理邊緣估算裝置及系統，不但嵌入了一個由輕量型機器學習技術所訓練的框架，而且於框架之周邊設置許多用於收集監控數據的不同傳感器。

能有效地發揮電池系統的能源提供，其實能將收集參數進行智慧化地分析與利用，才可說是現代化高科技電動消耗之設備。為了克服未能以智慧化之方式將收集的數據應用，本新型再將這些長時間收集的珍貴數據，作為透過機器學習訓練的數據樣本，經由實驗與測量選定可以獲得最佳化的類神經網路NN(Neural Network)模組，進行電池管理系統演算法的推論，並且以深度學習(deep learning)的訓練機制，以最後獲得最高精確率與最小損耗率的要求，先行建置完成類神經判斷模組，完成將此模組嵌入於電源管理系統的先行動作。隨即將此一有效模組載入於具備邊緣運算(Edge computing)能力的微控制器(MCU)之中，例如：SparkFun Edge、Arduino Nano BLE 33 Sense或STM32F746G…等等之MCU模組。最後經過演算法的調校，便可以將經由類神經網路學習之建置的模組部署於MCU之微控制器當中，最終達到即時監控與電源系統可以進行邊際運算的目標。

為達上述目的及功效，本新型智能電源管理邊緣估算裝置的具體運用技術手段，係提供內嵌或外接於一電池模組的BMS系統，其中該邊緣估算裝置包含有：一記憶體單元，係預儲存包含有一充放電演算法指令、一管理器節點需求演算法指令、一管理器節點配置演算法指令、一路徑演算法指令及一輕量型機器學習模組指令；一運算邏輯單元，係電性連接該記憶體單元；一輸入輸出單元，係電性連接該運算邏輯單元，又該輸入輸出單元提供外接數個傳感器；及一通信單元，係電性連接該輸入輸出單元或/及運算邏輯單元；藉由該運算邏輯單元依據該記憶體單元的指令與該輸入輸出單元所接收包含該電池模組的電壓、電流之傳感器訊號以進行執行、運算、傳輸路徑的選擇或/及數據上傳，再將執行所得結果藉由該輸入輸出單元輸出一BMS系統的充放電控制訊號。

所述該輸入輸出單元亦接收包含該電池模組的位置距離、工作溫度之傳感器訊號。所述該通信單元具有有線通信及無線通信。

而本新型智能電源管理邊緣估算系統，則提供外接於數個電池模組的BMS系統，其中該邊緣估算系統包含有：複數個邊緣估算裝置，係使用前述之邊緣估算裝置，又該複數個邊緣估算裝置可以互連，其中每兩個邊緣估算裝置之間形成一第一路徑；及一雲端伺服器，係設有包含訓練數據的一資料庫及連接該資料庫的一輕量型機器學習的訓練框架，且該雲端伺服器與該複數個邊緣估算裝置互連，又該訓練數據包含由該複數個邊緣估算裝置所擷取每個電池模組的電壓、電流之數據，而該雲端伺服器與每個邊緣估算裝置之間形成一第二路徑。

[本新型]

A:邊緣估算裝置

1:記憶體單元

2:運算邏輯單元

3:輸入輸出單元

4:通信單元

5:傳感器

B:邊緣估算系統

6:雲端伺服器

61:資料庫

C:邊緣估算系統之建置方法

a:數個邊緣估算裝置建置步驟

b:雲端伺服器建置步驟

c:訓練數據收集步驟

d:演算法建置步驟

e:輕量型機器學習的訓練框架建置步驟

f:輕量型機器學習模組建置步驟

[習知]

8a、8b、8c:電池管理系統

9a、9b、9c:電池模組

10:雲端伺服器

〔圖1〕本新型「智能電源管理邊緣估算裝置」之實施態樣圖。

〔圖2〕本新型「智能電源管理邊緣估算裝置」之架構圖。

〔圖3〕本新型「智能電源管理邊緣估算系統」之架構及其運作示意圖。

〔圖4〕本新型「充放電演算法」之步驟流程圖。

〔圖5〕本新型「管理器節點需求演算法」之步驟流程圖。

〔圖6〕本新型「管理器節點配置演算法」之步驟流程圖。

〔圖7〕本新型「路徑選擇演算法」之步驟流程圖。

〔圖8〕本新型「支援向量迴歸透過輕量型機器學習(TinyML)訓練」之框架圖。

〔圖9〕本新型「輕量型機器學習訓練」之步驟流程圖。

〔圖10〕本新型放電曲線與原始的放電曲線之實驗對照圖。

〔圖11〕本新型整個實驗結果均方誤差MSE之示意圖。

〔圖12〕本創作「智能電源管理邊緣估算系統之建置方法」之步驟流程圖。

〔圖13〕一般傳統的電池管理系統(BMS)之架構圖。

為了正確的展示本新型智能電源管理邊緣估算裝置及系統的創新方法實際可行，請參閱圖1及圖2中進行示範例解說，本新型智能電源管理邊緣估算裝置，係主要提供內嵌或外接於一電池模組9a的BMS系統，其中該邊緣估算裝置A包含有：一記憶體單元1，係預儲存包含有一充放電演算法指令、一管理器節點需求演算法指令、一管理器節點配置演算法指令、一路徑演算法指令及一輕量型機器學習模組指令；一運算邏輯單元2，係電性連接該記憶體單元1；一輸入輸出單元3，係電性連接該運算邏輯單元2，又該輸入輸出單元3提供外接數個傳感器5；及一通信單元4，係電性連接該輸入輸出單元3或/及運算邏輯單元2；藉由該運算邏輯單元2依據該記憶體單元1的指令與該輸入輸出單元3所接收包含該電池模組9a的電壓、電流、位置距離、工作溫度等之傳感器5訊號以進行執行、運算、傳輸路徑的選擇或/及數據上傳，再將執行所得結果藉由該輸入輸出單元輸出一BMS系統的充放電控制訊號。

而關於本新型智能電源管理邊緣估算系統，配合圖3所示，則提供外接於數個電池模組的BMS系統，其中該邊緣估算系統B包含有：複數個邊緣估算裝置A，係使用前述之邊緣估算裝置A，又該複數個邊緣估算裝置A可以橫向互連，其中每兩個邊緣估算裝置A之間形成一第一路徑；及一雲端伺服器6，係設有包含訓練數據的一資料庫61及連接該資料庫61的一輕量型機器學習的訓練框架，且該雲端伺服器6與該複數個邊緣估算裝置A縱向互連，又該訓練數據包含由該複數個邊緣估算裝置A所擷取每個電池模組的電壓、電流之數據，而該雲端伺服器6與每個邊緣估算裝置A之間形成一第二路徑。

因此，就本新型所揭露智能電源管理的邊緣估算裝置A，可以將該環境視為經由無線AP(接入點)以及連接物聯網加上邊緣服務層(IoT+Edge Computing layer)和雲端服務層(loud layer)設備所組成，從而形成了一個互連環境，可以在設置的網絡拓撲中進行通信。其數據之輸送，是基於管理器節點和本地服務器透過不同路徑傳輸大數據，藉以進入該雲端服務器6，而完成智能電源管理邊緣估算裝置及系統整體針對電源系統所獲取的數據進行傳送。在圖3的案例部署中，設定有兩個工作節點和管理器節點，它們同時被視為具有相同性能耗費能力的兩個主機運行。為了設置並且評估本新型所提之智能電源管理邊緣估算的概念與實現，在該實現的工作中，係使用本身內建溫度感測，濕度感測與聲音感測器的Arduino Nano 33 BLE之微控制器(MCU)板。如圖3所示，由於Arduino Nano 33 BLE板的CPU速度相當低，RAM存儲資源有限，這種基於輕量級的操作系統可以執行智能電源管理邊緣估算的邊緣所擷取的數值，包括，電動耗能設備的電壓，電流，工作溫度，與消耗功率...等等。

至於其擷取數據後，經過邊緣運算演算的運算之後，是如何逕行數據處存與傳送，更詳細地說明如下，關於操作本新型智能電源管理邊緣估算裝置及系統的一個重要的開始，第一個設置步驟，係在將操作系統刷新到存儲卡後，在網絡文件中註冊區域網LAN(local access network)。操作系統刷機成功後，網絡地址(internet protocol，IP)空間的上游分配為192.168.2.0/24。系統中實現的完整實際部署如圖3提供所示，其中涉及電壓，電流，工作溫度，與消耗功率和相應之有效的傳感器5，這些訊號感測裝置視為物聯網層所必須具備的工作。在管理器節點和工作器節點中安裝並運行了一個節點容器運行時版本，如圖3所示的邊緣層同時隱含了工作節點和管理器節點。此外，第一工作及管理器節點、第二工作及管理器節點和雲服務器也部署在雲端伺服器6中。在智能電源管理邊緣估算的實現的場景中，由Arduino MCU模塊化的自走式構建分別扮演管理器節點1和管理器節點2的角色。這兩條路徑在所揭露的圖3中清楚地顯示了。因此，第一路徑和第二路徑對應於兩條路徑，其中一條可以指定為有線路徑，另一條則可以採取無線路徑之格式。

再者，說明操作本新型智能電源管理邊緣估算裝置及系統的演算流程，此一演算法流程，包括數據收集的前置過程，再有數據收集後的前處理過程，然後是數據訓練所採用之類神經網路的框架說明，最後係揭示本新型於實現邊緣運算與雲端服務層進行數據輸送的路徑選擇的演算過程，此些揭露於本新型的演示表達或流程，分別展示於圖4至圖7之中。

進一步，關於本新型演算法的「變數與參數」之說明：本新型所揭露的電池管理系統之智能電源管理邊緣估算裝置及系統，其監控系統流程圖顯示於圖4之中。其中所使用的變數與參數配合底下表1先行說明：

即殘電量即時值由SOC表示，放電量即時值表示ID，IC表示充電電流即時值，SOCH代表殘電量的高值，殘電量低值表示為SOCL，IDH放電電流限制高值，充電電流限制高值表示ICH。當整個電池管理系統開始運作之後，先行設定SOCH、SOCL、IDH與ICH等的初始參數，之後進行SOC、ID與IC資料即時量測與計算，再行判斷SOC值。也就是殘電量即時值與SOC的殘電量低值，當殘電量低值進行比較，當SOC值小於SOCL值，則啟動充電機制，否則進行SOC值與SOCH值的比較，當SOC值高於殘電量的高值時，就關閉充電機制；否則進行放電量即時值與放電電流限制高值進行比較，如果條件成立，則啟動充電機制；否則將IC，也就是充電電流即時值與IDH充電電流限制高值進行比較，如果比較結果成立時，關閉充電的機制；否則進行判斷電池是否管理系統的監管繼續執行。如果不是繼續執行，則停止電池管理系統的監管作業，也將整個電池管理系統全部結束，完成結束整個流程動作；如果還未達成電池管理系統的執行命令，那麼再繼續進行量測與計算SOC即時資料的計算。

進一步，說明智能電源管理邊緣估算裝置及系統之管理器節點需求演算過程，如圖5所示，先在被管轄的管理區域中的管理器節點進行註冊後，視有無獲得管理器節點的引導，若是，則維持被動之管理器節點標記並等待T秒後送出要求信號；若無獲得管理器節點的引導，則被更新為主動之管理器節點標記並等待T秒後送出要求信號。

而本新型智能電源管理邊緣估算裝置及系統之演算過程除了上述之管理器節點需求過程，還包含兩個配置，為了讓管理器節點處於高可用性模式下運作。選擇主導者的演算法如圖6所示，首先檢查工作節點，然後檢查前一個工作節點是否有活動的管理器節點。如果存在活動的管理器節點，則新的管理器節點將其狀態更改為非活動模式。如果活動管理器節點沒有，則將該節點的狀態更新為活動節點。邊緣計算環境有兩個管理器節點，它們的狀態是透過感測器所感測到的信號來檢查。分配組合的演算法如圖6所示。之後，將分配的差異進行分類，檢查管理器的節點是否處於活動狀態，如果它是處於活動狀態，則發送分配，管理器節點負責檢查負載節點的工作，當負載不再工作時，分配的進行將由工作節點來執行。如果要進一步計算另一個任務，則會要求檢查是否存在潛在的工作節點。在前面提到的情況下，檢查是否加載，然後由工作節點執行分配。資源分配的研究算法系事先假設網絡透過信令和資源預留機制得到增強，這些機制旨在用一些新的串流分配不同的路徑。

進一步，智能電源管理邊緣估算裝置及系統之演算過程中，其所設計的路徑選擇演算法，在候選路徑集中選擇最高的最小剩餘帶寬，圖7則顯示了路徑選擇算法的流程圖，該路徑選擇算法即先判定路徑P最小之多餘頻寬是否大於選定之路徑，若否，則沿著選定路徑進行路由流程，若是選定候選P路徑為擇定之路徑，再進入(P+1)巢式候選路徑後判斷P路徑是否大於候選路徑之號數，若否，則沿著選定路徑進行路由流程，若是則重複前述「路徑P最小之多餘頻寬是否大於選定之路徑」之判斷。

關於本新型智能電源管理邊緣估算裝置及系統之輕量型機器學習(TinyML)練的框架訓練與部署。此訓練與部署之工作進行如圖8及圖9中所顯示。於圖8中說明本新型選定支援向量迴歸SVR(Support vector regression)類神經演算法進行智能電源管理邊緣估算裝置及系統之框架訓練，此框架訓練所收集之數據來自於離線方式的實驗數據，支持向量回歸一般是擬合預測和預測的廣泛性，其選擇線性和非線性回歸類型的曲線。SVR係基於支持向量機SVM(Support vector machine)的元素，基本上，其中支持向量是更接近生成的n點維度之特徵空間中的超平面，它明顯地隔離了關於超平面的數據點。SVR模型廣義地執行方程，對於超平面的方程可以表示為y=wX+b，其中w是權重，b是X=0處的截距。由ε表示公差邊際。可以利用Sklearn python庫的SVM類導入SVR的迴歸模型。

在進行SOC估測的方法當中，最傳統的方式，是使用卡門濾波器Kalman filter的方法。在一般的SOC估側方法當中，還包括直流阻抗的方式，庫倫積分法，這是最常用到的一種方式，另外，也有利用電壓量測的方式，因為它可以達到的價格極低，而精確度高的優點。另外，還包括線性模型法，它可以根據即時數據所計算得到的電池狀態，進行SOC估測。再一個是，所謂的阻抗追蹤法，它是利用電池組當中那組模型修正化學電容量的方式來進行估測，直到最近類神經網路的技術由於計算速度的硬體加快，使得類神經網路的技術得以引用到電池狀態估測SOC的領域之中，而這其中也有非常多而陸續的論文或者是方式呢進行發表。在本新型所揭露之能源管理的智能電源管理邊緣估算裝置及系統，其設計經由類神經網路，當中的支援向量迴歸SVR的統計方式，藉由其中所訓練出來的類神經網路模型，針對電池的SOC進行估測，在估測之前，當然要對資料進行預處理過程，依據圖9之流程方式與過程來進行SVR類神經網路估測電池之SOC。

在進行SVR統計分析的BMS之SOC中的估測時，其中BMS的數據，是經由BMS電路板中透過CAN BUS或者是RS485的通訊協定，經由人機介面所收集到的鋰鐵電池，當中整個PACK或者是每個細胞單元(CELL)所產生的負載量而蒐集到的數據，它們包含有，電池容量、電壓、電流、工作溫度、健康度(State of health，SOH)...。這些數據正成為我們在針對BMS做SOC估測時的最佳背景數據，那在開發BMS類神經網路的策略之前，必然要對BMS所收集到的數據進行預處理的工作。在預處理的數據處理當中，當然首先要先將整個數據的合理化性能進行目視，然後正規化處理，當我們BMS之後認為正規化處理所得到的數據是有用的，有效率的，而且是合理性的，那就進行數據資料的訓練數據資料。訓練之前，應該先將類神經網路所要訓練的資料以及測試的資料量進行合理的劃分，在本報告的類神經網路訓練當中是以80%的量作為訓練資料，其他測試資料市佔20%。如此確定訓練與測試資料的大小之後，便可以確定所採取的核函數(kernel function)的類型之後再將資料分成N等份來進行交叉驗證(validation)。此次訓練之SVR採取徑向基函數RBF(Radial Basis Function)[https：//www.ycc.idv.tw/ml-course-techniques_7.html]作為核函數之依據。

將收集數據資料分成N個等份進行交叉驗證，之後，隨之設置參數，並使用N-1等份的資料對SVR訓練，再用訓練完成的SVR模型對剩餘的資料進行預測的工作，當資料進行預測之後，就要比較模型的準確度，並得到最佳模型的輸出結果，之後，再去判斷是否得到的，為最佳化，而且其具有預期的準確度之大小；如果未達到準確度的預期目標，再重複進行當初開始訓練的N次訓練次數，並且重複的判斷準確度的預期結果是否是最佳模型的輸出。如果已經是達到預期準確度的時候，當然就是預測隨機測試資料可以完成，爾後再隨機取出30筆資料來進行測試的工作。如此不斷的循環進行訓練資料的測試與訓練，最後達到所預期的類神經網路之預測模型。

SVR模型訓練與測試結果：本新型實驗電池充電方式採用定電流(Constant-current，簡稱CC)/定電壓(Constant-voltage，簡稱CV)充電方式，先以0.2C電流倍率進行充電，充電至電池電壓達到54V時轉為定電壓充電，而在定電壓充電時充到電池電流到達0.01A視為電池充飽。充飽以後再靜置一小時，才進行放電池實驗。當進行放電實驗時，放電電流越大，電池的過電壓就會越大，因此放出電量會受到限制。所以本新型統計的最大可用容量為最近一次0.2C放電倍率下，電池端電壓從54V放電放到2V截止電壓所放出的總電量。

圖10是本新型所規劃，支援向量迴歸統計模式之程式撰寫過程之後，計畫強調的是整個數據在回歸計算的過程當中，利用程式開發SVR的模型，那樣的數據當中，全部累積時間我們是透過放電的方式來進行訓練，以及測試，放電的時間是在3000秒，而所得到的SOC結果呈現在圖10中。圖中可以明顯的看出來，原始數據利用粉紅色的呈現方式進行放電曲線的表達，而綠色的是測試資料佔據30%的結果。而兩條曲線可以非常吻合的緊密靠近在一起，形成先放電的一個SOC狀態。因此，可以發現此SVR所訓練出來的結果，確實是可以完全做為測試得到SOC的預測成果之用。

為了瞭解本新型採取之電池32700編號鋰鐵電池的SOC狀態預測，以及放電功率，來作為提出SVR模型類神經網路統計迴歸的預測過程，因此，本計畫係透過所謂放電功率的計算，也就是將放電電壓與電流的乘績來做為比較，指參考電壓之不同方式呈現和訓練出來的SVR統計回歸模型發現，一樣可以達到相同的曲線性質，但是，確實所呈現的方式是不同的。本項專利依程式中設計，橫軸所代表的是時間的表現進行3000秒的放電中軸左邊是利用SOC的預測成果表現，其中左右邊是放電功率瓦特數量的表現，和呈現出來了在圖11之中，其中粉紅色的是原始數據的放電過程，而黑色點所呈現的是測試數據的放射成果，兩相吻合之後，再透過藍色曲線來表達放電功率的過程，它所呈現出來的結果是一個遞減的方式。因此判斷整個能量放電在負載加上之後，所呈現的放電方式是相當一致的結果，但是，至於細部的部分仍然必須做少部分的修正，才能夠去了解整個鋰鐵電池在化學變化的過程當中是否正常運作。

經過類神經網路SVR回歸統計模式的訓練之後，透過80%的訓練數據以及20%的測試數據。其中在程式模擬的過程，也利用均方誤差MSE(mean-square error)的計算過程，將測試與訓練之間的均方誤差以橫軸時間，縱軸MSE的表示方式，顯示於圖11之中可以很明顯的看出整個均方誤差MSE的最大結果不會超出0.1。結果所顯示的MSE如果與過去研究成果來比較的話，可以看出，過去研究也是利用鋰鐵電池的方式進行SOC狀態估測，而其所使用的是深度學習的類神經網路DNN所得到的MSE結果是0.6。因此，可以斷言跟該研究所發展的MSE進行該SVR統計回歸之後的結果顯示出，本新型智能電源管理邊緣估算裝置及系統具有絕佳的優勢。

故本新型歸納前述的智能電源管理邊緣估算裝置及系統，可以獲得本創作智能電源管理邊緣估算系統之建置方法C，如圖2、圖3及圖12所示，係包含有：一數個邊緣估算裝置建置步驟a，係建置數個邊緣估算裝置A，且將每個邊緣估算裝置A內嵌或外接於所對應電池模組的BMS系統及數個傳感器5；一雲端伺服器建置步驟b，係建置一雲端伺服器6並與該數個邊緣估算裝置A互連，其中每兩個邊緣估算裝置A之間形成一第一路徑，而該雲端伺服器6與每個邊緣估算裝置A之間形成一第二路徑；一訓練數據收集步驟c，係將每個邊緣估算裝置A所擷取到電池模組的電壓、電流之數據後，再上傳到該雲端伺服器6所設一資料庫61；一演算法建置步驟d，係在每個邊緣估算裝置內建有一充放電演算法、一管理器節點需求演算法、一管理器節點配置演算法及一路徑演算法；一輕量型機器學習的訓練框架建置步驟e，係建置一輕量型機器學習的訓練框架於該雲端伺服器6內，又該輕量型機器學習的訓練框架介接該資料庫61的訓練數據；及一輕量型機器學習模組建置步驟f，係亦建置經由該輕量型機器學習的訓練框架所訓練完成的一輕量型機器學習模組於每個邊緣估算裝置A內。

綜上所述，本新型係關於一種「智能電源管理邊緣估算系統」，且其構成裝置及系統均未曾見於諸書刊或公開使用，誠符合專利申請要件，懇請鈞局明鑑，早日准予專利，至為感禱；

需陳明者，以上所述乃是本新型申請案之具體實施例及所運用之技術原理，若依本新型申請案之構想所作之改變，其所產生之功能作用仍未超出說明書及圖式所涵蓋之精神時，均應在本新型申請案之範圍內，合予陳明。