CN106415296A - 自适应电池寿命延长 - Google Patents

自适应电池寿命延长 Download PDF

Info

Publication number
CN106415296A
CN106415296A CN201580028012.8A CN201580028012A CN106415296A CN 106415296 A CN106415296 A CN 106415296A CN 201580028012 A CN201580028012 A CN 201580028012A CN 106415296 A CN106415296 A CN 106415296A
Authority
CN
China
Prior art keywords
battery
forecast
batteries
battery level
prediction
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.)
Granted
Application number
CN201580028012.8A
Other languages
English (en)
Other versions
CN106415296B (zh
Inventor
A·B·布朗
G·卡珀尔
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.)
Apple Inc
Original Assignee
Apple Computer Inc
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
Priority to US14/290,795 priority Critical
Priority to US14/290,795 priority patent/US9210662B1/en
Application filed by Apple Computer Inc filed Critical Apple Computer Inc
Priority to PCT/US2015/028353 priority patent/WO2015183459A1/en
Publication of CN106415296A publication Critical patent/CN106415296A/zh
Application granted granted Critical
Publication of CN106415296B publication Critical patent/CN106415296B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W52/00Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02Power saving arrangements
    • H04W52/0209Power saving arrangements in terminal devices
    • H04W52/0261Power saving arrangements in terminal devices managing power supply demand, e.g. depending on battery level
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367Software therefor, e.g. for battery testing using modelling or look-up tables
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00Details not covered by groups G06F3/00 – G06F13/00 and G06F21/00
    • G06F1/26Power supply means, e.g. regulation thereof
    • G06F1/32Means for saving power
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00Details not covered by groups G06F3/00 – G06F13/00 and G06F21/00
    • G06F1/26Power supply means, e.g. regulation thereof
    • G06F1/32Means for saving power
    • G06F1/3203Power management, i.e. event-based initiation of power-saving mode
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00Details not covered by groups G06F3/00 – G06F13/00 and G06F21/00
    • G06F1/26Power supply means, e.g. regulation thereof
    • G06F1/32Means for saving power
    • G06F1/3203Power management, i.e. event-based initiation of power-saving mode
    • G06F1/3206Monitoring of events, devices or parameters that trigger a change in power modality
    • G06F1/3212Monitoring battery levels, e.g. power saving mode being initiated when battery voltage goes below a certain level
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00Computer systems using knowledge-based models
    • G06N5/04Inference methods or devices
    • HELECTRICITY
    • H01BASIC ELECTRIC ELEMENTS
    • H01MPROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00Secondary cells; Manufacture thereof
    • H01M10/42Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/4207Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells for several batteries or cells simultaneously or sequentially
    • HELECTRICITY
    • H01BASIC ELECTRIC ELEMENTS
    • H01MPROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00Secondary cells; Manufacture thereof
    • H01M10/42Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48Accumulators combined with arrangements for measuring, testing or indicating condition, e.g. level or density of the electrolyte
    • HELECTRICITY
    • H01BASIC ELECTRIC ELEMENTS
    • H01MPROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M6/00Primary cells; Manufacture thereof
    • H01M6/50Methods or arrangements for servicing or maintenance, e.g. maintaining operating temperature
    • H01M6/5044Cells or batteries structurally combined with cell condition indicating means
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04MTELEPHONIC COMMUNICATION
    • H04M1/00Substation equipment, e.g. for use by subscribers
    • H04M1/02Constructional features of telephone sets
    • H04M1/0202Portable telephone sets, e.g. cordless phones, mobile phones or bar type handsets
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/3644Constructional arrangements
    • G01R31/3647Constructional arrangements for determining the ability of a battery to perform a critical function, e.g. cranking
    • HELECTRICITY
    • H01BASIC ELECTRIC ELEMENTS
    • H01MPROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00Secondary cells; Manufacture thereof
    • H01M10/42Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4271Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04MTELEPHONIC COMMUNICATION
    • H04M1/00Substation equipment, e.g. for use by subscribers
    • H04M1/02Constructional features of telephone sets
    • H04M1/0202Portable telephone sets, e.g. cordless phones, mobile phones or bar type handsets
    • H04M2001/0204Portable telephone sets, e.g. cordless phones, mobile phones or bar type handsets including a battery compartment
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00Energy efficient computing, e.g. low power processors, power management or thermal management
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing energy consumption in communication networks in wireless communication networks
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10Energy storage using batteries

Abstract

根据一个实施方案,使用预测模型来确定表示移动设备的电池的电池状况的第一电池数量,其中所述预测模型被配置为基于所述电池的过往电池使用来预测未来电池状况。使用消耗模型来确定表示所述电池状况的第二电池数量,其中所述消耗模型被配置为基于过往电池放电率来预测未来电池放电率。基于对应于所述时间点的所述电池的剩余寿命的当前电池电平来确定表示所述电池状况的第三电池数量。功率管理逻辑基于从所述第一电池数量、所述第二电池数量和所述第三电池数量中的至少一者得出的所述电池状况来执行功率管理动作。

Description

自适应电池寿命延长
技术领域
[0001] 本发明的实施方案总体涉及便携式设备的功率管理。更具体地讲,本发明的实施 方案涉及便携式设备的自适应电池寿命延长。
背景技术
[0002] 数据处理系统的功率管理常常涉及用于降低数据处理系统中的部件的功率消耗 的技术。数据处理系统可以是膝上型电脑或其他形式的便携式计算机,诸如手持式通用计 算机或蜂窝电话。由一个或多个电池供电的便携式设备中的功率消耗管理特别重要,因为 功率管理越好,便携式设备在仅使用电池功率时通常就能被使用越长时间。
[0003] 随着设备变得越来越复杂且它们的功能越来越多样化,越来越难以从系统深处作 出最佳功率管理决策。虽然设计者已成功作出有关中央功率管理驱动器内的硬件状态的决 策,但他们未能考虑硬件之外的块。
[0004] 由电池供电的设备的用户通常希望在他们正使用设备时电池不会耗尽。用户级功 率管理可设法在电池接近耗尽时以降低性能为代价减少功率消耗,从而延长电池的寿命。 大多数常规系统仅在电池电平已非常低时,才执行此类功率管理动作。有时这可能意味着 为时已晚。
附图说明
[0005] 本发明的各实施方案以举例的方式进行说明,而不仅限于各个附图的图形,在附 图中类似的附图标号表示类似的元件。
[0006] 图1是框图,示出了根据本发明的一个实施方案的便携式设备的示例。
[0007] 图2是框图,示出了根据本发明的一个实施方案的便携式设备的硬件配置。
[0008] 图3是框图,示出了根据本发明的一个实施方案的自适应电池寿命延长系统。
[0009] 图4是流程图,示出了根据本发明的一个实施方案的用于预测未来电池状况的方 法。
[0010] 图5A是流程图,示出了根据本发明的一个实施方案的用于确定电池模型是否为预 测性的方法。
[0011] 图5B是流程图,示出了根据本发明的一个实施方案的用于确定不同电池数据集的 相关性的方法。
[0012] 图6A是框图,示出了根据本发明的一个实施方案的预测模型的过程。
[0013] 图6B是根据本发明的一个实施方案的预测模型映射函数的示例。
[0014] 图7A是框图,示出了根据本发明的一个实施方案的消耗模型的过程。
[0015] 图7B是根据本发明的一个实施方案的消耗模型映射函数的示例。
[0016] 图8A是框图,示出了根据本发明的一个实施方案的直接模型的过程。
[0017] 图8B是根据本发明的一个实施方案的直接模型映射函数的示例。
[0018] 图9是框图,示出了可用于本发明的一个实施方案的数据处理系统的示例。
具体实施方式
[0019] 将参考以下讨论的细节来描述本发明的多个实施方案和方面,并且附图将图示所 述多个实施方案。以下说明书和附图对本发明作出例示,并且不应被理解为限制本发明。描 述了众多的具体细节以提供对本发明多个实施方案的全面理解。然而,在某些实例中,众所 周知或常规的细节并未被描述以便提供对本发明的实施方案的简明论述。
[0020] 在本说明书中对"一个实施方案"或"实施方案"的引用是指结合该实施方案描述 的特定特征、结构或特性可以被包括在本发明的至少一个实施方案中。在本说明书中的不 同位置出现的短语"在一个实施方案中"不一定都是指同一个实施方案。
[0021] 根据一些实施方案,利用各种电池状况模型(也简称电池模型)预测未来电池状 况,以便在电池的下一预测再充电之前延长移动设备的电池的电池寿命。当移动设备的操 作系统的操作管理器请求关于当前或近未来电池状况的信息时,操作系统内运行的自适应 电池寿命延长(ABLE)单元确定或计算电池操作数量Φ0Ν),也简称电池数量或电池状况表 示,其使用电池状况模型来表示该时间点处的电池状况。基于由ABLE单元提供的电池数量, 操作管理器可决定是继续执行操作,还是延迟执行操作直到稍后或直到电池状况改善。例 如,如果预测电池状况高于预先确定的电池状况阈值(也称为电池数量阈值),则执行操作; 否则,可延迟操作。
[0022] 在一个实施方案中,电池模型包括至少预测模型、消耗模型和直接模型。预测模型 被配置为基于过往电池操作启发式来预测未来电池状况(例如,未来电池电平),所述过往 电池操作启发式包括在过往不同时间点处捕获的电池电平以及在过往一个或多个时间段 期间的电池充电模式。消耗模型被配置为基于过往时间段期间的电池放电模式来预测未来 电池状况(例如,未来电池放电率)。直接模型被配置为基于在该时间点处的当前电池电平 (例如,通过从电池直接读取电池电平)来预测未来电池状况。ABLE单元随后基于由预测模 型、消耗模型和直接模型中的至少一者提供的预测,来确定呈现电池状况的电池数量。在一 个实施方案中,如果电池状况被预测为较差或另选地,如果预测到剩余电池寿命不会持续 到预测的下一电池再充电之前,则可调节这些模型中的一者或多者,使得电池状况将被视 为较差并且更多动作将被停止或延迟以保持电池寿命直到电池的下一预测再充电(例如, 软着陆)。另选地,可升高电池状况阈值以延迟执行更多动作。
[0023] 在另一个实施方案中,可周期性地检查这些模型中的每一者,以在使用该模型之 前确定该模型是否仍有预测性(例如,在预测方面足够准确)。如果一个模型没有预测性,则 ABLE可回退到另一个模型以进行预测。在一个实施方案中,预测模型可为预测未来电池状 况的优选模型。然而,如果预测模型没有预测性,则消耗模型变成用于预测的主要模型。类 似地,如果消耗模型没有预测性,则可利用直接模型。然而,如果这些模型都有预测性,则可 利用这些模型中的一者或多者的组合。在模型没有预测性的情况下,可例如基于最近捕获 或跟踪的电池活动历史和/或用户或应用程序行为,来生成或调节新模型。
[0024]图1是框图,示出了根据本发明的一个实施方案的便携式设备的示例。例如,便携 式设备100可为智能电话(例如,iPhone™)、媒体播放器(例如,iPod™)、平板电脑(例如, iPad™)、膝上型电脑(例如,Mac Book™)等。参见图1,系统100包括操作管理器104,以便管 理由操作系统托管且由处理器执行的软件程序110。操作管理器104可为操作系统的系统部 件,诸如,调度器或资源管理器。操作系统可为任何种类的操作系统,诸如,i〇s™、 町11(1〇¥81¥^11(^〇1(^、1^1^、.以或任何其他实时或嵌入式操作系统。
[0025] 在一个实施方案中,系统100包括ABLE单元101,其被配置为使用一个或多个电池 状况模型102,基于电池活动历史103来估计或预测该时间点和/或近未来(例如,电池的下 一个至两个充电循环)的电池状况。电池活动历史103可包括过往的电池电平以及过往的系 统、应用程序和部件活动。例如,电池活动历史103可包括由活动分析器108捕获的程序110 的活动和/或用户行为,以及由功率管理单元(PMU) 105和/或电池监测器115 (也称为电池活 动监测器)捕获的电池107的电池使用和放电模式。电池监测器115可由以下部件不同地实 现:1)询问操作系统(0S)设施,诸如调度器和性能监测器或其他0S系统,以便监测应用程序 活动,包括CPU时间以及子系统诸如图形处理单元(GPU)、编码器/解码器、GPS网络等的使 用,或2)应用程序编程接口(API),该接口允许应用程序活动的更详细描述,这可为系统库 提供或通过从应用程序和服务显式地调用来提供。电池监测器115可以实现为PMU 105的一 部分。电池活动历史103可作为一个或多个数据库存储在系统100的持久存储设备中。活动 监测器/分析器108可经由一组应用程序编程接口(API)监测程序110的活动,并且编译和/ 或推断用户意图、用户行为趋势和利用移动设备100的用户行为。
[0026] 在一个实施方案中,创建电池状况模型102,以基于由电池活动历史数据库103提 供的过往电池启发式和用户行为,来对未来电池状况进行建模和预测。ABLE单元101利用电 池模型102中的一者或多者,基于过往电池使用和充电启发式,来生成表示该时间点和/或 近未来(例如,电池的下一个至两个充电循环)的电池状况的电池数量。在一个实施方案中, 当操作管理器104试图调度或开始特定操作(例如,密集数据处理,诸如计算、内容下载、视 频流、系统更新)时(这可由对应程序110中的一者或多者触发),操作管理器104与ABLE单元 101通信以查询当前电池状况,以便基于当前电池状况来决定执行这种动作是否适当。响应 于该查询,ABLE单元101使用电池状况模型102中的一者或多者,基于过往电池活动历史103 和/或当前电池电平,来计算表示该时间点的电池状况的电池数量。然后将所计算的电池数 量提供给操作管理器104。
[0027] 需注意,本文要查询的操作是指可延迟的任意或可选操作。例如,来自操作系统提 供商的操作系统更新可为任意操作,这是由于系统100在不进行该更新的情况下在可预见 的未来内可适当操作,并且这种系统更新操作相对较昂贵,因为其可涉及下载和安装大量 数据。然而,可执行一些其他必要的操作,而不论电池状况如何。例如,对浏览器当前正在浏 览的网页进行的杀毒软件扫描可被视为必要的动作。任意和必要的动作可为用户可配置 的,例如,作为功率管理配置文件或方案的一部分。
[0028] 在一个实施方案中,更高的电池数量表示更好的电池状况,而更低的电池数量表 示更差的电池状况。响应于接收自ABLE单元的电池数量,操作管理器104可根据该电池数量 所表示的电池状况,决定是否执行预期操作。例如,对于与特定程序相关联的特定动作而 言,如果电池数量高于特定电池状况阈值,则操作管理器104可继续调度或启动该动作;否 贝1J,可延迟该动作。在一个实施方案中,每种类型的动作或每种类型的程序可与具体的或不 同的电池状况阈值相关联。对于给定的电池数量而言,可执行一些动作,同时可延迟一些其 他动作,这取决于与动作的类型相关联的具体阈值。这种阈值信息也可存储在持久存储设 备的数据库中。
[0029] PMU 105可包括一个或多个功率管理代理(PMA)以获得硬件106的功率管理状态, 和/或经由对应PMA对硬件106执行某些功率管理动作,所述PMA包括但不限于背光源代理、 片上系统(SOC)代理、基带(例如,RF前端)代理以及WiFi代理。硬件106表示多种硬件设备或 部件,诸如SOC芯片201、背光源电路202、基带电路203、WiFi部件204、存储器205、显示器 206、多点触摸设备或键盘207以及电池,如图2中所示。
[0030] 根据一个实施方案,电池使用监测器115被配置为监测便携式设备100的每日电池 使用和每日电池充电模式,并且编译便携式设备100的持久存储设备中所存储的电池活动 历史103。在给定时间点的特定电池使用水平可用于根据电池活动历史103来确定便携式设 备100的用户是否正在以异常方式操作便携式设备100 (例如,要求被平时更多的电池消 耗),在这种情况下,可在便携式设备上执行某些功率管理动作以适应便携式设备100的异 常使用。
[0031] 在一个实施方案中,活动分析器108经由一组API与程序110通信,以获得程序110 的特定活动或事件信息。基于程序110的活动,活动分析器108可解释或推断当前正在利用 便携式设备的用户的意图,和/或用户期望在不对电池充电的情况下使用便携式设备的时 间段。基于用户意图或行为,ABLE 101可指示PMU 105中的至少一些PMA对硬件106执行某些 功率管理动作。基于用户意图或行为,ABLE 101或活动分析器108可预测用户将对移动设备 再充电的下一时间。另外,ABLE 101还可经由操作管理器104与一个或多个程序110通信,以 使程序调节(例如,增加或减小)程序的某些操作参数,试图以此优化电池107的剩余功率容 量的利用。
[0032] 图3是框图,示出了根据本发明的一个实施方案的自适应电池寿命延长系统。参见 图3,在一个实施方案中,电池模型102包括至少预测模型301、消耗模型302和直接模型303。 预测模型301被配置为基于过往电池操作启发式103来预测未来电池状况(例如,未来电池 电平),所述过往电池操作启发式包括在过往不同时间点处捕获的电池电平以及在过往一 个或多个时间段期间的电池充电模式。消耗模型302被配置为基于可由活动分析器108或用 户代理(未示出)捕获或确定的过往电池放电模式,来预测未来电池状况(例如,未来电池放 电率)。直接模型303被配置为基于PMU 105或电池监测器115在该时间点处从电池107读取 的当前电池电平,来预测未来电池状况。ABLE单元101随后基于由预测模型301、消耗模型 302和直接模型303中的至少一者提供的预测,来确定呈现电池状况的电池数量315。
[0033] 在一个实施方案中,ABLE 101包括模型选择模块311、电池数量计算器312和模型 生成器313。模型选择模块311被配置为选择模型301-303中的一者或多者来预测电池电平, 电池数量计算器利用该电池电平来计算电池数量315。在一个实施方案中,在使用模型301-303中的任何一者之前,模型选择模块311确定该特定模型是否为预测性的。在一个实施方 案中,预测模型301优于消耗模型302,并且消耗模型302优于直接模型303等。
[0034] 在使用预测模型301之前,模型选择模块311检查由预测模型301根据在一段时间 内直接从电池读取的实际电池数据而预测的预测电池数据,以确定预测模型301是否仍有 预测性,即,预测模型301在该时间点在预测未来电池状况方面是否仍足够准确。在一个实 施方案中,确定系数技术,诸如R平方或R 2,用于确定预测数据是否与实际数据相符。确定系 数是确定预测模型在当前和/或可预见的近未来内是否为预测性的。
[0035] R平方指示数据点对统计模型(线性或曲线)的拟合程度如何。其是统计模型背景 中使用的统计值,所述统计模型的主要目的是基于其他相关信息来预测未来结果或检验假 设。其提供了所观察到的结果被该模型重复的程度如何的量度,因为结果的全变差的比例 由该模型解释。R2有若干定义,这些定义仅有时是等效的。这些情况的一种类别包括简单线 性回归。在这种情况下,如果包括截距,则R 2仅仅是结果与其预测值之间的样本相关系数的 平方。如果包括附加解释器,则R2是复相关系数的平方。在这两种情况下,确定系数在0至1 的范围内。如果使用那些数据时未从模型拟合过程得出与对应结果进行比较的预测,并且 如果在不包括截距的情况下进行线性回归,则根据所使用的定义,会出现R 2的计算定义可 得出负值的重要情况。另外,当对数据进行非线性函数拟合时,可能出现R2为负值。在出现 负值的情况下,根据该特定标准,数据的均值对结果的拟合程度要好于所拟合的函数量。 [0036]另外,根据一个实施方案,检查不同时间段间的预测数据的相关性,以确定预测模 型的预测在历史上是否相符。如果预测模型301通过了这两个检验,则可利用该预测模型。 否则,可替代地利用消耗模型302。类似地,可使用类似技术检验消耗模型302,如果无法使 用消耗模型302,则利用直接模型303。在一个实施方案中,可利用模型301-303中的一者或 多者的组合。
[0037] 在一个实施方案中,如果电池状况被预测为太差或另选地,如果预测到剩余电池 容量不会持续到预测的下一电池再充电之前,则可由模型生成器313调节模型301-303中的 一者或多者,使得电池状况将被视为较差并且更多动作将被停止或延迟以保持电池寿命直 到电池的下一预测再充电(例如,软着陆)。另选地,可将电池状况阈值升得更高以延迟执行 更多动作。需注意,如图3中所示的一些或所有部件可以实现为软件、硬件或它们的组合。
[0038] 图4是流程图,示出了根据本发明的一个实施方案的用于预测未来电池状况的方 法。方法400可由处理逻辑来执行,该处理逻辑可包括软件、硬件或它们的组合。例如,方法 400可由图1的ABLE单元101来执行。参考图4,在框401处,处理逻辑使用预测模型来确定第 一电池数量,该第一电池数量表示移动设备的电池的电池状况。预测模型被配置为基于电 池的过往电池使用来预测未来电池状况。在框402处,处理逻辑使用消耗模型来确定表示电 池状况的第二电池数量。消耗模型被配置为基于过往电池放电率来预测未来电池放电率。 在框403处,处理逻辑基于对应于该时间点处电池的剩余寿命的当前电池电平,来确定表示 电池状况的第三电池数量。在框404处,处理逻辑基于从第一电池数量、第二电池数量和第 三电池数量中的至少一者得出的电池状况来执行功率管理动作。
[0039] 图5A是流程图,示出了根据本发明的一个实施方案的用于确定电池模型是否为预 测性的方法。方法500可由处理逻辑来执行,该处理逻辑可包括软件、硬件或它们的组合。例 如,方法500可由图1的ABLE单元101来执行。参考图5A,在框501处,对于给定的电池状况模 型(例如,预测模型、消耗模型),处理逻辑对由电池模型在过往至少两个时间段间预测的预 测电池数据(例如,电池电平、放电率)执行相关性分析。在框502处,处理逻辑在一段时间内 的预测电池数据与实际测量数据之间执行确定系数分析(例如,R平方)。在框503处,处理逻 辑基于相关性分析和/或确定系数分析,来确定该特定模型是否为预测性的。在框504处,如 果预测电池状况或电平低于预先确定的阈值,则调节该模型以提供软着陆状况。在一个实 施方案中,当未来任何时间点的预期预测电池电平较差时,应用软着陆,并且调节该模型以 生成不同预测,这些预测匹配在未来该时间点更期望的电池状态。
[0040] 例如,可调节该模型,以使得进一步预测将得到更差的电池状况。另选地,可升高 用于执行某些动作或事件的阈值,以使得可延迟更多动作,例如直到下一预测再充电时间。 另一方面,如果预测电池状况(由电池操作数量或简称的电池数量表示)高于预先确定的阈 值,则也可调节该模型以反映更好的电池状况,从而允许例如在下一预测再充电时间之前 执行更多动作。目前而言,电池操作数量一般由该时间点的预测水平和实际水平来计算。
[0041] 在应用软着陆时,处理逻辑初始按默认方式将所需水平TP [0] [η]设定为今天的TT [0] [n] JP将为该天这一时间的所需水平。如果任何ΤΤ[0] [η]低于预先确定的电池阈值,则 处理逻辑对ΤΡ应用软着陆算法,使得ΤΡ[0] [η]不低于该电池阈值(例如,0%、5%或其他)。 该算法将在该天中达到所需电池电平的某部分时降低放电率,以便1)不进入低电池阈值, 以及2)使有效放电率在一段时间内均衡。实际上,该算法找到了对设备进行充电的位置,并 且向后内插以产生合理放电率,所得截距为一些早先良好(或满电)的电池状态,从而将预 测电池电平替换为不会引起低电平的优选电池电平。
[0042]图5Β是流程图,示出了根据本发明的一个实施方案的用于确定不同电池数据集的 相关性的方法。方法5 50可作为在图5Α的框501处执行的操作的一部分来执行。参考图5Β,在 框551处,处理逻辑选择多个之前相关性时间点(TC)(例如,1天前、2天前和7天前等的约10: 00am的15分钟窗口)。在一个实施方案中,第一天偏移量(例如, -7)与第二天偏移量(例如,-8、-9或-14)的时间段(例如,24小时)之间呈相关性,其中第一天偏移量是预期表示当前天 (例如,今天)的天,并且通过执行一组数量的相关性函数来计算该相关性,该组数量是第一 天的时间段(例如,24小时)之中的每个时隙的一个电池电平,以及第二天偏移量的每个时 隙或时间窗口的对应电池电平。通常,在不同天的相同或相似时间的电池使用模式(例如, 用户行为)往往是相似的。因此,在相同或相似时隙或时间窗口的过往电池使用数据往往能 更准确地表示未来相同或相似时间窗口附近的未来电池使用。
[0043] 在框552处,处理逻辑从电池活动历史数据库检索对应于所选择的TC的电池使用 数据(例如,电池电平),其中如上所述,此前已收集电池活动历史数据。在框553处,确定一 些电池数据是否缺失以及缺失数据的量是否超过预先确定的阈值。如果出现如下情况,数 据可能缺失:a)电池活动历史数据库太新,而不包含足够旧的历史数据;b)数据库被刷新; c)设备在有些时候没有开启;以及d)不允许设备记录值(例如,重启之后存储装置被锁定)。 如果对于那些所选择的TC而言,数据缺失超过预先确定的阈值(例如,70%),则该模型被视 为没有预测性,并且可替代地利用另一个模型。另选地,如果所选择的TC的数据不足,可选 择另一个之前TC(例如,3天前数据)。
[0044]如果由于缺失数据,该模型被视为没有预测性,则在框554处,可能需要新模型。否 贝1J,在框555处,处理逻辑任选地使用来自相同TC或一些常数的早先时隙(例如,早先15分 钟)的近似数据来填充所缺失的数据。在一个实施方案中,该近似法可采取若干形式,例如, "线性"(在可用点之间内撖或"常数",简单地从早先值向前填充。在一个实施方案中,优选 地利用常数,因为其在常见情况下提供缺失数据的更可能的估计值。例如,设备没有活动 (因此,其仅缓慢耗尽电平)或设备关闭(因此,其可能电平平衡,并且未被充电)。
[0045] 在框556处,处理逻辑计算当前TC与所选择的之前TC每一者之间的相关性,从而生 成对应的相关系数。在该示例中,对于TC [1天前]、TC [2天前]和TC [7天前]而言,处理逻辑执 行相关性计算,并且生成相关性C [-1]、C [-2]和C [-7]。可使用多种相关性算法来计算相关 性。在一个实施方案中,检查相关性中的每一者。如果相关性C [η]低于预先确定的阈值(例 如,0.5),则可丢弃该相关性。这意味着,该之前天TC [η]不是TC的良好预测器。如果检查后 没有剩余相关性(即,所有相关性都低于预先确定的阈值),则该模型可能没有预测性。
[0046] 在一个实施方案中,可使用如下相关性函数来计算相关系数:
[0047] 相关系数r = SSXY/SQRT (SSX*SSY)
[0048] 其中SSX、SSY和SSXY是校正后的和:
[0049] SSX = sum (X ~ 2) - (sum (x)~ 2) /η
[0050] SSY = sum (y' 2) - (sum (y) ' 2) /n
[0051] SSXY = sum (x*y) - ((sum (x) *sum (y)) /n
[0052] 参数n表示自由度,在该示例中,n为count (x) -1。参数x和y表示等长的矢量。
[0053] 在框557处,对相关性每一者计算相关系数。在一个实施方案中,对于剩余相关性C [η]每一者而言,通过将相关性和归一化为1,来计算相关系数Coef [η]。例如,如果丢弃相关 性C [-7],相关性C [-1,-2]为[1 · 0,0 · 6],则相关系数Coef [-1,-2,-7]将为[0 · 67,0 · 33, 0.0]。所丢弃的相关性可接收相关系数0。然后使用以上计算的相关系数预测未来电池状 况。在一个实施方案中,对于即将到来的天TT中的每个15分钟时隙而言,处理逻辑计算TT [0 + 15*n] =Coef [1] *TT [-1 天+15*n] +Coef [1] *TT [-m天+15*n],其中m为1、2、7,并且η为0至 95。矢量TT [0+15*η] {η = 0:96}为每个15分钟时隙的一组预测电池电平。需注意,上述技术 可应用24小时。更多小时(例如,48)对于预期单次充电后能持续更长的设备而言也是适当 的,这需要对上述做适当修改。
[0054] 根据一些实施方案,可对电池模型的结果进行进一步扩展或映射,以生成最佳电 池数量。不同模型可具有不同映射函数或曲线。图6Α是框图,示出了根据本发明的一个实施 方案的预测模型的过程。参考图6Α,根据一个实施方案,基于过往电池活动历史103,预测模 型301 (假设其仍有预测性)在该时间点生成预测电池电平601。同时,电池监测器115直接从 电池107读取实际电池电平602。基于预测电池电平601和实际电池电平602,电池数量计算 器312使用预测模型映射曲线610来计算电池操作数量603。
[0055] 根据一个实施方案,对于特定时间点⑴而言,可如下那样基于在过往不同时间点 捕获的多个样本电池电平,通过预测模型301对预测电池电平(B t)进行预测:
[0056] Bt = aiBt-xi+a2Bt-x2+. . .+〇n Bt-xn
[0057] 其中系数^、^.....αη可基于模型的准确度来调节。在一个实施方案中,可针对多 个时间点评估时间t的预测,其中t =现在,t =现在+1* 15分钟...t =现在+96* 15分钟,可能 一直到2天。在一个特定实施方案中,预测电池电平基于一天前测量的电池电平和一周前测 量的电池电平:
[0058] Bt = aiBt-id+a2Bt-7d
[0059] 其中对于每一个t而言,一天前和一周前是t之前的一周。另选地,也可利用两天前 数据:
[0060] Bt = aiBt-id+a2Bt-2d+a3Bt-7d.
[0061] 在一个实施方案中,预测模型301是预测每个15分钟窗口的电池电平。基于预测电 池电平601与实际电池电平602之间的差异(例如,差值)来计算电池操作数量603。基于由预 测电池电平601和实际电池电平602表示的输入,在可专门针对该特定移动设备和/或操作 系统配置的预测模型映射曲线或映射函数610中执行查找。预测模型映射曲线或函数610的 示例示于图6B中,其中Y轴上的BON标度为从1至101,而X轴表示实际电池电平602与预测电 池电平601之间的差值。
[0062]图7A是框图,示出了根据本发明的一个实施方案的消耗模型的过程。参考图7A,根 据一个实施方案,基于过往电池活动历史103,消耗模型302 (假设其仍有预测性)在过往第 一时间点(例如,15分钟前)生成第一预测电池电平701,并且在过往第一时间点(例如,45分 钟前)生成第二预测电池电平702。基于第一电池电平701和第二电池电平702,电池数量计 算器312使用消耗模型映射曲线或函数710来计算电池操作数量703。消耗模型还消耗从电 池活动历史检索的实际电池电平。
[0063] 在一个实施方案中,消耗模型302是基于过往预先确定的时间段(例如,过往45分 钟)中的放电模式来预测下一预先确定的时间段(例如,下一 15分钟)的电池放电率。可基于 过往第一时间点(例如,过往15分钟标记或Bt-i5)的第一电池电平与过往第二时间点(例如, 过往45分钟标记或Bt-45)的第二电池电平之间的差值,来确定特定时间点t的放电率(D t):
[0064] Dt = Bt-Ati-Bt-At2〇
[0065] 在一个实施方案中,利用15分钟前和45分钟前捕获的电池电平,其中在时间t处, 放电率Dt = Bt-15-Bt-姑。基于由第一电池电平701和第二电池电平702表示的输入,在可专门 针对该特定移动设备和/或操作系统配置的消耗模型映射曲线或映射函数710中执行查找。 消耗模型映射曲线或函数710的示例示于图7B中,其中Y轴上的Β0Ν标度为从1至101,而X轴 表示在一段时间(例如,45分钟)内第一电池电平701与第二电池电平702之间的差值。
[0066]图8A是框图,示出了根据本发明的一个实施方案的直接模型的过程。参考图8A,根 据一个实施方案,电池监测器115在该时间点直接从电池107读取电池电平801。与预测模型 和消耗模型类似,电池数量计算器312通过基于电池电平801在直接模型映射函数810中查 找来计算电池操作数量803。直接模型映射函数810的示例示于图8B中,其中Y轴上的Β0Ν标 度为从1至101,而X轴表示从0至100的直接电池电平。
[0067] 根据一个实施方案,可结合使用一个模型和另一个模型,以协作方式预测或确定 未来电池使用。在一个实施方案中,当利用预测模型时,也可考虑由另一个模型生成的数 据。绝对电池电平的消耗的极值可用于修改电池操作数量。例如,如果预测到电池电平将为 N%且电池电平的确是N%,则预测模型将返回中间或良好的电池操作数量。然而,如果N非 常低或非常高,则基于另一个模型诸如消耗模型或直接模型对数量进行修改。这表示近期 达满电平时脱离充电的设备可能仍在充电器附近的情况,其可负担发起或继续昂贵的操作 如备份等。接近电平平衡的设备应该倾向于节省剩余电荷以用于用户发起的"前台"操作, 而不是可选操作诸如备份、app更新等,即便其在基于预测模型的轨迹上。这也反映了这一 属性:单独的预测模型主要关注电池的相对电平,而不是绝对电平。
[0068] 这同样适用于放电率。非常高的放电率可指示未来问题,因此即使预测模型指示 电池良好或很好,系统也可针对非常快的放电而减小电池操作数量。
[0069] 消耗模型采用短期和长期计算两者。在一个实施方案中,近期低消耗率可覆盖高 消耗率的更长期历史。这避免了在已结束的非常高消耗的短时间段之后出现低电池操作数 量的不适当时间段。
[0070] 在一个实施方案中,由预测模型和消耗模型生成的数据可被调节为:Clamp (P (预 测值-实际值)+D2 (实际值),0,100) W是将预测电平与实际电平之间的差值换算成基础Β0Ν 的曲线或映射,接下来D2是曲线或映射(不同于D,直接模型的基础曲线KD2对于其大多数 范围(中间电池电平)为〇,在高电平范围(例如,最前15%)内平滑地接近100,并且在低电平 范围(例如,最末15%)内平滑地接近-100。
[0071] 也可应用上述技术以指示设备是否以良好状况耦接到充电器。在一个实施方案 中,如果设备连接到充电器而后者又连接到外部电源(干线),则基础充电Β0Ν被设定为100。 如果电池电平非常低,则应用如上所述的D2。即,如果用户正在充电并且充电器电力足以对 电池充电并为设备供电,则实际上可自由获取功率。如果用户刚插上电源并且电池电平非 常低(例如,〈15%),则最大益处是尽可能快地对电池充电,这可能意味着降低设备的功率 消耗。存在各种充电情形,包括充电器电力足以对电池充电并为设备供电的情形,以及可能 仅在设备空闲时才充电或甚至以减小的速率充电的那些情形。如果充电较缓慢,则减小的 Β0Ν是适当的。
[0072] 重新参考图1,电池使用监测器115被配置为监测电池107的电池使用和电池充电 数据。电池使用监测器115可每日周期性地监测电池使用和充电。表示电池使用的数据和充 电数据随后由电池统计值编译器(未示出)用来分析并编译可存储在便携式设备(未示出) 的持久存储设备中的电池启发式和充电模式或趋势103。电池使用启发式和充电模式103可 在长时间段内不断地或周期性地更新,以建立用户的电池使用和充电行为的更准确趋势。 在一个实施方案中,电池启发式编译器可进一步计算用户的每日平均电池使用和/或估计 的每日电池充电时间表。在一个实施方案中,本文的每日平均值是在若干天内的一天的特 定时隙或时间窗口(例如,15分钟宽)处记录的值的加权平均值。加权平均值中的权重由模 型生成器生成。例如,可基于过往若干天中每天的约l〇am时记录或捕获的数据,来计算10am 时隙的平均值。因此,其可粗略确定在不充电的情况下在正常的一天中便携式设备何时由 电池供电以及由电池供电多久。
[0073] 电池使用启发式和充电模式103可用于基于给定时间点处的电池使用水平,来确 定该给定时间点处的用户意图。例如,假设在给定时间点处,电池使用监测器115接收表示 电池使用水平的数据。电池使用水平用于与从电池使用活动历史103和可选的应用程序活 动获得的(例如,经由图1的活动分析器108获得的)每日平均电池使用水平进行比较。基于 该比较结果,用户意图确定单元(未示出)可确定用户意图以及可能随后用户对便携式设备 的动作。因此,用户意图确定单元能够近似地确定该特定电池电平是否在用户典型一天的 正常电池使用范围内。
[0074] 根据一个实施方案,如果该时间点处的电池使用水平与平均每日电池使用水平之 间的差值超过预先确定的阈值,则其可指示便携式设备的电池使用异常。可执行功率管理 动作以适应这种异常情形。例如,如果与每日平均电池使用相比,电池使用水平太高,则可 降低某些硬件或软件的功率消耗以节省功率容量,使得剩余功率容量可在不充电的情况下 持续估计的时间段。另一方面,如果与平均电池使用水平相比,电池使用太低,则可提高硬 件和/或软件的特定性能(这会引起更高的功率消耗),只要电池的剩余功率容量可在不充 电的情况下持续估计的时间段即可。此类功率管理动作可在没有用户干预或用户不知情的 情况下自动执行。
[0075] 上述技术可应用于多种情形。例如,假定用户在一周内从周一到周五对其设备进 行一天充电一次以上。如果一天中消耗的总电荷少于电池的容量,则用户可能是出于方便 原因对设备充电,而不是因为电池可能要耗尽了。如果一天中使用的电荷适度超过电池的 容量,则可能值得功率管理系统的用户在整天中稍微节省功率使用,以扩展电池的容量并 避免在中午充电的需要。如果一天中消耗的电荷显著超过电池容量,则用户一定正满载地 使用其设备,并且功率管理系统对性能的效应以避免中午充电很可能令用户烦恼。
[0076] 在另一个示例中,假定用户在一周内从周一到周五对其设备进行一天充电一次, 并且在设备充电之前设备的电池使用水平平均达一定水平,称为每日平均使用水平,且具 有适度低的标准偏差。这可能意味着在每个工作日用户的行为大致相同。假设在给定工作 日,若电池使用水平降低到平均使用水平以下,且存在一定容限,则这意味着用户在该天的 行为有些变化。平均行为的这种越界可向功率管理系统通知用户在该特定天很有可能快耗 尽电平,可能最符合其利益的是节省功率。
[0077] 在另外一个示例中,假定用户在每个工作日的大约同一时间对其设备充电并脱离 充电。如果平均时间的标准偏差足够低,功率管理系统可推断用户工作日的持续时间。另选 地,功率管理系统可推断其在特定工作日(例如,周一到周五)的哪些时隙(例如,9:00am至 11:00am以及2:00pm至4:00pm)消耗的功率多于其他时隙。能够推断用户的工作日,将允许 功率管理系统设定整天的功率预算,试图以此确保电池在当天结束时不会耗尽。这种基于 用户活动或用户行为来操作的功率管理系统在本文称为用户级功率管理系统。目标是由电 池使用启发式和充电模式来推断不同时间和/或天内的用户意图,使得可在功率管理系统 尚可发挥效果之前,及早捕获异常用户行为。因此,便携式设备的操作可动态地配置(在性 能和功率消耗的平衡方面),使得用户可拥有便携式设备的最佳体验。
[0078] 操作管理器104可表示以下一者或多者的组合:资源管理器、应用程序启动器(例 如,跳板)、调度器、功率管理单元和/或操作系统的其他部件。操作管理器104被配置为管理 或收集信息,诸如某些硬件和/或软件操作的操作状态或状况(例如,进入飞行模式),并且 将该信息传送到程序活动分析器108。基于操作状态或状况信息,程序活动分析器108被配 置为收集信息,该信息具有从程序110及可选电池使用启发式和充电模式103收集的活动数 据。
[0079] 然后用户意图确定单元(其可以实现为ABLE单元101的部件)基于由程序活动分析 器108采集的信息,推断在时间点的用户意图以及可能随后用户与便携式设备的交互。基于 用户意图以及可能随后的用户交互,用户意图确定单元将信号传输到操作管理器104,以建 议对便携式设备执行功率管理动作。作为响应,操作管理器104可对硬件执行某些功率管理 动作,诸如关闭WiFi、降低显示器亮度等,以及对软件执行某些功率管理动作,诸如使某些 程序改变其行为以降低这些程序的特定性能。另选地,如果基于用户意图确定电池的剩余 功率容量可比没有充电时的估计时间段持续长得多的时间,则可提高便携式设备的性能以 进一步增强用户体验。
[0080] 上述技术可应用于数据处理系统的准入控制过程。在数据处理系统中,应用程序 和系统服务具有对应用程序的访问权限,由此它们可使用某些标识特征来请求执行动作的 许可。这些特征包括请求应用程序或服务的身份、一类活动的密钥或标识符、以及表示活动 的特定属性的值,诸如哪个邮箱或数量。该系统可随后基于该信息来评估该活动对用户的 重要性,并且结合电池状况数量,确定活动是否应继续。标识特征可绕过该系统,以考虑这 样的状况,其中请求应用程序可将动作的调用委派给一个或多个第三方服务。动作重要性 的确定可包括分析过往相似动作的电池影响或由应用程序提供的其他信息,诸如用户常用 哪些邮箱。
[0081]同样,用户级功率管理的目标是优化设备和计算机的性能、电池寿命和热响应。如 果功率管理系统具有有关用户在做什么的足够多信息,则其也许能够改善性能或节省功 率,继而可延长电池寿命或降低系统温度。应用程序可以是用户功率管理系统的输入源,确 切地讲,概述真实世界中用户的近未来的那些应用程序。
[0082]上述技术可应用于多种不同情形。例如,出示登机牌以检票登机会告知功率管理 系统,用户可能将在飞行途中处于飞行模式。当在近未来中用户启用飞行模式时,功率管理 系统可推断用户将希望其设备的电池电平在飞行途中持续,并且不太可能接入电源直到飞 行结束后。功率管理系统可通过以下方式响应:牺牲一些性能,以有利于扩展电池电平,使 之在飞行途中持续。仅仅知道设备处于飞行模式给出了该信息的一部分,但其缺少飞行模 式将被启用的可能持续时间,并且对于应当应用多少电池电平节省,无法作出有用预测。通 过使用用户已检票登机的事实以及来自登机牌的元数据,功率管理系统获得飞行模式和可 能持续时间的两个数据点。
[0083] 另一个示例可为使用电子钱包应用程序诸如Passbook在咖啡店购买饮料。这与很 大程度上保持不变的GPS位置相结合,表明了用户将在下一 20至30分钟内在咖啡店享用饮 料。如果他们应当在该时间段内使用其设备,则他们可能有意识地这样做(阅读新闻、玩游 戏等),因此他们希望其设备特别具有响应性。这类信息可告知功率管理系统,在下一20-30 分钟内,符合用户最大利益的是牺牲一些电池寿命,以有利于改善性能。
[0084] 在另外一个示例中,如果用户开始使用便携式设备的媒体播放器观看电影,则系 统可基于电影的元数据来确定电池是否可持续电影的持续时间。如果电池的剩余功率容量 无法持续那么久,则可执行某些功率管理动作,诸如降低其他应用程序的性能,这是由于用 户不太可能在观看电影时使用那些应用程序。另选地,可减小帧速率以降低功率消耗。此 外,如果系统检测到设备正在相对较暗环境中操作(例如,玩视频游戏),这可经由环境或光 传感器(及其对应应用程序)检测,则系统可自动减弱显示器的背光源以进一步降低通用处 理器诸如中央处理单元(CPU)的功率消耗和/或提高专用处理器诸如图形处理单元(GPU)的 性能。
[0085] 重要的是需注意,如上所述的监测、检测和功率管理动作是在没有用户干预或用 户不知情的情况下自动执行的。与常规功率管理系统不同,本申请通篇所述的用户级功率 管理系统并不聚焦于检测功率使用及向用户通知这种功率使用(例如,警告用户电池电平 偏低)。相反,用户级功率管理系统聚焦于特定用户的用户行为,并自动调节便携式设备的 操作以改善便携式设备的用户体验。每个用户可具有不同行为和模式,通过采用便携式设 备内的用户代理,用户级功率管理系统可"学习"该特定用户的行为并适应于该特定用户的 生活方式,即便用户不知情。典型用户可能对电池使用水平的通知不感兴趣。相反,用户可 能更感兴趣的是,享受便携式设备的体验,同时不被不受欢迎的通知打断。用户关心的只是 电池可支持用户打算在此刻进行的任何操作,而不论系统如何满足这种要求。
[0086]图9是框图,示出了可用于本发明的一个实施方案的数据处理系统的示例。例如, 系统900可表示执行上述任何过程或方法的上述任何数据处理系统。系统900可表示台式计 算机(例如,购自Apple Inc · (Cupertino,Cal if ornia)的iMac™)、膝上型电脑(例如, MacBook™)、平板电脑(例如,iPad™)、服务器、移动电话(例如,iPhone™)、媒体播放器(例 如,iPod™或iPod Touch™)、个人数字助理(PDA)、个人通信器、游戏设备、网络路由器或集 线器、无线接入点(AP)或中继器、机顶盒或它们的组合。
[0087] 参考图9,在一个实施方案中,系统900包括处理器901和外围设备接口902 (本文也 称为芯片组),以便经由总线或互连器将各种部件耦接至处理器901,包括存储器903和设备 905-908。处理器901可表示单处理器或多处理器,其中包括单处理器内核或多处理器内核。 处理器901可表示一个或多个通用处理器,诸如微处理器、中央处理单元(CPU)等。更具体地 讲,处理器901可为复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超 长指令字(VLIW)微处理器、或实现其他指令集的处理器、或实现指令集的组合的处理器。处 理器901也可为一个或多个专用处理器,诸如专用集成电路(ASIC)、现场可编程门阵列 (FPGA)、数字信号处理器(DSP)、网络处理器、图形处理器、网络处理器、通信处理器、加密处 理器、协处理器、嵌入式处理器、或任何其他类型的能够处理指令的逻辑。处理器901被配置 为执行指令,以便执行本文所述的操作和步骤。
[0088] 外围设备接口902可包括存储控制集线器(MCH)和输入输出控制集线器(ICH)。外 围设备接口 902可包括与存储器903通信的存储器控制器(未示出)。外围设备接口 902还可 包括与图形子系统904通信的图形界面,该图形子系统可包括显示控制器和/或显示设备。 外围设备接口902可经由加速图形端口(AGP)、外围部件互连(PCI)高速总线或其他类型的 互连器,来与图形设备904通信。
[0089] MCH有时称为北桥,而ICH有时称为南桥。如本文所用,术语MCH、ICH、北桥和南桥旨 在被广义地解释以涵盖各种芯片,这些芯片的功能包括向处理器传送中断信号。在一些实 施方案中,MCH可与处理器901集成。在这种配置中,外围设备接口 902作为执行MCH和ICH的 一些功能的接口芯片来操作。此外,图形加速器可与MCH或处理器901集成。
[0090] 存储器903可包括一个或多个易失性存储(或存储器)设备,诸如随机存取存储器 (RAM)、动态RAM (DRAM)、同步DRAM (SDRAM)、静态RAM (SRAM)、或其他类型的存储设备。存储器 903可存储信息,所述信息包括由处理器901或任何其他设备执行的指令序列。例如,多种操 作系统、设备驱动程序、固件(例如,输入输出基本系统或BIOS)和/或应用程序的可执行代 码和/或数据可加载到存储器903中并由处理器901执行。操作系统可为任何类型的操作系 统,诸如,来自Mtemsoft®的Windows®操作系统、来自App 1 e的MaC〇s®/i〇S®、来自 Google:K)^Aiidraid';l、Omix®、Unix®、或其他实时或嵌入式操作系统诸如VxWorks。
[0091] 外围设备接口902可提供到10设备的接口,所述10设备诸如为设备905-908,包括 一个或多个无线收发器905、一个或多个输入设备906、一个或多个音频10设备907以及其他 10设备908。无线收发器905可为WiFi收发器、红外收发器、蓝牙收发器、WiMax收发器、无线 蜂窝电话收发器、卫星收发器(例如,全球定位系统(GPS)收发器)或它们的组合。一个或多 个输入设备906可包括鼠标、触摸板、触敏屏幕(其可与显示设备904集成)、指针设备诸如触 笔、和/或键盘(例如,物理键盘或显示为触敏屏幕一部分的虚拟键盘)。例如,输入设备906 可包括耦接至触摸屏的触摸屏控制器。触摸屏和触摸屏控制器例如能够利用多种触敏技术 的任何一种检测接触和运动或其中断,触敏技术包括但不限于电容性、电阻性、红外和表面 声波技术,以及用于确定与触摸屏接触的一个或多个点的其他接近传感器阵列或其他元 件。
[0092] 音频10 907可包括扬声器和/或麦克风以方便启用语音的功能,例如语音识别、语 音复制、数字记录和/或电话功能。其他可选设备908可包括存储设备(例如,硬盘驱动器、闪 存存储器设备)、一个或多个通用串行总线(USB)端口、一个或多个并行端口、一个或多个串 行端口、打印机、网络接口、总线桥(例如,PCI-PCI桥)、一个或多个传感器(例如,运动传感 器、光传感器、接近传感器等)或它们的组合。可选设备908还可包括成像处理子系统(例如, 相机),其可包括光学传感器,诸如电荷耦合设备(CCD)或互补金属氧化物半导体(CMOS)光 学传感器,用于促进相机功能,诸如记录照片和视频剪辑。
[0093]需注意,虽然图9示出了数据处理系统的各种部件,但是并不旨在表示使这些部件 互连的任何特定构造或方式,因此此类细节与本发明的实施方案并无密切关系。也可以理 解,具有较少部件或可能较多部件的网络计算机、掌上电脑、移动电话以及其他数据处理系 统也可用于本发明的实施方案。
[0094]已按照对计算机存储器中的数据位进行操作的算法和符号表示来呈现前面详细 描述的某些部分。这些算法描述和表示是数据处理领域技术人员所用的方法,而这些方法 也能最有效的将他们的工作实质传达给该领域其他技术人员。算法在这里并一般是指导致 所希望的结果的操作的自洽序列。操作是那些需要对物理量进行物理操纵的操作。
[0095] 然而,应当谨记,所有这些以及类似的术语都与适当的物理量相关联,并且只是应 用于这些量的方便标签。除非另外特别说明,否则从上述讨论中显而易见的是,可以理解在 整个说明书中,使用例如那些在以下权利要求中示出的术语的讨论是指计算机系统或类似 的电子计算设备的操作和流程,该设备可操作在计算机系统寄存器和存储器中表示为物理 (电子)量的数据、或将其转换成在计算机存储器、寄存器或其他此类信息存储、传输或显示 设备中同样显示为物理量的其他数据。
[0096]可以利用一个或多个电子设备上存储和执行的代码和数据来实现图中所示的技 术。此类电子设备利用计算机可读介质存储和传送(在内部传送和/或通过网络向其他电子 设备传送)代码和数据,计算机可读介质诸如为非暂态计算机可读存储介质(例如,磁盘;光 盘;随机存取存储器;只读存储器;闪存存储器设备;相变存储器)和暂态计算机可读传输介 质(例如,所传播信号的电、光、声或其他形式-诸如载波、红外信号、数字信号)。
[0097] 前面图中所示的过程或方法可通过处理逻辑来执行,所述处理逻辑包括硬件(例 如,电路、专用逻辑等)、固件、软件(例如,实现在非暂态计算机可读介质上)或它们两者的 组合。虽然上文利用某些顺序操作来描述过程或方法,但是应当理解,所描述的某些操作可 以不同的顺序来执行。此外,某些操作也可并行执行而并非按顺序执行。
[0098] 在前述的说明书中,参照其特定的示例性实施方案描述了本发明的各实施方案。 显而易见的是,可在不脱离以下权利要求所示的本发明的更广泛的实质和范围的情况下对 实施例做出各种修改。因此,说明书和附图应被认为是出于例证目的而非限制目的。

Claims (24)

1. 一种计算机实现的方法,包括: 通过自适应电池寿命延长(ABLE)单元,使用预测模型来确定表示移动设备的电池的电 池状况的第一电池数量,其中所述预测模型被配置为基于所述电池的过往电池使用来预测 未来电池状况; 使用消耗模型来确定表示所述电池状况的第二电池数量,其中所述消耗模型被配置为 基于过往电池放电率来预测未来电池放电率; 基于对应于所述时间点的所述电池的剩余寿命的当前电池电平来确定表示所述电池 状况的第三电池数量;以及 通过功率管理逻辑,基于从所述第一电池数量、所述第二电池数量和所述第三电池数 量中的至少一者得出的所述电池状况来执行功率管理动作。
2. 根据权利要求1所述的方法,其中使用所述预测模型来确定所述第一电池数量包括: 确定所述预测模型对所述时间点预测的第一预测电池电平与在所述时间点从所述电 池读取的实际电池电平之间的第一差值;以及 使用与所述预测模型相关联的第一转换函数将所述第一差值转换为所述第一电池数 量。
3. 根据权利要求2所述的方法,其中使用所述消耗模型来确定所述第二电池数量包括: 在第二预先确定的时间段内,确定过往第三时间点的第三电池电平与过往第四时间点 的第四电池电平之间的第二差值;以及 使用与所述消耗模型相关联的第二转换函数将第二差值转换为所述第二电池数量。
4. 根据权利要求3所述的方法,其中所述第三电池电平在15分钟前捕获,并且其中所述 第四电池电平在45分钟前捕获。
5. 根据权利要求3所述的方法,其中使用所述直接模型来确定所述第三电池数量包括 使用与所述直接模型相关联的第三转换函数将从所述电池读取的所述当前电池电平转换 为所述第三电池数量。
6. 根据权利要求1所述的方法,还包括在使用所述预测模型之前确定所述预测模型是 否为预测性的,其中如果所述预测模型没有预测性,则利用所述消耗模型。
7. 根据权利要求6所述的方法,其中确定所述预测模型是否为预测性的包括: 从电池活动历史数据库获得在过往第一预先确定的时间段期间的多个时间点捕获的 一组实际电池电平数据; 从所述电池活动历史数据库获得由所述预测模型预测的、对应于所述多个时间点的第 一组预测电池电平数据;以及 基于所述第一组的所述预测电池电平数据与所述实际电池电平数据来执行确定系数 操作,以确定所述预测模型是否在预先确定的容许范围内执行。
8. 根据权利要求7所述的方法,其中执行确定系数操作包括对所述预测电池电平数据 和所述实际电池电平数据执行R平方过程。
9. 根据权利要求8所述的方法,还包括: 从所述电池启发式数据库获得由所述预测模型在过往第二预先确定的时间段期间预 测的第二组预测电池电平数据; 确定所述第一组预测电池电平数据与所述第二组预测电池电平数据之间的相关性;以 及 基于所述确定的相关性和所述确定系数来确定所述预测模型是否为预测性的。
10. 根据权利要求9所述的方法,其中所述第一预先确定的时间段包括一周前的十五分 钟窗口,并且所述第二预先确定的时间段包括一天前的十五分钟窗口。
11. 一种其中存储有指令的非暂态计算机可读介质,所述指令在被处理器执行时,使得 所述处理器执行方法,所述方法包括: 通过自适应电池寿命延长(ABLE)单元,使用预测模型来确定表示移动设备的电池的电 池状况的第一电池数量,其中所述预测模型被配置为基于所述电池的过往电池使用来预测 未来电池状况; 使用消耗模型来确定表示所述电池状况的第二电池数量,其中所述消耗模型被配置为 基于过往电池放电率来预测未来电池放电率; 基于对应于所述时间点的所述电池的剩余寿命的当前电池电平来确定表示所述电池 状况的第三电池数量;以及 通过功率管理逻辑,基于从所述第一电池数量、所述第二电池数量和所述第三电池数 量中的至少一者得出的所述电池状况来执行功率管理动作。
12. 根据权利要求11所述的非暂态计算机可读介质,其中使用所述预测模型来确定所 述第一电池数量包括: 确定所述预测模型对所述时间点预测的第一预测电池电平与在所述时间点从所述电 池读取的实际电池电平之间的第一差值;以及 使用与所述预测模型相关联的第一转换函数将所述第一差值转换为所述第一电池数 量。
13. 根据权利要求12所述的非暂态计算机可读介质,其中使用所述消耗模型来确定所 述第二电池数量包括: 在第二预先确定的时间段内,确定过往第三时间点的第三电池电平与过往第四时间点 的第四电池电平之间的第二差值;以及 使用与所述消耗模型相关联的第二转换函数将第二差值转换为所述第二电池数量。
14. 根据权利要求13所述的非暂态计算机可读介质,其中所述第三电池电平在15分钟 前捕获,并且其中所述第四电池电平在45分钟前捕获。
15. 根据权利要求13所述的非暂态计算机可读介质,其中使用所述直接模型来确定所 述第三电池数量包括使用与所述直接模型相关联的第三转换函数将从所述电池读取的所 述当前电池电平转换为所述第三电池数量。
16. 根据权利要求11所述的非暂态计算机可读介质,其中所述方法还包括在使用所述 预测模型之前确定所述预测模型是否为预测性的,其中如果所述预测模型没有预测性,则 利用所述消耗模型。
17. 根据权利要求16所述的非暂态计算机可读介质,其中确定所述预测模型是否为预 测性的包括: 从电池活动历史数据库获得在过往第一预先确定的时间段期间的多个时间点捕获的 一组实际电池电平数据; 从所述电池活动历史数据库获得由所述预测模型预测的、对应于所述多个时间点的第 一组预测电池电平数据;以及 基于所述第一组的所述预测电池电平数据与所述实际电池电平数据来执行确定系数 操作,以确定所述预测模型是否在预先确定的容许范围内执行。
18. 根据权利要求17所述的非暂态计算机可读介质,其中执行确定系数操作包括对所 述预测电池电平数据和所述实际电池电平数据执行R平方过程。
19. 根据权利要求18所述的非暂态计算机可读介质,其中所述方法还包括: 从所述电池启发式数据库获得由所述预测模型在过往第二预先确定的时间段期间预 测的第二组预测电池电平数据; 确定所述第一组预测电池电平数据与所述第二组预测电池电平数据之间的相关性;以 及 基于所述确定的相关性和所述确定系数来确定所述预测模型是否为预测性的。
20. 根据权利要求19所述的非暂态计算机可读介质,其中所述第一预先确定的时间段 包括一周前的十五分钟窗口,并且所述第二预先确定的时间段包括一天前的十五分钟窗 □ 〇
21. -种便携式设备,包括: 自适应电池寿命延长(ABLE)单元,所述自适应电池寿命延长单元用于使用预测模型来 确定表示移动设备的电池的电池状况的第一电池数量,其中所述预测模型被配置为基于所 述电池的过往电池使用来预测未来电池状况,使用消耗模型来确定表示所述电池状况的第 二电池数量,其中所述消耗模型被配置为基于过往电池放电率来预测未来电池放电率,以 及基于对应于所述时间点的所述电池的剩余寿命的当前电池电平来确定表示所述电池状 况的第三电池数量;以及 功率管理逻辑,所述功率管理逻辑用于基于从所述第一电池数量、所述第二电池数量 和所述第三电池数量中的至少一者得出的所述电池状况来执行功率管理动作。
22. 根据权利要求21所述的便携式设备,其中使用所述预测模型来确定所述第一电池 数量包括: 确定所述预测模型对所述时间点预测的第一预测电池电平与在所述时间点从所述电 池读取的实际电池电平之间的第一差值;以及 使用与所述预测模型相关联的第一转换函数将所述第一差值转换为所述第一电池数 量。
23. 根据权利要求22所述的便携式设备,其中使用所述消耗模型来确定所述第二电池 数量包括: 在第二预先确定的时间段内,确定过往第三时间点的第三电池电平与过往第四时间点 的第四电池电平之间的第二差值;以及 使用与所述消耗模型相关联的第二转换函数将第二差值转换为所述第二电池数量。
24. 根据权利要求23所述的便携式设备,其中使用所述直接模型来确定所述第三电池 数量包括使用与所述直接模型相关联的第三转换函数将从所述电池读取的所述当前电池 电平转换为所述第三电池数量。
CN201580028012.8A 2014-05-29 2015-04-29 自适应电池寿命延长 Active CN106415296B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US14/290,795 2014-05-29
US14/290,795 US9210662B1 (en) 2014-05-29 2014-05-29 Adaptive battery life extension
PCT/US2015/028353 WO2015183459A1 (en) 2014-05-29 2015-04-29 Adaptive battery life extension

Publications (2)

Publication Number Publication Date
CN106415296A true CN106415296A (zh) 2017-02-15
CN106415296B CN106415296B (zh) 2020-10-16

Family

ID=53180829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580028012.8A Active CN106415296B (zh) 2014-05-29 2015-04-29 自适应电池寿命延长

Country Status (5)

Country Link
US (2) US9210662B1 (zh)
EP (1) EP3149502B1 (zh)
KR (1) KR101940389B1 (zh)
CN (1) CN106415296B (zh)
WO (1) WO2015183459A1 (zh)

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9025734B2 (en) * 2008-07-03 2015-05-05 Centurylink Intellectual Property Llc PSAP capabilities defining system and method for handling emergency text messaging
US8816868B2 (en) * 2011-06-06 2014-08-26 Apple Inc. Adaptive low-battery warnings for battery-powered electronic devices
US9948125B2 (en) * 2013-11-07 2018-04-17 Stored Energy Systems, a Limited Liability Company Systems and methods for self-contained automatic battery charging and battery-life-extension charging
US9210662B1 (en) * 2014-05-29 2015-12-08 Apple Inc. Adaptive battery life extension
JP6414743B2 (ja) * 2014-11-28 2018-10-31 富士通株式会社 電源制御装置、電源制御プログラム、電源制御方法及び電源制御システム
US9696782B2 (en) 2015-02-09 2017-07-04 Microsoft Technology Licensing, Llc Battery parameter-based power management for suppressing power spikes
US10158148B2 (en) 2015-02-18 2018-12-18 Microsoft Technology Licensing, Llc Dynamically changing internal state of a battery
US20160248266A1 (en) * 2015-02-19 2016-08-25 Microsoft Technology Licensing, Llc Heterogeneous Battery Cell Charging
US9748765B2 (en) 2015-02-26 2017-08-29 Microsoft Technology Licensing, Llc Load allocation for multi-battery devices
WO2016137510A1 (en) * 2015-02-27 2016-09-01 Hewlett Packard Enterprise Development Lp Selectively enabling backup power to nodes
US10789542B2 (en) * 2015-06-05 2020-09-29 Apple Inc. System and method for predicting changes in network quality
US10191116B2 (en) * 2015-10-15 2019-01-29 Johnson Controls Technology Company Battery test system for predicting battery test results
US9860336B2 (en) * 2015-10-29 2018-01-02 International Business Machines Corporation Mitigating service disruptions using mobile prefetching based on predicted dead spots
US9939862B2 (en) 2015-11-13 2018-04-10 Microsoft Technology Licensing, Llc Latency-based energy storage device selection
US10061366B2 (en) 2015-11-17 2018-08-28 Microsoft Technology Licensing, Llc Schedule-based energy storage device selection
US9793570B2 (en) 2015-12-04 2017-10-17 Microsoft Technology Licensing, Llc Shared electrode battery
US9913050B2 (en) * 2015-12-18 2018-03-06 Cochlear Limited Power management features
CN105676997B (zh) * 2016-01-05 2018-11-30 京东方科技集团股份有限公司 移动终端管理方法和系统、移动终端
JP6260633B2 (ja) * 2016-03-01 2018-01-17 カシオ計算機株式会社 電子機器、バッテリ残量管理方法、及びプログラム
US9936457B2 (en) * 2016-03-29 2018-04-03 International Business Machines Corporation Ensuring battery reserve for mobile communication
US20180090941A1 (en) * 2016-09-26 2018-03-29 Samsung Electronics Co., Ltd. Apparatus and method for battery management
US10903665B2 (en) 2016-11-01 2021-01-26 Microsoft Technology Licensing, Llc Usage data based battery charge or discharge time determination
US10488905B2 (en) 2016-11-16 2019-11-26 Microsoft Technology Licensing, Llc Dynamic energy storage device discharging
US20180343616A1 (en) * 2017-05-24 2018-11-29 Sigma Designs, Inc. Cross-layer sleep control in a wireless device
US10725529B2 (en) * 2017-06-26 2020-07-28 Microsoft Technology Licensing, Llc Target based power management
US10599205B2 (en) * 2017-09-18 2020-03-24 Verizon Patent And Licensing Inc. Methods and systems for managing machine learning involving mobile devices
SE541804C2 (en) * 2018-04-09 2019-12-17 Scania Cv Ab Methods and control units for determining an extended state of health of a component and for control of a component
US10956057B2 (en) * 2018-08-29 2021-03-23 Qualcomm Incorporated Adaptive power management of dynamic random access memory
US10635196B1 (en) 2018-10-04 2020-04-28 Dell Products L.P. Information handling system power management with active stylus input device
KR20200100404A (ko) * 2019-02-18 2020-08-26 삼성전자주식회사 적응적 전력 관리를 위한 전자 장치
WO2021015730A1 (en) * 2019-07-22 2021-01-28 Hewlett-Packard Development Company, L.P. Schedule-based charging of batteries

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4390841A (en) * 1980-10-14 1983-06-28 Purdue Research Foundation Monitoring apparatus and method for battery power supply
JPH1020003A (ja) * 1996-07-01 1998-01-23 Kyushu Denki Seizo Kk モデルベース電池残存容量計
CN101903845A (zh) * 2007-12-20 2010-12-01 诺基亚公司 用于提供功耗通知和管理的方法、装置和计算机程序产品
CN101930056A (zh) * 2009-06-24 2010-12-29 力博特公司 一种电池备电时间预测方法
CN102478636A (zh) * 2010-11-26 2012-05-30 比亚迪股份有限公司 电池电量的检测方法及装置
CN102508172A (zh) * 2011-11-23 2012-06-20 中兴通讯股份有限公司 电池电量的计算方法及装置、终端
CN102680897A (zh) * 2011-03-15 2012-09-19 联芯科技有限公司 电池电量管理方法和装置
CN102683761A (zh) * 2011-01-31 2012-09-19 手持产品公司 延长蓄电池寿命的方法和移动设备
CN103299637A (zh) * 2011-01-12 2013-09-11 三菱电机株式会社 运动图像编码装置、运动图像译码装置、运动图像编码方法以及运动图像译码方法
CN103809125A (zh) * 2014-02-13 2014-05-21 清华大学 锂离子电池的剩余放电容量估计方法及系统

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030184307A1 (en) 2002-02-19 2003-10-02 Kozlowski James D. Model-based predictive diagnostic tool for primary and secondary batteries
JP4650405B2 (ja) * 2006-11-28 2011-03-16 日本電気株式会社 携帯型情報処理端末及びそのバッテリ管理方法並びにプログラム
US7888913B1 (en) * 2009-09-08 2011-02-15 Intermec Ip Corp. Smart battery charger
JP5397139B2 (ja) * 2009-10-02 2014-01-22 日本電気株式会社 通信端末
CN102833385A (zh) 2011-06-15 2012-12-19 康佳集团股份有限公司 一种手机装置及其预测电池续航能力的方法
JP5875037B2 (ja) 2011-07-08 2016-03-02 インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation バッテリの状態予測システム、方法及びプログラム
JP2013213684A (ja) * 2012-03-30 2013-10-17 Toyota Motor Corp 蓄電システム及び充電状態推定方法
US9716294B2 (en) 2012-04-20 2017-07-25 Ford Global Technologies, Llc Battery controller with monitoring logic for model-based battery control
US9285851B2 (en) * 2012-06-22 2016-03-15 Microsoft Technology Licensing, Llc Optimizing battery use for known future load
JP5995653B2 (ja) * 2012-08-16 2016-09-21 三菱電機株式会社 充放電制御装置、充放電制御方法、プログラム及び充放電制御システム
JP6024308B2 (ja) * 2012-09-05 2016-11-16 コニカミノルタ株式会社 電子機器
US20140082384A1 (en) 2012-09-20 2014-03-20 Apple Inc. Inferring user intent from battery usage level and charging trends
US20140082383A1 (en) 2012-09-20 2014-03-20 Apple Inc. Predicting user intent and future interaction from application activities
US20150257103A1 (en) 2012-09-27 2015-09-10 Google Technology Holdings LLC Method and device with an augmented rules engine
US9465078B2 (en) 2012-11-02 2016-10-11 Fairfield Industries, Inc. Battery capacity and durability prediction method
US9210662B1 (en) * 2014-05-29 2015-12-08 Apple Inc. Adaptive battery life extension

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4390841A (en) * 1980-10-14 1983-06-28 Purdue Research Foundation Monitoring apparatus and method for battery power supply
JPH1020003A (ja) * 1996-07-01 1998-01-23 Kyushu Denki Seizo Kk モデルベース電池残存容量計
CN101903845A (zh) * 2007-12-20 2010-12-01 诺基亚公司 用于提供功耗通知和管理的方法、装置和计算机程序产品
CN101930056A (zh) * 2009-06-24 2010-12-29 力博特公司 一种电池备电时间预测方法
CN102478636A (zh) * 2010-11-26 2012-05-30 比亚迪股份有限公司 电池电量的检测方法及装置
CN103299637A (zh) * 2011-01-12 2013-09-11 三菱电机株式会社 运动图像编码装置、运动图像译码装置、运动图像编码方法以及运动图像译码方法
CN102683761A (zh) * 2011-01-31 2012-09-19 手持产品公司 延长蓄电池寿命的方法和移动设备
CN102680897A (zh) * 2011-03-15 2012-09-19 联芯科技有限公司 电池电量管理方法和装置
CN102508172A (zh) * 2011-11-23 2012-06-20 中兴通讯股份有限公司 电池电量的计算方法及装置、终端
CN103809125A (zh) * 2014-02-13 2014-05-21 清华大学 锂离子电池的剩余放电容量估计方法及系统

Also Published As

Publication number Publication date
KR101940389B1 (ko) 2019-01-18
WO2015183459A1 (en) 2015-12-03
US9210662B1 (en) 2015-12-08
EP3149502B1 (en) 2020-03-04
KR20160147963A (ko) 2016-12-23
US20160157180A1 (en) 2016-06-02
US9615333B2 (en) 2017-04-04
CN106415296B (zh) 2020-10-16
EP3149502A1 (en) 2017-04-05
US20150351037A1 (en) 2015-12-03

Similar Documents

Publication Publication Date Title
Dayarathna et al. Data center energy consumption modeling: A survey
JP6154843B2 (ja) 電力制御方法および電力制御装置
US10620685B2 (en) Adjusting mobile device state based on user intentions and/or identity
KR102106744B1 (ko) 피어 이벤트 데이터에 기초한 모바일 디바이스의 동적 조정
CN103777544B (zh) 应用处理器、相应移动装置和选择时钟信号的方法
JP6486916B2 (ja) インテリジェントコンテキストに基づくバッテリ充電
US10521244B2 (en) Information handling system configuration parameter history management
Shye et al. Into the wild: studying real user activity patterns to guide power optimizations for mobile architectures
KR101569423B1 (ko) 사용자 의도 및/또는 신원에 기반한 모바일 장치 상태의 조정
KR101933735B1 (ko) 배터리 최적화를 이용한 모바일 장치 동작 방법
US8316247B2 (en) Method and apparatus for user-activity-based dynamic power management and policy creation for mobile platforms
Gerasimou et al. Efficient runtime quantitative verification using caching, lookahead, and nearly-optimal reconfiguration
WO2019086043A1 (en) M ethods and systems for preloading applications and generating prediction models
US7681054B2 (en) Processing performance improvement using activity factor headroom
Jayaseelan et al. Estimating the worst-case energy consumption of embedded software
EP2342612B1 (en) Conserving power using predictive modelling and signaling
Snowdon et al. Koala: A platform for OS-level power management
Benini et al. System-level power estimation and optimization
Sheikh et al. An overview and classification of thermal-aware scheduling techniques for multi-core processing systems
US8849731B2 (en) Content pre-fetching for computing devices
JP6216880B2 (ja) アプリケーションの電力効率を決定して表示する方法及びその端末機
Ren et al. Hierarchical adaptive dynamic power management
KR101991682B1 (ko) Dvfs 제어 방법 및 이를 이용한 시스템-온 칩
TWI570544B (zh) 自電池使用量程度與充電趨勢推測使用者意圖
US9946981B2 (en) Computing device service life management

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant