CN113595164A - 用于充电管控的方法和装置 - Google Patents

用于充电管控的方法和装置 Download PDF

Info

Publication number
CN113595164A
CN113595164A CN202011463325.5A CN202011463325A CN113595164A CN 113595164 A CN113595164 A CN 113595164A CN 202011463325 A CN202011463325 A CN 202011463325A CN 113595164 A CN113595164 A CN 113595164A
Authority
CN
China
Prior art keywords
charging
samples
basic prediction
predicted
battery
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
CN202011463325.5A
Other languages
English (en)
Other versions
CN113595164B (zh
Inventor
郭文静
王妍
苗磊
卢信先
吴都明
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to PCT/CN2021/080028 priority Critical patent/WO2021218423A1/zh
Publication of CN113595164A publication Critical patent/CN113595164A/zh
Application granted granted Critical
Publication of CN113595164B publication Critical patent/CN113595164B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H02J7/007—Regulation of charging or discharging current or voltage
    • H02J7/0071—Regulation of charging or discharging current or voltage with a programmable schedule
    • 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
    • H02J7/007—Regulation of charging or discharging current or voltage
    • H02J7/00712—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Secondary Cells (AREA)

Abstract

本申请提供了一种用于充电管控的方法和装置。该方法中电子设备根据多个基础预测模型得到每个基础预测模型对应的第一预测充电时长，并根据权重模型得到多个权重系数。电子设备根据多个权重系数和每个基础预测模型对应的第一预测充电时长确定第二预测时长，电子设备根据第二预测充电时长对电子设备的充电进行管控，从而可以延长电池的寿命并提高电池的续航能力，有助于提高用户体验。

Description

用于充电管控的方法和装置
技术领域
本申请涉及充电领域，并且更具体地涉及充电领域中的用于充电管控的方法和装置。
背景技术
不同用户在对终端设备进行充电时的充电习惯不同，不同的充电习惯会影响电池的寿命，例如过度充电会将降低电池寿命并且降低续航能力，从而影响用户体验。
为了解决上述问题，有必要预测用户的充电时长，并根据预测的充电时长对终端设备的充电进行管控，从而延长电池的寿命并且提高续航能力，因此，如何预测充电时长是亟需解决的问题。
发明内容
本申请实施例提供了一种用于充电管控的方法和装置，能够根据预测的时长对终端设备的充电进行管控，有助于延长电池的寿命并且提高电池的续航能力。
第一方面，提供了一种用于充电管控的方法，所述方法可由电子设备执行，电子设备可以是能够支持电子设备实现该方法所需的功能的装置，例如芯片系统。包括：获取第一充电数据；将所述第一充电数据中的至少部分充电数据输入到多个基础预测模型中，确定每个基础预测模型对应的第一预测充电时长；将所述第一充电数据中的至少部分充电数据输入到权重模型中，得到多个权重系数；根据所述多个权重系数和所述每个基础预测模型对应的第一预测充电时长确定第二预测充电时长，所述第二预测充电时长用于对电子设备的充电进行管控。
在上述方案中，电子设备根据多个基础预测模型得到每个基础预测模型对应的第一预测充电时长，电子设备根据权重模型得到多个权重系数。电子设备根据多个权重系数和每个基础预测模型对应的第一预测充电时长确定第二预测时长，电子设备根据第二预测充电时长对电子设备的充电进行管控，从而可以延长电池的寿命并提高电池的续航能力，有助于提高用户体验。
其中，多个权重系数中至少存在两个权重系数相同，或者多个权重系数中至少存在两个权重系数不同。
可以理解的是，输入每个基础预测模型中的充电数据可以不同，或者输入至少两个基础预测模型的充电数据相同。
也可以理解的是，输入权重模型的充电数据和输入多个基础预测模型的充电数据可以不同。
在一些可能的实现方式中，多个基础预测模型中不同的基础预测模型对应不同的应用场景。
在一些可能的实现方式中，根据所述多个权重系数和所述每个基础预测模型对应的第一预测充电时长确定第二预测充电时长，包括：将所述多个权重系数与所述每个基础预测模型对应的第一预测充电时长进行加权计算，得到第二预测充电时长。
在一些可能的实现方式中，所述方法还包括：获取所述第一充电数据对应的所述电子设备的第一实际充电时长；将所述第一充电数据、所述第一实际充电时长和所述第二预测充电时长作为样本添加到第一样本集；根据所述第一样本集中的样本更新所述权重模型。
这样，可以实时的更新第一样本集中的样本，从而可以保证权重模型的准确性。
在一些可能的实现方式中，所述根据所述第一样本集中的样本更新所述权重模型，包括：确定所述第一样本集中的样本的第一合格率；若所述第一合格率小于第一合格率预设值，确定所述第一样本集中的合格的样本的数量；若所述第一样本集中的合格的样本的数量大于第一样本数量预设值，根据所述合格的样本中部分样本修正所述权重模型。
在上述方案中，电子设备确定第一样本集中的样本不满足第一合格率的要求时，确定第一样本集中的合格的样本数据是否满足第一样本数量预设值的要求，如果满足要求，则根据合格的样本中的部分样本修正权重模型，从而可以保证修正后的权重模型的准确性。
上述的用于修正权重模型的合格样本的数量需要满足预设数量，从而才能保证修正的权重模型的鲁棒性要求。
在一些可能的实现方式中，所述根据所述合格的样本中的部分样本修正所述权重模型，包括：根据所述部分样本训练得到第一修正参数，根据所述第一修正参数修正所述权重模型，得到修正后的权重模型。
上述方案中，电子设备可以确定用于修正第一权重模型的第一修正参数，从而能够保证权重模型的准确性。
在一些可能的实现方式中，所述根据所述合格的样本中的部分样本修正所述权重模型，包括：根据所述部分样本训练得到所述第一修正参数，并将所述第一修正参数发送给云端；
接收云端根据所述第一修正参数确定的第二修正参数；
根据所述第二修正参数修正所述权重模型，得到修正后的权重模型。
上述方案中，可以简化电子设备修正模型的复杂度，每个电子设备将自身得到的第一修正参数发送给云端，第一修正参数为权重模型的修正参数，没有任何的电子设备的用户的信息，也能保护用户的私密性，有利于提高安全性。同时云端利用大数据确定的第二修正参数，能满足鲁棒性的要求。
在一些可能的实现方式中，所述方法还包括：根据所述合格的样本中的剩余部分样本测试所述修正后的权重模型的稳定性。
在一些可能的实现方式中，所述将所述第一充电数据中的至少部分充电数据输入到多个基础预测模型中，得到每个基础预测模型对应的第一预测充电时长，包括：
将所述第一充电数据中的至少部分充电数据输入到所述多个基础预测模型中，得到每个基础预测模型对应的第三预测充电时长；
利用所述每个基础预测模型的调整参数调整所述每个基础预测模型对应的第三预测充电时长，得到所述每个基础预测模型对应第一预测充电时长。
在一些可能的实现方式中，所述方法还包括：
获取所述电子设备的第二充电数据和所述第二充电数据对应的第二实际充电时长；
将所述第二充电数据输入到所述多个基础预测模型的第一基础预测模型中，得到第四预测充电时长；
将所述第四预测充电时长、所述第二充电数据和所述第二实际充电时长作为样本添加到第二样本集；
根据所述第二样本集中的样本确定所述第一基础预测模型对应的调整参数。
在一些可能的实现方式中，所述根据所述第二样本集中的样本确定所述第一基础预测模型对应的调整参数，包括：
确定所述第二样本集中的样本的第二合格率；
若所述第二合格率小于第二合格率预设值，确定所述第二样本集中的合格的样本的数量；
若所述第二样本集中的合格的样本数量大于第二样本数量预设值，根据合格的样本确定所述第一基础预测模型对应的调整参数。
在一些可能的实现方式中，若所述第二样本集中合格的样本对应的实际充电时长和预测充电时长满足线性关系，所述第一基础预测模型对应的调整参数为所述线性关系的回归系数和常数。
在一些可能的实现方式中，如果所述第二样本集中合格的样本对应的实际充电时长和预测充电时长满足非线性关系，则可以利用部分合格的样本进行非线性训练，得到非线性关系的系数即为第一基础预测模型的调整参数。
在一些可能的实现方式中，所述第一充电数据和第二充电数据包括以下至少一项：用于对所述电子设备进行充电的充电器的类型、生产所述电子设备的电池的厂家、所述电池的标称容量、所述电池的电芯类型、用于对所述电子设备进行充电的充电线的类型、所述电池已经被充电的循环次数、所述电池能够充电的标称循环次数、所述电池的平均内阻、所述电池的最大内阻、所述充电器的历史插入时间和历史拔出时间、所述电池的电芯的充电截止时间、所述电池的电芯的起始电量和终止电量、在预设天数内每天的预设时间段的实际充电时长。
第二方面，提供了一种用于充电管控的方法，包括：获取第一充电数据；将所述第一充电数据中的至少部分充电数据输入第一基础预测模型中，得到第三预测时长；根据所述第一基础预测对应的调整参数调整所述第三预测充电时长，得到第一预测充电时长，所述第一预测充电时长用于对电子设备的充电进行管控。
在上述方案中，电子设备能够利用第一基础预测模型对应的调整参数调整第一基础预测模型得到的第三预测充电时长，得到用于充电管控的第一预测充电时长，换句话说，即使利用第一基础预测模型得到的第三预测充电时长不准确，则可以利用调整参数调整，从而可以得到可能准确的第一预测充电时长，也能提高充电管控的准确性。
在一些可能的实现方式中，所述方法还包括：获取所述电子设备的第二充电数据和所述第二充电数据对应的第二实际充电时长；将所述第二充电数据输入到所述第一基础预测模型中，得到第四预测充电时长；将所述第四预测充电时长、所述第二充电数据和所述第二实际充电时长作为样本添加到第二样本集；根据所述第二样本集中的样本确定所述第一基础预测模型对应的调整参数。
上述方案中的第一基础预测模型对应的调整参数是根据多个实际样本得到的，因此，能够满足实际的调整需求。
在一些可能的实现方式中，所述根据所述第二样本集中的样本确定所述第一基础预测模型对应的调整参数，包括：
确定所述第二样本集中的样本的第二合格率；
若所述第二合格率小于第二合格率预设值，确定所述第二样本集中的合格的样本的数量；
若所述第二样本集中的合格的样本数量大于第二样本数量预设值，根据合格的样本确定所述第一基础预测模型对应的调整参数。
在一些可能的实现方式中，若所述第二样本集中合格的样本对应的实际充电时长和预测充电时长满足线性关系，所述第一基础预测模型对应的调整参数为所述线性关系的回归系数和常数。
在一些可能的实现方式中，如果所述第二样本集中合格的样本对应的实际充电时长和预测充电时长满足非线性关系，则可以利用部分合格的样本进行非线性训练，得到非线性关系的系数即为第一基础预测模型的调整参数。
在一些可能的实现方式中，所述第一充电数据和第二充电数据包括以下至少一项：用于对所述电子设备进行充电的充电器的类型、生产所述电子设备的电池的厂家、所述电池的标称容量、所述电池的电芯类型、用于对所述电子设备进行充电的充电线的类型、所述电池已经被充电的循环次数、所述电池能够充电的标称循环次数、所述电池的平均内阻、所述电池的最大内阻、所述充电器的历史插入时间和历史拔出时间、所述电池的电芯的充电截止时间、所述电池的电芯的起始电量和终止电量、在预设天数内每天的预设时间段的实际充电时长。
第三方面，提供一种用于充电管控的装置，所述装置用于执行上述第一方面或第一方面的任一可能的实现方式中的方法。具体地，所述装置可以包括用于执行第一方面或第一方面的任一可能的实现方式中的方法的模块。
第四方面，提供一种用于充电管控的装置，所述装置用于执行上述第二方面或第二方面的任一可能的实现方式中的方法。具体地，所述装置可以包括用于执行第二方面或第二方面的任一可能的实现方式中的方法的模块。
第五方面，提供一种用于充电管控的装置，所述装置包括处理器，处理器与存储器耦合，存储器用于存储计算机程序或指令，处理器用于执行存储器存储的计算机程序或指令，使得第一方面中的方法被执行。
例如，处理器用于执行存储器存储的计算机程序或指令，使得该装置执行第一方面中的方法。
可选地，该装置包括的处理器为一个或多个。
可选地，该装置中还可以包括与处理器耦合的存储器。
可选地，该装置包括的存储器可以为一个或多个。
可选地，该存储器可以与该处理器集成在一起，或者分离设置。
可选地，该装置中还可以包括收发器。
第六方面，提供一种用于充电管控的装置，所述装置包括处理器，处理器与存储器耦合，存储器用于存储计算机程序或指令，处理器用于执行存储器存储的计算机程序或指令，使得第二方面中的方法被执行。
例如，处理器用于执行存储器存储的计算机程序或指令，使得该装置执行第二方面中的方法。
可选地，该装置包括的处理器为一个或多个。
可选地，该装置中还可以包括与处理器耦合的存储器。
可选地，该装置包括的存储器可以为一个或多个。
可选地，该存储器可以与该处理器集成在一起，或者分离设置。
可选地，该装置中还可以包括收发器。
第七方面，提供一种计算机可读存储介质，其上存储有用于实现第一方面中的方法的计算机程序(也可称为指令或代码)。
例如，该计算机程序被计算机执行时，使得该计算机可以执行第一方面中的方法。
第八方面，提供一种计算机可读存储介质，其上存储有用于实现第一方面或者第二方面中的方法的计算机程序(也可称为指令或代码)。
例如，该计算机程序被计算机执行时，使得该计算机可以执行第二方面中的方法。
第九方面，本申请提供一种芯片，包括处理器。处理器用于读取并执行存储器中存储的计算机程序，以执行第一方面及其任意可能的实现方式中的方法。
可选地，所述芯片还包括存储器，存储器与处理器通过电路或电线与存储器连接。
进一步可选地，所述芯片还包括通信接口。
第十方面，本申请提供一种芯片系统，包括处理器。处理器用于读取并执行存储器中存储的计算机程序，以执行第二方面及其任意可能的实现方式中的方法。
可选地，所述芯片还包括存储器，存储器与处理器通过电路或电线与存储器连接。
进一步可选地，所述芯片还包括通信接口。
第十一方面，本申请提供一种计算机程序产品，所述计算机程序产品包括计算机程序(也可称为指令或代码)，所述计算机程序被计算机执行时使得所述计算机实现第一方面中的方法。
第十二方面，本申请提供一种计算机程序产品，所述计算机程序产品包括计算机程序(也可称为指令或代码)，所述计算机程序被计算机执行时使得所述计算机实现第二方面中的方法。
附图说明
图1是本申请实施例提供的管控策略的示意图。
图2是本申请实施例提供的系统架构示意图。
图3是本申请实施例提供的系统架构示意图。
图4是本申请实施例提供的训练基础预测模型的示意图。
图5是本申请实施例提供的训练权重模型的示意图。
图6是本申请实施例提供的用于充电管控的方法示意图。
图7是本申请实施例提供的修正权重模型的示意图。
图8是本申请实施例提供的另一修正权重模型的示意图。
图9是本申请实施例提供的另一用于充电管控的方法示意图。
图10是本申请实施例提供的获取第一基础预测模型对应的调整参数的方法示意图。
图11是本申请实施例提供的效果示意图。
图12是本申请实施例提供的管控策略示意图。
图13是本申请实施例提供的用于充电管控的装置的示意性框图。
图14是本申请实施例提供的另一用于充电管控的装置的示意性框图。
图15是本申请实施例提供的又一用于充电管控的装置的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
不同的用户在对电子设备进行充电时，会有不同的充电习惯。不同的充电习惯会影响电子设备的电池的寿命。例如，有的用户喜欢前一天晚上插入充电器开始充电直到第二天早晨拔掉充电器，这样会对电池造成被过度充电。例如，有的用户喜欢白天上班时间充电，充满就拔掉，这样不会影响电池的寿命。例如，有的用户喜欢给同一电子设备用不同功率的充电器进行充电，具体地，有的用户喜欢用小功率的充电器给需要大功率的电子设备充电，这样会使得充电时间过长，有的用户喜欢用大功率的充电器给需要小功率的电子设备充电，这样会使得电池很快达到饱和状态，如何不及时拔掉充电器，则会造成过度充电。例如，有的用户喜欢边用电子设备边充电，电池需要不停的充放电，缩短电池的使用寿命。
在上述的用户习惯中，如果电池过度被充电，则会使得电池长时间处于膨胀状态，导致电池寿命降低并且续航能力也降低，从而影响用户体验。
为了延长电池的寿命，可以针对不同的用户习惯预测充电时长，利用预测的充电时长对电子设备的充电进行管控。例如，对于过度充电来说，图1中的t3为根据用户习惯得到的预测充电时长，电子设备通过t3确定可以采用图1的管控策略：在0～t1时间段正常充电，在达到70％的充电量时，t1～t2时间段进入保护状态，不对电子设备进行充电，或者是利用很小的电流进行充电，在t2之后继续充电，直到t3达到100％，不同的管控策略t1、t2和t3的取值不同。图1的管控策略只是示例性的描述，不应该造成对本申请的任何限定。本申请实施例的利用预测的充电时长对电子设备的充电进行管控还可以是其他的管控策略，本申请实施例对此不作限定。
需要说明的是，可以利用本申请实施例提供的用于充电管控的方法对任何一个需要充电的电子设备进行管控，例如，可以对终端设的充电进行管控。
本申请实施例提到的终端设备为用户设备(user equipment，UE)、移动台(mobilestation，MS)、移动终端(mobile terminal，MT)、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置等。
终端设备可以是一种向用户提供语音/数据连通性的设备，例如，具有无线连接功能的手持式设备、车载设备等。目前，一些终端的举例为：手机(mobile phone)、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(mobile internet device，MID)、可穿戴设备，虚拟现实(virtual reality，VR)设备、增强现实(augmented reality，AR)设备、工业控制(industrial control)中的无线终端、无人驾驶(self driving)中的无线终端、远程手术(remote medical surgery)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端、智慧家庭(smart home)中的无线终端、蜂窝电话、无绳电话、会话启动协议(session initiationprotocol，SIP)电话、无线本地环路(wireless local loop，WLL)站、个人数字助理(personal digital assistant，PDA)、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、可穿戴设备，5G网络中的终端设备或者未来演进的公用陆地移动通信网络(public land mobile network，PLMN)中的终端设备等，本申请实施例对此并不限定。
作为示例而非限定，在本申请实施例中，该终端设备还可以是可穿戴设备。可穿戴设备也可以称为穿戴式智能设备，是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称，如眼镜、手套、手表、服饰及鞋等。可穿戴设备即直接穿在身上，或是整合到用户的衣服或配件的一种便携式设备。可穿戴设备不仅仅是一种硬件设备，更是通过软件支持以及数据交互、云端交互来实现强大的功能。广义穿戴式智能设备包括功能全、尺寸大、可不依赖智能手机实现完整或者部分的功能，例如：智能手表或智能眼镜等，以及只专注于某一类应用功能，需要和其它设备如智能手机配合使用，如各类进行体征监测的智能手环、智能首饰等。
此外，在本申请实施例中，终端设备还可以是物联网(internet of things，IoT)系统中的终端设备，IoT是未来信息技术发展的重要组成部分，其主要技术特点是将物品通过通信技术与网络连接，从而实现人机互连，物物互连的智能化网络。本申请的终端设备还可以是作为一个或多个部件或者单元而内置于车辆的车载模块、车载模组、车载部件、车载芯片或者车载单元，车辆通过内置的所述车载模块、车载模组、车载部件、车载芯片或者车载单元可以实施本申请的方法。因此，本申请实施例可以应用于车联网，例如车辆外联(vehicle to everything，V2X)、车间通信长期演进技术(long term evolution-vehicle，LTE-V)、车到车(vehicle-to-vehicle，V2V)等。
下面结合图2描述本申请实施例提供的系统架构示意图。如图2所示，多个电子设备在端侧充电开始，利用多次充电的充电数据进行人工智能(artificial intelligence，AI)模型预测，利用预测的数据进行电池的智能管控，也可以根据预测的充电时长和真实的充电时长对端侧模型的进行更新。此外，多个端侧得到的模型的修正参数(例如权重模型的修正参数)可以发送到云端，云端聚合之后再发送回各个端侧，各个端侧利用聚合后的修正参数修正模型。这样，多个端侧发送的修正参数没有任何的用户的信息，也能保护用户的私密性，有利于提高安全性。同时云端利用大数据拟合修正参数，能满足鲁棒性的要求。
下面结合图3描述本申请实施例的系统架构。如图3所示，在本申请实施例中，包括：确定模型，利用确定的模型得到电子设备的预测充电时长，其中，图3的预测充电时长模块可以为图2的AI模型预测模型，图3的充电管控模块可以为图2的电池智能管控模块，预测充电时长用于对电子设备的充电进行管控，也可以利用预测充电时长对模型进行修正。可选地，图3也可以不包括修正过程，其中，确定模型包括确定权重模型和多个基础预测模型。可选地，权重模型可以是预设的或者训练得到的或者云端指示的。可选地，多个基础预测模型也可以是预设的或者训练得到的或者云端指示的，本申请实施例对此不作限制。
如果上述多个基础预测模型是云端训练得到的并指示给电子设备的或者电子设备训练得到，电子设备和云端可以根据图4所示的步骤训练得到多个基础预测模型，图4所示的训练过程可以由电子设备执行或者云端执行，下面仅以训练得到一个基础预测模型(第一基础预测模型)为例描述，具体地，方法300包括：
S310，确定训练第一基础预测模型的训练样本集。
在S310之前，可以预设一个初始基础预测模型，初始基础预测模型的模型参数为预设的初始值。其中，训练样本集中的样本包括：多组充电数据、每组充电数据对应的实际充电时长以及每组充电数据输入初始基础预测模型得到的多个预测充电时长。其中，一组充电数据可以是电子设备的一条历史充电数据，将一条特定的历史充电数据的输入到初始基础预测模型可以得到一个预测充电时长，一条特定的历史充电数据条件下对应电子设备的实际充电时长。这样，训练样本集中的一个样本为一组充电数据、该组充电数据输入到初始基础预测模型中所得到的预测充电时长，以及该组充电数据对应的实际充电时长。
其中一条历史充电数据可以包括以下至少一项充电参数：用于对电子设备进行充电的充电器的类型、生产电子设备的电池的厂家、电池的标称容量、电池的电芯类型、用于对电子设备进行充电的充电线的类型、电池已经被充电的次数、电池能够充电的标称次数、电池的平均内阻、电池的最大内阻、充电器的一次历史插入时间和历史拔出时间、电池的电芯的充电截止时间、电池的电芯的一次历史起始电量和历史终止电量、在预设天数内在每天特定时间段的实际充电时长等。当然，一组充电数据可以包括其他的充电参数，本申请实施例对此不作限制。
可选地，训练样本集中的样本可以是标有正样本标签的样本。具体地，如果一组充电数据输入初始基础预测模型中输出的预测充电时长与该组充电数据下的实际充电时长的差值的绝对值小于预设值，则该样本为正样本，可以作为训练样本集中的样本。
可选地，训练样本集中的样本除了具有正样本标签的之外，训练样本集中的样本对应的预测充电时长大于预设值，这样可以避免样本为用户刚充上电就拔掉的充电习惯产生的充电数据而产生的样本，影响基础预测模型训练的准确性。
S320，判断训练样本集的中样本数量是否达到预设的训练样本数量，如果训练样本集中的样本数量达到预设的训练样本数量，则执行S330，否则执行S310继续向训练样本集中增加样本。
需要说明的是，预设的训练样本数量可以是协议规定固定的值，也可以是可变的值，本申请实施例对此不作限定。
S330，根据训练样本集中的样本训练得到第一基础预测模型。
具体地，S330，包括：可以根据样本集中的样本输入初始基础预测模型中，初始基础预测模型输出一个预测充电时长，比较实际充电时长与预测充电时长，根据比较结果反复修正初始基础预测模型的系数，当修正后的基础预测模型输出的预测充电时长与实际充电时长的精度长时间小于预设值，并持续预设的时间段，则修正后的基础预测模型为第一基础预测模型。依次类推，可以得到其他的基础预测模型。
不同的基础预测模型，可以是针对不同的充电模式应用场景，例如，有的基础预测模型针对夜晚充电模式，有的基础预测模型针对白天充电模式，有的基础预测模型针对工作日充电模式，有的基础预测模型针对休息日充电模式。不同应用场景下，基础预测模型的输入可能不同，也可能相同，本申请实施例对此不作限制。
基础预测模型可以是支持向量机(support vector machine，SVM)模型、决策树(decision tree)模型、神经网络(neural network)模型、套袋(Bagging)模型或者提升(boosting)模型。当然，权重模型还可以是其他的模型，本申请实施例对此不作限定。
如果权重模型是电子设备训练得到的或者云端训练得到的并指示给电子设备的，电子设备和云端可以根据图5所示的步骤训练得到权重模型，具体地图5所示的方法400包括：
S410，确定训练权重模型的训练样本集。
在S410之前，可以预设一个初始权重模型，初始权重模型的模型参数为预设的初始值。训练样本集中的样本包括：多组充电数据、每组充电数据对应的实际充电时长以及每组充电数据中输入到初始权重模型和多个基础预测模型得到的多个预测充电时长(具体参见方法500的描述)。其中，一组充电数据可以是电子设备的一条历史充电数据，将一条特定的历史充电数据输入到初始权重模型得到多个初始权重系数，将一条特定的历史充电数据输入到多个基础预测模型得到多个预测充电时长，利用多个初始权重系数与多个预测充电时长加权得到一个最终的预测充电时长，一条特定的历史充电数据的条件下电子设备对应一个实际充电时长。这样，训练样本集中的一个样本为一组充电数据、该组充电数据输入到初始权重模型和多个基础预测模型得到的一个最终的预测充电时长以及该组充电数据对应的实际充电时长。
其中，一条历史充电数据的描述可以参考方法300的描述。
可选地，训练样本集中的样本可以是标有正样本标签的样本。具体地，如果一组充电数据中输入到初始权重模型和多个基础预测模型得到的一个预测充电时长与该组充电数据下的实际充电时长的差值的绝对值小于预设值，则该样本为正样本，可以作为训练样本集中的样本。
可选地，训练样本集中的样本除了具有正样本标签的之外，训练样本集中的样本对应的预测充电时长大于预设值，这样可以避免样本为用户刚充上电就拔掉的充电习惯产生的充电数据而产生的样本，影响基础预测模型训练的准确性。
S420，判断训练样本集的中样本数量是否达到预设的训练样本数量，如果训练样本集中的样本数量达到预设的训练样本数量，则执行S430，否则执行S410继续向训练样本集中增加样本。
S430，根据训练样本集中的样本训练得到权重模型。
具体地，S430，包括：可以将训练样本集中的样本对应的一组充电数据输入一个初始权重模型中，初始权重模型输出多个权重系数，将该组充电数据输入方法300中训练得到的多个基础预测模型输出的多个预测充电时长，将多个权重系数与多个预测充电时长进行加权计算得到的最终预测充电时长与实际充电时长进行比较，根据比较结果反复修正初始权重模型的系数，直到多个权重系数与方法300中训练得到的基础预测模型输出的预测充电时长加权得到最终的预测充电时长与实际充电时长的精度长时间小于预设值，并持续一定的时间，则得到权重模型。
上述训练过程得到的权重模型可以为支持向量机(support vector machine，SVM)模型、决策树(decision tree)模型、神经网络(neural network)模型、套袋(Bagging)模型或者提升(boosting)模型。当然，权重模型还可以是其他的模型，本申请实施例对此不作限定。
在上述的方法300和方法400中，每组充电数据可以是预处理之前的充电数据，也可以是预处理之后的充电数据。如果每组充电数据是预处理之前的充电数据，则在S330和S430的训练模型的过程中，需要对充电数据进行预处理，预处理包括去噪声点、量化处理、归一化处理等操作中的至少一种标准化处理。当然，也可以不对充电数据进行预处理，有可能充电数据本身满足训练模型的要求，本申请实施例对此不作限制。
例如，以去噪声点为例，方法300和方法400中的训练样本集中的每组充电数据对应的预测充电时长需要大于预设时长，换句话说，训练样本集中有效的样本为用户的至少持续预设时长的充电行为，避免训练样本集中的样本为用户刚充上电就拔掉的充电习惯产生的样本，影响所训练的模型的准确性。
可选地，方法300和方法400中的训练样本集中的样本数量可以相同或者不同，本申请实施例对此不作限制。可选地方法300和方法400中的预设的训练样本数量可以相同或者不同，本申请实施例对此不作限制。可选地方法300和方法400中的训练样本集中的样本包括的充电参数可以相同或者不同，本申请实施例对此不作限制。
也需要理解的是，方法300和方法400是两个独立的实施例，方法400训练权重模型的过程所需的基础预测模型可以是根据方法300得到的，也可以是预设的多个基础预测模型，也可以是云端指示的多个基础预测模型，本申请实施例对此不作限制。
下面结合图6描述根据方法300得到的多个基础预测模型与方法400得到的权重模型描述用于充电管控的方法500，方法500包括：
S510，电子设备获取第一充电数据。
需要说明的是，第一充电数据可以是方法300和方法400中的一组充电数据。
可以分以下几种情况讨论第一充电数据。
情况一，电子设备收集了原始充电数据，原始充电数据满足S520的权重模型的输入和S530的多个基础预测模型的输入，在这种情况下，第一充电数据即为收集的原始充电数据。相应地，电子设备保存的是收集的原始充电数据。
情况二，电子设备收集了原始充电数据，原始充电数据不满足S520的权重模型的输入和S530的多个基础预测模型的输入，在这种情况下，第一充电数据为对原始充电数据进行预处理之后的充电数据。相应地，电子设备保存的是预处理之后的充电数据。
情况三，电子设备收集了原始充电数据，原始充电数据不满足S520的权重模型的输入和S530的多个基础预测模型的输入，在这种情况下，电子设备可以保存收集的原始充电数据，电子设备可以对收集的原始充电数据进行预处理，得到预处理后的充电数据即为第一充电数据。可选地，电子设备可以保存第一充电数据。换句话说，在情况三中，电子设备可以只保存收集的原始充电数据，在需要时，对收集的原始充电数据进行预处理得到第一充电数据，或者电子设备可以既保存收集的原始数据也可以保存预处理得到的第一充电数据。
在上述的情况二和情况三中，对原始充电数据的预处理包括去噪声点、量化处理、归一化处理等操作中的至少一种标准化处理。
例如，以去噪声点为例，若第一充电数据包括充电器的历史插入时间和历史拔出时间，则充电器的历史拔出时间和历史插入时间之差大于预设时长，换句话说，第一充电数据为用户的至少持续预设时长的实际充电行为产生的充电数据，避免第一充电数据为用户刚充上电就拔掉的充电习惯产生的充电数据，影响预测的准确性。
S520，电子设备将第一充电数据中的至少部分充电数据输入到多个基础预测模型中，确定每个基础预测模型对应的第一预测充电时长。
可选地，S530，包括：将第一充电数据中的至少部分充电数据输入到多个基础预测模型中，得到多个第三预测充电时长，每个基础预测模型能够输出一个第三预测充电时长，每个基础预测模型存在一个对应的调整参数，利用每个基础预测模型对应的调整参数调整每个基础预测模型输出的第三预测充电时长，从而得到第一预测充电时长。每个基础预测模型得到的第三预测充电时长可以相同或者不同。换句话说，在这个实施例中，每个基础预测模型输出的第一预测充电时长是根据调整参数调整之后的预测充电时长，这样，能够使得预测的准确性更高。
S530，电子设备将第一充电数据中的至少部分充电数据输入到权重模型中，得到多个权重系数。
可选地，多个权重系数中至少存在两个权重系数相同，或者多个权重系数中至少存在两个权重系数不同。
具体地，方法900中会描述如何得到多个基础预测模型中的对应的调整参数，为了避免赘述，在此不详细描述。
需要说明的是，S530中输入权重模型的至少部分充电数据与S230中输入多个基础预测模型的至少部分充电数据可以相同或者不同，本申请实施例对此不作限制。
也需要说明的是，S520中输入每个基础预测模型中的至少部分充电数据可以相同或者不同，本申请实施例对此不作限制。
可以理解的是，S520和S530的顺序没有任何限制，S520可以在S530之前或者之后或者同时进行，本申请实施例不予限制。
S540，电子设备根据所述多个权重系数和所述每个基础预测模型对应的第一预测充电时长确定第二预测充电时长，第二预测充电时长用于对电子设备的充电进行管控。
示例性地，第二预测充电时长可以是图1所示的t3-0，这样电子设备可以根据如图1所示的管控策略进行管控。
具体地，S540包括：将多个权重系数分别与每个基础预测模型对应的第一预测充电时长进行加权计算，得到第二预测充电时长。示例性地，S530输出的L个权重系数分别为ω1，ω2，...，ωL,S520中L个基础预测模型输出的L个第一预测充电时长分别为K1，K2，...，KL，则第二预测充电时长为ω1K1+ω2K2+...+ωLKL，其中L为预设值。
在本申请实施例的预测充电时长的过程，电子设备根据权重模型得到多个权重系数。电子设备根据多个基础预测模型得到每个基础预测模型对应的第一预测充电时长，并根据多个权重系数和每个基础预测模型对应的第一预测充电时长确定第二预测时长，电子设备根据第二预测充电时长对电子设备的充电进行管控，从而可以延长电池的寿命并提高电池的续航能力，有助于提高用户体验。
可选地，上述方法500中的权重模型可以是预设的，例如，在电子设备出厂时电子设备的处理器中可以预设有权重模型。可选地，上述方法500中的权重模型可以是根据方法400训练得到。不管上述的权重模型是电子设备训练得到的还是预设的，在预测充电时长的过程中，都可以对权重模型进行修正。具体地，可以执行多次方法500，将多组充电数据中的至少部分数据输入方法300得到的多个基础预测模型和方法400得到的权重模型，输出多个第二预测充电时长，这样会产生多个样本，每个样本包括一组充电数据、该组充电数据对应的第二预测充电时长以及该组充电对应的实际充电时长，下面分两种情况描述修正权重模型的过程。
情况一，电子设备根据第一样本集中的样本修正权重模型。如图7所示，情况一具体包括：
S610，电子设备在方法500输出的多个样本中确定合格的样本。
具体地，一个样本中的第一实际充电时长与第二预测充电时长的差值的绝对值小于时长预设值，例如，时长预设值为60min，则该样本为合格的样本，也称为正样本，否则为不合格的样本，也称为负样本。
可选地，合格的样本除了需要满足第一实际充电时长与第二预测充电时长的差值的绝对值小于时长预设值之外，合格的样本的第二预测充电时长需要大于预设时长，换句话说，合格的样本为用户的至少持续预设时长的实际充电行为，避免有的样本为用户刚充上电就拔掉的充电习惯产生的，影响修正权重模型的准确性。
S620，电子设备确定样本当前权重模型下的第一合格率是否大于或等于第一合格率预设值，例如第一合格率预设值为95％，如果大于或等于第一合格率预设值则执行S630，否则执行到S640。
其中，第一合格率为合格的样本数量/总样本数量。
可以理解的是，S620中，确定样本的合格率是否达到第一合格率预设值可以替换为确定样本的不合格率是都达到不合格率预设值，例如不合格率预设值为5％，如果达到不合格率预设值在S640，如果没有达到不合格率预设值，则执行S630。
S630，电子设备不修正权重模型。
S640，电子设备确定正样本的数量是否大于第一样本数量预设值，例如第一样本数量预设值为500，如果大于第一样本数量预设值则执行S640，如果没有小于或等于第一样本数量预设值则返回S610，可以通过方法500继续向S610输入样本。
S650，电子设备利用合格的样本中的部分样本训练权重模型的第一修正参数，利用第一修正参数修正权重模型，得到修正后的权重模型。
示例性地，合格的样本数量为500个，则可以利用300个合格的样本训练权重模型的第一修正参数。
具体地，S650包括：可以将合格的样本中的每组充电数据执行方法500的过程，得到每组充电数据对应的第二预测充电时长和每组充电数据下的实际充电时长，比较第二预测充电时长和实际充电时长，根据比较结果反复确定权重模型的第一修正参数。
进一步地，电子设备利用合格的样本中的部分样本训练权重模型的第一修正参数时，可以将每组充电数据下的实际充电时长与每个基础预测模型输出的第一预测充电时长进行比较，使得第一修正参数修正权重模型后输出的多个权重系数中基础预测模型输出的第一预测充电时长中与实际充电时长越接近相应的基础预测模型的权重系数越高。举例来说，充电数据1下的实际充电时长为10小时，基础预测模型1输出的第一预测充电时长为9.5小时，基础预测模型2输出的第一预测充电时长为12小时，则第一修正参数修正权重模型后，权重模型输出的与基础预测模型1相乘的权重系数比与基础预测模型2相乘的权重系数为高，例如与基础预测模型1相乘的权重系数为0.8，与基础预测模型2相乘的权重系数为0.2。
S660，电子设备利用合格的样本中的剩余合格的样本测试修正后的权重模型的产生的样本的合格率，然后根据S620判断合格率。如果合格率满足合格率的预设值，则权重模型稳定，可以将方法500中的权重模型修正为根据图6得到的权重模型。
例如，合格的样本数量为500个，可以利用300个合格的样本训练权重模型的第一修正参数，利用剩余的200个合格的样本测试根据第一修正参数修正后的权重模型的稳定性。
上述图7的修正权重模型的方法，当不满足第一合格率的时，电子设备可以确定用于修正第一权重模型的第一修正参数，从而能够保证权重模型的准确性。
情况二，电子设备根据第一样本集中的样本得到第一修正参数，并将第一修正参数发送给云端，云端根据多个电子设备的第一修正参数拟合第二修正参数。具体步骤如图8所示。
S710-S750，同S610-S650。
多个电子设备中的每个电子设备执行完S710-S750之后，将每个电子设备得到的第一修正参数发送给云端。
S760，云端会接收到多个电子设备发送的多个第一修正参数，多个第一修正参数中的至少存在部分第一修正参数可以相同或者不同，远端根据多个电子设备发送的第一修正参数拟合生成第二修正参数，并将拟合生成的第二修正参数发送给电子设备。
S770，电子设备根据第二修正参数修正权重模型，得到修正后的权重模型。
S780，电子设备利用正样本中的剩余正样本测试修正后的权重模型的产生的样本的合格率，然后根据S720判断合格率。如果合格率满足合格率的预设值，则权重模型稳定，可选地，可以将方法500中的权重模型修正为根据图7得到的权重模型。
上述通过图8的修正权重模型的方法，可以简化电子设备修正模型的复杂度，每个电子设备将自身得到的第一修正参数发送给云端，第一修正参数为权重模型的修正参数，没有任何的电子设备的用户的信息，也能保护用户的私密性，有利于提高安全性。同时云端利用大数据确定的第二修正参数，能满足鲁棒性的要求。
需要说明的是，图7和图8修正权重模型的方法中，不同的权重模型对应的第一修正参数不同，第一修正参数或第二修正参数用于调整权重模型的模型参数。
上述图4为训练多个基础预测模型的过程，图5为训练权重模型的过程，图6利用图4和图5训练的模型预测充电时长的过程，图7和图8为修正图5训练的权重模型的过程。类似地，也可以对图4得到的多个基础预测模型输出的预测时长进行修正，下面结合图9描述对多个基础预测模输出的预测时长进行修正的过程，图9可以是一个独立的实施例，也可以是结合前述方法的实施例，本申请实施例对此不作限定。
图9示出了本申请实施例的用于充电管控的方法800，包括：
S810，电子设备获取第一充电数据。
其中，第一充电数据可以为前述方法500的第一充电数据包括的充电参数，方法800中第一充电数据包括的充电参数的取值可以与方法500中的第一充电数据包括的充电参数的取值相同或者不同，为了避免赘述，在此不详细描述。
S820，电子设备将第一充电数据中的至少部分充电数据输入第一基础预测模型中，得到第三预测充电时长。
可选地，第一基础预测模型可以是预设的保存在电子设备中的，或者为云端根据方法300训练好指示给电子设备的，或者为电子设备自身根据方法300训练好的，本申请实施例对此不作限定。
S830，电子设备根据所述第一基础预测模型对应的调整参数调整第三预测充电时长，得到第一预测充电时长。
在一种可能的实现方式中，方法800是一个独立的实施例，则可以利用方法800得到的第一预测充电时长对电子设备的充电进行管控，由于第一基础预测模型输出的第三预测充电时长可能与实际充电时长相差较大，因此可以利用第一基础预测模型对应的调整参数调整第三预测充电时长，利用调整后的第一预测充电时长对电子设备的充电进行管控，从而可以提高预测的准确性。在这种情况下，方法800中的第一充电数据可以与前述实施例中的第一充电数据相同或不同，同样地，方法800第一预测充电时长可以与前述实施例中的第一预测充电时长相同或不同，本申请实施例不予限制。
在另一种可能的实现方式中，方法800与方法500的实施例可以结合，可以利用方法800得到第一基础预测模型输出的一个第一预测充电时长，可以通过方法800输出多个基础预测模型每个基础预测模型对应的一个第一预测充电时长，然后作为方法500中的S530的第一预测充电时长。
不管在上述的哪种实现方式下，电子设备都需要获取多个基础预测模型中每个基础预测模型的调整参数，下面具体结合图10描述如何获取第一基础预测模型对应的调整参数，图10仅以获取第一基础预测模型对应的调整参数为例描述，其他的基础预测模型对应的调整参数与获取第一基础预测模型对应的调整参数类似，为了避免赘述，本申请实施例对比不小一一列举。
电子设备获取第二充电数据和第二充电数据下对应的实际充电时长，电子设备将第二充电数据输入到第一基础预测模型中，输出第四预测充电时长，其中，第一基础预测模型可以是根据方法300训练得到的。电子设备将第二充电数据、第四预测充电时长以及第二实际充电时长作为一个样本添加到第二样本集，以此类推确定第二样本集中的样本。
S910，电子设备确定第二样本集中的合格的样本。
具体地，一个样本中的第二实际充电时长与第四预测充电时长的差值的绝对值小于时长预设值，例如，时长预设值为60min，则该样本为合格的样本，也称为正样本，否则为不合格的样本，也称为负样本。
可选地，合格的样本除了需要满足第二实际充电时长与第四预测充电时长的差值的绝对值小于时长预设值之外，合格的样本的第四预测充电时长需要大于预设值，换句话说，合格的样本为用户的至少持续预设时长的实际充电行为，避免有的样本为用户刚充上电就拔掉的充电习惯产生的，影响准确性。
S920，电子设备确定样本的第二合格率是否大于或等于第二合格率预设值，如果第二合格率大于或等于第二合格率预设值，则执行S930，否则执行S940。
其中，第二合格率为合格的样本数量/总样本数量。
可以理解的是，S920中，确定样本的合格率是否达到第二合格率预设值可以替换为确定样本的不合格率是否达到不合格率预设值，例如不合格率预设值为5％，如果达到不合格率预设值在S940，如果没有达到不合格率预设值，则到S930。
S930，电子设备不更新第一基础预测模型对应的调整参数。
可以理解的是初始的调整参数可以是预设的值，或者根据历史经验数据得到的值，本申请实施例不予限制。
S940，电子设备确定合格的样本数量是否大于第二样本数量预设值，若大于，则执行S950，否则执行S910，确定是否有新的合格的样本。
S950，电子设备利用部分合格的样本训练第一基础预测模型的调整参数。
在一种可能的实现方式中，如果部分合格的样本中的第二实际充电时长和第四预测充电时长满足线性关系，则利用部分合格的样本进行线性拟合得到线性关系的回归系数和常数即为第一基础预测模型的调整参数。
例如，第二实际充电时长为y，第四预测充电时长为x，若x和y满足y＝kx+b，则S950得到的回归系数k的取值，常数b的取值。
在另一种可能的实现方式中，如果部分合格的样本中的第二实际充电时长和第四预测充电时长满足非线性关系，则利用部分合格的样本进行非线性训练，得到非线性关系的系数即为第一基础预测模型的调整参数。
S960，电子设备更新第一基础预测模型的调整参数。
S970，电子设备利用剩余部分合格样本测试更新后的调整参数的稳定性。
示例性地，如果部分合格的样本中的第二实际充电时长和第四预测充电时长满足线性关系，具体地，第二实际充电时长为y，第四预测充电时长为x，若x和y满足y＝kx+b，则上述k，b满足试验阈值[0<k<M且b2<N]后，表示调整参数k，b稳定，其中M和N为预设的值。
本申请实施例提供的用于充电管控的方法，可以利用多个权重系数和每个基础预测模型对应的第一预测充电时长确定第二预测充电时长，如图11所示，示出了某一电子设备的n(n为正整数)次的实际充电时长和每次预测的第二预测充电时长的对比示意图，可以看出，本申请实施例提供的预测充电时长接近电子设备真实充电时长。如图12所示，当电子设备充电开始时间为晚上22:00，如果不针对该电子设备的电池的充电进行管控，图12的上面一列示意图中，当在23:00时，电子设备的电池将要充满，在00:00点电池进入膨胀状态，直到第二天早晨08:00点充电结束。这样会减少电池的使用寿命。在图12的下面一列示意图中，通过本申请实施例预测得到电子设备的充电时长为10小时或者接近10小时之后，当电池时间到23:00时，可以对电池进行充电管控，23:00～06:00时间段进入保护状态，不对电子设备进行充电，在06:00之后继续充电，直到08:00达到100％，从而降低电池处于膨胀状态的时间，有利于提高电池的使用寿命。
需要说明的是，在本申请实施例中，“大于”可以替换为“大于或等于”，“小于或等于”可以替换为“小于”，或者，“大于或等于”可以替换为“大于”，“小于”可以替换为“小于或等于”。例如，大于A执行步骤x，小于或等于A执行步骤y，可以替换为：大于或等于A执行步骤x，小于A执行步骤y，换句话说，在等于A时，可以执行步骤x也可以执行步骤y，本申请实施例不予限制。
本文中描述的各个实施例可以为独立的方案，也可以根据内在逻辑进行组合，这些方案都落入本申请的保护范围中。
可以理解的是，上述各个方法实施例中由电子设备实现的方法和操作，也可以由可用于电子设备的部件(例如芯片或者电路)实现。
上文描述了本申请提供的方法实施例，下文将描述本申请提供的装置实施例。应理解，装置实施例的描述与方法实施例的描述相互对应，因此，未详细描述的内容可以参见上文方法实施例，为了简洁，这里不再赘述。
本领域技术人员应该可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的保护范围。
本申请实施例可以根据上述方法示例，对电子设备进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有其它可行的划分方式。下面以采用对应各个功能划分各个功能模块为例进行说明。
图13为本申请实施例提供的用于充电管控的装置1000的示意性框图。该装置1000包括获取单元1010和处理单元1020。获取单元1010可以与外部进行通信。获取单元1010还可以称为通信接口或通信单元，获取单元1010用于执行上文图6-图8或者图10的实施例中电子设备侧的获取或收发相关的操作。处理单元1020用于进行数据处理，处理单元1020用于执行上文图6-图8或者图10的实施例中电子设备侧的处理相关的操作。
获取单元1010，用于获取第一充电数据；
处理单元1020，用于将所述第一充电数据中的至少部分充电数据输入到多个基础预测模型中，确定每个基础预测模型对应的第一预测充电时长；
所述处理单元1020还用于将所述第一充电数据中的至少部分充电数据输入到权重模型中，得到多个权重系数；
所述处理单元1020还用于根据所述多个权重系数和所述每个基础预测模型对应的第一预测充电时长确定第二预测充电时长，所述第二预测充电时长用于对电子设备的充电进行管控。
作为一个可选实施例，所述获取单元1010还用于：获取所述第一充电数据对应的所述电子设备的第一实际充电时长；
所述处理单元1020还用于：
将所述第一充电数据、所述第一实际充电时长和所述第二预测充电时长作为样本添加到第一样本集；
根据所述第一样本集中的样本更新所述权重模型。
作为一个可选实施例，所述处理单元1020具体用于：
确定所述第一样本集中的样本的第一合格率；
若所述第一合格率小于第一合格率预设值，确定所述第一样本集中的合格的样本的数量；
若所述第一样本集中的合格的样本的数量大于第一样本数量预设值，根据所述合格的样本中部分样本修正所述权重模型。
作为一个可选实施例，所述处理单元1020具体用于：
根据所述部分样本训练得到第一修正参数，根据所述第一修正参数修正所述权重模型，得到修正后的权重模型；或者包括：
根据所述部分样本训练得到所述第一修正参数；
所述装置1000还包括：
收发单元，用于将所述第一修正参数发送给云端，并且接收云端根据所述第一修正参数确定的第二修正参数；
所述处理单元1020还用于根据所述第二修正参数修正所述权重模型，得到修正后的权重模型。
作为一个可选实施例，所述处理单元1020还用于：根据所述合格的样本中的剩余部分样本测试所述修正后的权重模型的稳定性。
作为一个可选实施例，所述处理单元1020具体用于：将所述第一充电数据中的至少部分充电数据输入到所述多个基础预测模型中，得到每个基础预测模型对应的第三预测充电时长；
利用所述每个基础预测模型的调整参数调整所述每个基础预测模型对应的第三预测充电时长，得到所述每个基础预测模型对应第一预测充电时长。
作为一个可选实施例，所述获取单元1010还用于：获取所述电子设备的第二充电数据和所述第二充电数据对应的第二实际充电时长；
所述处理单元1020还用于：
将所述第二充电数据输入到所述多个基础预测模型的第一基础预测模型中，得到第四预测充电时长；
将所述第四预测充电时长、所述第二充电数据和所述第二实际充电时长作为样本添加到第二样本集；
根据所述第二样本集中的样本确定所述第一基础预测模型对应的调整参数。
作为一个可选实施例，所述处理单元1020具体用于：
确定所述第二样本集中的样本的第二合格率；
若所述第二合格率小于第二合格率预设值，确定所述第二样本集中的合格的样本的数量；
若所述第二样本集中的合格的样本数量大于第二样本数量预设值，根据合格的样本确定所述第一基础预测模型对应的调整参数。
作为一个可选实施例，若所述第二样本集中合格的样本对应的实际充电时长和预测充电时长满足线性关系，所述第一基础预测模型对应的调整参数为所述线性关系的回归系数和常数。
作为一个可选实施例，所述第一充电数据和第二充电数据包括以下至少一项：用于对所述电子设备进行充电的充电器的类型、生产所述电子设备的电池的厂家、所述电池的标称容量、所述电池的电芯类型、用于对所述电子设备进行充电的充电线的类型、所述电池已经被充电的循环次数、所述电池能够充电的标称循环次数、所述电池的平均内阻、所述电池的最大内阻、所述充电器的历史插入时间和历史拔出时间、所述电池的电芯的充电截止时间、所述电池的电芯的起始电量和终止电量、在预设天数内每天的预设时间段的实际充电时长。
图14为本申请实施例提供的另一用于充电管控的装置1100的示意性框图。该装置1100包括获取单元1110和处理单元1120。获取单元1110可以与外部进行通信。获取单元1110还可以称为通信接口或通信单元，获取单元1110用于执行上文图9或者图10的实施例中电子设备侧的获取或收发相关的操作。处理单元1120用于进行数据处理，处理单元1120用于执行上文图9或者图10的实施例中电子设备侧的处理相关的操作。
其中，获取单元1110用于获取第一充电数据。处理单元1120用于：将所述第一充电数据中的至少部分充电数据输入第一基础预测模型中，得到第三预测时长；根据所述第一基础预测对应的调整参数调整所述第三预测充电时长，得到第一预测充电时长，所述第一预测充电时长用于对电子设备的充电进行管控。
作为一个可选实施例，所述获取单元1110还用于：获取所述装置的第二充电数据和所述第二充电数据对应的第二实际充电时长。所述处理单元1120还用于：将所述第二充电数据输入到所述第一基础预测模型中，得到第四预测充电时长；将所述第四预测充电时长、所述第二充电数据和所述第二实际充电时长作为样本添加到第二样本集；根据所述第二样本集中的样本确定所述第一基础预测模型对应的调整参数。
作为一个可选实施例，所述处理单元1120具体用于：
确定所述第二样本集中的样本的第二合格率；
若所述第二合格率小于第二合格率预设值，确定所述第二样本集中的合格的样本的数量；
若所述第二样本集中的合格的样本数量大于第二样本数量预设值，根据合格的样本确定所述第一基础预测模型对应的调整参数。
作为一个可选实施例，若所述第二样本集中合格的样本对应的实际充电时长和预测充电时长满足线性关系，所述第一基础预测模型对应的调整参数为所述线性关系的回归系数和常数。
作为一个可选实施例，所述第一充电数据和第二充电数据包括以下至少一项：用于对所述装置进行充电的充电器的类型、生产所述装置的电池的厂家、所述电池的标称容量、所述电池的电芯类型、用于对所述装置进行充电的充电线的类型、所述电池已经被充电的循环次数、所述电池能够充电的标称循环次数、所述电池的平均内阻、所述电池的最大内阻、所述充电器的历史插入时间和历史拔出时间、所述电池的电芯的充电截止时间、所述电池的电芯的起始电量和终止电量、在预设天数内每天的预设时间段的实际充电时长。
图15是本申请实施例提供的用于充电管控的装置1200的结构性示意性图。所述通信装置1200包括：处理器1210、存储器1220、通信接口1230、总线1240。
在一种可能的实现方式中，图15所示的装置1200中的处理器1210可以对应于图13中的装置1000中的处理单元1020。图15所示的装置1200中的通信接口1230可以对应于图13中的装置1000中的获取单元1010。
在一种可能的实现方式中，图15所示的装置1200中的处理器1210可以对应于图14中的装置1100中的处理单元1120。图15所示的装置1200中的通信接口1230可以对应于图14中的装置1100中的获取单元1110。
其中，该处理器1210可以与存储器1220连接。该存储器1220可以用于存储该程序代码和数据。因此，该存储器1220可以是处理器1210内部的存储单元，也可以是与处理器1210独立的外部存储单元，还可以是包括处理器1210内部的存储单元和与处理器1210独立的外部存储单元的部件。
可选的，装置1200还可以包括总线1240。其中，存储器1220、通信接口1230可以通过总线1240与处理器1210连接。总线1240可以是外设部件互连标准(peripheralcomponent interconnect，PCI)总线或扩展工业标准结构(extended industry standardarchitecture，EISA)总线等。所述总线1240可以分为地址总线、数据总线、控制总线等。为便于表示，图15中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。
应理解，在本申请实施例中，该处理器1210可以采用中央处理单元(centralprocessing unit，CPU)。该处理器还可以是其它通用处理器、数字信号处理器(digitalsignal processor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(field programmable gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。或者该处理器1210采用一个或多个集成电路，用于执行相关程序，以实现本申请实施例所提供的技术方案。
该存储器1220可以包括只读存储器和随机存取存储器，并向处理器810提供指令和数据。处理器810的一部分还可以包括非易失性随机存取存储器。例如，处理器810还可以存储设备类型的信息。
在装置1200运行时，所述处理器1210执行所述存储器1220中的计算机执行指令以通过所述装置1200执行上述方法的操作步骤。
应理解，根据本申请实施例的装置1200可对应于本申请实施例中的装置1000和装置1100，并且装置1000和装置1100中的各个单元的上述和其它操作和/或功能分别为了实现方法的相应流程，为了简洁，在此不再赘述。
可选地，在一些实施例中，本申请实施例还提供了一种计算机可读介质，所述计算机可读介质存储有程序代码，当所述计算机程序代码在计算机上运行时，使得计算机执行上述各方面中的方法。
可选地，在一些实施例中，本申请实施例还提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序代码，当所述计算机程序代码在计算机上运行时，使得计算机执行上述各方面中的方法。
在本申请实施例中，终端设备或网络设备包括硬件层、运行在硬件层之上的操作系统层，以及运行在操作系统层上的应用层。其中，硬件层可以包括中央处理器(centralprocessing unit，CPU)、内存管理单元(memory management unit，MMU)和内存(也称为主存)等硬件。操作系统层的操作系统可以是任意一种或多种通过进程(process)实现业务处理的计算机操作系统，例如，Linux操作系统、Unix操作系统、Android操作系统、iOS操作系统或windows操作系统等。应用层可以包含浏览器、通讯录、文字处理软件、即时通信软件等应用。
本申请实施例并未对本申请实施例提供的方法的执行主体的具体结构进行特别限定，只要能够通过运行记录有本申请实施例提供的方法的代码的程序，以根据本申请实施例提供的方法进行通信即可。例如，本申请实施例提供的方法的执行主体可以是终端设备或网络设备，或者，是终端设备或网络设备中能够调用程序并执行程序的功能模块。
本申请的各个方面或特征可以实现成方法、装置或使用标准编程和/或工程技术的制品。本文中使用的术语“制品”可以涵盖可从任何计算机可读器件、载体或介质访问的计算机程序。例如，计算机可读介质可以包括但不限于：磁存储器件(例如，硬盘、软盘或磁带等)，光盘(例如，压缩盘(compact disc，CD)、数字通用盘(digital versatile disc，DVD)等)，智能卡和闪存器件(例如，可擦写可编程只读存储器(erasable programmableread-only memory，EPROM)、卡、棒或钥匙驱动器等)。
本文描述的各种存储介质可代表用于存储信息的一个或多个设备和/或其它机器可读介质。术语“机器可读介质”可以包括但不限于：无线信道和能够存储、包含和/或承载指令和/或数据的各种其它介质。
应理解，本申请实施例中提及的处理器可以是中央处理单元(centralprocessing unit，CPU)，还可以是其他通用处理器、数字信号处理器(digital signalprocessor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解，本申请实施例中提及的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory，RAM)。例如，RAM可以用作外部高速缓存。作为示例而非限定，RAM可以包括如下多种形式：静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(dynamic RAM，DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(doubledata rate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，DR RAM)。
需要说明的是，当处理器为通用处理器、DSP、ASIC、FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件时，存储器(存储模块)可以集成在处理器中。
还需要说明的是，本文描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的保护范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。此外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上，或者说对现有技术做出贡献的部分，或者该技术方案的部分，可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，该计算机软件产品包括若干指令，该指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。前述的存储介质可以包括但不限于：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (22)

1.一种用于充电管控的方法，其特征在于，包括：
获取第一充电数据；
将所述第一充电数据中的至少部分充电数据输入到多个基础预测模型中，确定每个基础预测模型对应的第一预测充电时长；
将所述第一充电数据中的至少部分充电数据输入到权重模型中，得到多个权重系数；
根据所述多个权重系数和所述每个基础预测模型对应的第一预测充电时长确定第二预测充电时长，所述第二预测充电时长用于对电子设备的充电进行管控。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述第一充电数据对应的所述电子设备的第一实际充电时长；
将所述第一充电数据、所述第一实际充电时长和所述第二预测充电时长作为样本添加到第一样本集；
根据所述第一样本集中的样本更新所述权重模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一样本集中的样本更新所述权重模型，包括：
确定所述第一样本集中的样本的第一合格率；
若所述第一合格率小于第一合格率预设值，确定所述第一样本集中的合格的样本的数量；
若所述第一样本集中的合格的样本的数量大于第一样本数量预设值，根据所述合格的样本中部分样本修正所述权重模型。
4.根据权利要求3所述的方法，其特征在于，所述根据所述合格的样本中的部分样本修正所述权重模型，包括：
根据所述部分样本训练得到第一修正参数，根据所述第一修正参数修正所述权重模型，得到修正后的权重模型；或者包括：
根据所述部分样本训练得到所述第一修正参数，并将所述第一修正参数发送给云端；
接收云端根据所述第一修正参数确定的第二修正参数；
根据所述第二修正参数修正所述权重模型，得到修正后的权重模型。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
根据所述合格的样本中的剩余部分样本测试所述修正后的权重模型的稳定性。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述将所述第一充电数据中的至少部分充电数据输入到多个基础预测模型中，得到每个基础预测模型对应的第一预测充电时长，包括：
将所述第一充电数据中的至少部分充电数据输入到所述多个基础预测模型中，得到每个基础预测模型对应的第三预测充电时长；
利用所述每个基础预测模型的调整参数调整所述每个基础预测模型对应的第三预测充电时长，得到所述每个基础预测模型对应第一预测充电时长。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
获取所述电子设备的第二充电数据和所述第二充电数据对应的第二实际充电时长；
将所述第二充电数据输入到所述多个基础预测模型的第一基础预测模型中，得到第四预测充电时长；
将所述第四预测充电时长、所述第二充电数据和所述第二实际充电时长作为样本添加到第二样本集；
根据所述第二样本集中的样本确定所述第一基础预测模型对应的调整参数。
8.根据权利要求7所述的方法，其特征在于，所述根据所述第二样本集中的样本确定所述第一基础预测模型对应的调整参数，包括：
确定所述第二样本集中的样本的第二合格率；
若所述第二合格率小于第二合格率预设值，确定所述第二样本集中的合格的样本的数量；
若所述第二样本集中的合格的样本数量大于第二样本数量预设值，根据合格的样本确定所述第一基础预测模型对应的调整参数。
9.根据权利要求8所述的方法，其特征在于，若所述第二样本集中合格的样本对应的实际充电时长和预测充电时长满足线性关系，所述第一基础预测模型对应的调整参数为所述线性关系的回归系数和常数。
10.根据权利要求1至9中任一项所述的方法，其特征在于，所述第一充电数据和第二充电数据包括以下至少一项：
用于对所述电子设备进行充电的充电器的类型、生产所述电子设备的电池的厂家、所述电池的标称容量、所述电池的电芯类型、用于对所述电子设备进行充电的充电线的类型、所述电池已经被充电的循环次数、所述电池能够充电的标称循环次数、所述电池的平均内阻、所述电池的最大内阻、所述充电器的历史插入时间和历史拔出时间、所述电池的电芯的充电截止时间、所述电池的电芯的起始电量和终止电量、在预设天数内每天的预设时间段的实际充电时长。
11.一种用于充电管控的装置，其特征在于，包括：
获取单元，用于获取第一充电数据；
处理单元，用于将所述第一充电数据中的至少部分充电数据输入到多个基础预测模型中，确定每个基础预测模型对应的第一预测充电时长；
所述处理单元还用于将所述第一充电数据中的至少部分充电数据输入到权重模型中，得到多个权重系数；
所述处理单元还用于根据所述多个权重系数和所述每个基础预测模型对应的第一预测充电时长确定第二预测充电时长，所述第二预测充电时长用于对所述装置的充电进行管控。
12.根据权利要求11所述的装置，其特征在于，所述获取单元还用于：
获取所述第一充电数据对应的所述装置的第一实际充电时长；
所述处理单元还用于：
将所述第一充电数据、所述第一实际充电时长和所述第二预测充电时长作为样本添加到第一样本集；
根据所述第一样本集中的样本更新所述权重模型。
13.根据权利要求12所述的装置，其特征在于，所述处理单元具体用于：
确定所述第一样本集中的样本的第一合格率；
若所述第一合格率小于第一合格率预设值，确定所述第一样本集中的合格的样本的数量；
若所述第一样本集中的合格的样本的数量大于第一样本数量预设值，根据所述合格的样本中部分样本修正所述权重模型。
14.根据权利要求13所述的装置，其特征在于，所述处理单元具体用于：
根据所述部分样本训练得到第一修正参数，根据所述第一修正参数修正所述权重模型，得到修正后的权重模型；或者包括：
根据所述部分样本训练得到所述第一修正参数；
所述装置还包括：
收发单元，用于将所述第一修正参数发送给云端，并且接收云端根据所述第一修正参数确定的第二修正参数；
所述处理单元还用于根据所述第二修正参数修正所述权重模型，得到修正后的权重模型。
15.根据权利要求14所述的装置，其特征在于，所述处理单元还用于：
根据所述合格的样本中的剩余部分样本测试所述修正后的权重模型的稳定性。
16.根据权利要求11至15中任一项所述的装置，其特征在于，所述处理单元具体用于：
将所述第一充电数据中的至少部分充电数据输入到所述多个基础预测模型中，得到每个基础预测模型对应的第三预测充电时长；
利用所述每个基础预测模型的调整参数调整所述每个基础预测模型对应的第三预测充电时长，得到所述每个基础预测模型对应第一预测充电时长。
17.根据权利要求16所述的装置，其特征在于，所述获取单元还用于：
获取所述装置的第二充电数据和所述第二充电数据对应的第二实际充电时长；
所述处理单元还用于：
将所述第二充电数据输入到所述多个基础预测模型的第一基础预测模型中，得到第四预测充电时长；
将所述第四预测充电时长、所述第二充电数据和所述第二实际充电时长作为样本添加到第二样本集；
根据所述第二样本集中的样本确定所述第一基础预测模型对应的调整参数。
18.根据权利要求17所述的装置，其特征在于，所述处理单元具体用于：
确定所述第二样本集中的样本的第二合格率；
若所述第二合格率小于第二合格率预设值，确定所述第二样本集中的合格的样本的数量；
若所述第二样本集中的合格的样本数量大于第二样本数量预设值，根据合格的样本确定所述第一基础预测模型对应的调整参数。
19.根据权利要求18所述的装置，其特征在于，若所述第二样本集中合格的样本对应的实际充电时长和预测充电时长满足线性关系，所述第一基础预测模型对应的调整参数为所述线性关系的回归系数和常数。
20.根据权利要求11至19中任一项所述的装置，其特征在于，所述第一充电数据和第二充电数据包括以下至少一项：
用于对所述装置进行充电的充电器的类型、生产所述装置的电池的厂家、所述电池的标称容量、所述电池的电芯类型、用于对所述装置进行充电的充电线的类型、所述电池已经被充电的循环次数、所述电池能够充电的标称循环次数、所述电池的平均内阻、所述电池的最大内阻、所述充电器的历史插入时间和历史拔出时间、所述电池的电芯的充电截止时间、所述电池的电芯的起始电量和终止电量、在预设天数内每天的预设时间段的实际充电时长。
21.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被运行时，实现如权利要求1至10中任一项所述的方法。
22.一种芯片，包括处理器，所述处理器与存储器相连，所述存储器用于存储计算机程序，所述处理器用于执行所述存储器中存储的计算机程序，以使得所述芯片执行如权利要求1至10中任一项所述的方法。
CN202011463325.5A 2020-04-30 2020-12-10 用于充电管控的方法和装置 Active CN113595164B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/CN2021/080028 WO2021218423A1 (zh) 2020-04-30 2021-03-10 用于充电管控的方法和装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2020103616580 2020-04-30
CN202010361658.0A CN111564877A (zh) 2020-04-30 2020-04-30 用于充电管控的方法和装置

Publications (2)

Publication Number Publication Date
CN113595164A true CN113595164A (zh) 2021-11-02
CN113595164B CN113595164B (zh) 2023-05-16

Family

ID=72071708

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202010361658.0A Withdrawn CN111564877A (zh) 2020-04-30 2020-04-30 用于充电管控的方法和装置
CN202011463325.5A Active CN113595164B (zh) 2020-04-30 2020-12-10 用于充电管控的方法和装置

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202010361658.0A Withdrawn CN111564877A (zh) 2020-04-30 2020-04-30 用于充电管控的方法和装置

Country Status (2)

Country Link
CN (2) CN111564877A (zh)
WO (1) WO2021218423A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111564877A (zh) * 2020-04-30 2020-08-21 华为技术有限公司 用于充电管控的方法和装置
CN116224091B (zh) * 2022-12-01 2024-02-02 伏瓦科技(苏州)有限公司 电池的电芯故障检测方法、装置、电子设备及存储介质
CN118316158B (zh) * 2024-04-10 2024-09-24 中国科学院空间应用工程与技术中心 一种空间科学实验系统的锂电池在轨充电控制和管理方法
CN118539565A (zh) * 2024-07-18 2024-08-23 深圳安培时代数字能源科技有限公司 电池充电管理方法、装置、电子设备及存储介质

Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000287378A (ja) * 1999-03-29 2000-10-13 Sony Corp 充電装置、充電方法および電子機器
JP2006238598A (ja) * 2005-02-24 2006-09-07 Seiko Epson Corp 充電時間算出装置
JP2012151946A (ja) * 2011-01-17 2012-08-09 Alpine Electronics Inc 充電装置
WO2013115244A1 (ja) * 2012-02-01 2013-08-08 日本電気株式会社 充電時間予測装置、充電時間予測方法、及びプログラム
US20130231894A1 (en) * 2012-03-01 2013-09-05 Nokia Corporation Method and apparatus for providing battery information
CN104584376A (zh) * 2012-08-30 2015-04-29 德克萨斯仪器股份有限公司 针对预定义充电持续时间在积分退化全局最小化下对电池进行充电的方法和装置
US20150123595A1 (en) * 2013-11-04 2015-05-07 Xiam Technologies Limited Intelligent context based battery charging
US20150349385A1 (en) * 2014-04-01 2015-12-03 Medtronic, Inc. Method and System for Predicting Useful Life of a Rechargeable Battery
CN106415296A (zh) * 2014-05-29 2017-02-15 苹果公司 自适应电池寿命延长
CN106602158A (zh) * 2015-10-14 2017-04-26 上海汽车集团股份有限公司 电池充电时间预测方法及装置
CN107169588A (zh) * 2017-04-12 2017-09-15 中国电力科学研究院 一种电动汽车充电站短时功率预测方法及系统
JP2018068081A (ja) * 2016-10-21 2018-04-26 京セラ株式会社 二次電池の充電時間の予測装置および予測方法
US20180115170A1 (en) * 2016-10-24 2018-04-26 International Business Machines Corporation Scheduling optimized charging of multiple battery enabled devices available to a group of users
WO2018215864A1 (ja) * 2017-05-22 2018-11-29 株式会社半導体エネルギー研究所 充電制御システム、及び充電制御装置
CN109417300A (zh) * 2016-07-13 2019-03-01 索尼移动通信株式会社 信息处理装置、信息处理系统和充电方法
DE102018005797A1 (de) * 2018-07-23 2019-03-07 Daimler Ag Verfahren zum Abschätzen der für eine Vollladung einer wiederaufladbaren, elektrochemischen Energiespeichervorrichtung erforderlichen Zeitdauer
JP2019075870A (ja) * 2017-10-13 2019-05-16 Ｎｅｃプラットフォームズ株式会社 制御装置、電子機器、制御方法、及び制御プログラム
WO2019097357A1 (ja) * 2017-11-16 2019-05-23 株式会社半導体エネルギー研究所 二次電池の寿命推定装置及び寿命推定方法および異常検出方法
CN110010987A (zh) * 2019-04-12 2019-07-12 苏州正力蔚来新能源科技有限公司 一种基于大数据的电动汽车剩余充电时间预测方法
CN110046787A (zh) * 2019-01-15 2019-07-23 重庆邮电大学 一种城市区域电动汽车充电需求时空预测方法
US20190334353A1 (en) * 2018-04-25 2019-10-31 Microsoft Technology Licensing, Llc Intelligent battery cycling for lifetime longevity
CN110429672A (zh) * 2019-07-15 2019-11-08 百富计算机技术（深圳）有限公司 电池充电管理方法、终端设备及存储介质
CN110460118A (zh) * 2018-05-07 2019-11-15 畅充科技（上海）有限公司 充电方法、装置及终端充电设备
CN110674569A (zh) * 2019-08-30 2020-01-10 蜂巢能源科技有限公司 基于决策树的充电剩余时间估算方法及系统
CN110751314A (zh) * 2019-09-16 2020-02-04 上海电力大学 考虑用户充电行为特征数据驱动的电动汽车负荷预测方法
CN111055722A (zh) * 2019-12-20 2020-04-24 华为技术有限公司 一种预估充电时间的方法，装置及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7197487B2 (en) * 2005-03-16 2007-03-27 Lg Chem, Ltd. Apparatus and method for estimating battery state of charge
JP6234946B2 (ja) * 2013-02-01 2017-11-22 三洋電機株式会社 電池状態推定装置
US9800073B2 (en) * 2015-08-20 2017-10-24 International Business Machines Corporation Modeling a change in battery degradation
KR101846690B1 (ko) * 2016-08-01 2018-05-18 현대자동차주식회사 Ｗｌｓ 기반 ｓｏｈ 추정 시스템 및 방법
CN109361818A (zh) * 2018-10-26 2019-02-19 深圳壹账通智能科技有限公司 充电提醒方法、装置、存储介质和终端
CN111564877A (zh) * 2020-04-30 2020-08-21 华为技术有限公司 用于充电管控的方法和装置

Patent Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000287378A (ja) * 1999-03-29 2000-10-13 Sony Corp 充電装置、充電方法および電子機器
JP2006238598A (ja) * 2005-02-24 2006-09-07 Seiko Epson Corp 充電時間算出装置
JP2012151946A (ja) * 2011-01-17 2012-08-09 Alpine Electronics Inc 充電装置
WO2013115244A1 (ja) * 2012-02-01 2013-08-08 日本電気株式会社 充電時間予測装置、充電時間予測方法、及びプログラム
US20130231894A1 (en) * 2012-03-01 2013-09-05 Nokia Corporation Method and apparatus for providing battery information
CN104584376A (zh) * 2012-08-30 2015-04-29 德克萨斯仪器股份有限公司 针对预定义充电持续时间在积分退化全局最小化下对电池进行充电的方法和装置
US20150123595A1 (en) * 2013-11-04 2015-05-07 Xiam Technologies Limited Intelligent context based battery charging
CN105684260A (zh) * 2013-11-04 2016-06-15 高通股份有限公司 智能的基于上下文的电池充电
US20150349385A1 (en) * 2014-04-01 2015-12-03 Medtronic, Inc. Method and System for Predicting Useful Life of a Rechargeable Battery
CN106415296A (zh) * 2014-05-29 2017-02-15 苹果公司 自适应电池寿命延长
CN106602158A (zh) * 2015-10-14 2017-04-26 上海汽车集团股份有限公司 电池充电时间预测方法及装置
CN109417300A (zh) * 2016-07-13 2019-03-01 索尼移动通信株式会社 信息处理装置、信息处理系统和充电方法
JP2018068081A (ja) * 2016-10-21 2018-04-26 京セラ株式会社 二次電池の充電時間の予測装置および予測方法
US20180115170A1 (en) * 2016-10-24 2018-04-26 International Business Machines Corporation Scheduling optimized charging of multiple battery enabled devices available to a group of users
CN107169588A (zh) * 2017-04-12 2017-09-15 中国电力科学研究院 一种电动汽车充电站短时功率预测方法及系统
WO2018215864A1 (ja) * 2017-05-22 2018-11-29 株式会社半導体エネルギー研究所 充電制御システム、及び充電制御装置
JP2019075870A (ja) * 2017-10-13 2019-05-16 Ｎｅｃプラットフォームズ株式会社 制御装置、電子機器、制御方法、及び制御プログラム
WO2019097357A1 (ja) * 2017-11-16 2019-05-23 株式会社半導体エネルギー研究所 二次電池の寿命推定装置及び寿命推定方法および異常検出方法
US20190334353A1 (en) * 2018-04-25 2019-10-31 Microsoft Technology Licensing, Llc Intelligent battery cycling for lifetime longevity
CN110460118A (zh) * 2018-05-07 2019-11-15 畅充科技（上海）有限公司 充电方法、装置及终端充电设备
DE102018005797A1 (de) * 2018-07-23 2019-03-07 Daimler Ag Verfahren zum Abschätzen der für eine Vollladung einer wiederaufladbaren, elektrochemischen Energiespeichervorrichtung erforderlichen Zeitdauer
CN110046787A (zh) * 2019-01-15 2019-07-23 重庆邮电大学 一种城市区域电动汽车充电需求时空预测方法
CN110010987A (zh) * 2019-04-12 2019-07-12 苏州正力蔚来新能源科技有限公司 一种基于大数据的电动汽车剩余充电时间预测方法
CN110429672A (zh) * 2019-07-15 2019-11-08 百富计算机技术（深圳）有限公司 电池充电管理方法、终端设备及存储介质
CN110674569A (zh) * 2019-08-30 2020-01-10 蜂巢能源科技有限公司 基于决策树的充电剩余时间估算方法及系统
CN110751314A (zh) * 2019-09-16 2020-02-04 上海电力大学 考虑用户充电行为特征数据驱动的电动汽车负荷预测方法
CN111055722A (zh) * 2019-12-20 2020-04-24 华为技术有限公司 一种预估充电时间的方法，装置及存储介质

Also Published As

Publication number Publication date
CN113595164B (zh) 2023-05-16
WO2021218423A1 (zh) 2021-11-04
CN111564877A (zh) 2020-08-21

Similar Documents

Publication Publication Date Title
CN113595164B (zh) 用于充电管控的方法和装置
US11165270B2 (en) Predictive management of battery operation
TWI660555B (zh) 用於智慧型基於情境的電池充電的方法、電子設備、及電腦可讀取媒體
US10958082B2 (en) Intelligent battery cycling for lifetime longevity
US20220006301A1 (en) Rule based smart charging
CN105224062A (zh) 一种终端控制方法及终端
CN109324902B (zh) 一种调整移动终端工作频率的方法、移动终端及存储介质
CN108932048B (zh) 确定电池可用时长的方法及相关产品
CN110554945A (zh) 一种电量控制方法、电子设备及计算机可读存储介质
US20220120821A1 (en) Method, apparatus and medium for estimating battery remaining life
CN112654877B (zh) 一种充电检测方法、充电检测装置及终端设备
CN105659188A (zh) 上下文功率管理
CN111416412A (zh) 一种充电控制方法、装置及终端设备
US20200127481A1 (en) Method and electronic device for managing charging
CN116885827B (zh) 充电电流控制方法和电子设备
CN115603393A (zh) 锂电池的充电控制方法及系统、电子设备及介质
CN112671071A (zh) 充电控制方法、充电控制装置、存储介质与电子设备
CN111049219B (zh) 一种充电方法及充电设备
US20220029446A1 (en) Method and apparatus for charging, device, and storage medium
CN111799804B (zh) 基于运行数据的电力系统电压调节分析方法及装置
CN114142110A (zh) 电池控制方法、装置及电子设备和存储介质
CN109149676B (zh) 一种控制充电电流的方法及装置
US20220247196A1 (en) Schedule-based charging of batteries
CN118398929B (zh) 一种电池管理方法及电子设备
CN116961150A (zh) 充电调节方法、装置、电子设备和计算机可读存储介质

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
GR01 Patent grant
GR01 Patent grant