CN115793828A - 一种基于bmc的便携式计算设备的电池管理方法 - Google Patents

Abstract

本发明公开了一种基于BMC的便携式计算设备的电池管理方法，本方法通过于便携式计算设备的操作系统设置电池管理模块，并于与便携式计算设备通信连接的服务器上设置深度学习模块，电池管理模块基于BMC获取便携式计算设备的电池的基础数据，深度学习模块用于获取便携式计算设备每次启动的第一典型参数，然后服务器基于电池的基础数据和第一典型参数确定电池优化策略，并最终通过电池管理模块来执行电池优化策略，实现对电池的更加完善的管理，相比现有的便携式计算设备通过EC来对电池进行管理，本发明提出的方法对于电池能够进行针对性的优化，管理能力大大提升。

Description

一种基于BMC的便携式计算设备的电池管理方法

技术领域

本发明涉及计算机电池管理技术领域，具体涉及一种基于BMC的便携式计算设备的电池管理方法。

背景技术

现有计算机均需要稳定的电源维持运行。例如服务器一般使用外部电源或不间断电源（UPS）供电，便携式计算设备一般使用外部电源或若干电池供电。不同的供电方式需要不同管理方式。

目前，基板管理控制器（BMC，Baseboard Manager Controller）主要用于服务器的带外管理，监控主机通过IPMI协议监视服务器的物理健康信息状态，包括温度、电压、风扇工作状态和电源状态等。而便携式计算设备主要采用嵌入式控制器（EC，EmbeddedController）作为设备的电池管理模块进行供电管理。即现有的便携式计算设备的供电管理由EC完成，但EC片上资源有限，仅能获取电池的电量信息等少部分信息，实际上不能实现真正的供电管理。

但对一些需要移动部署的便携式计算设备而言，其因长续航的需求而会使用大容量的电池和外部电源进行混合供电，但现有的便携式计算设备均通过EC进行供电管理，但现有的便携式计算设备的EC对于电池的管理能力有限，且并不适合针对外部电源进行供电管理。

发明内容

本发明的主要目的是提供一种基于BMC的便携式计算设备的电池管理方法，旨在解决现有的便携式计算设备的EC对于电池的管理能力有限，且并不适合针对外部电源进行电池管理的问题。

本发明提出的技术方案为：

一种基于BMC的便携式计算设备的电池管理方法，应用于基于BMC的便携式计算设备的电池管理系统；所述系统包括便携式计算设备和服务器；所述便携式计算设备包括BMC、电池和电源适配器；所述便携式计算设备运行有操作系统；所述操作系统包括电池管理模块；所述服务器与所述便携式计算设备通信连接；所述服务器包括深度学习模块；所述深度学习模块包括核心训练算法模型单元；所述方法，包括：

所述电池管理模块通过BMC获取电池当前的基础数据，并将所述基础数据发送至所述服务器，其中，所述基础数据包括当前电量值、电池充放电状态、电池充放电时间信息和电池健康信息；

所述核心训练算法模型单元获取便携式计算设备每次启动所对应的第一典型参数，其中，所述第一典型参数包括电池开始使用时电量、电池使用结束时电量、电池电量使用量、电池使用时长、使用过程是否接入电源适配器、使用过程中电源适配器的插拔次数、电源适配器接入时的电池电量、电源适配器拔出时的电池电量、电源适配器接入时刻和电源适配器拔出时刻；

所述服务器基于所述基础数据和所述第一典型参数确定电池优化策略，并通过所述电池管理模块执行所述电池优化策略。

优选的，所述深度学习模块还包括调度核心；所述电池管理模块通过BMC获取电池当前的基础数据，之后还包括：

所述调度核心获取用户输入的访问指令，并将访问指令发送至所述电池管理模块；

所述电池管理模块基于所述访问指令将所述基础数据进行分类，以得到主要基础数据和次要基础数据，并将主要基础数据进行实时显示，其中，所述主要基础数据包括当前电量值，所述次要基础数据包括电池充放电状态、电池充放电时间信息和电池健康信息；

所述调度核心获取用户输入的更新指令，并将更新指令发送至所述电池管理模块；

所述电池管理模块基于所述更新指令对所述核心训练算法模型单元进行更新。

优选的，所述服务器基于所述基础数据和所述第一典型参数确定电池优化策略，并通过所述电池管理模块执行所述电池优化策略，包括：

所述核心训练算法模型单元判断便携式计算设备是否满足第一预设条件，所述第一预设条件为：在过去的第一预设时间段内，电源适配器的插拔次数与便携式计算设备启动的次数的比值大于预设比值；

若是，所述核心训练算法模型单元基于电源适配器接入时刻和电源适配器拔出时刻得到电源适配器在过去第一预设时间段内的总接入时长；并获取过去第一预设时间段内所述便携式计算设备的总启动时长；

所述核心训练算法模型单元判断便携式计算设备是否满足第二预设条件，所述第二预设条件为：所述总接入时长与所述总启动时长的比值大于所述预设比值；

若满足第二预设条件，当电源适配器接入后，所述电池管理模块判断电池的当前电量值是否大于预设电量阈值；

若不大于预设电量阈值，所述电池管理模块通过电源适配器将电池充电至预设电量阈值；

若大于预设电量阈值，所述电池管理模块控制不对电池进行充电。

优选的，所述服务器基于所述基础数据和所述第一典型参数确定电池优化策略，并通过所述电池管理模块执行所述电池优化策略，还包括：

所述电池管理模块将当前电量值与所述预设电量阈值的比值标记为当前电量系数；

所述电池管理模块通过所述当前电量系数对当前时刻电池的剩余电量进行矫正，以得到矫正电量值，并将矫正电量值进行显示。

优选的，所述深度学习模块还包括数据库；所述方法，还包括：

所述核心训练算法模型单元获取电池在每次的充电或放电过程中的第二典型参数，并记录到所述数据库中，其中，所述第二典型参数包括充电电流、充电电压、电池温度、放电电流、放电电压、充电时长、放电时长、满电电压、基于当前满电量的第一比例电量电压、基于当前满电量的第二比例电量电压和基于当前满电量的第三比例电量电压；其中，第一比例、第二比例和第三比例依次递减；

所述电池管理模块获取过去第一预设时间段内的第二典型参数，并基于所述第二典型参数进行拟合以得到电池的特征曲线，其中，所述特征曲线包括充电电流特征曲线、充电电压特征曲线、电池温度特征曲线、放电电流特征曲线、放电电压特征曲线、充电时长特征曲线、放电时长特征曲线、满电电压特征曲线、基于当前满电量的第一比例电量电压特征曲线、基于当前满电量的第二比例电量电压特征曲线和基于当前满电量的第三比例电量电压特征曲线；

所述电池管理模块获取各所述特征曲线对应的标准曲线；

所述电池管理模块将各所述特征曲线与对应的标准曲线进行比对，以判断所述特征曲线上各特征值与对应的标准曲线上各特征值的差值的平均值是否大于第一预设差值；

若是，所述电池管理模块将特征曲线对应的第二典型参数标记为异常参数。

优选的，所述服务器基于所述基础数据和所述第一典型参数确定电池优化策略，并通过所述电池管理模块执行所述电池优化策略，还包括：

所述核心训练算法模型单元生成电池对应的寿命预估模型，并获取电池的训练历史数据，其中，所述训练历史数据包括历史满电电压，以及与历史满电电压对应的历史电池寿命；

所述电池管理模块将所述历史满电电压作为所述寿命预估模型的输入参数，将与历史满电电压对应的历史电池寿命作为所述寿命预估模型的输出参数，以训练所述寿命预估模型；

所述电池管理模块将当前时刻电池的实际满电电压输入训练完成的寿命预测模型，以得到电池的预计电池寿命；

所述电池管理模块根据所述预测电池寿命随时间的波动趋势，以侦测电池寿命骤降所对应的时间区间，并标记为骤降时间区间。

优选的，所述寿命预估模型为：

式中，L为电池初始寿命，y为预计电池寿命，x为满电电压，a为损耗率，b为训练得到的非线性拟合曲线。

优选的，所述服务器基于所述基础数据和所述第一典型参数确定电池优化策略，并通过所述电池管理模块执行所述电池优化策略，还包括：

所述电池管理模块基于标准SMBus接口判断电池的数量是否为多个；

若是，所述电池管理模块将所有的电池的当前电量值之和与所述预设电量阈值和电池数量的乘积的比值标记为拟合电量系数；

所述电池管理模块通过所述拟合电量系数对当前时刻拟合电池的剩余电量进行矫正，以得到矫正总电量值，并将矫正总电量值进行显示。

优选的，所述服务器基于所述基础数据和所述第一典型参数确定电池优化策略，并通过所述电池管理模块执行所述电池优化策略，还包括：

所述核心训练算法模型单元检测到电池进行充电时，进行三段式充电管理训练，以得到充电时长最短的充电参数，并标记为优选充电参数；其中，所述优选充电参数包括涓流充电电流、恒流充电电流和恒压充电电压；所述三段式充电包括涓流充电阶段、恒流充电阶段和恒压充电阶段；

所述电池管理模块应用所述优选充电参数通过所述电源适配器对电池进行充电。

优选的，所述服务器基于所述基础数据和所述第一典型参数确定电池优化策略，并通过所述电池管理模块执行所述电池优化策略，还包括：

所述电池管理模块基于所述充电电流和所述充电电压得到充电功率，基于放电电流和放电电压得到放电功率；

所述电池管理模块判断是否满足第三预设条件，所述第三预设条件为：所述电池温度大于温度阈值，或所述充电功率大于第一功率阈值，或所述放电功率大于第二功率阈值；

若是，所述电池管理模块生成风险信息，并将生成风险信息时所对应的充电电流、充电电压、放电电流、放电电压和电池温度记录于数据库。

通过上述技术方案，能实现以下有益效果：

本发明提出了一种基于BMC的便携式计算设备的电池管理方法，本方法通过于便携式计算设备的操作系统设置电池管理模块，并于与便携式计算设备通信连接的服务器上设置深度学习模块，电池管理模块基于BMC获取便携式计算设备的电池的基础数据，深度学习模块用于获取便携式计算设备每次启动的第一典型参数，然后服务器基于电池的基础数据和第一典型参数确定电池优化策略，并最终通过电池管理模块来执行电池优化策略，实现对电池的更加完善的管理，相比现有的便携式计算设备通过EC来对电池进行管理，本发明提出的方法对于电池能够进行针对性的优化，管理能力大大提升，且还能针对电源适配器（即外部电源）进行供电管理。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1为本发明提出的一种基于BMC的便携式计算设备的电池管理方法第一实施例的流程图。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明提出一种基于BMC的便携式计算设备的电池管理方法。

如附图1所示，在本发明提出的一种基于BMC的便携式计算设备的电池管理方法的第一实施例中，本方法应用于基于BMC的便携式计算设备的电池管理系统；所述系统包括便携式计算设备和服务器；所述便携式计算设备包括BMC、电池和电源适配器；所述便携式计算设备运行有操作系统；所述操作系统包括电池管理模块；所述服务器与所述便携式计算设备通信连接；所述服务器包括深度学习模块；所述深度学习模块包括核心训练算法模型单元和功能库；本实施例包括如下步骤：

步骤S110：所述电池管理模块通过BMC获取电池当前的基础数据，并将所述基础数据发送至所述服务器，其中，所述基础数据包括当前电量值、电池充放电状态、电池制造商信息、电池充放电时间信息和电池健康信息。

步骤S120：所述核心训练算法模型单元获取便携式计算设备每次启动所对应的第一典型参数，其中，所述第一典型参数包括电池开始使用时电量、电池使用结束时电量、电池电量使用量、电池使用时长、使用过程是否接入电源适配器、使用过程中电源适配器的插拔次数、电源适配器接入时的电池电量、电源适配器拔出时的电池电量、电源适配器接入时刻和电源适配器拔出时刻。

步骤S130：所述服务器基于所述基础数据和所述第一典型参数确定电池优化策略，并通过所述电池管理模块执行所述电池优化策略。

本发明提出了一种基于BMC的便携式计算设备的电池管理方法，本方法通过于便携式计算设备的操作系统设置电池管理模块，并于与便携式计算设备通信连接的服务器上设置深度学习模块，电池管理模块基于BMC获取便携式计算设备的电池的基础数据，深度学习模块用于获取便携式计算设备每次启动的第一典型参数，然后服务器基于电池的基础数据和第一典型参数确定电池优化策略，并最终通过电池管理模块来执行电池优化策略，实现对电池的更加完善的管理，相比现有的便携式计算设备通过EC来对电池进行管理，本发明提出的方法对于电池能够进行针对性的优化，管理能力大大提升，且还能针对电源适配器（即外部电源）进行供电管理。

此外，相对于BMC受限用于服务器平台管理，本方法将BMC应用于便携式计算机设备，能丰富BMC应用场景。相对于现有便携式计算设备的电池管理方式，本方案不同于定制化的底层管理方式，对不同制造商的电池的应用更友好，具备更强的适应性、兼容性、通用性、安全性和可维护性。相对于需要用户在系统界面配置参数的情况，本方案不需要用户干预配置优化参数，即可完成电池系统的智能化管理。

本实施例还能够基于BMC的网络接口提供在线远程更新核心训练算法模型单元的算法库与功能库的更新通信接口，实现实时不复位更新核心功能。即本发明提供了一种在线或远程更新核心训练算法模型单元及其功能库的方法。相对其他对电池系统固化的管理方式，本方案通过提供的更新机制保证对电池系统管理更灵活多样。

在本发明提出的一种基于BMC的便携式计算设备的电池管理方法的第二实施例中，基于第一实施例，所述便携式计算设备包括显示模块和输入模块；所述深度学习模块还包括调度核心；步骤S110，之后还包括如下步骤：

步骤S210：所述调度核心获取用户通过所述输入模块输入的访问指令，并将访问指令发送至所述电池管理模块。

步骤S220：所述电池管理模块基于所述访问指令将所述基础数据进行分类，以得到主要基础数据和次要基础数据，并将主要基础数据进行实时显示，其中，所述主要基础数据包括当前电量值，所述次要基础数据包括电池充放电状态、电池制造商信息、电池充放电时间信息和电池健康信息。

步骤S230：所述调度核心获取用户输入的更新指令，并将更新指令发送至所述电池管理模块。

步骤S240：所述电池管理模块基于所述更新指令对所述核心训练算法模型单元进行更新。

本实施例给出了基于用户的访问指令，而实时显示电池的主要基础数据（以便于使用者实时知晓电池的使用状态），并基于用户的更新指令来实时更新核心训练算法模型单元的方案。

在本发明提出的一种基于BMC的便携式计算设备的电池管理方法的第三实施例中，基于第二实施例，步骤S130，包括如下步骤：

步骤S310：所述核心训练算法模型单元判断便携式计算设备是否满足第一预设条件，所述第一预设条件为：在过去的第一预设时间段（例如一周）内，电源适配器的插拔次数与便携式计算设备启动的次数的比值大于预设比值（例如0.8）。

若是，执行步骤S320：所述核心训练算法模型单元基于电源适配器接入时刻和电源适配器拔出时刻得到电源适配器在过去第一预设时间段内的总接入时长；并获取过去第一预设时间段内所述便携式计算设备的总启动时长。

具体的，若是，则说明电源适配器大频度接入便携式计算设备。

步骤S330：所述核心训练算法模型单元判断便携式计算设备是否满足第二预设条件，所述第二预设条件为：所述总接入时长与所述总启动时长的比值大于所述预设比值。

步骤S340：若满足第二预设条件，当电源适配器接入后，所述电池管理模块判断电池的当前电量值是否大于预设电量阈值（例如电池满电量的70%）。

具体的，若满足第二预设条件，说明当前电源适配器长时间接入便携式计算设备。

步骤S350：若不大于预设电量阈值，所述电池管理模块通过电源适配器将电池充电至预设电量阈值，所述预设电量阈值为优选为电池满电量的60%~80%。

步骤S360：若大于预设电量值，所述电池管理模块控制不对电池进行充电（即断开电池与电源适配器之间的电性连接）。

具体的，本方法能够基于基础数据和第一典型参数来确定对应的优化策略；在本实施例中：当便携式计算设备大频率（即通过是否满足第一预设条件确定是否为大频率）且长时间（即通过是否满足第二预设条件确定是否为长时间）接入电源适配器时，自动将对电池充电方式改变成非满电充电方式实现防过充，即确定第一个预设电量值（例如电池满电量的80%），当电池的当前电量不大于该预设电量值时，则自动将电池充电到该限定值，当电池的当前电量大于该预设电量值时，则不对电池进行充电，通过此种方式避免电池在充满电后仍然长时间进入充电状态而导致电池使用寿命的损耗。

在本发明提出的一种基于BMC的便携式计算设备的电池管理方法的第四实施例中，基于第三实施例，步骤S130，还包括如下步骤：

步骤S410：所述电池管理模块将当前电量值与所述预设电量阈值的比值标记为当前电量系数。

步骤S420：所述电池管理模块通过所述当前电量系数对当前时刻电池的剩余电量进行矫正，以得到矫正电量值，并将矫正电量值进行显示。

具体的，因在第三实施例中，电池并不会实际充满，为了避免用户在使用时产生电池不能充满电的错觉而误操作电池或产生错误认识或措施，本实施例将电池的当前时刻的剩余电量显示为电量系数，然后基于当前电量系数对当前时刻电池的剩余电量进行矫正，以得到矫正电量值，例如：若电池的实际电量为满电量的40%，则当前电流系数为0.5，则相应的矫正电量值为当前电量系统的百分比形式（即50%），故显示模块上显示的电池剩余电量为50%。

在本发明提出的一种基于BMC的便携式计算设备的电池管理方法的第五实施例中，基于第二实施例，所述深度学习模块还包括数据库；本实施例还包括如下步骤：

步骤S510：所述核心训练算法模型单元获取电池在每次的充电或放电过程中的第二典型参数，并记录到所述数据库中，其中，所述第二典型参数包括充电电流、充电电压、电池温度、放电电流、放电电压、充电时长、放电时长、满电电压、基于当前满电量的第一比例（20%）电量电压、基于当前满电量的第二比例（10%）电量电压和基于当前满电量的第三比例（5%）电量电压；其中，第一比例、第二比例和第三比例依次递减。

步骤S520：所述电池管理模块获取过去第一预设时间段内的第二典型参数，并基于所述第二典型参数进行拟合以得到电池的特征曲线，其中，所述特征曲线包括充电电流特征曲线、充电电压特征曲线、电池温度特征曲线、放电电流特征曲线、放电电压特征曲线、充电时长特征曲线、放电时长特征曲线、满电电压特征曲线、基于当前满电量的第一比例电量电压特征曲线、基于当前满电量的第二比例电量电压特征曲线和基于当前满电量的第三比例电量电压特征曲线；

步骤S530：所述电池管理模块获取各所述特征曲线对应的标准曲线。

步骤S540：所述电池管理模块将各所述特征曲线与对应的标准曲线进行比对，以判断所述特征曲线上各特征值与对应的标准曲线上各特征值的差值的平均值是否大于第一预设差值（这里的第一预设差值优选为所述特征曲线上各特征值的平均值的10%）。

若是，执行步骤S550：所述电池管理模块将特征曲线对应的第二典型参数标记为异常参数。

具体的，将各所述特征曲线与对应的标准曲线进行比对，从而将特征曲线对应的第二典型参数标记为异常参数，以便于管理人员实时知晓电池的详细信息和状态，及时知晓电池的异常情况。

在本发明提出的一种基于BMC的便携式计算设备的电池管理方法的第六实施例中，基于第五实施例，步骤S130，还包括如下步骤：

步骤S610：所述核心训练算法模型单元生成电池对应的寿命预估模型，并获取电池的训练历史数据，其中，所述训练历史数据包括历史满电电压，以及与历史满电电压对应的历史电池寿命。

步骤S620：所述电池管理模块将所述历史满电电压作为所述寿命预估模型的输入参数，将与历史满电电压对应的历史电池寿命作为所述寿命预估模型的输出参数，以训练所述寿命预估模型。

步骤S630：所述电池管理模块将当前时刻电池的实际满电电压输入训练完成的寿命预测模型，以得到电池的预计电池寿命。

步骤S640：所述电池管理模块根据所述预测电池寿命随时间的波动趋势，以侦测电池寿命骤降所对应的时间区间，并标记为骤降时间区间。

具体的，本方基于核心训练算法模型单元构建了的一种电池对应的寿命预估模型。基于电池系统损耗特性拟合提供一种电池使用寿命的评估方法，以便于实时知晓电池的剩余寿命（即预计电池寿命），当电池寿命出现骤降时，得到电池寿命骤降所对应的时间区间，并标记为骤降时间区间，以便于管理人员及时知晓电池的寿命变化情况，从而采取针对性的维护措施，以延长电池使用寿命。

在本发明提出的一种基于BMC的便携式计算设备的电池管理方法的第七实施例中，基于第六实施例，所述寿命预估模型为：

式中，L为电池初始寿命，单位为小时；y为预计电池寿命，单位为小时；x为满电电压，单位为伏特；a为损耗率（这里的损耗率即是在使用时间内电池满电压的压降，即降低单位满电压值所需要的时长，其单位为伏特/小时）；b为训练得到的非线性拟合曲线（即带时间参数的曲线，单位为小时）。

在本发明提出的一种基于BMC的便携式计算设备的电池管理方法的第八实施例中，基于第四实施例，步骤S130，还包括如下步骤：

步骤S810：所述电池管理模块基于标准SMBus接口判断电池的数量是否为多个。

若是，执行步骤S820：所述电池管理模块将所有的电池的当前电量值之和与所述预设电量阈值和电池数量的乘积的比值标记为拟合电量系数。

具体的，若电池数量为2个，其中1个电池的当前电量值为40%，另1个电池的当前电量值为60%，则拟合电量系数为（0.4+0.6）÷1.6=0.625。

步骤S830：所述电池管理模块通过所述拟合电量系数对当前时刻拟合电池的剩余电量进行矫正，以得到矫正总电量值，并将矫正总电量值进行显示。

具体的，相对于具有多个电池系统单元的便携式计算设备，本方案通过拟化为一个电池来简化操作系统应用程序对电池的管理，即将多个电池的电量拟合后进行统一显示，本实施例中，矫正总电量值为62.5%。

在本发明提出的一种基于BMC的便携式计算设备的电池管理方法的第九实施例中，基于第一实施例，步骤S130，还包括如下步骤：

步骤S910：所述核心训练算法模型单元检测到电池进行充电时，进行三段式充电管理训练，以得到充电时长最短的充电参数，并标记为优选充电参数；其中，所述优选充电参数包括涓流充电电流、恒流充电电流和恒压充电电压；所述三段式充电包括涓流充电阶段、恒流充电阶段和恒压充电阶段。

具体的，本发明中的三段式充电是一个自动充电的过程，包括涓流充电阶段、恒流充电阶段和恒压充电阶段。

涓流充电阶段：即以较小的充电电流（及涓流充电电流，本实施例中取30A）进行充电，这样能够避免电池在充电过程中出现发热和老化，不但容易减少电池寿命，而且还有潜在的安全问题，因此把这个阶段称为涓流充电阶段。

恒流充电阶段：当电池电压高于2V以上之后，采用较大的恒定电流（即恒流充电电流，例如1C）对电池进行充电，此阶段电池的锂离子活动性被充分激活，内阻也较小，所以能够接受大电流的充电。在这个阶段电池得到的电量也是最大的，可以占到容量的70%到80%以上。

恒压充电阶段：因电池电压不允许超过截止电压的±50mV，否则就会有安全隐患，故当电池电压被充到接近充电截止电压的时候，应控制电压低于充电截止电压（即恒压充电电压，例如充电截止电压的90%），这样能够保证充电的安全性。

步骤S920：所述电池管理模块应用所述优选充电参数通过所述电源适配器对电池进行充电。

具体的，通过三段式充电，能够在保证安全性的前提下，优化充电速率，此外还能够降低电池容量的衰减速率，提升电池的使用寿命。

在本发明提出的一种基于BMC的便携式计算设备的电池管理方法的第十实施例中，基于第五实施例，步骤S130，还包括如下步骤：

步骤S1010：所述电池管理模块基于所述充电电流和所述充电电压得到充电功率，基于放电电流和放电电压得到放电功率。

步骤S1020：所述电池管理模块判断是否满足第三预设条件，所述第三预设条件为：所述电池温度大于温度阈值，或所述充电功率大于第一功率阈值，或所述放电功率大于第二功率阈值。

具体的，若满足第三预设条件，说明电池存在温度过高的危险，或存在充电功率过大的危险，或存在放电功率过大的危险，均需要引起关注并提醒用户。

若是，执行步骤S1030：所述电池管理模块生成风险信息，并将生成风险信息时所对应的充电电流、充电电压、放电电流、放电电压和电池温度记录于数据库。

步骤S1040：所述电池管理模块通过所述显示模块显示所述风险信息。

本实施例给出了如何针对电池出现异常情况进行相应的处理的方案。

在本发明提出的一种基于BMC的便携式计算设备的电池管理方法的第十一实施例中，基于第五实施例，步骤S130，还包括如下步骤：

步骤S1101：所述电池管理模块获取电池温度安全区间。

步骤S1102：所述电池管理模块基于所述充电电流特征曲线判断电池温度是否超出电池温度安全区间。

若是，执行步骤S1103：所述电池管理模块降低电池的充电电流。

具体的，当电池温度超过电池温度安全区间，且电池的充电电流特征曲线与正常的充电电流特征曲线出现较大偏差时（例如充电电流特征曲线各点与正常的充电电流特征曲线各对应的点的差值的平均值大于第二预设差值，这里的第二预设差值优选为充电电流特征曲线上各特征值的平均值的10%），说明是因充电电流过大而引起的电池温度异常升高，为此需要降低电池的充电电流。

步骤S1104：所述电池管理模块降低电池的基于所述充电电压特征曲线判断电池温度是否超出电池温度安全区间。

若是，执行步骤S1105：所述电池管理模块降低电池的充电电压。

具体的，当电池温度超过电池温度安全区间，且电池的充电电压特征曲线与正常的充电电压特征曲线出现较大偏差时（例如充电电压特征曲线各点与正常的充电电压特征曲线各对应的点的差值的平均值大于第三预设差值，这里的第三预设差值优选为充电电压特征曲线上各特征值的平均值的10%），说明是因充电电压过大而引起的电池温度异常升高，为此需要降低电池的充电电压。

步骤S1106：所述电池管理模块降低电池的基于所述放电电流特征曲线判断电池温度是否超出电池温度安全区间。

若是，执行步骤S1107：所述电池管理模块降低电池的放电电流。

具体的，当电池温度超过电池温度安全区间，且电池的放电电流特征曲线与正常的放电电流特征曲线出现较大偏差时（例如放电电流特征曲线各点与正常的放电电流特征曲线各对应的点的差值的平均值大于第四预设差值，这里的第四预设差值优选为放电电流特征曲线上各特征值的平均值的10%），说明是因放电电流过大而引起的电池温度异常升高，为此需要降低电池的放电电流。

步骤S1108：所述电池管理模块降低电池的基于所述放电电压特征曲线判断电池温度是否超出电池温度安全区间。

若是，执行步骤S1109：所述电池管理模块降低电池的放电电压。

具体的，当电池温度超过电池温度安全区间，且电池的放电电压特征曲线与正常的放电电压特征曲线出现较大偏差时（例如放电电压特征曲线各点与正常的放电电压特征曲线各对应的点的差值的平均值大于第五预设差值，这里的第五预设差值优选为放电电压特征曲线上各特征值的平均值的10%），说明是因放电电压过大而引起的电池温度异常升高，为此需要降低电池的放电电压。

此外，本实施例还包括如下步骤：

步骤S1109：服务器获取过去第二预设时间段内深度学习模块的更新次数，并基于所述更新次数确定删除期限：

式中，

为所述删除期限，单位为天；

为所述第二预设时间段，单位为天，本实施例中取30天；C为所述更新次数。

步骤S1110：所述核心训练算法模型单元将删除期限之前的第一典型数据和第二典型数据删除。

具体的，本实施例通过判断核心训练算法模型单元更新的频度来确定删除数据的期限，即核心训练算法模型单元更新越频繁，则产生的缓存数据、垃圾数据，对于服务器的存储负担也越重，则需要删除的第一典型数据和第二典型数据越多，且因这些数据是一定期限（即删除期限）之前的，作用不大，可以直接删除，以避免软件系统数据膨胀，同时也能保证数据的新鲜度，避免数据老化。

步骤S1111：当所述电池管理模块检测到便携式计算设备接入了新的电池时，通过BMC获取新接入电池的基础数据。

步骤S1112：所述核心训练算法模型单元基于新接入的电池的基础信息获取与新接入的电池的基础信息最相近的寿命预估模型，并标记为目标模型。

步骤S1113：所述核心训练算法模型单元将所述目标模型作为新接入的电池对应的寿命预估模型；

算法将依据该基本信息查找类似或接近的电池系统，并按照该系统参数进行训练，并将训练结果记录到数据库。即本发明能够基于不同种类电池充放电特性提供一种高效兼容的电池管理方法，且能够在一个便携式计算设备中管理多个电池。

步骤S1114：通过将核心训练算法模型单元进行模块化，以将本方案设计成算法与功能解耦、算法和功能与软件框架解耦的方案，同时通过调度核心开启核心训练算法模型单元，以及回收核心训练算法模型单元占用的资源，通过该方式即可以进行核心训练算法模型单元核心模块热升级，以避免服务器重启更新。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种基于BMC的便携式计算设备的电池管理方法，其特征在于，应用于基于BMC的便携式计算设备的电池管理系统；所述系统包括便携式计算设备和服务器；所述便携式计算设备包括BMC、电池和电源适配器；所述便携式计算设备运行有操作系统；所述操作系统包括电池管理模块；所述服务器与所述便携式计算设备通信连接；所述服务器包括深度学习模块；所述深度学习模块包括核心训练算法模型单元；所述方法，包括：

所述电池管理模块通过BMC获取电池当前的基础数据，并将所述基础数据发送至所述服务器，其中，所述基础数据包括当前电量值、电池充放电状态、电池充放电时间信息和电池健康信息；

所述核心训练算法模型单元获取便携式计算设备每次启动所对应的第一典型参数，其中，所述第一典型参数包括电池开始使用时电量、电池使用结束时电量、电池电量使用量、电池使用时长、使用过程是否接入电源适配器、使用过程中电源适配器的插拔次数、电源适配器接入时的电池电量、电源适配器拔出时的电池电量、电源适配器接入时刻和电源适配器拔出时刻；

所述服务器基于所述基础数据和所述第一典型参数确定电池优化策略，并通过所述电池管理模块执行所述电池优化策略。

2.根据权利要求1所述的一种基于BMC的便携式计算设备的电池管理方法，其特征在于，所述深度学习模块还包括调度核心；所述电池管理模块通过BMC获取电池当前的基础数据，之后还包括：

所述调度核心获取用户输入的访问指令，并将访问指令发送至所述电池管理模块；

所述电池管理模块基于所述访问指令将所述基础数据进行分类，以得到主要基础数据和次要基础数据，并将主要基础数据进行实时显示，其中，所述主要基础数据包括当前电量值，所述次要基础数据包括电池充放电状态、电池充放电时间信息和电池健康信息；

所述调度核心获取用户输入的更新指令，并将更新指令发送至所述电池管理模块；

所述电池管理模块基于所述更新指令对所述核心训练算法模型单元进行更新。

3.根据权利要求2所述的一种基于BMC的便携式计算设备的电池管理方法，其特征在于，所述服务器基于所述基础数据和所述第一典型参数确定电池优化策略，并通过所述电池管理模块执行所述电池优化策略，包括：

所述核心训练算法模型单元判断便携式计算设备是否满足第一预设条件，所述第一预设条件为：在过去的第一预设时间段内，电源适配器的插拔次数与便携式计算设备启动的次数的比值大于预设比值；

若是，所述核心训练算法模型单元基于电源适配器接入时刻和电源适配器拔出时刻得到电源适配器在过去第一预设时间段内的总接入时长；并获取过去第一预设时间段内所述便携式计算设备的总启动时长；

所述核心训练算法模型单元判断便携式计算设备是否满足第二预设条件，所述第二预设条件为：所述总接入时长与所述总启动时长的比值大于所述预设比值；

若满足第二预设条件，当电源适配器接入后，所述电池管理模块判断电池的当前电量值是否大于预设电量阈值；

若不大于预设电量阈值，所述电池管理模块通过电源适配器将电池充电至预设电量阈值；

若大于预设电量阈值，所述电池管理模块控制不对电池进行充电。

4.根据权利要求3所述的一种基于BMC的便携式计算设备的电池管理方法，其特征在于，所述服务器基于所述基础数据和所述第一典型参数确定电池优化策略，并通过所述电池管理模块执行所述电池优化策略，还包括：

所述电池管理模块将当前电量值与所述预设电量阈值的比值标记为当前电量系数；

所述电池管理模块通过所述当前电量系数对当前时刻电池的剩余电量进行矫正，以得到矫正电量值，并将矫正电量值进行显示。

5.根据权利要求2所述的一种基于BMC的便携式计算设备的电池管理方法，其特征在于，所述深度学习模块还包括数据库；所述方法，还包括：

所述核心训练算法模型单元获取电池在每次的充电或放电过程中的第二典型参数，并记录到所述数据库中，其中，所述第二典型参数包括充电电流、充电电压、电池温度、放电电流、放电电压、充电时长、放电时长、满电电压、基于当前满电量的第一比例电量电压、基于当前满电量的第二比例电量电压和基于当前满电量的第三比例电量电压；其中，第一比例、第二比例和第三比例依次递减；

所述电池管理模块获取过去第一预设时间段内的第二典型参数，并基于所述第二典型参数进行拟合以得到电池的特征曲线，其中，所述特征曲线包括充电电流特征曲线、充电电压特征曲线、电池温度特征曲线、放电电流特征曲线、放电电压特征曲线、充电时长特征曲线、放电时长特征曲线、满电电压特征曲线、基于当前满电量的第一比例电量电压特征曲线、基于当前满电量的第二比例电量电压特征曲线和基于当前满电量的第三比例电量电压特征曲线；

所述电池管理模块获取各所述特征曲线对应的标准曲线；

所述电池管理模块将各所述特征曲线与对应的标准曲线进行比对，以判断所述特征曲线上各特征值与对应的标准曲线上各特征值的差值的平均值是否大于第一预设差值；

若是，所述电池管理模块将特征曲线对应的第二典型参数标记为异常参数。

6.根据权利要求5所述的一种基于BMC的便携式计算设备的电池管理方法，其特征在于，所述服务器基于所述基础数据和所述第一典型参数确定电池优化策略，并通过所述电池管理模块执行所述电池优化策略，还包括：

所述核心训练算法模型单元生成电池对应的寿命预估模型，并获取电池的训练历史数据，其中，所述训练历史数据包括历史满电电压，以及与历史满电电压对应的历史电池寿命；

所述电池管理模块将所述历史满电电压作为所述寿命预估模型的输入参数，将与历史满电电压对应的历史电池寿命作为所述寿命预估模型的输出参数，以训练所述寿命预估模型；

所述电池管理模块将当前时刻电池的实际满电电压输入训练完成的寿命预测模型，以得到电池的预计电池寿命；

所述电池管理模块根据所述预测电池寿命随时间的波动趋势，以侦测电池寿命骤降所对应的时间区间，并标记为骤降时间区间。

7.根据权利要求6所述的一种基于BMC的便携式计算设备的电池管理方法，其特征在于，所述寿命预估模型为：

式中，L为电池初始寿命，y为预计电池寿命，x为满电电压，a为损耗率，b为训练得到的非线性拟合曲线。

8.根据权利要求4所述的一种基于BMC的便携式计算设备的电池管理方法，其特征在于，所述服务器基于所述基础数据和所述第一典型参数确定电池优化策略，并通过所述电池管理模块执行所述电池优化策略，还包括：

所述电池管理模块基于标准SMBus接口判断电池的数量是否为多个；

若是，所述电池管理模块将所有的电池的当前电量值之和与所述预设电量阈值和电池数量的乘积的比值标记为拟合电量系数；

所述电池管理模块通过所述拟合电量系数对当前时刻拟合电池的剩余电量进行矫正，以得到矫正总电量值，并将矫正总电量值进行显示。

9.根据权利要求1所述的一种基于BMC的便携式计算设备的电池管理方法，其特征在于，所述服务器基于所述基础数据和所述第一典型参数确定电池优化策略，并通过所述电池管理模块执行所述电池优化策略，还包括：

所述核心训练算法模型单元检测到电池进行充电时，进行三段式充电管理训练，以得到充电时长最短的充电参数，并标记为优选充电参数；其中，所述优选充电参数包括涓流充电电流、恒流充电电流和恒压充电电压；所述三段式充电包括涓流充电阶段、恒流充电阶段和恒压充电阶段；

所述电池管理模块应用所述优选充电参数通过所述电源适配器对电池进行充电。

10.根据权利要求5所述的一种基于BMC的便携式计算设备的电池管理方法，其特征在于，所述服务器基于所述基础数据和所述第一典型参数确定电池优化策略，并通过所述电池管理模块执行所述电池优化策略，还包括：

所述电池管理模块基于所述充电电流和所述充电电压得到充电功率，基于放电电流和放电电压得到放电功率；

所述电池管理模块判断是否满足第三预设条件，所述第三预设条件为：所述电池温度大于温度阈值，或所述充电功率大于第一功率阈值，或所述放电功率大于第二功率阈值；

若是，所述电池管理模块生成风险信息，并将生成风险信息时所对应的充电电流、充电电压、放电电流、放电电压和电池温度记录于数据库。

Images