KR20160078496A - 지능적인 컨텍스트 기반 배터리 충전 - Google Patents

Abstract

개시된 양태들은 컨텍스트 기반 배터리 충전을 위한 시스템들 및 방법들을 포함한다. 일 양태에서, 전자 디바이스의 사용 패턴들에 관한 컨텍스트 정보는 재충전가능 배터리를 충전하는 것을 커스터마이징하는데 사용된다. 일 양태에서, 예측 엔진은 컨텍스트 정보에 액세스하고, 예측된 충전 지속시간을 생성한다. 충전 애플리케이션은 예측된 충전 지속시간에 기초하여 배터리 충전기에서 충전 파라미터들을 커스터마이징한다. 일부 양태들에서, 충전 애플리케이션은 배터리 충전을 개선하기 위해 사용자로의 제안들을 생성할 수도 있다.

Description

지능적인 컨텍스트 기반 배터리 충전{INTELLIGENT CONTEXT BASED BATTERY CHARGING}

관련 출원들에 대한 상호 참조

본 특허 출원은 "INTELLIGENT CONTEXT BASED BATTERY CHARGING" 의 명칭으로 2013 년 11 월 4 일자로 출원되고, 본 발명의 양수인에게 양도되고, 본 명세서에 전체가 참조에 의해 명백히 통합되는 미국 가출원 제 61/899,624 호의 이익을 주장한다.

본 개시는 배터리 충전에 관한 것이고, 특히, 지능적인 컨텍스트 기반 배터리 충전에 관한 것이다.

본 명세서에서 달리 표시되지 않으면, 이 섹션에서 설명되는 접근방식들은 이 섹션에서의 포함에 의해 종래 기술인 것으로 용인되지 않는다.

오늘날, 소비자들은 끊임없이 이동하고, 결과적으로, 휴대용 전자 디바이스들은 인기가 높아지고 있다. 예를 들어, 소비자들은 종래의 전화기들 및 데스크탑 컴퓨터들보다 모바일 폰들 및 랩탑들을 선호한다. 태블릿 퍼스널 컴퓨터들, 휴대용 미디어 플레이어들, 및 핸드헬드 비디오게임 콘솔들의 인기는 또한 상승하고 있다. 모든 이러한 휴대용 전자 디바이스들 간의 공통성은, 그들이 전력 소스로서 하나 이상의 재충전가능 배터리들 (예컨대, 니켈-카드뮴 (Ni-Cad) 배터리 또는 리튬-이온 (Li+)) 을 포함하는 것이다.

일반적으로, 재충전가능 배터리들은, 충전 및 방전 사이클들의 부산물 (byproduct) 로서 충전 용량이 저하한다. 이러한 저하 영향은 누적되고, 고속 충전 및 방전 레이트들에 의해 고도로 가속화된다. 방전 레이트는 디바이스의 사용에 매우 의존하지만, 충전 레이트는 통상적으로 디바이스의 설계 동안 제조업자에 의해 제어된다. 제조업자는 배터리의 수명을 개선하기 위해 충전 레이트를 저속 충전 레이트로 세팅할 수 있다. 이는 탈착가능하거나 교체가능하지 않은 내장된 배터리들을 갖는 디바이스들에게 매우 중요할 수 있다. 그러나, 저속 충전 레이트는 더 긴 재충전 시간들을 야기한다. 긴 재충전 시간들은 소비자가 전력 소스 근처에 남아 있어야하는 긴 시간 주기와 등가이고, 이는 이동하고 있는 소비자에게 바람직하지 않을 수 있다. 따라서, 재충전가능 배터리들에 대하여 개선된 충전 기술들이 요구된다.

본 개시물은 배터리 충전과 관련된다. 일 양태에서, 컨텍스트 정보는 전자 디바이스에 의해 액세스된다. 컨텍스트 정보는 전자 디바이스의 하나 이상의 사용 패턴들을 기술할 수도 있다. 충전 지속시간의 예측은, 예컨대 컨텍스트 정보에 기초하여 생성된다. 충전 파라미터들은 충전 지속시간에 기초하여 결정될 수도 있고, 여기서 충전 파라미터들은 전자 디바이스의 배터리를 충전하는데 사용된다. 배터리 충전기는 배터리를 충전하기 위한 충전 파라미터들로 구성될 수도 있다.

일 양태에서, 본 개시물은, 전자 디바이스에 의해, 전자 디바이스의 하나 이상의 사용 패턴들을 기술하는 컨텍스트 정보에 액세스하는 단계, 전자 디바이스에 의해, 컨텍스트 정보에 기초하여 충전 지속시간을 예측하는 단계, 전자 디바이스에 의해 충전 지속시간에 기초하여 충전 파라미터들을 결정하는 단계로서, 여기서 충전 파라미터들은 전자 디바이스의 배터리를 충전하는데 사용되는, 상기 결정하는 단계, 및 배터리를 충전하기 위한 충전 파라미터들로 배터리 충전기를 구성하는 단계를 포함한다.

일 양태에서, 예측하는 단계는, 컨텍스트 정보의 데이터 엘리먼트들과 충전 지속시간 간의 관계들을 확립하는 모델을 생성하는 단계를 포함한다.

일 양태에서, 예측하는 단계는, 컨텍스트 정보를 충전 히스토리 데이터로서 저장하는 단계, 및 상기 충전 지속시간을 예측하기 위해 충전 히스토리 데이터를 현재 컨텍스트 정보와 비교하는 단계를 더 포함한다.

일 양태에서, 모델은 동적으로 생성된다.

일 양태에서, 모델은 과거 컨텍스트 정보 및 현재 컨텍스트 엘리먼트들을 별개의 수의 충전 지속시간들로 분류한다.

일 양태에서, 충전 파라미터들은 충전 전류 및 부동 전압을 포함한다.

일 양태에서, 컨텍스트 정보는 측정된 파라미터들 및 규정된 파라미터들을 포함하고, 그 방법은, 충전 애플리케이션에서 충전 지속시간, 측정된 파라미터들, 및 규정된 파라미터들을 수신하는 단계 및 측정된 파라미터들 및 규정된 파라미터들에 기초하여 충전 지속시간을 충전 파라미터들로 맵핑하는 단계를 더 포함한다.

일 양태에서, 컨텍스트 정보는 충전 상태, 충전 시간, 위치, 충전 소스, 및 배터리 레벨을 포함한다.

일 양태에서, 본 개시물은, 배터리 충전기, 배터리, 하나 이상의 프로세서들, 및 저장된 하나 이상의 명령들을 가지는 비-일시적 컴퓨터 판독가능 매체를 포함하는 전자 디바이스를 포함하며, 하나 이상의 명령들은, 하나 이상의 프로세서들에 의해 실행될 경우, 하나 이상의 프로세서들로 하여금, 전자 디바이스의 하나 이상의 사용 패턴들을 기술하는 컨텍스트 정보에 액세스하는 것, 컨텍스트 정보에 기초하여 충전 지속시간을 예측하는 것, 충전 지속시간에 기초하여 충전 파라미터들을 결정하는 것으로서, 여기서 충전 파라미터들은 전자 디바이스의 배터리를 충전하는데 사용되는, 상기 결정하는 것, 및 배터리를 충전하기 위한 충전 파라미터들로 배터리 충전기를 구성하는 것을 포함하는, 본원에 기술된 특정 기술들을 수행하게 한다.

일 양태에서, 본 개시물은, 저장된 하나 이상의 명령들을 가지는 비-일시적 컴퓨터 판독가능 매체를 포함하며, 하나 이상의 명령들은, 하나 이상의 프로세서들에 의해 실행될 경우, 하나 이상의 프로세서들로 하여금, 전자 디바이스의 하나 이상의 사용 패턴들을 기술하는 컨텍스트 정보에 액세스하는 것, 컨텍스트 정보에 기초하여 충전 지속시간을 예측하는 것, 충전 지속시간에 기초하여 충전 파라미터들을 결정하는 것으로서, 여기서 충전 파라미터들은 전자 디바이스의 배터리를 충전하는데 사용되는, 상기 결정하는 것, 및 배터리를 충전하기 위한 충전 파라미터들로 배터리 충전기를 구성하는 것을 포함하는, 본원에 기술된 특정 기술들을 수행하게 한다.

이하 상세한 설명 및 첨부된 도면들은 본 개시물의 특성 및 장점들의 더 양호한 이해를 제공한다.

도 1 은 일 양태에 따른 지능적인 배터리 충전을 포함하는 전자 디바이스를 도시한다.
도 2 는 다른 양태에 따른 지능적인 배터리 충전을 도시한다.
도 3 은 일 양태에 따른 배터리 충전기의 구성가능한 파라미터들을 도시한다.
도 4a 는 다른 양태에 따른 예시적인 예측 엔진을 도시한다.
도 4b 는 다른 양태에 따른 동적 모델들을 도시한다.
도 5 는 일 양태에 따른 전자 디바이스에서 지능적인 배터리 충전의 예시적인 방법을 도시한다.
도 6 은 일 양태에 따른 모바일 디바이스에서 지능적인 충전을 도시한다.
도 7 은 다른 양태에 따른 충전 시스템을 도시한다.
도 8 은 일 예시적인 양태에 따른 충전 알고리즘을 도시한다.
도 9 는 다른 양태에 따른 배터리 충전을 도시한다.
도 10 은 다른 양태에 따른 예시적인 배터리 충전기 시스템의 블록 다이어그램을 도시한다.

다음의 설명에 있어서, 설명의 목적으로, 다수의 예들 및 특정 상세들이 본 개시물의의 철저한 이해를 제공하기 위해 기술된다. 그러나, 청구항들에 표현된 것과 같은 본 개시물은 이들 예들에서의 특징들 중 일부 또는 전부를, 단독으로 또는 이하 설명되는 다른 특징들과 결합하여 포함할 수도 있고, 추가로 본 명세서에 설명된 특징들 및 개념들의 변형물들 및 등가물들을 포함할 수도 있음이 당업자에게 명백할 것이다.

본 개시물의 양태들은 컨텍스트 기반 배터리 충전을 위한 시스템들 및 방법들을 포함한다. 일 양태에서, 전자 디바이스의 사용 패턴들에 관한 컨텍스트 정보는 재충전가능 배터리를 충전하는 것을 커스터마이징하는데 사용된다. 일 양태에서, 예측 엔진은 컨텍스트 정보에 액세스하고, 예측된 충전 지속시간을 생성한다. 충전 애플리케이션은 예측된 충전 지속시간에 기초하여 배터리 충전기에서 충전 파라미터들을 커스터마이징한다. 일부 양태들에서, 충전 애플리케이션은 배터리 충전을 개선하기 위해 사용자로의 제안들을 생성할 수도 있다.

도 1 은 일 양태에 따른 지능적인 배터리 충전을 포함하는 전자 디바이스 (100) 를 도시한다. 전자 디바이스 (100) 는 예컨대, 모바일 폰 (예를 들면, 스마트폰), 태블릿 컴퓨터, 또는 전력 소스로서 재충전가능 배터리 (110) 를 포함하는 임의의 다른 전자 디바이스일 수도 있다. 상기 예에서, 전자 디바이스 (100) 는 사용자 입력들을 수신하고 출력들을 제공하기 위해 사용자 인터페이스 (101) 를 포함한다. 인터페이스 (101) 는 예컨대, 터치스크린과 같은 단일 컴포넌트, 또는 디스플레이 및 키보드와 같은 다중 컴포넌트들일 수도 있다. 전자 디바이스 (100) 는 하나 이상의 마이크로프로세서들 및/또는 제어기들과 같은 시스템 하드웨어 (HW), 센서들, 및 예컨대, 도 1 에 130 로 종합적으로 표시된 글로벌 포지셔닝 시스템 (GPS) 용 하드웨어 및/또는 소프트웨어와 같은 로케이션 시스템을 포함할 수도 있다. 전자 디바이스 (100) 는 추가로, 오퍼레이팅 시스템 (102) 및 애플리케이션들 (103) 을 포함할 수도 있다. 애플리케이션들 (103) 은 광범위의 사용자 특정 기능들 (예컨대, "앱들 (Apps)" 을 수행하기 위해 사용자에 의해 디바이스 (100) 에 로딩될 수도 있는 매우 다양한 프로그램들을 포함할 수도 있다.

본 개시물의 특정 양태들의 특징들 및 장점들은 배터리 충전을 개선하기 위해 전자 디바이스 (100) 의 상이한 컴포넌트들로부터의 컨텍스트 정보에 액세스하는 것을 포함한다. 컨텍스트 정보는 애플리케이션 데이터 (예컨대, 캘린더 상의 약속), 오퍼레이팅 시스템 데이터 (예컨대, 날짜 및 시간), GPS 데이터 (디바이스의 위치), 및 특정 사용자의 디바이스 사용 패턴들에 관한 다른 정보를 포함할 수도 있다. 상기 예에서, 충전 애플리케이션 (112) 및/또는 예측 엔진 (120) 은 예컨대, 전자 디바이스 (100) 의 사용 패턴들 주위의 충전을 최적화하기 위해 배터리 (110) 를 충전하는 배터리 충전기 (111) 를 구성하기 위해, 사용자 인터페이스 (101), 오퍼레이팅 시스템 (102), 하나 이상의 애플리케이션들 (103) 및/또는 다른 시스템 HW 및 센서들 또는 GPS (130) 로/부터 정보를 전송 및/또는 수신한다. 이하 더 상세히 설명된 일부 양태들에서, 예측 엔진 (120) 은 달력 애플리케이션으로부터의 캘린더 정보, 오퍼레이팅 시스템 (102) 으로부터의 시간 및 날짜 정보, 배터리 충전기 (111) 로부터의 배터리 충전 정보 (예컨대, 충전 상태, 일명 충전 레벨), (예컨대, GPS 로부터의) 위치 정보를 포함하지만, 이에 제한되지 않는 정보를 수신할 수도 있다. 예측 엔진 (120) 은 사용자의 충전 패턴들에 관련된 모델을 생성하고 충전을 위한 예측된 지속시간을 생성하기 위해 수신된 정보를 사용할 수도 있다. 다양한 양태들에서, 충전 애플리케이션 (112) 은, 예컨대 배터리 충전기 (111) 에서 충전 파라미터들을 커스터마이징하거나 또는 인터페이스 (101) 를 통한 사용자에게로의 제안들을 생성하기 위해, 배터리 충전기 (111) 로부터의 충전 파라미터들, 예측 엔진 (120) 으로부터의 하나 이상의 예측들, 애플리케이션 정보, 및 하드웨어 또는 오퍼레이팅 시스템 정보를 포함하지만, 이에 제한되지 않는 정보를 수신할 수도 있다. 사용자들로부터의 응답들은 예컨대, 충전 애플리케이션 (112) 에서 수신되고, 배터리 충전을 최적화하기 위해 충전 파라미터들을 커스터마이징하는 알고리즘들로 통합될 수도 있다. 예측 엔진 (120) 및/또는 충전 애플리케이션 (112) 은 (예측 엔진 (120) 에 의한) 예측들 및/또는 (충전 알고리즘 (112) 에 의한) 제안들을 개선하기 위해 충전 히스토리 정보로서 정보를 저장할 수도 있다.

도 2 는 다른 양태에 따른 지능적인 배터리 충전을 도시한다. 상기 예에서, 배터리 충전기 (210) 는 전압 (Vext) 을 수신하기 위해 외부 전력 소스에 커플링된 입력을 갖는다. 배터리 충전기 (210) 는 상기 예에서 리튬 이온 배터리 (Li+) 인 재충전가능 배터리 (250) 와 시스템 전자장치 (201) 에 전력을 제공할 수도 있다. 스위치 (SW; 212) 는 예컨대, 외부 전력 소스가 접속해제될 경우, 배터리 (250) 가 시스템 전자장치 (201) 에 전력을 제공하게 할 수도 있다. 배터리 충전기 (210) 는 단일 전력 관리 집적 회로 (PMIC) 의 일부일거나, 별개의 회로로서 제공될 수도 있다.

배터리 충전기 (210) 는 배터리 (250) 를 충전하기 위해 전압 및 전력을 생성하기 위한 충전 파라미터들 (211) 로 구성된다. 이러한 예에서, 충전 애플리케이션 (220) 은 예측 엔진 (230) 으로부터의 정보 및 다른 입력들 (240) (예컨대, 애플리케이션들, OS, 시스템 HW) 로부터의 정보를 수신한다. 충전 애플리케이션 (220) 은 예측 엔진 (230) 으로부터의 입력들 및 예컨대, 옵션적으로 다른 입력들 (24) 에 기초하여 충전을 개선하기 위해 배터리 충전기 (210) 에서 충전 파라미터들 (211) 을 커스터마이징한다.

도 3 은 일 양태에 따른 배터리 충전기의 구성가능한 파라미터들을 도시하는 예시적인 배터리 충전 플롯을 도시한다. 도 3 의 플롯은 3 가지 곡선들: 배터리 전압 곡선 (301), 입력 전류 곡선 (302), 및 충전 전류 곡선 (303) 을 포함한다. 배터리 충전 사이클은 매우 낮은 전압 (예컨대, Vbatt < 2v) 을 갖는 매우 열화된 배터리로 시작할 수도 있다. 그러한 경우에, 배터리 충전기는 초기에, 매우 작은 트리클(trickle) 충전 전류 (예컨대, Ichg = 10mA) 를 제공하도록 구성될 수도 있다. 트리클 충전의 일부 시간 주기 이후에, 배터리 전압 (Vbatt) 은 상기 예에서 2v 로 고정되지만 다른 양태들에서 프로그래밍될 수 있는 트리클 충전 대 사전 충전 트랜지션 전압으로 증가될 것이다. 충전기가 사전 충전 모드에 있을 경우, Vbatt 가 프로그래밍가능할 수도 있는 사전 충전 대 고속 충전 트랜지션으로 증가될 때까지, 배터리 내로의 프로그래밍가능한 사전 충전 전류를 생성할 수도 있다. 고속 충전 모드로의 트랜지션 이후에, 배터리 충전기는 배터리로의 프로그래밍가능한 고속 충전 전류를 생성할 수도 있다. 상기 양태에서, 고속 충전 전류는 일정하지만, 다른 양태들에서, 고속 충전 전류는 초기에 최대 레벨로 세팅될 수도 있고, 예컨대, Vbatt 가 증가할 때, 감소될 수도 있다. 고속 충전 동안, Vbatt 는 계속해서 증가한다. Vbatt 가 또한 프로그래밍가능한 임계치로 증가할 경우, 배터리 충전기는 전류 제어 충전으로부터 전압 제어 충전으로 트랜지션할 수도 있다. 이러한 예에서, 배터리 충전기는 Vbatt 가 프로그래밍된 부동 전압 값 (Vfloat) 과 동일할 경우, 일정한 전압 충전으로 트랜지션한다. 일정한 전압 충전 모드에서, 배터리 상의 전압은 (예컨대, Vfloat 에서) 일정하게 유지되고, 충전 전류는 감소한다 (점점 줄어든다). 다른 양태들에서, 제어 전류 충전으로부터 제어 전압 충전으로의 트랜지션을 트리거하는 프로그래밍가능한 임계치는, 제어 전압 충전 동안 사용된 프로그래밍가능한 부동 전압과 상이할 (예컨대, 더 클) 수도 있다. 충전은 전압 제어 모드에서의 충전 전류가 예컨대, 프로그래밍가능한 값 미만일 경우, 종료할 수도 있다.

앞서 기술된 프로그래밍가능한 충전 파라미터들은 도 2 에서 충전 파라미터들 (211) 의 예들이다. 일 예시적인 양태에서, 충전 파라미터들 (211) 은 배터리 충전을 최적화하기 위해 (예컨대, 더 긴 배터리 수명 또는 더 짧은 충전 시간) 충전 애플리케이션 (220) 에 의해 변경될 수도 있다. 예를 들어, 예측 엔진 (230) 은 상이한 예측된 충전 지속시간들을 충전 애플리케이션 (220) 으로 출력할 수도 있고, 애플리케이션 (220) 은 예컨대, 예측된 충전 지속시간에 기초하여, 사전 충전 대 고속 충전 트랜지션, 충전 전류, 및/또는 부동 전압을 제어하는 파라미터들을 변경할 수도 있다. 앞서 언급된 것과 같이, 사전 충전 대 고속 충전 전압 트랜지션은 Vbatt 가 증가할 때, 배터리 충전기가 얼마나 빨리 고속 충전을 시작할 것인지를 표시한다. 배터리 충전기가 (즉, 더 낮은 값들의 Vbatt 에서) 더 빨리 고속 충전을 시작한다면, 충전 시간들을 감소시킬 수 있지만, 이는 또한 배터리 수명을 감소시킨다. 유사하게, 고속 충전 전류를 증가시키는 것은 충전을 가속할 것이지만, 또한 배터리 수명을 감소시킬 것이다. 유사하게, 부동 전압을 증가시키는 것은, 전자 디바이스의 런타임을 증가시킬 것이지만, 배터리 수명을 저하시킬 것이다. 그러므로, 하나의 예시적인 애플리케이션에서, 예측 엔진 (230) 으로부터의 예측된 충전 지속시간이 길다면 (예컨대, 8 시간), 사전 충전 대 고속 충전 트랜지션, 고속 충전 전류, 및/또는 부동 전압을 제어하는 파라미터 중 하나 이상은 저속 충전 및 더 긴 배터리 수명을 위해 최적화될 수도 있다. 반대로, 예측 엔진 (230) 으로부터의 예측된 충전 지속시간이 짧다면 (예컨대, 15 분), 사전 충전 대 고속 충전 트랜지션, 고속 충전 전류, 및/또는 부동 전압을 제어하는 파라미터들 중 하나 이상은 예컨대, 충전 시간을 최소화하기 위해 최적화될 수도 있다. 다른 양태들에서, 충전 애플리케이션 (220) 은 이하 더 상세히 기술되는 것과 같이, 다른 입력들에 기초하여 충전 파라미터들 (211) 에 유사한 변경들을 실행할 수도 있다.

도 4a 는 다른 양태에 따른 예시적인 예측 엔진 (410) 을 도시한다. 본 개시물의 특정 양태들은 배터리의 충전을 최적화하는데 사용된 예측들을 생성하기 위해 이력 컨텍스트 데이터에 관한 사용자 특정 정보에 액세스하고 저장할 수도 있다. 상기 예에서, 예측 엔진 (410) 은 배터리를 충전하는 것과 관련된 전자 디바이스의 사용 패턴들에 관한 컨텍스트 정보를 수신한다. 배터리 충전에 유리할 수도 있는 일부 옵션의 컨텍스트 정보는 (예컨대, 충전이 시작하고 중지하는 시점을 예측 엔진에 통보하는) 충전 상태 (401), 배터리 레벨 (402), 시간 및/또는 날짜 (403), GPS 위치 및/또는 모션 (404), 충전 소스 (405) (예컨대, AC 어댑터 또는 범용 직렬 버스 (USB) 포트), 및 옵션으로 다른 입력 데이터 (406) 를 포함할 수도 있다. 예측 엔진 (410) 은 데이터 캡처 컴포넌트 (411), 모델 생성 컴포넌트 (413), 및 예측기 컴포넌트 (415) 를 포함한다. 데이터 캡처 컴포넌트 (411) 는 컨텍스트 정보를 수신하고, 컨텍스트 정보를 (예컨대, 전자 디바이스의 메모리에) 충전 히스토리 데이터 (412) 로서 저장한다. 충전 히스토리 데이터 (412) 는 예컨대, 요일 (예컨대, 일요일, 월요일, ..., 금요일, 토요일), 시간 (예컨대, 충전이 개시되었던 시간 및/또는 분), 충전이 개시되었던 하루 중 시기 (아침, 오후, 저녁), 초기 배터리 레벨들, (예컨대, < 30 분, < 60 분, < 90 분, 또는 > 90 분과 같은 정의된 지속시간들로 버킷 (bucket) 된) 지속시간, 위치 및/또는 모션 (예컨대, 경도/위도 또는 심지어 셀 ID), 소스 타입 (AC 또는 USB), 및 최종 충전 시간을 포함하는 각각의 특정 충전 활동의 데이터를 포함할 수도 있다. 일부 양태들에서, GPS 와 같은 센서들, 가속도계, 또는 자이로스코프는 또한, (예컨대, 차로 출근하는 것, 직장 또는 집에 주둔하는 것, 등등의) 추가의 컨텍스트 정보를 결정하기 위해 사용자의 모션을 제공할 수도 있다. 일부 양태들에서, 시간은 유리하게, 하루 중 시간 및 하루 중 시기로 표현될 수도 있고, 다음과 같이 분류될 수도 있다:

a. 이른 아침: 5am-8am

b. 아침: 8-12am

c. 오후: 12am-5pm

d. 저녁: 5pm-8pm

e. 늦은 저녁: 8pm-12pm

f. 밤: 12pm-5am.

모델 생성 컴포넌트 (413) 는 데이터 캡처 컴포넌트 (411) 로부터 충전 히스토리 데이터 (412) 및 현재 컨텍스트 정보를 수신하고, 컨텍스트 정보 (예컨대, 시간, 위치, 등등...) 의 데이터 엘리먼트들과 충전 지속시간 간의 관계들을 확립하는 모델을 생성 및/또는 업데이트한다. 모델은 컨텍스트 정보에서 특정 데이터 엘리먼트들이 예컨대, 예측된 충전 지속시간에 영향을 주는 것을 표시할 수도 있다. 예측기 (415) 는 지속된 모델 (414) 및 현재 컨텍스트 정보를 수신한다. 예측기 (415) 는 현재 컨텍스트 정보를 분석하고, 현재 컨텍스트 정보를 지속된 모델 (414) 과 비교하여 예컨대, 예측된 충전 지속시간들을 생성한다. 예측된 충전 지속시간은 사용자가 현재 상태들 (즉, 현재 컨텍스트) 에서 배터리를 충전하는 것으로 예상되는, 예측된 시간의 양일 수도 있다. 다른 양태들에서, 예측 엔진 (410) 은 사용자가 충전 동작을 수행하는 것으로 예측되는 (예컨대, 사용자가 전화를 벽의 어댑터에 플러깅하는 것으로 예측되는) 특정 시간을 출력될 수도 있다. 본 개시물의 양태들은 컨텍스트 정보를 수신 및 프로세싱하고, 모델들을 생성하고 분석하여 예컨대, 예측된 충전 지속시간들을 생성하기 위해 분류자들 및 분류 기술들을 사용할 수도 있다. 일부 양태들은 "Method and Apparatus for Improving a User Experience or Device Performance Using an Enriched User Profile" 라는 명칭으로 2012 년 9 월 3 일에 제출된 미국 특허 출원 공보 제 US 2013/0238540 A1 호, 즉 출원 번호 제 13/602,250 호에서 설명된 분류, 예측, 및 모델링 기술들을 사용할 수도 있고, 상기 출원들의 컨텐츠는 그 전체가 참조에 의해 본원에 통합된다.

도 4b 는 다른 양태에 따른 동적 모델들을 도시한다. 본 개시물의 특징들 및 장점들은 피처들과 같은 입력 데이터에 기초하여 모델들을 동적으로 생성하는 것을 포함한다. 도 4b 는 예컨대, 시간 데이터 (440), 요일 (DOW; 441), 최종 충전 이후 시간 (442), 다음 충전에 대한 예측된 시간 (443), 충전기 타입 (444), 위치 (445), 배터리 레벨 (446), 및/또는 다른 피처들을 포함하는 피처 데이터를 도시한다. 각각의 피처는 490 과 같은 데이터 포인트들에 의해 도시된 것과 같은 다수의 상이한 데이터 값들을 가질 수도 있다. 예측 엔진 (430) 은 모델들 (450 - 452) 과 같은 모델들을 생성하기 위해 데이터 피처들을 사용할 수도 있다. 모델들은 출력들을 구별하기 위해 이력 및 현재 입력 피처 데이터에 기초하여 생성된다. 이러한 예에서, 모델들은 입력 데이터 세트를 예측된 충전 시간들에 대응하는 3 개의 출력들 중 하나로 분류한다: 30 분 미만 동안의 충전 (충전 < 30 분), 30 분과 60 분 사이 동안의 충전 (30 분 < 충전 < 60 분), 및 60 분 초과 동안의 충전 (충전 > 60 분). 개시된 접근방식의 한 가지 장점은, 모델들이 동적이어서 피처 데이터가 사용 패턴들에서의 변경들에 응답하도록 변화할 때, 모델들이 시간에 걸쳐 변화하게 하는 것이다. 따라서, 동적 모델들은 사용 패턴들이 변화할 때 재프로그래밍 또는 재구성을 요구하지 않는다.

도 5 는 일 양태에 따른 전자 디바이스에서 지능적인 배터리 충전의 예시적인 방법을 도시한다. 501 에서, 충전 컨텍스트 정보는 예측 엔진에서 수신될 수도 있다. 예를 들어, 컨텍스트 정보는 시간, 날짜, 배터리 레벨, 위치/모션, 충전 소스 (예컨대, AC 어댑터 또는 USB 포트), 또는 충전 상태 (예컨대, 충전/미충전) 을 포함할 수도 있다. 컨텍스트 정보는 전술된 것과 같은 충전 히스토리의 일부로서 저장될 수도 있다. 502 에서, 모델은 컨텍스트 정보에서의 데이터 엘리먼트들과 충전 지속시간 간의 관계들을 확립하기 위해 옵션으로 생성된다. 503 에서, 전자 디바이스의 배터리 충전기가 활성화된다. 예를 들어, 사용자는 모바일 폰을, 충전을 활성화할 수도 있는 USB 포트 또는 벽 어댑터로 플러깅할 수도 있다. 504 에서, 옵션으로, 충전 애플리케이션은 충전 지속시간 (예컨대, 얼마나 오랫동안 예측 엔진이 이러한 충전이 현재 상황에서 지속할 것임을 믿을 것인가?) 에 대하여 예측 엔진에 질의를 전송할 수도 있다. 추가의 옵션으로서, 예측 엔진은 505 에서 현재 컨텍스트 정보에 액세스하고, 현재 컨텍스트를 지속된 모델과 비교할 수도 있다. 예를 들어, 예측 엔진은 현재 날짜, 시간, 위치/모션, 배터리 레벨, 충전 소스, 및 다른 시스템 데이터에 액세스하고, 지속된 모델을 사용하여, 현재 충전 동작에 대하여 가능한 충전 지속시간을 결정할 수도 있다. 예측된 충전 지속시간들은 다수의 "버킷들" 중 하나에서 제공될 수도 있다. 예를 들어, 15 분 미만의 예측된 충전 지속시간들은 "10 분" 버킷에 위치될 수도 있고, 15 분과 45 분 사이의 예측된 충전 지속시간들은 "30 분 버킷" 에 위치될 수도 있고, 45 분과 1.5 시간 사이의 예측들은 "1 시간 버킷" 에 위치될 수도 있고, 1.5 시간과 2.5 시간 사이의 예측들은 "2 시간 버킷" 에 위치될 수도 있고, 그리고 2.5 시간 초과의 예측들은 "3 시간 초과 버킷" 에 위치될 수도 있다. 506 에서, 예측된 충전 지속시간은 충전 애플리케이션으로 출력된다. 507 에서, 충전 애플리케이션은 예측된 충전 지속시간을, 배터리 충전기에서 세팅될 수도 있는 충전 파라미터들로 맵핑한다. 예를 들어, 예측된 충전 지속시간이 특정 배터리 레벨에 대하여 10 분이라면, 검색 테이블은 예측된 충전 시간 내에서 가능한 최대 양만큼 배터리 레벨을 증가시키기 위해 특정 충전 전류 파라미터들, 부동 전압 파라미터들, 또는 다른 파라미터들을 결정하는데 사용될 수도 있다. 대안적으로, (예컨대, 위치가 집이고, 시간이 11pm 이고, 컨텍스트 정보 히스토리가 전자 디바이스가 10pm 과 7am 사이에 드물게 사용되는 것을 표시하기 때문에) 예측된 충전 지속시간이 8 시간이면, 검색 테이블은 배터리 수명을 최대화하기 위해 배터리 레벨을 예측된 충전 시간에 걸쳐 느린 레이트로 증가시키기 위해 특정 충전 전류 파라미터들, 부동 전압 파라미터들, 또는 다른 파라미터들을 결정하는데 사용될 수도 있다. 충전 파라미터들이 배터리 충전기에서 세팅되면, 508 에서 배터리 충전 사이클은 커스터마이징된 충전 파라미터들을 사용하여 개시된다. 509 에서, 이러한 충전 사이클에 대한 현재 컨텍스트 정보는 옵션으로 저장되고, 모델들은 예컨대, 향후 사용을 위해 업데이트될 수도 있다.

도 6 은 일 양태에 따른 모바일 디바이스에서 지능적인 충전을 도시한다. 이러한 예에서, 테이블 컴퓨터 또는 스마트폰과 같은 모바일 디바이스 (600) 는 예측 엔진 (611) 과 애플리케이션들 (612) 로부터 입력들을 수신하는 충전 애플리케이션 (610) 을 포함할 수도 있다. 예측 엔진 (611) 은 이러한 예에서 옵션적이다. 충전 애플리케이션 (610) 이 소프트웨어 계층 (601) 에서 실행되고, 예컨대, 오퍼레이팅 시스템 (613) 및/또는 I2C 버스와 같은 통신 버스들을 통해 시스템 전자장치 (602) 와 전력 관리 집적 회로 (PMIC; 603) 를 포함하는 하드웨어와 통신할 수도 있다. 충전 애플리케이션 (610), 예측 엔진 (611), 애플리케이션들 (612) 및 오퍼레이팅 시스템 (613) 은 메모리 (예컨대, RAM, ROM, 비휘발성 메모리) 와 같은 비-일시적 컴퓨터 판독가능 매체 (CRM; 606) 에 저장되고, 하나 이상의 프로세서들 (예컨대, 마이크로프로세서들, μP) (605) 에 의해 실행될 수도 있다. 비-일시적 컴퓨터 판독가능 매체는, 하나 이상의 프로세서들에 의해 실행될 경우, 하나 이상의 프로세서들로 하여금 본원에 설명된 동작들을 수행하게 하는 하나 이상의 명령들 및/또는 프로그램들을 저장할 수도 있다. 충전 애플리케이션 (610) 은, 상기 예에서 PMIC (603) 의 일부로서 도시되지만, 자립형 IC 일 수 있는 배터리 충전기 (604) 를 구성할 수도 있다. 충전 애플리케이션 (610) 은 예컨대, 애플리케이션들 및 옵션으로 예측 엔진으로부터의 데이터 입력들을 수신하여 배터리 충전기 (604) 를 구성할 수도 있다. 상기 예에서, 충전 애플리케이션은 배터리 충전 프로세스를 추가로 조정하기 위해 (도시되지 않은), 신호들을 사용자 인터페이스로 전송하고 수신할 수도 있다.

일 양태들에서, 충전 애플리케이션 (610) 은 배터리 충전을 개선하기 위해 사용자로의 제안들을 생성할 수도 있다. 제안들은 예컨대, 전자 디바이스의 사용자에게 액션을 수행할 것을 지시하기 위해, 충전 애플리케이션 (100) 에 의해 제공된 명령들 또는 지시들일 수 있다. 일 양태에서, 액션은 사용자에 의해 수행될 경우, 배터리의 충전 성능을 개선할 수 있다. 일 예에서, 충전 애플리케이션 (610) 은 배터리가 거의 열화된 것을 검출할 경우, 제안을 제공한다. 제안은 사용자에게 벽의 콘센트와 같은 인접 전력 소스로 지향시킬 수 있다. 예를 들어, 충전 애플리케이션 (610) 은 로케이션 유닛을 사용하여 전자 디바이스의 지오로케이션 (geolocation) 을 검출하고, 예컨대 충전 애플리케이션에 사용가능한 전력 소스들의 레지스트리 (registry) 로부터 검출된 지오로케이션 근처에 있는 하나 이상의 전력 소스들을 식별할 수도 있다. 하나 이상의 전력 소스들은 전자 디바이스를 충전하기 위한 장소들의 제안으로서 사용자에게 제공될 수 있다. 이러한 제안은 사용자가 전자 디바이스를 충전하기 위한 AC/DC 어댑터에 플러깅하기 위해 벽의 콘센트를 로케이팅하는 것을 보조할 수 있다.

다른 양태에서, 충전 애플리케이션 (610) 은 현재 충전 레이트가 바람직하지 않을 경우, 제안을 제공할 수 있다. 그 제안은 바람직한 충전 레이트를 제공할 수 있는 다른 전력 소스를 로케이팅하기 위한 것일 수 있다. 예를 들어, 전자 디바이스는 원하는 충전 레이트 미만인 충전 레이트를 제공하고 있는 퍼스널 컴퓨터의 USB 포트로 플러깅될 수 있다. 다시 말해서, USB 포트는 배터리를 매우 느리게 충전하고 있다. 충전 애플리케이션 (610) 은 부적절한 충전 레이트를 검출하고, 더 최적의 충전 레이트 (예컨대, 최대 충전 레이트에 더 가까운 충전 레이트) 를 제공할 수 있는 인접하는 벽의 콘센트의 제안을 생성한다. 일 예에서, 제안은 "이 시기에 최적의 충전을 위해 PC USB 포트 대신 AC/DC 어댑터를 사용" 일 수 있다.

다른 양태에서, 충전 애플리케이션 (610) 은 현재 충전 레이트가 바람직하지 않을 경우, 전자 디바이스에서 특정 기능을 디스에이블하거나 또는 특정 애플리케이션들을 클로징하기 위해 제안을 제공할 수 있다. 제안을 수행하는 것은, 전자 디바이스의 방전 레이트를 감소시킬 수 있고, 따라서 배터리를 완전히 충전하는데 필수적인 시간 주기를 단축시킨다. 충전 레이트, 배터리를 완전히 충전하는데 필요한 전력의 양, 및/또는 배터리를 충전하는데 할당되는 시간 주기 (예컨대, 예측 엔진 (611) 으로부터의 지속시간) 에 의존하여, 충전 애플리케이션 (610) 은 배터리가 할당된 시간 주기에 완전히 충전될 수 있는지 여부를 결정할 수 있다. 배터리가 할당된 시간 주기에 완전히 충전될 수 없다면, 충전 애플리케이션 (610) 은 사용자가 디바이스의 피처들 또는 기능을 디스에이블하는 제안을 생성할 수 있다. 예를 들어, 제안은 "고속 충전을 위해 디바이스의 라디오 피처 (radio feature) 를 턴 오프 해주세요" 일 수 있다. 다른 예로서, 제안은 "고속 충전을 위해 디바이스의 디스플레이를 턴 오프 해주세요" 일 수 있다. 또 다른 예로서, 제안은 "고속 충전을 위해 전자 디바이스를 턴 오프 해주세요". 일부 예들에서, 충전 애플리케이션 (610) 은 먼저, 다른 전력 소스를 로케이팅하기 위한 제안을 제공할 수 있다. 충전 레이트가 다른 전력 소스를 추천한 후에도 여전히 불충분하다면, 충전 애플리케이션 (610) 은 전자 디바이스의 기능을 디스에이블하거나 애플리케이션들을 클로징하기 위한 제안을 제공할 수 있다.

또 다른 양태에서, 충전 애플리케이션 (610) 은 또한, 전자 디바이스에서 열 부하들이 최대 값보다 높을 경우, 전자 디바이스에서 특정 기능을 디스에이블하거나 또는 특정 애플리케이션들을 클로징하기 위해 제안을 제공할 수 있다. 최대 값은 제조업자에 의해 세팅될 수 있다. 모바일 디바이스들에서 열 부하들은 주로 3 개의 메인 소스들로부터 발생할 수 있다. 제 1 소스는 애플리케이션들을 관리하기 위한 애플리케이션 프로세서 및 호출들을 실행하거나 데이터를 전달하는 것을 포함하는 전자 디바이스의 라디오 기능을 관리하기 위한 베이스밴드 프로세스를 포함할 수 있는, 전자 디바이스의 프로세서들이다. 제 2 소스는, 전자 디바이스가 전화 호출 또는 인터넷 어드레스를 라우팅하기 위해 음성 및 데이터 신호들을 기지국 타워로 송신할 수 있게 하는, RF 전력 증폭기이다. 통상적으로, 전력 증폭기는 최대 배터리 전력을 사용하고, 따라서 대부분의 열을 소실한다. 제 3 소스는 배터리를 충전하는 배터리 충전기이다.

그 디바이스에서의 열 부하들이 미리 정의된 최대 값보다 높을 경우, 전자 디바이스의 컴포넌트들은 손상될 수 있다. 이러한 손상은 전자 디바이스의 기능, 수명, 또는 신뢰도에 영향을 줄 수 있다. 일 예에서, 전자 디바이스의 각각의 컴포넌트는 최대 열 부하를 명시할 수 있다. 컴포넌트의 최대 열 부하가 초과될 경우, 컴포넌트는 부 최적으로 수행할 수 있거나, 손상될 수 있다. 일 예에서, (전자 디바이스의 전체 또는 컴포넌트들로서 전자 디바이스의) 최대 열 부하들 및 현재 열 부하들은 충전 애플리케이션 (610) 의 입력들의 일부로서 수신될 수 있다. 입력들에 의존하여, 충전 애플리케이션 (610) 은 원하는 충전 상태를 출력할 수 있다. 원하는 충전 상태는, 배터리 충전기가 다량의 열을 소실하기 때문에, 전자 디바이스의 열 부하들을 오버로딩하지 않도록, 속도가 감소될 수 있다. 충전 애플리케이션 (610) 은 또한, 현재 열 부하들이 너무 높을 경우, 특정 기능을 디스에이블하거나 특정 애플리케이션들을 클로징하기 위해 제안을 제공할 수 있다. 다른 기능을 디스에이블하는 것은, 전자 디바이스에서 전체 열 부하들을 감소시킬 수 있다. 전자 디바이스에서 전체 열 부하들이 감소할 경우, 원하는 충전 상태는 전체 열 부하에서의 감소를 설명하기 위해 재조정될 수 있다. 예를 들어, 제안은 "디바이스가 너무 뜨겁습니다. 고속 충전을 위해 디바아이스를 턴 오프 해주세요" 일 수 있다.

충전 애플리케이션 (610) 은 또한, 배터리를 충전하는 것과 관련된 정보에 액세스할 수 있다. 예를 들어, 그러한 데이터는, 배터리가 충전된 횟수, 배터리가 충전된 방식 (예컨대, 충전 레이트), 및 (충전, 열, 기대 수명, 등을 유지하는 능력을 포함하는) 배터리의 조건을 포함할 수 있다. 이러한 데이터는 또한, 예측 엔진과 같은 다른 시스템에 의한 분석을 위해 충전 애플리케이션 (610) 에 의해 출력될 수 있다.

충전 애플리케이션 (610) 은 하나 이상의 충전 알고리즘들 (615) 을 포함한다. 충전 알고리즘 (615) 은 충전 애플리케이션 (610) 에 의해 수신된 컨텍스트 정보를 원하는 충전 상태 (또는 원하는 충전 레이트), 및/또는 제안들로 프로세싱할 수 있다. 하나 이상의 알고리즘들에 의해 수신된 컨텍스트 정보는 3 개의 카테고리들: 규정된 파라미터들, 측정된 파라미터들, 및 예측 파라미터들 내에 있을 수 있다. 하나 이상의 카테고리들로부터의 하나 이상의 파라미터들은 예컨대, 원하는 충전 상태, 원하는 충전 레이트, 및/또는 제안들을 결정하기 위해 충전 알고리즘들 (615) 에 의해 분석될 수 있다.

규정된 파라미터들

규정된 파라미터들은 전자 디바이스의 성능 및 더 구체적으로, 배터리 충전기의 성능을 튜닝하기 위해 사용자 또는 제조업자에 의해 규정되는 정적 파라미터들이다. 규정된 파라미터들은 배터리 충전기, 배터리, 또는 전자 디바이스 내의 다른 컴포넌트들의 속성들을 포함할 수 있다. 규정된 파라미터들은, 전자 디바이스로부터의 피드백 또는 측정들에 기초하지 않을 수도 있는 정적 파라미터들일 수도 있고, 따라서 사용자에 의해 지시되지 않는다면 전자 디바이스가 턴 온되는 동안 동적으로 변화하지 않을 수도 있다.

일 양태에서, 규정된 파라미터는 하드웨어 특징들의 충전 알고리즘 (615) 을 전자 디바이스에 통지하는 공장 하드웨어 사전 설정일 수 있다. 예를 들어, 하드웨어 사전 설정은 전자 디바이스가 내장된 또는 재충전가능 배터리를 사용하는지 여부의 구성 세팅일 수 있다. 내장된 배터리를 갖는 디바이스들은 배터리가 용이하게 대체되지 않기 때문에, 단축된 배터리 사이클 수명에 더 민감할 수 있다. 결과적으로, 충전 알고리즘 (615) 은 배터리 사이클 수명을 개선하기 위해 배터리 충전기의 성능을 튜닝할 수 있다. 다른 예로서, 하드웨어 사전 설정은 디바이스 내에 설치된 배터리 충전기의 타입 또는 디바이스에 설치된 배터리의 타입과 연관된 식별자일 수 있다. 배터리의 타입 및/또는 배터리 충전기의 타입은 적용될 수 있는 원하는 충전 상태들을 제한할 수 있다. 예를 들어, 리튬 이온 (Li+) 배터리는 저속, 중속 및 고속 충전을 위해 구성될 수 있는 반면, Ni-Cad 배터리는 오직 저속 또는 중속 충전을 위해 구성될 수 있다. 유사하게, 디바이스에 설치된 배터리 충전기의 타입은 어떤 충전 레이트들이 사용가능한지를 명시할 수 있다. 다른 예로서, 하드웨어 사전 설정은 배터리와 연관된 배터리 커패시티 값 또는 배터리 식별자일 수 있다. 다른 예로서, 하드웨어 사전 설정은 전자 디바이스의 전체로서 또는 컴포넌트에 대하여 전자 디바이스의 최대 열 부하일 수 있다. 예를 들어, 배터리의 최대 열 부하가 명시될 수 있다. 배터리의 최대 열 부하를 초과하는 것은 배터리를 손상시킬 수 있고, 따라서 더 짧은 배터리 사이클 수명 또는 충전 성능을 발생한다.

사용자가 생성한 규정된 파라미터의 일 예는 사용자 프로파일일 수도 있다. 사용자 프로파일은 사용가능한 충전 프로파일들의 세트 밖의 충전 파일을 포함할 수 있다. 충전 프로파일은 어떻게 전자 디바이스가 충전되어야 하는지의 전체론적 설명이다. 전체론적 설명은 충전 성능 (예컨대, 충전 시간), 열 부하, 및 배터리 수명을 포함하는 다양한 인자들을 밸런싱할 수 있다. 이들 인자들은 서로 관련되고, 따라서 충전 프로파일은 이들 인자들의 각각에 대하여 중요도 (또는 가중치) 를 기술한다. 사용자가 디바이스를 사용할 것을 어떻게 의도하는지 또는 디바이스가 얼마나 자주 교체되는지와 같은 인자들에 의존하여, 충전 프로파일은 다른 것에 비해 선호될 수 있다.

일 예에서, 모바일 디바이스는 광범위의 최종 소비자들을 가질 수도 있고, 따라서 제조업자는 스마트폰의 충전 성능을 특정 최종 소비자에게 맞추기 위해 다양한 충전 프로파일들을 포함할 수 있다. 예를 들어, 사업자는 비지니스 작업들 (이메일들, 스케줄링, 애플리케이션들, 등등) 을 위해 그의 스마트폰을 사용할 수 있다. 추가로, 스마트폰은 매 6 개월 마다 교체될 수 있고, 이는 회사 정책의 일부이기 때문이다. 디바이스가 자주 교체되기 때문에 사업가가 배터리 사이클 수명에 대하여 관심이 적은 것을 고려하면, "파워 사용자" 충전 프로파일이 선택될 수 있다. "파워 사용자" 충전 프로파일은 더 빠른 충전 성능 대신 배터리 수명 사이클의 중요도를 무시할 수 있다. 대조적으로, 스마트폰의 임시 사용자는 주기적으로 이메일을 체크하고 가족들을 호출할 수 있지만, 항상 완전 충전을 필요로 하지 않고 거의 전화를 업그레이드하지 않는다. 따라서, 그러한 사용자는 오랫동안 지속할 디바이스에 가장 관심이 있다. 이 경우, "임시 사용자" 충전 프로파일이 선택될 수 있다. "임시 사용자" 충전 프로파일은 예컨대, 느린 충전 성능 대신 개선된 배터리 사이클 수명에 중점을 둘 수 있다.

일부 예들에서, 전자 디바이스의 충전 성능을 추가로 미세 튜닝하기 위해, 소정의 충전 프로파일에 예외들이 또한 부가될 수 있다. 예외들은 소정의 충전 프로파일에 부여될 수 있다. 앞의 예에서, 사업가는 그의 얼굴 바로 옆에 뜨거운 전화기를 고정하는데 있어 불편함을 발견할 수도 있다. 결과적으로, "파워 사용자" 충전 프로파일에 예외가 부가될 수 있고, 여기서 충전 성능은 예컨대, 사용자가 블루투스 헤드셋 없이 음성 호출을 실행중이고 배터리가 충전중일 때, 속도가 감소되어야 한다.

측정된 파라미터들

측정된 파라미터들은 전자 디바이스의 과거 및/또는 현재 환경에 기초하는 파라미터들이다. 측정된 파라미터들은 전자 디바이스로부터 동적으로 취득되는 측정치들일 수 있다. 이들 측정치들은 과거 및/또는 현재 환경에 따라 충전 거동을 동적으로 업데이트하는데 사용될 수 있고, 따라서 충전 애플리케이션 (610) 이 예컨대, 사용가능한 리소스들 및 과거 및 현재 조건들에 따라 배터리 충전을 튜닝하게 한다.

일 양태에서, 측정된 파라미터는 배터리의 특성들일 수 있다. 예를 들어, 배터리 온도, 조건 및 수명은 동적으로 결정되고, 충전 애플리케이션 (610) 으로 송신될 수 있다. 충전 알고리즘 (615) 은 배터리의 온도, 조건, 또는 수명이 주어질 때, 최적 충전 레이트를 고려할 수 있다. 예를 들어, 배터리는 뜨거울 경우, 잘 충전되지 않을 수도 있고, 따라서 충전 알고리즘 (615) 은 원하는 충전 상태를 결정할 때, 배터리 온도를 고려할 수 있다.

다른 양태에서, 측정된 파라미터는 사용가능한 전력 소스일 수도 있다. 전자 디바이스는 전자 디바이스를 충전하기 위해 현재 어떤 전력 소스가 사용되는지 (예컨대, USB 또는 AC) 를 감지하고, 이러한 정보를 충전 애플리케이션 (610) 으로 중계할 수 있다. 충전 알고리즘 (615) 은 전력 소스에 기초하여 원하는 충전 상태를 결정할 수 있다. 예를 들어, 전력 소스가 USB 포트이면, 충전 알고리즘 (615) 은 전력 소스의 제한들을 결정하고, 그에 따라 원하는 충전 상태를 조정할 수 있다.

또 다른 양태에서, 측정된 파라미터는 전자 디바이스에서의 열 부하들일 수 있다. 열 부하들은 전자 디바이스의 열 측정 유닛에 의해 결정될 수 있다. 열 측정 유닛은 전자 디바이스의 열 부하 또는 전자 디바이스의 컴포넌트를 측정할 수 있다. 충전 알고리즘 (615) 은 측정된 열 부하를, 전자 디바이스 내의 (배터리, 배터리 충전기, 프로세서들, 전력 증폭기, 등등과 같은) 컴포넌트의 최대 열 부하 또는 전자 디바이스 전체의 열 부하를 기술하는 규정된 파라미터들과 비교할 수 있다. 충전 알고리즘 (615) 은 원하는 충전 상태를 제공할 경우, 충전 레이트를 변화시키는 것이 열 부하에 미칠 영향을 고려할 수 있다.

또 다른 양태에서, 측정된 파라미터는 전자 디바이스의 지오로케이션일 수 있다. 지오로케이션은 예를 들어, GPS 와 같은 전자 디바이스의 위치 추적 유닛에 의해 결정될 수 있다. 충전 알고리즘 (615) 은 집, 사무실, 여행, 체육관, 등등과 같은 복수의 저장된 로케이션들에 대하여 지오로케이션을 비교할 수 있다. 매칭이 발생하면, 충전 알고리즘은 그에 따라 충전 거동을 조정할 수 있다. 예를 들어, 집에 있는 전자 디바이스는 연장된 시간 주기 동안 전력 소스로 플러깅되는 것을 유지할 수 있다. 대조적으로, 사무실에 있는 전자 디바이스는 사용자가 회의로부터 회의로 이동할 때 더 산발적으로 플러깅될 수도 있다. 충전 알고리즘 (615) 은 원하는 충전 상태 또는 제안들을 결정할 때, 이들 인자들을 고려할 수 있다.

예측 파라미터들

예측 파라미터들은 예측 분석 엔진 또는 충전 애플리케이션에 의해 유도될 수도 있는 파라미터들이다. 전술된 것과 같이, 예측 검색 엔진은 사용 패턴들을 추정하기 위해 전자 디바이스의 측정치들 및 거동을 분석함으로써, 충전이 발생할 수도 있는 충전 지속시간 또는 횟수들을 예측할 수도 있다. 유사하게, 일부 예들에서, 충전 애플리케이션 (610) 은 사용자의 스케줄과 같은, 사용자에 관한 정보를 발견하기 위해 전자 디바이스 상의 다른 애플리케이션들에 액세스 (예컨대, 스누핑) 할 수도 있다. 예를 들어, 충전 애플리케이션 (610) 은 캘린더 애플리케이션으로부터 캘린더 약속들을 취출할 수도 있다. 유사하게, 충전 애플리케이션 (610) 은 전자 디바이스의 사용을 분석함으로써 사용자의 통상의 업무 시간들 및 수면 시간들을 결정한다.

일 양태에서, 충전 애플리케이션 (610) 은 사용 패턴들에 기초하여 사용자에 대하여 예측된 스케줄을 출력할 수도 있다. 예측된 스케줄은 사용자의 위클리 또는 데일리 패턴들을 예측할 수 있다. 이는 활동/비활동의 주기들, 하루 중 전자 디바이스의 위치 (예컨대, 오늘 2pm 에 사무실에 있을 것임), 및 전자 디바이스가 작업을 수행하기 위해 충분히 전력이 공급되어야 하는 긴급성을 예측하는 것을 포함할 수 있다.

예를 들어, 예측 분석 엔진 (611) 은 전술된 것과 같은 충전 지속시간을 예측할 수도 있고, 여기서 11pm 에 충전을 위해 플러깅되는 전자 디바이스는 11pm 의 시간과 6am 의 시간 사이에 일정한 패턴의 디바이스 비활동에 기초하여 다음날 6am 까지 계속 플러깅될 것이다. 이들 비활동 주기들 (또는 심지어 활동 주기들) 은 사용 패턴들로부터 유도될 수 있고, 전자 디바이스의 향후 충전 지속시간들을 더 잘 예측하기 위해 예측 분석 엔진에 의해 사용될 수 있다.

다른 예로서, 충전 애플리케이션 (610) 은 전자 디바이스가 캘린더 애플리케이션으로부터 취출된 캘린더 약속들에 기초하여 다음 5 시간 동안 플러깅되지 않을 것을 결정할 수도 있다. 이러한 정보는 충전 애플리케이션 (610) 에 의해 프로세싱될 수 있고, 따라서 충전 알고리즘 (615) 은 예컨대, 원하는 충전 상태 또는 제안들을 생성할 때 고려할 인자일 수 있다.

다른 예로서, 충전 애플리케이션 (610) 은 전자 디바이스의 사용자가 다음 2 시간 동안 기차에 있을 것으로, 그리고 이는 전화 약속들과 오버랩하는 것으로 결정할 수도 있다. 사용자가 기차에 있는 동안 호출들을 실행해야할 수 있는 것을 고려하면, 충전 애플리케이션 (610) 은 전자 디바이스가 이들 호출들을 실행하기 위해 충분히 충전되기 위해 긴급 통지를 생성할 수도 있다. 충전 알고리즘 (615) 은 이러한 긴급한 통지를 검출하고, 디바이스가 사용자가 기차에 탑승하기 전에 적절히 충전되는 것을 보장하는 것을 돕는 제안들을 사용자에게 제안한다.

도 7 은 다른 양태에 따른 충전 시스템을 도시한다. 충전 시스템 (700) 은 전자 디바이스 (701), 전자 디바이스 (702), (예컨대, 인터넷 및/또는 무선 네트워크를 포함하는) 네트워크 (720), 및 서버 (710) 를 포함한다. 전자 디바이스 (701) 및 전자 디바이스 (702) 는 예컨대, 도 6 의 전자 디바이스 (600) 와 유사하거나 실질적으로 유사할 수 있다. 로컬 충전 데이터는 전자 디바이스 (701) 및 전자 디바이스 (702) 로부터 네트워크 (720) 를 통해 서버 (710) 로 송신된다. 서버 (710) 는 전자 디바이스들의 충전 성능이 개선될 수 있는지 여부를 결정하기 위해, 전자 디바이스들로부터 수신된 로컬 충전 데이터를 분석할 수 있다. 통상적으로 전자 디바이스가 제조업자에 의해 생성될 경우, 충전 프로파일들 (예컨대, 저속 충전, 중속 충전, 고속 충전) 이 전자 디바이스에 저장된다. 이들 충전 프로파일들은 배터리 및 배터리 충전기의 추정된 성능 계산들에 기초한다. 배터리 및 배터리 충전기의 실제 성능은 약간 상이할 수도 있고, 따라서 개선의 여지가 있다. 서버 (710) 는 충전 프로파일들이 배터리 성능을 개선하기 위해 업데이트되어야 하는지를 결정하기 위해, 배터리 및 배터리 충전기의 실제 성능을 분석할 수 있다. 충전 프로파일의 배터리 성능이 개선될 수 있는 것으로 결정된다면, 충전 프로파일이 업데이트될 수 있다. 더 양호한 서비스를 사용자에게 제공하도록 조합될 수 있는 로컬 파라미터들은: 새로운 데이터가 수집될 때 배터리의 성능 및 시장에 배치된 다른 충전기들의 성능을 포함한다. 그 후에, 서버 (710) 는 업데이트된 충전 프로파일을 네트워크 (720) 를 통해 전자 디바이스들 (701 및 702) 로 송신할 수 있다.

도 8 은 일 예시적인 양태에 따른 충전 알고리즘을 도시한다. 충전 알고리즘 (800) 은 예컨대, 도 6 의 충전 알고리즘 (615) 의 일부일 수 있다. 도 8 의 예시적인 플로우 차트는 규정된, 측정된, 및 예측된 파라미터들을 사용하기 위한 하나의 옵션의 예시적인 기술을 도시하고, 본원에 설명된 비제한적인 양태들을 도시하는 것으로 이해될 것이다. 예를 들어, 805 에서 충전 애플리케이션은 사용자가 파워 사용자인지 또는 임시 사용자인지 (예컨대, 또는 잠재적으로 다수의 다른 분류들 중 다른 하나인지) 를 결정하기 위해, 사용자 프로파일과 같은 규정된 파라미터들에 액세스할 수도 있다. 사용자가 파워 사용자이면, 프로세스는 충전 시간을 최소화하기 위해 적극적인 충전을 구현하고, 810 으로 진행한다. 사용자가 임시 사용자이면, 예컨대, 프로세스는 배터리 수명을 연장시키기 위해 보수적인 충전을 구현하고, 815 로 진행할 수도 있다.

적극적인 충전을 위해, 충전 애플리케이션은 예컨대, 배터리 수명과 같은 810 에서의 측정된 파라미터들을 평가할 수도 있다. 배터리가 새로운 경우, 고속 충전에 더 민감할 수도 있다. 그러나, 배터리가 오래된 경우, 충전 프로세스를 감속함으로써 배터리 수명을 연장시키는 것이 바람직할 수도 있다. 예측 충전이 820, 825, 840, 및 845 에 도시된다. 새로운 배터리, 바쁜 낮 동안의 충전 (820/840) 에 대하여, 예측된 충전 지속시간은 짧아질 수도 있고, 이는 충전 애플리케이션이 고속 충전을 위해 배터리 충전기를 구성하게 할 수도 있다. 낮이 덜 바쁘다면, 예측된 충전 지속시간은 중간 버킷에 있을 수도 있고, 중속 충전이 수행될 수도 있다. 밤 시간 동안, 예측된 충전은 더 긴 지속시간 버킷에 있을 수도 있고, 예컨대, 저속 충전이 수행될 수도 있다. 825 및 845 에서 예시된 것과 같이, 더 오래된 배터리에 대한 동일한 프로세스는 바쁜 낮 동안 중속 충전 및 덜 바쁜 낮에 저속 충전을 발생할 수도 있다. 이러한 경우에, 예측 엔진으로부터의 수신된 지속시간은 충전 알고리즘에서 배터리 수명과 결합될 수도 있고, 여기서 지속시간들은 예컨대, 배터리의 수명에 기초하여 상이한 충전 파라미터들로 맵핑된다. 다른 양태들에서, 예측 엔진으로부터의 충전 지속시간들은 예컨대, 다른 측정된 파라미터들에 기초하여 광범위의 충전 파라미터들로 맵핑될 수도 있다.

이러한 예에서, 보수적인 프로파일은 815, 830, 835, 850, 및 855 에 예시된 것과 같은 유사한 프로세스를 생성한다. 유사하게, 예측된 충전 지속시간들은 규정된 및 측정된 파라미터들 양자에 기초하여 상이한 충전 파라미터들로 맵핑된다. 예를 들어, 바쁜 낮 동안 보수적인 프로파일로 새로운 배터리를 충전하는 것은, 보수적인 프로파일에 대하여 자유로운 낮에 사용된 동일한 충전 사이클인, 중간 충전 사이클만을 발생할 수도 있다. 다시 말해서, 상이한 예측된 지속시간들은 특정의 측정된 및 규정된 파라미터들 (예컨대, 보수적인 프로파일 및 새로운 배터리) 에 대하여 동일하거나 유사한 충전 파라미터들로 맵핑될 수도 있다. 그러나, 밤 동안 생성된 더 긴 예측된 지속시간은 저속 충전을 구현하기 위해 충전 파라미터들의 상이한 세트로 맵핑될 수도 있다. 유사하게, 오래된 배터리의 보수적인 충전은 모든 예측된 지속시간들이 예컨대, 835 및 855 에서 예시된 것과 같이 배터리 수명을 보호하기 위해 저속 충전을 구현하기 위한 파라미터들로 맵핑되게 할 수도 있다.

도 9 는 다른 양태에 따른 배터리 충전을 도시한다. 도 9 는 도 8 에 도시된 예시적인 프로세스의 더 일반적인 버전을 도시한다. 배터리 충전은 901 에서, 사용자가 전자 디바이스를 USB 포트, AC 어댑터, 또는 다른 형태의 외부 전력과 같은 전력 소스로 플러깅할 수도 있을 때, 시작할 수도 있다. 902 에서, 규정된 파라미터들은 충전 애플리케이션에 의해 옵션으로 액세스된다. 903 에서, 측정된 파라미터들은 충전 애플리케이션에 의해 옵션으로 액세스된다. 904 에서, 예측된 파라미터들은 예컨대, 예측 엔진으로부터 수신된다. 905 에서, 예측된 파라미터들은 충전 파라미터들 (예컨대, 충전 전류 및/또는 부동 전압) 로 맵핑된다. 일부 예시적인 양태들에서, 예측된 파라미터들은 예컨대, 규정된 및 측정된 파라미터들에 기초하여 충전 파라미터들로 맵핑된다. 906 에서, 배터리 충전기는 충전 파라미터들로 구성된다. 907 에서, 배터리 충전이 수행된다.

도 10 은 다른 양태에 따른 예시적인 배터리 충전기 시스템의 블록 다이어그램을 도시한다.

예를 들어, 시스템 (1000) 은 적어도 부분적으로 전자 디바이스 (예컨대, 전자 디바이스 (100)) 내에 상주할 수 있다. 시스템 (1000) 은, 프로세서, 소프트웨어, 배터리 충전 회로들, 및/또는 이들의 조합에 의해 구현된 기능들을 표현하는 기능 블록들일 수 있는, 기능 블록들을 포함하는 것으로서 표현됨을 인식해야 한다. 시스템 (1000) 은 결합하여 작동할 수 있는 전기 컴포넌트들의 논리적 그룹핑 (1050) 을 포함한다.

예를 들어, 논리적 그룹핑 (1050) 은 충전 컨텍스트 정보를 수신하는 수단 (1001) 을 제공할 수도 있는 전기 컴포넌트를 포함할 수 있다. 추가로, 논리적 그룹핑 (1050) 은 데이터 엘리먼트들과 충전 지속시간 간의 관계들을 확립하는 모델을 생성하는 수단 (1002) 을 제공할 수도 있는 전기 컴포넌트를 포함할 수 있다. 추가로, 논리적 그룹핑 (1050) 은 배터리 충전기를 활성화하는 수단 (1003) 을 제공할 수도 있는 전기 컴포넌트를 포함할 수 있다. 추가로, 논리적 그룹핑 (1050) 은 지속시간 동안 예측 엔진에 질의하는 수단 (1004) 을 제공할 수도 있는 전기 컴포넌트를 포함할 수 있다. 추가로, 논리적 그룹핑 (1050) 은 현재 컨텍스트 정보에 액세스하고 현재 컨텍스트 정보를 지속된 모델과 비교하는 수단 (1005) 을 제공할 수도 있는 전기 컴포넌트를 포함할 수 있다. 추가로, 논리적 그룹핑 (1050) 은 예측된 충전 지속시간을 출력하는 수단 (1006) 을 제공할 수도 있는 전기 컴포넌트를 포함할 수 있다. 추가로, 논리적 그룹핑 (1050) 은 충전 지속시간을 충전 파라미터들로 맵핑하는 수단 (1007) 을 제공할 수도 있는 전기 컴포넌트를 포함할 수 있다. 추가로, 논리적 그룹핑 (1050) 은 커스텀 충전 파라미터들을 사용하여 배터리 충전을 개시하는 수단을 제공할 수도 있는 전기 컴포넌트를 포함할 수 있다. 추가로, 논리적 그룹핑 (1050) 은 현재 컨텍스트를 저장하고 및 모델들을 업데이트하는 수단 (1009) 을 제공할 수도 있는 전기 컴포넌트를 포함할 수 있다.

추가로, 시스템 (1000) 은 전기 컴포넌트들 (1001, 1002, 1003, 1004, 1005, 1006, 및 1007) 과 연관된 기능들을 실행하기 위한 명령들을 보유하고, 전기 컴포넌트들 (1001, 1002, 1003, 1004, 1005, 1006, 및 1007) 에 의해 사용되거나 획득되는 데이터를 저장하는 등의 메모리 (1051) 를 포함할 수 있다. 메모리 (1051) 외부에 있는 것으로 도시되지만, 전기 컴포넌트들 (1001, 1002, 1003, 1004, 1005, 1006, 및 1007) 중 하나 이상은 메모리 (1051) 내에 존재할 수도 있음을 이해해야 한다. 일 예에서, 전기 컴포넌트들 (1001, 1002, 1003, 1004, 1005, 1006, 및 1007) 은 적어도 하나의 프로세서를 포함할 수 있거나, 또는 각각의 전기 컴포넌트 (1001, 1002, 1003, 1004, 1005, 1006, 및 1007) 는 적어도 하나의 프로세서의 대응하는 모듈일 수 있다. 또한, 부가적인 또는 대안적인 예에서, 전기 컴포넌트들 (1001, 1002, 1003, 1004, 1005, 1006, 및 1007) 은 컴퓨터 판독가능 매체를 포함하는 컴퓨터 프로그램 제품일 수도 있고, 여기서 각각의 전기 컴포넌트 (1001, 1002, 1003, 1004, 1005, 1006, 및 1007) 는 대응하는 코드일 수 있다.

앞의 설명은 특정 양태들의 양태들이 구현될 수도 있는 방법의 예들과 함께 본 개시물의 다양한 양태들을 예시한다. 상기 예들은 유일한 양태들인 것으로 간주되어서는 안 되며, 다음의 특허청구범위에 의해 정의된 바와 같이 특정 양태들의 유연성 및 이점들을 예시하기 위해 제시된다. 상기 개시물 및 다음의 특허청구범위에 기초하여, 특허청구범위에 의해 정의된 본 개시물의 범위로부터 벗어남이 없이 다른 장치들, 양태들, 구현들 및 등가물들이 채용될 수도 있다.

Claims (24)

1. 전자 디바이스에 의해, 상기 전자 디바이스의 하나 이상의 사용 패턴들을 기술하는 컨텍스트 정보에 액세스하는 단계;
   상기 전자 디바이스에 의해, 상기 컨텍스트 정보에 기초하여 충전 지속시간을 예측하는 단계;
   상기 전자 디바이스에 의해, 상기 충전 지속시간에 기초하여 충전 파라미터들을 결정하는 단계로서, 상기 충전 파라미터들은 상기 전자 디바이스의 배터리를 충전하는데 사용되는, 상기 결정하는 단계; 및
   상기 배터리를 충전하기 위해 상기 충전 파라미터들로 배터리 충전기를 구성하는 단계를 포함하는, 방법.
2. 제 1 항에 있어서,
   상기 예측하는 단계는, 상기 컨텍스트 정보의 데이터 엘리먼트들과 상기 충전 지속시간 간의 관계들을 확립하는 모델을 생성하는 단계를 포함하는, 방법.
3. 제 2 항에 있어서,
   상기 예측하는 단계는,
   상기 컨텍스트 정보를 충전 히스토리 데이터로서 저장하는 단계; 및
   상기 충전 지속시간을 예측하기 위해 상기 충전 히스토리 데이터를 현재 컨텍스트 정보와 비교하는 단계를 더 포함하는, 방법.
4. 제 2 항에 있어서,
   상기 모델은 동적으로 생성되는, 방법.
5. 제 2 항에 있어서,
   상기 모델은 과거 컨텍스트 정보 및 현재 컨텍스트 엘리먼트들을 별개의 수의 충전 지속시간들로 분류하는, 방법.
6. 제 1 항에 있어서,
   상기 충전 파라미터들은 충전 전류 및 부동 전압을 포함하는, 방법.
7. 제 1 항에 있어서,
   상기 컨텍스트 정보는 측정된 파라미터들 및 규정된 파라미터들을 포함하고,
   상기 방법은,
   충전 애플리케이션에서 상기 충전 지속시간, 상기 측정된 파라미터들, 및 상기 규정된 파라미터들을 수신하는 단계, 및
   상기 측정된 파라미터들 및 상기 규정된 파라미터들에 기초하여 상기 충전 지속시간을 상기 충전 파라미터들로 맵핑하는 단계를 더 포함하는, 방법.
8. 제 1 항에 있어서,
   상기 컨텍스트 정보는 충전 상태, 충전 시간, 위치, 충전 소스, 및 배터리 레벨을 포함하는, 방법.
9. 배터리 충전기;
   배터리;
   하나 이상의 프로세서들; 및
   저장된 하나 이상의 명령들을 갖는 비-일시적 컴퓨터 판독가능 매체를 포함하며,
   상기 하나 이상의 명령들은, 상기 하나 이상의 프로세서들에 의해 실행될 경우, 상기 하나 이상의 프로세서들로 하여금,
   전자 디바이스의 하나 이상의 사용 패턴들을 기술하는 컨텍스트 정보에 액세스하게 하고;
   상기 컨텍스트 정보에 기초하여 충전 지속시간을 예측하게 하고;
   상기 충전 지속시간에 기초하여 충전 파라미터들을 결정하게 하는 것으로서, 상기 충전 파라미터들은 상기 전자 디바이스의 배터리를 충전하는데 사용되는, 상기 결정하게 하고; 및
   상기 배터리를 충전하기 위해 상기 충전 파라미터들로 배터리 충전기를 구성하게 하는, 전자 디바이스.
10. 제 9 항에 있어서,
    상기 예측하게 하는 것은, 상기 하나 이상의 프로세서들로 하여금,
    상기 컨텍스트 정보의 데이터 엘리먼트들과 상기 충전 지속시간 간의 관계들을 확립하는 모델을 생성하게 하는
    하나 이상의 명령들을 포함하는, 전자 디바이스.
11. 제 10 항에 있어서,
    상기 예측하게 하는 것은, 상기 하나 이상의 프로세서들로 하여금,
    상기 컨텍스트 정보를 충전 히스토리 데이터로서 저장하게 하고; 그리고
    상기 충전 지속시간을 예측하기 위해 상기 충전 히스토리 데이터를 현재 컨텍스트 정보와 비교하게 하는
    하나 이상의 명령들을 더 포함하는, 전자 디바이스.
12. 제 10 항에 있어서,
    상기 모델은 동적으로 생성되는, 전자 디바이스.
13. 제 10 항에 있어서,
    상기 모델은 과거 컨텍스트 정보 및 현재 컨텍스트 엘리먼트들을 별개의 수의 충전 지속시간들로 분류하는, 전자 디바이스.
14. 제 9 항에 있어서,
    상기 충전 파라미터들은 충전 전류 및 부동 전압을 포함하는, 전자 디바이스.
15. 제 9 항에 있어서,
    상기 컨텍스트 정보는 측정된 파라미터들 및 규정된 파라미터들을 포함하고,
    상기 하나 이상의 명령들은, 상기 하나 이상의 프로세서들로 하여금,
    충전 애플리케이션에서 상기 충전 지속시간, 상기 측정된 파라미터들, 및 상기 규정된 파라미터들을 수신하게 하고, 그리고
    상기 측정된 파라미터들 및 상기 규정된 파라미터들에 기초하여 상기 충전 지속시간을 상기 충전 파라미터들로 맵핑하게 하는
    하나 이상의 명령들을 더 포함하는, 전자 디바이스.
16. 제 9 항에 있어서,
    상기 컨텍스트 정보는 충전 상태, 충전 시간, 위치, 충전 소스, 및 배터리 레벨을 포함하는, 전자 디바이스.
17. 저장된 하나 이상의 명령들을 갖는 비-일시적 컴퓨터 판독가능 매체로서,
    상기 하나 이상의 명령들은, 하나 이상의 프로세서들에 의해 실행될 경우, 상기 하나 이상의 프로세서들로 하여금,
    전자 디바이스의 하나 이상의 사용 패턴들을 기술하는 컨텍스트 정보에 액세스하게 하고;
    상기 컨텍스트 정보에 기초하여 충전 지속시간을 예측하게 하고;
    상기 충전 지속시간에 기초하여 충전 파라미터들을 결정하게 하는 것으로서, 상기 충전 파라미터들은 상기 전자 디바이스의 배터리를 충전하는데 사용되는, 상기 결정하게 하고; 및
    상기 배터리를 충전하기 위해 상기 충전 파라미터들로 배터리 충전기를 구성하게 하는, 비-일시적 컴퓨터 판독가능 매체.
18. 제 17 항에 있어서,
    상기 예측하게 하는 것은, 상기 하나 이상의 프로세서들로 하여금,
    상기 컨텍스트 정보의 데이터 엘리먼트들과 상기 충전 지속시간 간의 관계들을 확립하는 모델을 생성하게 하는
    하나 이상의 명령들을 포함하는, 비-일시적 컴퓨터 판독가능 매체.
19. 제 18 항에 있어서,
    상기 예측하게 하는 것은, 상기 하나 이상의 프로세서들로 하여금,
    상기 컨텍스트 정보를 충전 히스토리 데이터로서 저장하게 하고; 그리고
    상기 충전 지속시간을 예측하기 위해 상기 충전 히스토리 데이터를 현재 컨텍스트 정보와 비교하게 하는
    하나 이상의 명령들을 더 포함하는, 비-일시적 컴퓨터 판독가능 매체.
20. 제 18 항에 있어서,
    상기 모델은 동적으로 생성되는, 비-일시적 컴퓨터 판독가능 매체.
21. 제 18 항에 있어서,
    상기 모델은 과거 컨텍스트 정보 및 현재 컨텍스트 엘리먼트들을 별개의 수의 충전 지속시간들로 분류하는, 비-일시적 컴퓨터 판독가능 매체.
22. 제 17 항에 있어서,
    상기 충전 파라미터들은 충전 전류 및 부동 전압을 포함하는, 비-일시적 컴퓨터 판독가능 매체.
23. 제 17 항에 있어서,
    상기 컨텍스트 정보는 측정된 파라미터들 및 규정된 파라미터들을 포함하고,
    상기 하나 이상의 명령들은, 상기 하나 이상의 프로세서들로 하여금,
    충전 애플리케이션에서 상기 충전 지속시간, 상기 측정된 파라미터들, 및 상기 규정된 파라미터들을 수신하게 하고, 그리고
    상기 측정된 파라미터들 및 상기 규정된 파라미터들에 기초하여 상기 충전 지속시간을 상기 충전 파라미터들로 맵핑하게 하는
    하나 이상의 명령들을 더 포함하는, 비-일시적 컴퓨터 판독가능 매체.
24. 제 17 항에 있어서,
    상기 컨텍스트 정보는 충전 상태, 충전 시간, 위치, 충전 소스, 및 배터리 레벨을 포함하는, 비-일시적 컴퓨터 판독가능 매체.

Images