电池运行的预测管理的制作方法

电池运行的预测管理


背景技术：

1.当前消费者电子产品的电池在完全充电状态下会更快地退化。由于对更高能量密度的需求，消费者电子产品设备电池中使用的化学物质可能会被推到越来越高的电压。完全充电(或接近完全充电)花费的时间越长，可能对电池造成的损坏就越多。作为一个示例，长时间保持完全充电的电池可能会因产生气体而膨胀，并导致电池组在设备壳体内膨胀，这可能会因内部压力而使屏幕、键盘等分层。


技术实现要素：

2.提供本概述以便以简化的形式介绍以下在详细描述中进一步描述的概念的选集。本概述并不旨在标识所要求保护的主题的关键特征或必要特征，也不旨在用于限制所要求保护的主题的范围。此外，所要求保护的主题不限于解决在本公开的任一部分中提及的任何或所有缺点的实现。
3.一种电子设备包括电池和电池管理系统。该电池管理系统被配置成基于观察到的使用模式来确定预测的电池需求并对该电池进行预测性充电以健康地适应该预测的电池需求。该电池管理系统被进一步配置成基于上下文信号来确定预测的偏离电池需求。该预测的偏离电池需求不同于该预测的电池需求。该电池管理系统被进一步配置成对该电池进行预测性充电以健康地适应该预测的偏离电池需求。
4.附图简述
5.图1示意性地示出了用于电池供电的电子设备的示例电池管理系统。
6.图2
‑
4示出了基于先前观察到的电子设备的不同使用行为对电子设备的电池进行预测性充电以健康地适应预测的电池需求的不同示例。
7.图5示出了基于与先前观察到的电子设备的使用行为不同的偏离使用行为对电子设备的电池进行预测性充电以健康地适应预测的偏离电池需求的示例。
8.图6示出了基于先前观察到的电子设备的使用行为对电子设备的电池进行预测性充电以健康地适应预测的电池需求的另一示例。
9.图7示出了基于与先前观察到的电子设备的使用行为不同的偏离使用行为对电子设备的电池进行预测性充电以健康地适应预测的偏离电池需求的另一示例。
10.图8示出了用于对电子设备的电池进行充电的示例方法的流程图。
11.详细描述
12.虽然电池健康问题一直存在，但直到最近电池化学才被推到极限，消费者经常会遇到越来越严重的低电池健康影响。为了解决这些问题，传统的电池管理系统(bms)可被用于监视和控制电池的运行以保护电池的健康。作为一示例，bms可以动态地控制电池充电的速度。作为另一示例，bms可以控制为电池设置的完全充电和完全放电水平。bms可以在集成电路(ic)级别实现为定制硅逻辑芯片。在这种基于ic的实现中，bms与由电池供电的设备和/或产品的交互可能最少。例如，只有少数参数(诸如电池充电百分比、健康状态和充电时间)可以从bms传递到设备。同样，bms可以接收与由电池供电的设备有关的最少信息或不接
收信息。附加地，bms可以接收很少或不接受与控制设备的用户有关的信息，因为bms深埋在设备硬件中并很少或根本没有与用户交互和/或意识到用户。
13.如此，bms无法响应bms可能高估或低估设备和/或用户对电池造成的损害的情况。将bms设计为包含此类功能可能会增加集成电路的封装大小和功耗。大多数传统bms芯片都不是为特定设备设计的，并且无法针对特定设备或用例场景进行调整。
14.因此，本公开涉及一种经改进的bms，其中电池管理通过设备上的系统和/或软件来处理，可选地使用机器学习(ml)和人工智能(ai)来学习和预测设备的用户行为以提高bms性能。此处描述的bms是一种系统智能、产品集成和用户自适应bms，具有显著更高的用户上下文感知能力，可改善电池健康和寿命。特别地，这种bms可以被配置成基于观察到的因用户而异的使用模式来导出预测的电池需求并且基于该预测的电池需求来对电池进行预测性充电。通过使用模式识别、机器学习、与设备上运行的日程安排应用(例如电子邮件、日历、笔记、地图)集成和其他智能信号(例如软件、硬件)，bms能够适应用户的行为，以智能、因用户而异和因设备而异的方式调节电池充电以改善电池健康并减少退化。
15.图1示意性地示出了可由电池102供电的示例电子设备100。电子设备100可以包括任何合适的电池供电的电子设备。例如，电子设备100可以是智能手机、膝上型计算机、平板计算机、游戏控制台、智能手表、健康监测设备、显示设备、虚拟现实(vr)或增强现实(ar)设备、或者智能助理扬声器设备。电池102可以包括任何合适的电力技术。例如，电池102可以是锂离子电池、镍镉电池、镍金属氢化物电池或铅酸电池。
16.电子设备100包括bms 104，该bms 104被配置成基于用户行为监测电池102的操作并对电池102的操作进行预测性地控制。bms 104可以被配置成从多个智能信号106收集上下文信息——例如，来自由电子设备执行的不同应用程序的信息、电子设备的操作系统和/或来自其他设备的外部信号。上下文信息可用于表征电子设备100的用户行为，包括电子设备内电池102的正常充电/放电模式以及电子设备100的用例/操作条件。上下文信息可以以任何合适的方式表征电子设备100的用户行为。例如，上下文信息可以提供上下文问题的答案，诸如用户是否总是在夜间为其设备充电？如果是，在什么时间？设备是否总是在工作时插入电源？一天中什么时间用户几乎不使用或不使用电子设备？一天中什么时间用户频繁使用设备？上下文信息可被用于确定先前观察到的用于操作电子设备100的用户行为。先前观察到的用户行为可以指示电子设备100的先前使用模式。此外，上下文信息可被用以确定用于操作电子设备100的预测的偏离用户行为。预测的偏离用户行为可以指示电子设备100的未来使用，其偏离由先前观察到的用户行为指示的先前使用模式。
17.bms 104可以从电子设备100的任何合适的智能信号106收集上下文信息。智能信号106可以源自电子设备100的计算架构内的不同源。上下文信息的不同源的非限制性示例包括：搜索引擎、日历应用、日程安排应用、电子邮件应用、地图应用、笔记应用、健康和/或锻炼监视应用、旅行应用、天气应用和虚拟个人助理应用。
18.在一些实现中，电池监视系统104可被配置成从电子设备100的一个或多个传感器108收集不同参数形式的上下文信息。参数可以包括表征功率、运动、位置、定位和/或与电子设备100相关的其他信息的任何合适的物理参数。(诸)传感器108可以包括任何合适类型的传感器。传感器的非限制性示例包括但不限于用于：测量流过电池的充电或放电电流、跨电池端子的电压、电池充电状态以及电池温度的电传感器，被配置成提供电子设备100的位
置和/或取向信息的惯性测量单元(imu)；被配置成经由与gps卫星网络的通信提供电子设备100的地理位置的全球定位系统(gps)传感器；被配置成跟踪电子设备100的用户的不同身体参数(例如，计算步数、计算消耗的卡路里数)的个人活动跟踪器；一个或多个气压计；温度传感器；可见光传感器、紫外线传感器、环境温度传感器、物理接触传感器以及触发各种时间事件的时钟/定时器。此外，可以从这样的传感器导出各种附加参数，诸如速度、加速度、高度和其他合适的参数。这种传感器可以与电子设备的一个或多个电路或其他机器通信，该电子设备被配置成将物理参数的测量结果转换为机器可读的传感器数据。
19.在一些实现中，电子设备100可以被配置成与一个或多个远程电子设备通信。例如，电子设备100可以经由诸如因特网之类的计算机网络122通信地耦合到远程设备124。电子设备100可以被配置成与任何合适类型和/或数量的不同远程设备通信以接收上下文信息。这种远程设备可以包括用户设备，诸如用户的智能手表、智能手机或智能助理设备。作为另一示例，这样的远程设备可以包括从各种源收集信息的云服务。作为又一示例，这种远程设备可以包括远程传感器设备，诸如配置成与电子设备100通信以确定电子设备100的位置(例如，经由信号定位)的gps系统或蜂窝通信塔。
20.远程设备124可以被配置成从多个智能信号126收集上下文信息——例如，来自由远程设备124执行的不同应用程序的信息、远程设备124的操作系统和/或来自其他远程设备的外部信号。进一步，远程设备124可被配置成从远程设备124的一个或多个传感器128收集不同参数形式的上下文信息。远程设备124可以被配置成向电子设备100提供任何合适的上下文信息。电子设备100可以使用从远程设备100接收的上下文信息来确定先前观察到的用户行为或预测的偏离用户行为以控制电池102的操作。
21.在一些实现中，电子设备100和/或远程设备124可以包括自然语言处理部件，诸如用于语音和/或话音识别的话筒。电子设备100和/或远程设备124可以被配置成从经识别的语音中提取上下文信号，该上下文信号可被用于通知用户行为(和/或用户行为的偏离)的预测。在一些示例中，电子设备100和/或远程设备124可以包括配置成识别上下文信号的虚拟助理应用(例如，cortana、siri、alexa)。可由虚拟助理应用识别的上下文信号的非限制性示例包括经日程安排的会议/约会/社交聚会、旅行行程和其他事件(重复发生的或一次性的事件)。
22.在一些实现中，电子设备100可以支持选择加入/退出应用或过程。选择加入/退出应用或过程可以使用户能够指定电子设备100是否收集上下文信息以便基于用户的行为对电池102的操作进行预测性地控制。
23.收集到的上下文信息可以作为输入提供给用户行为预测机110。用户行为预测机110可被配置成使用上下文信息执行模式识别(例如，人工智能和/或机器学习)过程以识别先前观察到的电子设备的用户行为，并预测用户(例如，在接下来的一分钟、一小时和/或一天内)将如何以基于先前观察到的用户行为的预测的电池需求的形式使用电子设备100。此外，用户行为预测机可以被配置成基于一个或多个上下文信号来识别偏离先前观察到的用户行为的预测的偏离用户行为并且基于一个或多个上下文信号来确定预测的偏离电池需求。
24.用户行为(先前观察到的用户行为和/或预测的偏离用户行为)和/或自适应电源/电池控制可以以任何合适的方式建模，例如使用最先进和/或未来机器学习(ml)、人工智能
(ai)和/或自然语言处理(nlp)技术的任何适当组合。在一些示例中，用户行为可由一个或多个机器学习分类器建模，该机器学习分类器被训练以根据使用上下文(例如，根据从日程安排应用中提取的示例性输入数据、当前电池功率水平、用户采取的先前动作、系统采取的先前功率控制动作等)来预测用户动作。例如，机器学习分类器可被训练以基于多个经标记的示例用户动作来预测用户动作，每个经标记的示例用户动作包括示例性使用上下文和用户在该上下文中执行的用户动作。在一些示例中，机器学习分类器可以替换地或附加地训练以预测功率控制动作(调整充电状态限制)，例如，基于多个经标记的示例系统动作，每个经标记的示例系统动作包括使用上下文和应在该上下文中采取的功率控制动作(例如，如历史数据所指示的，由人类训练者提供的地面真值(ground truth)标签等)。在一些示例中，用户行为可以由一个或多个机器学习模型建模，该一个或多个机器学习模型被配置成根据使用上下文和/或使用上下文的序列生成用户动作和/或功率控制动作的序列。在一些示例中，用户行为可以通过使用强化学习训练的机器学习模型来建模。例如，强化学习模型可包括决策函数，该决策函数被配置成针对使用上下文(例如，基于来自电子设备和/或其他远程设备的智能信号和传感器的上下文信息)选择功率控制动作(调整充电状态限制)，并针对包括电源事件(例如，电池耗电率、电源插入/拔出)的强化信号、针对用户反馈(例如，针对使用bms 104时的用户满意度)等进行训练。例如，生成用户动作和/或功率控制动作的序列可以基于操作机器学习分类器模型、强化学习模型等。
25.可用于预测用户行为和/或基于用户行为自适应地选择功率控制动作的技术的非限制性示例包括：支持向量机、多层神经网络、卷积神经网络(例如，包括用于处理图像和/或视频的空间卷积网络，用于处理音频信号和/或自然语言句子的时间卷积神经网络，和/或配置成跨一个或多个时间和/或空间维度上卷积和汇集特征的任何其他合适的卷积神经网络)、循环神经网络(例如，长短期存储器网络)、联想存储器(例如，查找表、哈希表、bloom滤波器、神经图灵机和/或神经随机存取存储器)、图形模型(例如(隐藏)马尔可夫模型、马尔可夫随机场、(隐藏)条件随机场和/或ai知识库)和/或自然语言处理技术(例如，标记化、词干提取、构成和/或依赖分析、和/或意图识别、分段模型、和/或超分段模型(例如，隐藏的动态模型)。例如，可以训练时间卷积神经网络和/或循环神经网络以基于使用上下文的序列来预测用户动作和/或功率控制动作。
26.在一些示例中，可使用一个或多个可微函数来实现本文描述的方法和过程，其中可微函数的梯度可参考可微函数的输入和/或输出(例如，参考训练数据和/或参考目标功能)来计算和/或估计。此类方法和过程可至少部分地由一组可训练的参数来确定。因此，用于特定方法或过程的可训练参数可通过任何适当的训练规程来调整，以便持续地改进该方法或过程的功能。
27.用于调整可训练参数的训练规程的非限制性示例包括有监督训练(例如，使用梯度下降或任何其他合适的优化方法)、零样本(zero
‑
shot)、少样本(few
‑
shot)、无监督学习方法(例如，基于从无监督聚类方法导出的类的分类)、强化学习(例如基于反馈的深度q学习)和/或生成性对抗神经网络训练方法、信念传播、ransac(随机样本共识)、带上下文的bandit方法、最大似然方法和/或期望最大化。在一些示例中，可参考测量多个组件的集体功能的性能的目标功能(例如，参考增强反馈和/或参考经标记的训练数据)同时训练本文描述的系统的多个方法、过程和/或组件。同时训练多种方法、过程和/或组件可改进此类集
体功能。在一些示例中，一个或多个方法、过程和/或组件可独立于其他组件来训练(例如，对历史数据进行离线训练)。
28.语言模型可以利用词汇特征来引导采样/搜索单词以识别语音。例如，语言模型可以至少部分地由单词或其他词汇特征的统计分布来定义。例如，语言模型可以通过n元语法(n
‑
gram)的统计分布来定义，根据词汇统计定义各候选词之间的转换概率。语言模型可进一步基于任何其他适当的统计特征和/或用一种或多种机器学习和/或统计算法处理统计特征的结果(例如，由这种处理产生的置信值)。在一些示例中，统计模型可约束可针对音频信号识别哪些单词，例如，基于音频信号中的单词来自特定词汇表的假设。
29.替换地或附加地，语言模型可以基于先前训练以表示共享潜在空间中的音频输入和单词的一个或多个神经网络，例如，通过一个或多个音频和/或单词模型(例如，wav2letter和/或word2vec)学习的向量空间。因此，查找候选词可以包括基于由音频模型编码的向量搜索共享潜在空间以获得音频输入，以便查找用于使用词模型解码的候选词向量。共享潜在空间可用于针对一个或多个候选词评估候选词在语音音频中的特征的置信度。
30.语言模型可以与声学模型结合使用，声学模型被配置成对于候选词和音频信号，基于该词的声学特征(例如，梅尔频率倒谱系数、共振峰等)评估候选词包括在音频信号中的语音音频中的置信度。任选地，在一些示例中，语言模型可以结合声学模型(例如，对语言模型的评估和/或训练可以基于声学模型)。声学模型定义了声学信号和基本声音单元(诸如音素)之间的映射，例如，基于经标记的语音音频。声学模型可基于最先进或未来机器学习(ml)和/或人工智能(ai)模型的任何适当组合，例如：深度神经网络(例如，长短期存储器、时间卷积神经网络、受限玻尔兹曼机器、深度信任网络)、隐马尔可夫模型(hmm)、条件随机场(crf)和/或马尔可夫随机场、高斯混合模型和/或其他图形模型(例如，深度贝叶斯网络)。要用声学模型处理的音频信号可以以任何合适的方式进行预处理，例如，以任何合适的采样率、傅立叶变换、带通滤波器等进行编码。声学模型可被训练以基于利用经标记的音频数据的训练来识别声学信号和声音单元之间的映射。例如，声学模型可以基于包括语音音频和校正文本的经标记的音频数据来训练，以便学习语音音频信号和校正文本表示的声音单元之间的映射。因此，可不断改进声学模型以提高其用于正确标识语音音频的实用性。
31.在一些示例中，除了统计模型、神经网络和/或声学模型之外，语言模型可以并入任何合适的图形模型，例如，隐马尔可夫模型(hmm)或条件随机场(crf)。图形模型可以利用统计特征(例如，转移概率)和/或置信值来确定识别单词、给定语音音频和/或迄今为止识别的其他单词的概率。因此，图形模型可以利用统计特征、先前训练的机器学习模型和/或声学模型来定义图形模型中表示的各状态之间的转移概率。
32.通过使用模式识别、机器学习、与电子设备的日程安排和其他智能信号的集成，以及来自电子设备(和/或其他远程设备)的传感器的参数，用户行为预测机110可以能够适应用户的行为，并以智能和因用户而异的方式控制电池102(例如，上下调节电池充电)以提高电池健康并减少退化。例如，bms 104可以将充电状态限制调整到任何合适的限制，诸如100％、90％、80％、70％、60％、50％、40％，或另一较低的限制，其中电池退化显著低于其完全充电状态。bms 104可被配置成基于观察到的因用于而异的使用模式来确定预测的电池需求并对该电池进行预测性充电以健康地适应该预测的电池需求。在一些示例中，bms 104
可被配置成通过基于不需要完全充电状态和/或电子设备很可能保持与电源连接的预测故意对电池102充电不足或将充电状态限于不完全充电状态(90％、80％、70％、60％、50％等)来对电池102进行健康充电以适应预测的电池需求。在其他示例中，bms 104可被配置成通过响应于预测电子设备很可能从电源断连来将充电状态从不完全充电状态增加到完全充电状态来对电池102进行预测性充电以健康地适应预测的电池。
33.bms 104可被进一步配置成基于上下文信号来确定预测的偏离电池需求，该上下文信号指示与电子设备的先前观察到的使用模式的偏离，使得预测的偏离电池需求不同于预测的电池需求。bms 104可被配置成对该电池102进行预测性充电以健康地适应该预测的偏离电池需求。在一些示例中，bms 104可被配置成通过基于不需要完全充电状态和/或电子设备很可能保持与电源连接的预测故意对电池102充电不足或将充电状态限于不完全充电状态来对电池102进行健康充电以适应预测的偏离电池需求。在其他示例中，bms 104可被配置成通过响应于预测电子设备很可能从电源断连来将充电状态从不完全充电状态增加到完全充电状态来对电池102进行预测性充电以健康地适应预测的偏离电池。
34.在一些实现中，bms 104可以被配置成基于预测的电池需求/预测的偏离电池需求的置信水平来预测性地调整电池102的充电状态。可以以任何合适的方式确定置信水平。作为一个示例，置信水平可以至少部分地基于时间考虑来调整。在一个示例中，只要电子设备的使用模式保持一致，置信水平就可以随时间增加。例如，高置信度可以基于在数周、数月或数年期间的一致使用历史来确定。此外，bms可以随时间重复评估置信水平并基于更新的置信水平调整电池的充电阶段。作为另一示例，可以至少部分地基于一个或多个其他信号来调整置信水平。例如，不同的上下文信号(例如，旅行行程、会议日程、gps信号、使用自然语言处理听到和解释的用户话语)可以指示用户在没有电子设备的情况下旅行(例如，因为设备未被使用和/或具有不同的gps位置)。bms 104可以被配置成基于指示电子设备不在用户身边的上下文信号的数量来确定置信水平。在此情形中，由于指示在用户旅行时电子设备不在用户身边的多个上下文信号，即bms具有用户在旅行时不会使用电子设备的高置信度，因此bms 104可在用户旅行期间降低电池的充电状态(例如，至60％)。
35.在一些此类实现中，bms 104可以被配置成将电池102的充电状态设置为与由bms确定的置信水平成反比的充电水平。在一个示例中，如果bms以99％确定不需要电池，则bms 104可被配置成预测性地将电池102充电到50％的充电状态；如果bms以90％确定不需要电池，则bms 104可被配置成预测性地将电池102充电到60％的充电状态；如果bms以80％确定不需要电池，则bms 104可被配置成预测性地将电池102充电到70％的充电状态；如果bms以70％确定不需要电池，则bms 104可被配置成预测性地将电池102充电到80％的充电状态；如果bms以60％确定不需要电池，则bms 104可被配置成预测性地将电池102充电到90％的充电状态；如果bms以50％确定不需要电池，则bms 104可被配置成预测性地将电池102充电到100％的充电状态。注意，充电与确定性或置信水平之间的这些关系是作为示例提供的。bms 104可以被配置成以与任何合适的置信水平相关的任何合适的方式调整电池104的充电状态。
36.电子设备100包括逻辑子系统112和存储子系统114。电子设备100可任选地包括显示子系统116、输入子系统118、通信子系统120、和/或在图1中未示出的其他子系统。
37.逻辑子系统112包括被配置成执行指令的一个或多个物理设备。例如，逻辑子系统
可被配置成执行作为一个或多个应用、服务、或其他逻辑构造的一部分的指令。逻辑子系统可包括被配置成执行软件指令的一个或多个硬件处理器。附加地或替换地，逻辑子系统可包括被配置成执行硬件或固件指令的一个或多个硬件或固件设备。逻辑子系统的处理器可以是单核的或多核的，并且其上执行的指令可以被配置成用于串行、并行和/或分布式处理。逻辑子系统的各个个体组件可任选地分布在两个或更多个分开的设备之间，所述设备可以位于远程以及/或者被配置成用于协同处理。逻辑子系统的各方面可由以云计算配置进行配置的可远程访问的联网计算设备来虚拟化和执行。
38.存储子系统114包括被配置成临时和/或永久地保持计算机信息(诸如可由逻辑子系统执行的数据和指令)的一个或多个物理设备。当存储子系统包括两个或更多个设备时，这些设备可以共处一处和/或位于远程。存储子系统114可包括易失性、非易失性、动态、静态、读/写、只读、随机存取、顺序存取、位置可寻址、文件可寻址和/或内容可寻址设备。存储子系统114可以包括可移动和/或内置设备。当逻辑子系统112执行指令时，存储子系统114的状态可被变换——例如，以保持不同的数据。
39.逻辑子系统112和存储子系统114的各方面可以被一起集成到一个或多个硬件逻辑组件中。此类硬件逻辑组件可包括例如程序和应用专用集成电路(pasic/asic)、程序和应用专用标准产品(pssp/assp)、片上系统(soc)、以及复杂可编程逻辑器件(cpld)。
40.逻辑子系统和存储子系统可以协作以实例化一个或多个逻辑机。如本文所使用的，术语“机器”被用来统一指代硬件、固件、软件、指令、和/或协作以提供计算机功能性的任何其他组件的组合。换言之，“机器”从来都不是抽象概念，而总是具有有形形式。机器可以由单个计算设备实例化，或者机器可以包括由两个或更多个不同计算设备实例化的两个或更多个子组件。在一些实现中，机器包括与远程组件(例如，由服务器计算机的网络提供的云计算服务)协作的本地组件(例如，由计算机处理器执行的软件应用)。赋予特定机器其功能性的软件和/或其他指令可任选地被保存为一个或多个合适的存储设备上的一个或多个未执行模块。
41.当被包括时，显示子系统116可被用来呈现由存储子系统114保持的数据的视觉表示。该视觉表示可采取图形用户界面(gui)的形式。显示子系统116可包括利用实质上任何类型的技术的一个或多个显示设备。在一些实现中，显示子系统可以包括一个或多个虚拟现实、增强现实或混合现实显示器。
42.在包括输入子系统118时，输入子系统118可以包括或对接于一个或多个输入设备。输入设备可以包括传感器设备或用户输入设备。用户输入设备的各示例包括键盘、鼠标、触摸屏或游戏控制器。在一些实施例中，输入子系统可包括所选择的自然用户输入(nui)部件或者与上述自然用户输入(nui)部件相对接。这种部件可以是集成的或外围的，且输入动作的转导和/或处理可以在板上或板外被处理。示例nui部件可以包括用于语音和/或话音识别的话筒；用于机器视觉和/或姿势识别的红外、彩色、立体和/或深度相机；以及用于运动检测和/或意图识别的头部跟踪器、眼部跟踪器、加速度计、和/或陀螺仪。
43.当包括通信子系统120时，通信子系统120可以被配置成将电子设备100与一个或多个其他计算设备通信地耦合。通信子系统120可包括与一个或多个不同通信协议兼容的有线和/或无线通信设备。通信子系统可以被配置成经由个人网络、局域网和/或广域网进行通信。
44.bms 104可以基于由用户行为预测机110确定的用户行为的预测，以任何合适的方式控制电池102。图2
‑
4示出了电子设备的电池基于先前观察到的电子设备的不同使用行为被预测性充电以健康地适应预测的电池需求的不同示例。
45.图2示出了其中电子设备先前一直插入到电源中的一个示例场景。bms 104可以被配置成基于先前观察到的上下文信息来识别这种使用模式，并且在电子设备插入电源时将电池充电状态限制设置为60％以尽量减少对电池的长期伤害。如果将电子设备从电源上拔下，则电池将不会处于完全充电状态。然而，由bms 104学习到的先前观察到的用户行为指示这样的场景发生的可能性很低。
46.基于目前的电池化学性质，当充电状态下降到80％及以下时，电池退化会显著减少，尽管在更低的充电状态下退化可以进一步减少。因此，希望尽可能地降低充电状态。但是，如果用户意外拔掉电源插头，低充电状态可能会提供不利的用户体验，因为用户将具有较少的电池容量可供非插电使用。如此，充电状态可以基于设备将保持插电的相对置信度来动态地设置。当bms 104确信地预测插电操作时，与bms 104较不确信地预测插电操作时相比，充电状态可以下降到相对较低的水平。如此，bms 104能够在电池保护和用户体验之间进行平衡。注意，bms 104可以被配置成基于具有任何适当置信水平的观察到的因用户而异的使用模式的任何适当程度来为电池确定预测的电池需求。
47.图3示出了其中先前已观察到电子设备在周末期间一直插入电源，但已观察到在工作日期间不一直地插入电源的示例场景。例如，这种使用场景可能是因为学生在工作日期间将他们的膝上型计算机留在学校并然后在周末将其带回家。在此场景中，bms 104可被配置成基于先前观察到的上下文信息识别这种使用模式，并在学校周期间将电池充电状态限制增加到100％以允许电池完全充电以便使设备做好准备无需插入电源即可使用。此外，bms 104在周末期间将电池的充电状态限制降低到60％，此时，如从先前观察到的使用行为中得知的，预期该设备将被插入电源达延长的时间段。在设备转换回不一直地插入电源的预期中，bms 104可以被配置成在用户通常拔掉设备并将其带回学校之前，在周一清晨对设备完全充电。
48.图4示出了其中之前已观察到电子设备在工作时间期间一直插入电源，并然后在工作日结束时从电源拔掉的示例场景。bms 104可以被配置成基于先前观察到的上下文信息识别这种模式，并且当预期电子设备在工作时间期间保持插电时，将电池充电状态限制设置为60％以尽量减少对电池的长期伤害。此外，bms 104可以被配置成在用户的工作日结束之前将电池充电状态限制增加到100％以允许电子设备在该电子设备将不会被插入电源的预测时段内(例如，当用户不工作时)具有完全充电的电池。在此场景中，bms 104预测，如果用户在定义的时间段内不使用电池，则设备命令电池降低其完全充电状态以减少电池退化。如果设备预测使用(特别是非插电使用)场景，则设备将允许电池充电至其最大值以向用户提供增加的非插电运行时间。
49.此外，bms 104可以被配置成基于指示这种偏离的偏离行为上下文信息来预测用户何时将偏离所学习的使用行为模式。图5示出了与图4所示的使用模式类似的在工作日期间将电子设备插入电源的示例场景。然而，电子设备上的日历应用指示用户将要旅行并且必须在星期四中午搭乘航班。bms 104可以基于此偏离行为上下文信息来调整电子设备的充电日程安排以不同地对电池进行预测性充电，从而确保在用户必须下班乘飞机时电池被
100％充电。bms 104可以在用户旅行时(如日历上的日期所指示的)进一步离每日充电日程安排以保持充电状态限制增加到100％。此外，当用户回程时，如果在日历上没有发现其他时间日程安排偏离，则bms 104可被配置成根据先前观察到的用户行为返回到正常的充电时间日程安排。在此示例中，用户日历上即将到来的航班可能是很好的预测器，表明用户很可能会拔出插头并随身携带他们的设备(并期望满电池以供飞行时使用)。如此，bms 104可动态地和预测性地调整电池的操作以满足用户的预期需求。在一些实现中，bms 104可以被配置成通过检查可用的上下文信号以进行证实来确认返回到正常充电日程安排/使用行为模式。例如，bms 104可以检查指示设备当前位置的gps信号是否与用户的家庭/工作位置相匹配以确认用户的旅行已经结束。此外，此检查可以与其他上下文信号进行交叉检查，诸如检查是否不存在在其他城市安排的附加会议或前往其他城市的旅行行程。
50.除了日历应用之外，bms 104还可以使用其他智能信号(软件、传感器)来预测用户行为。这种智能信号可以源自带有电池的设备上的传感器、带有电池的设备上的操作系统或其他应用、远程设备上的传感器、远程设备上的应用、云服务和/或几乎任何其他源。在一些实施例中，bms 104可以利用允许各种源向bms 104传递不同智能信号和/或参数的应用程序接口(api)。bms 104可以被训练以将这样的智能信号考虑入预测模型，例如，经由机器学习、模糊逻辑或试探法。
51.以下是可以如何训练bms 104以响应于智能信号仅基于观察到的过去行为偏离预测模型以预测性地为电池充电以健康地适应预测的偏离电池需求的非限制性示例。在一个示例中，具有智能助手(例如，cortana、siri、alexa)的设备可能会听到用户要去开会，并且bms 104可以调整电池的充电以被完全充电以供开会使用。bms 104可基于在文本消息或电子邮件中标识出的会议或其他偏离采取类似的动作。在另一示例中，健康应用可以识别用户每天早上何时醒来，并且bms 104可以响应于用户醒来而调整电池的充电状态以完全充电。如果用户的日历指示用户将在某天早上搭乘早班飞机，则bms 104可能会偏离先前观察到的行为并比平时更早地将电池完全充电使得用户的设备为飞行做好准备。在另一示例中，带有gps的移动电话可以向服务传达用户将要回家使用当该用户在家时通常会被拔掉插头的已插电设备，并且该服务可以与bms 104远程协作以在用户预测到达之前对该设备完全充电以便当用户到家时该设备已准备就绪。在另一示例中，同一移动电话可能会报告用户正在夏威夷度假，并且在用户从夏威夷返回之前肯定不需要拔掉用户办公桌上的设备。在此场景中，bms 104识别出用户没有该设备，并因此未来的使用行为在用户从旅途返回之前将偏离先前观察到的使用行为。以此类似的信号可被用于使充电模式偏离你的正常预测行为。
52.bms 104还考虑了高温或高功率消耗的其他场景。例如，如果环境温度被识别为高于阈值，则bms 104可以降低电池的充电状态限制，因为升高的温度会降低电池的健康，反之亦然。
53.图6示出了电子设备在一天的过程中学习到的使用模式的示例场景。学习到的使用模式可以基于一个或多个不同的上下文信号来确定。清晨(例如，当用户睡觉时)，先前已经观察到电子设备一直插入电源。如此，bms 104可以被配置成降低电池102的充电状态(例如，60％)以健康地适应预测的电池需求。此外，在先前观察到的用户醒来之前的时间(例如，5am)，在预期电子设备将从电源拔出并在用户将要工作时使用的情况下，bms 104将电
池102的充电状态增加到完全充电状态。例如，bms 104可以基于从用户佩戴的智能手表接收的上下文信号和/或指示用户每天通常何时开始使用电子设备的其他上下文信号来学习用户的典型唤醒时间。在9am，用户到达工作地点并将电子设备插入电源。用户通常在工作时间期间将电子设备插入电源并然后在工作日结束时将电子设备从电源拔出。bms 104可以被配置成基于先前观察到的上下文信息识别这种模式，并且当电子设备在工作时间期间插电时，将电池充电状态限制设置为60％以尽量减少对电池的长期伤害。在先前观察到的用户下班之前的时间(例如，5pm)，在预期电子设备将从电源拔出并在用户将要下班回家时使用的情况下，bms 104将电池102的充电状态增加到完全充电状态。
54.图7示出了其中电子设备具有类似于图6所示的使用模式的使用模式的示例场景。然而，电子设备上的虚拟助手指示用户在1pm至3pm有会议。bms 104被配置成根据基于先前观察到的电子设备的使用模式的预测电池需求对电池102进行预测性充电直到经日程安排的会议之前的时间(例如，12pm)。此时，bms 104对电池进行预测性充电以健康地适应与先前观察到的通常此时发生的电池需求不同的预测的偏离电池需求。bms 104基于在电子设备上执行的虚拟助理应用标识的预定会议形式的上下文信号来确定与先前观察到的使用模式的偏离。bms 104在预期在用户参加会议时从电源拔出并使用电子设备的情况下在会议之前将电池102的充电状态增加到完全充电状态。当会议在3pm结束并且电子设备重新插入电源时，bms 104在电子设备在工作时间期间插电的同时根据预测的电池需求通过将电池充电状态限制设置为60％从而返回到对电池进行预测性充电。在先前观察到的用户下班之前的时间(例如，5pm)，在预期电子设备将从电源拔出并在用户将要下班回家时使用的情况下，bms 104将电池102的充电状态增加到完全充电状态。在上文描述的场景中，bms 104使用上下文信号来确定预测的电池需求和预测的偏离电池需求以便以健康的方式对电池进行预测性充电。
55.在一些示例中，bms 104可以被配置成基于bms 104高度确信充电事件将发生(或将不会发生)来随时间改变电池的充电状态。例如，bms 104可能高度确信电子设备将在一天结束时插入电源。早上，当电子设备在工作时插入电源时，bms 104可以将充电状态设置为更高(例如，80％)，以便如果电子设备从电源中拔出，则电池很可能有足够的电量来为电子设备供电，直到电子设备在一天结束时插入电源。进一步，下午，当电子设备在工作时插入电源时，bms 104可以将充电状态设置为更地低(例如，40％)，以便如果电子设备从电源中拔出，则电池很可能仍有足够的电量来为电子设备供电，直到电子设备在一天结束时插入电源。
56.此智能bms 104能够不断发展和重新训练以适应用户如何随时间改变其设备使用模式。例如，如果用户开始携带他们的设备进行更多旅行或开始上学/上课时(他们需要更多电池电量(无电源线连接)的场景)，则应用/进程会标识行为转变并重新学习新的使用场景以适应此新的用例。
57.通过标识日程安排程序/应用上的事件，系统智能bms 104可以在用户无法获得供插电的电源线的情况下(在会议/旅行/等的准备过程中)将电池充满，即使这种会议/旅行/等偏离了已经学习到的用户模式。此日程安排集成可以将上下文信息提供给模式识别(pr)系统以改进其预测，或者可以在发生偏离正常模式的有效完全充电场景/事件时覆盖pr系统的预测的用例。
58.添加这些附加的智能的、面向用户的上下文工具允许现有的bms 104转变为新的系统智能、用户自适应的bms 104。这种新的系统智能bms 104适应每一个特定的用户，根据其特定的用例和模式进行变形以最大限度地利用其电池性能和寿命，而不是当前的“一刀切”方法。这种新方法为用户提供了对电池使用的无缝调整，不需要用户采取任何行动来改变他们使用设备/电池的方式来提高电池寿命和健康。
59.在一些实现中，bms 104可以被配置成跨与特定用户相关联的多个电子设备维护预测的用户行为模式的用户简档。用户与每个设备的交互可以作为用户简档中的上下文信息被收集。用户简档可以通过与用户相关联的多个电子设备中的每一者的bms来通知用户行为的预测。此外，如果用户购买了新的电子设备，该电子设备上的bms可以访问用户简档以立即获知先前的用户使用行为模式，其可以告知bms在新电子设备上做出的未来预测。在一些示例中，简档信息可以被保存在网络可访问的计算机上，例如作为云计算简档。
60.最先进的现有bms可能使用一些基于定时器的事件计数。例如，内部定时器可用于标识设备插电的时长，并如果插电达至少定义的时间段，则bms可能会降低充电电压以防止损坏。然而，这些简单的基于定时器的设计是被动的而非主动的。如果不采用深度模式识别和与日程安排程序/应用的集成，基于定时器的设计就无法预测未来使用，也无法调整电池以最好地适应预测的未来使用情况。被动且与系统/产品的集成度低意味着这些系统仍在采用“一刀切”的方法。由于基于定时器的设计是非预测性的，用户在断开电源时可能会遇到较低充电的电池的情况，因为bms不够智能无法标识用户当时需要完全电池电量。这将导致用户体验较低的电池运行时间，这从而导致退化的用户体验。因为它们不是自适应的，所以它们不能随着用户行为的改变而改变。因为现有的bms不是设计来考虑关于用户的丰富的上下文信息，因此现有bms可能会过度或不足地校正电池使用。
61.图8示出了用于为电子设备的电池进行充电的示例方法800。例如，方法800可以由图1所示的bms 104来执行。在802，方法800包括基于上下文信号和/或传感器信号来确定所观察到的电子设备的电池的因用户而异的使用模式。这种信号可以从电子设备和/或与电子设备通信的远程设备的软件应用和/或传感器接收。在804，方法800包括基于观察到的因用户而异的使用模式来确定预测的电池需求。在806，方法800包括对电池进行预测性充电以健康地适应预测的电池需求。在一些示例中，对电池进行预测性充电以健康地适应预测的电池需求可包括响应于预测的电池需求预测电子设备很可能保持连接到电源来将充电状态限于不完全充电状态。例如，充电状态的上限可能为80％。
62.在808，方法800包括确定与预测的电池需求不同的预测的偏离电池需求。预测的偏离电池需求可以基于指示预测的用户行为将很可能偏离观察到的因用户而异的使用模式的上下文信号来确定。例如，上下文信号可以从日程安排应用、电子邮件应用、文本消息应用、虚拟助理应用或来自电子设备或与电子设备通信的远程设备的另一源接收。在810，方法800包括对电池进行预测性充电以健康地适应预测的偏离电池需求。在一些示例中，对电池进行预测性充电以健康地适应预测的偏离电池需求可包括响应于预测的偏离电池需求预测电子设备很可能从电源断连来将充电状态从不完全充电状态增加到完全充电状态。在一些此类示例中，电池的充电状态可在电子设备将从电源断开的预测时间之前开始增加，使得电子设备将在电子设备预计从电源断开之前处于完全充电状态。
63.在一些实现中，可在基于上下文信号的偏离历时内根据预测的偏离电池需求对电
池进行预测性充电。作为一个示例，上下文信号可指示用户具有一个会议，会议被安排为设定的偏离历时(例如，两个小时)。作为另一示例，上下文信号可以指示用户正在旅行，旅行为设定的偏离历时(例如，飞行五小时)。在一些此类实现中，在812，方法800任选地可以包括确定偏离历时是否已经结束。如果偏离、历时已经结束，则方法800移至814。否则，偏离历时还没有结束，并且方法800返回到812，同时根据预测的偏离电池需求继续对电池进行预测性充电。在一些实现中，在814，方法800任选地可包括在偏离历时结束时返回至根据预测的电池需求对电池进行预测性充电。在一些实现中，方法可任选地包括在偏离历时结束时检查可用的上下文信号以确认返回至根据预测的电池需求对电池进行预测性充电。
64.本文公开的解决方案包括更高级别的系统和软件集成，利用显著更多的用例和用户上下文数据来提高整个bms系统的性能。
65.本文公开的方法和过程可以被配置成给予用户和/或任何其他人类对任何私有和/或潜在敏感数据的控制。无论何时存储、访问和/或处理数据，数据都可以根据隐私和/或安全性标准来处理。收集用户数据时，用户或其他利益相关者可以指定如何使用和/或存储数据。无论何时出于任何目的收集用户数据，仅应在最大程度上尊重用户隐私的情况下收集用户数据(例如，仅当拥有数据的用户提供肯定同意时才可收集用户数据，和/或每当收集用户数据时可通知拥有数据的用户)。如果要发布数据供用户以外的任何人访问或用于任何决策过程，则在使用和/或发布数据之前可收集用户的同意。用户可以随时选择加入和/或选择退出数据收集。在收集数据后，用户可以发出删除数据的命令，和/或限制对数据的访问。所有可能敏感的数据可任选地加密和/或在可行的情况下匿名，以进一步保护用户隐私。用户可以指定部分数据、元数据或处理数据的统计数据/结果以发布给其他方，例如，用于进一步处理。私有和/或机密的数据可以完全私有，例如，仅为处理而临时解密，或仅为在用户设备上处理而解密，否则以加密形式存储。用户可以持有和控制经加密的数据的加密密钥。替换地或附加地，用户可以指定受信任的第三方来持有和控制经加密的数据的加密密钥，例如，以便根据合适的认证协议向用户提供对数据的访问。
66.当本文描述的方法和过程并入ml和/或ai组件时，ml和/或ai组件可以至少部分地基于组件关于训练数据的训练来做出决定。因此，ml和/或ai组件可以而且应该在不同的、有代表性的数据集上进行训练，这些数据集包括针对不同用户和/或用户群的足够的相关数据。特别是，训练数据集应该包含不同的个人和群体，以便在训练ml和/或ai组件时，提高其在用户和/或用户群体的用户体验方面的性能。
67.ml和/或ai组件还可被训练以做出决策从而最小化对个人和/或群体的潜在偏见。例如，当人工智能系统用于评估关于个人或群体的任何定性和/或定量信息时，可对其进行训练，使其对个体或群体之间的差异保持不变，而这些差异不是通过定性和/或定量评估来衡量的，例如，因此，任何决策都不会受到个人和群体差异的意外影响。
68.ml和/或ai组件可被设计成提供有关它们如何操作的上下文，以便ml和/或ai系统的实施者可以对系统做出的决策/评估负责。例如，ml和/或ai系统可被配置成可复制的行为，例如，当它们做出伪随机决策时，可以使用和记录随机种子，以便稍后复制决策。作为另一示例，用于训练和/或测试ml和/或ai系统的数据可以被策划和维护以促进关于数据的ml和/或ai系统的行为的未来调查。此外，可以持续监视ml和/或ai系统以标识潜在的偏离、错误和/或意外结果。
69.在一个示例中，一种电子设备，包括：电池；以及电池管理系统，该电池管理系统被配置成：基于观察到的使用模式来确定预测的电池需求，对该电池进行预测性充电以健康地适应该预测的电池需求，基于上下文信号来确定预测的偏离电池需求，其中该预测的偏离电池需求不同于该预测的电池需求，以及对该电池进行预测性充电以健康地适应该预测的偏离电池需求。在此示例和/或其他示例中，对电池进行预测性充电以健康地适应预测的电池需求可包括响应于预测的电池需求预测电子设备很可能保持连接到电源来将充电状态限于不完全充电状态。在此示例和/或其他示例中，对电池进行预测性充电以健康地适应预测的偏离电池需求可包括响应于预测的偏离电池需求预测电子设备很可能从电源断连来将充电状态从不完全充电状态增加到完全充电状态。在此示例和/或其他示例中，该电池管理系统可被配置成在基于该上下文信号的偏离历时内根据该预测的偏离电池需求对该电池进行预测性充电。在此示例和/或其他示例中，该电池管理系统可被配置成在该偏离历时结束时返回至根据该预测的电池需求对该电池进行预测性充电。在此示例和/或其他示例中，该上下文信号可以是从日程安排应用接收的。在此示例和/或其他示例中，该上下文信号可以是从电子邮件应用接收的。在此示例和/或其他示例中，该上下文信号可以是从文本消息应用接收的。在此示例和/或其他示例中，该上下文信号可以是从虚拟助理应用接收的。在此示例和/或其他示例中，该上下文信号可以是经由网络从远程设备接收的。在此示例和/或其他示例中，该电池管理系统可以包括电池管理集成电路。在此示例和/或其他示例中，该电池管理系统可以包括电池管理应用。在此示例和/或其他示例中，该电池管理系统可以包括该电子设备的操作系统。
70.在一示例中，一种对电子设备的电池进行充电的方法，该方法包括：基于观察到的使用模式来确定预测的电池需求，对电池进行预测性充电以健康地适应预测的电池需求；基于上下文信号来确定预测的偏离电池需求，其中该预测的偏离电池需求不同于该预测的电池需求，以及对电池进行预测性充电以健康地适应预测的偏离电池需求。在此示例和/或其他示例中，对电池进行预测性充电以健康地适应预测的电池需求可包括响应于预测的电池需求预测电子设备很可能保持连接到电源来将充电状态限于不完全充电状态。在此示例和/或其他示例中，对电池进行预测性充电以健康地适应预测的偏离电池需求可包括响应于预测的偏离电池需求预测电子设备很可能从电源断连来将充电状态从不完全充电状态增加到完全充电状态。在此示例和/或其他示例中，可在基于上下文信号的偏离历时内根据预测的偏离电池需求对电池进行预测性充电。在此示例和/或其他示例中，该方法可进一步包括在偏离历时结束时返回至根据预测的电池需求对电池进行预测性充电。在此示例和/或其他示例中，该上下文信号可以是从日程安排应用、电子邮件应用、文本消息应用或虚拟助理应用中的至少一者接收的。
71.在一个示例中，一种电子设备，包括：电池；以及电池管理系统，该电池管理系统被配置成：基于观察到的使用模式来确定预测的电池需求，响应于该预测的电池需求预测该电子设备很可能保持连接到电源来将该电池的充电状态限于不完全充电状态，基于上下文信号来确定预测的偏离电池需求；以及响应于预测的偏离电池需求预测电子设备很可能从电源断连来将充电状态从不完全充电状态增加到完全充电状态。
72.应当理解，本文中所描述的配置和/或办法本质上是示例性的，并且这些具体实施例或示例不应被视为具有限制意义，因为许多变体是可能的。本文中所描述的具体例程或
方法可表示任何数目的处理策略中的一个或多个。由此，所解说和/或所描述的各种动作可按所解说和/或所描述的顺序执行、按其他顺序执行、并行地执行，或者被省略。同样，以上所描述的过程的次序可被改变。
73.本公开的主题包括此处公开的各种过程、系统和配置以及其他特征、功能、动作和/或属性、以及它们的任一和全部等价物的所有新颖且非显而易见的组合和子组合。