充电的控制方法及装置、设备、存储介质与流程

本技术实施例涉及机器学习，涉及但不限于一种充电的控制方法及装置、设备、存储介质。

背景技术：

1、随着便携式电子设备的不断普及，可充电电池的应用也越来越广泛。当电池的电量不足时，需要通过数据线为电子设备的电池进行充电。例如，用户经常将手机连接到充电器上，对手机中的电池进行充电。在电池充电的过程中，若电池已充满但仍然连接到充电器上时，电池仍然会持续接收电流，这可能会导致电池的电压超过安全范围，导致“过充”。如果电池经常处于过充的情况下，很容易受损，从而导致寿命缩短。

2、在目前相关技术中，对于电池的充电保护方法通常是基于一个固定的规则或者静态设置的，没有考虑到用户的个性化需求或充电行为差异，导致了一种“一刀切”的策略，无法充分优化电池的使用寿命。

3、因此，如何最大程度地延长电池的寿命，减少电池损耗，是一个亟待解决的问题。

技术实现思路

1、有鉴于此，本技术实施例提供的充电的控制方法及装置、设备、存储介质，能够最大程度地延长电池的寿命，减少电池损耗。本技术实施例提供的充电的控制方法及装置、设备、存储介质是这样实现的：

2、本技术实施例提供的充电的控制方法，应用于电子设备，所述方法包括：获取电子设备在当前时刻的电池状态数据和充电的起始时刻，所述电池状态数据用于指示所述电子设备的充电电路中的电流数据、电压数据和电池的剩余电量；将所述当前时刻的电池状态数据和所述充电的起始时刻输入预设机器学习模型中，得到预测插电时长和预测充满时长，所述预测插电时长用于指示所述电子设备与充电器处于连接状态的时长；根据所述预测插电时长、所述预测充满时长以及预设充电策略，对所述电池进行充电，以使所述电池的电压小于预设安全电压阈值；其中，所述预设机器学习模型是基于多个历史时间段对应的训练数据对初始深度神经网络模型训练得到的，每个历史时间段内的训练数据包括历史电池状态数据、历史插电时长、历史充满时长和历史充电的起始时刻。

3、在一些实施例中，在所述将所述当前时刻的电池状态数据和所述充电的起始时刻输入预设机器学习模型中，得到预测插电时长和预测充满时长之前，所述方法还包括：获取所述电子设备在所述多个历史时间段中的每个历史时间段内的训练数据；基于所述每个历史时间段内的训练数据训练所述初始深度神经网络模型，得到所述预设机器学习模型。

4、在一些实施例中，所述基于所述每个历史时间段内的训练数据训练所述初始深度神经网络模型，得到所述预设机器学习模型，包括：对所述每个历史时间段内的电流数据和电压数据进行预处理，得到预处理后的电流数据和电压数据，所述预处理包括去噪和滤波中的至少一种；根据所述预处理后的电流数据和电压数据，计算所述预处理后的电流数据和电压数据分别对应的统计特征；将所述每个历史时间段内的所述预处理后的电流数据和电压数据分别对应的统计特征、对应的电池的剩余电量、历史插电时长、历史充满时长和历史充电的起始时刻输入到所述初始深度神经网络模型进行训练，得到所述预设机器学习模型。

5、在一些实施例中，所述预设充电策略包括电池的插电时长、充满时长以及充电策略的对应关系，所述根据所述预测插电时长、所述预测充满时长以及预设充电策略，对所述电池进行充电，包括：根据所述预测插电时长和所述预测充满时长，从所述预设充电策略中确定出目标充电策略；基于所述目标充电策略，对所述电子设备进行充电。

6、在一些实施例中，在所述预测插电时长大于或等于所述预测充满时长的情况下，所述目标充电策略为采用第一电流对所述电池进行充电，或，所述目标充电策略为采用第二电流对所述电池进行充电并在充电时长达到所述预测充满时长后控制所述充电电路处于断开状态，所述第一电流小于所述第二电流。

7、在一些实施例中，所述预设充电策略包括采用第三电流对所述电池进行充电的第一策略以及采用第四电流对所述电池进行充电的第二策略，所述第三电流小于所述第四电流，所述根据所述预测插电时长、所述预测充满时长以及预设充电策略，对所述电池进行充电，包括：判断所述预测插电时长与所述预测充满时长的大小；在所述预测插电时长大于或等于所述预测充满时长的情况下，采用所述第一策略对所述电池进行充电；在所述预测插电时长小于所述预测充满时长的情况下，采用所述第二策略对所述电池进行充电。

8、在一些实施例中，在所述获取电子设备在当前时刻的电池状态数据和充电的起始时刻之前，所述方法还包括：确定所述电子设备处于充电保护状态，所述充电保护状态为所述电子设备根据所述预测插电时长、所述预测充满时长以及预设充电策略，对所述电池进行充电的状态。

9、本技术实施例提供的充电的控制装置，应用于电子设备，所述装置包括：获取模块，用于获取电子设备在当前时刻的电池状态数据和充电的起始时刻，所述电池状态数据用于指示所述电子设备的充电电路中的电流数据、电压数据和电池的剩余电量；处理模块，用于将所述当前时刻的电池状态数据和所述充电的起始时刻输入预设机器学习模型中，得到预测插电时长和预测充满时长，所述预测插电时长用于指示所述电子设备与充电器处于连接状态的时长；充电模块，用于根据所述预测插电时长、所述预测充满时长以及预设充电策略，对所述电池进行充电，以使所述电池的电压小于预设安全电压阈值；其中，所述预设机器学习模型是基于多个历史时间段对应的训练数据对初始深度神经网络模型训练得到的，每个历史时间段内的训练数据包括历史电池状态数据、历史插电时长、历史充满时长和历史充电的起始时刻。

10、在一些实施例中，所述充电的控制装置还包括：训练模块。获取模块，还用于获取所述电子设备在所述多个历史时间段中的每个历史时间段内的训练数据；训练模块，用于基于所述每个历史时间段内的训练数据训练所述初始深度神经网络模型，得到所述预设机器学习模型。

11、在一些实施例中，所述训练模块具体用于：对所述每个历史时间段内的电流数据和电压数据进行预处理，得到预处理后的电流数据和电压数据，所述预处理包括去噪和滤波中的至少一种；根据所述预处理后的电流数据和电压数据，计算所述预处理后的电流数据和电压数据分别对应的统计特征；将所述每个历史时间段内的所述预处理后的电流数据和电压数据分别对应的统计特征、对应的电池的剩余电量、历史插电时长、历史充满时长和历史充电的起始时刻输入到所述初始深度神经网络模型进行训练，得到所述预设机器学习模型。

12、在一些实施例中，所述预设充电策略包括电池的插电时长、充满时长以及充电策略的对应关系，所述根据所述预测插电时长、所述预测充满时长以及预设充电策略，对所述电池进行充电，包括：根据所述预测插电时长和所述预测充满时长，从所述预设充电策略中确定出目标充电策略；基于所述目标充电策略，对所述电子设备进行充电。

13、在一些实施例中，在所述预测插电时长大于或等于所述预测充满时长的情况下，所述目标充电策略为采用第一电流对所述电池进行充电，或，所述目标充电策略为采用第二电流对所述电池进行充电并在充电时长达到所述预测充满时长后控制所述充电电路处于断开状态，所述第一电流小于所述第二电流。

14、在一些实施例中，所述预设充电策略包括采用第三电流对所述电池进行充电的第一策略以及采用第四电流对所述电池进行充电的第二策略，所述第三电流小于所述第四电流，所述充电模块具体用于：判断所述预测插电时长与所述预测充满时长的大小；在所述预测插电时长大于或等于所述预测充满时长的情况下，采用所述第一策略对所述电池进行充电；在所述预测插电时长小于所述预测充满时长的情况下，采用所述第二策略对所述电池进行充电。

15、在一些实施例中，所述充电的控制装置还包括：确定模块。确定模块，用于确定所述电子设备处于充电保护状态，所述充电保护状态为所述电子设备根据所述预测插电时长、所述预测充满时长以及预设充电策略，对所述电池进行充电的状态。

16、本技术实施例提供的计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本技术实施例所述的充电的控制方法。

17、本技术实施例提供的计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本技术实施例提供的所述的充电的控制方法。

18、本技术实施例所提供的充电的控制方法、装置、计算机设备和计算机可读存储介质中，通过使用预设机器学习模型，得到预测插电时长和预测充满时长，再结合预设的充电策略，实现对电池的充电，比传统的固定充电模式更加智能，可以适应用户不同的充电习惯和使用情景，进而延长电池的寿命，减少电池损耗，解决背景技术中所提出的技术问题。