充电方法、装置及电子设备与流程

1.本技术属于人工智能技术领域，具体涉及一种充电方法、装置及电子设备。


背景技术：

2.随着人们对电子设备的使用越来越频繁，用户对电子设备续航的要求也越来越高。
3.为了提高电子设备的充电速度，快充技术开始逐渐普及。然而，随着电子设备的充电速度和功率的增加，充电时电池的发热也越来越严重。如何平衡电子设备的充电速度和电池发热控制，成为了一大难题。


技术实现要素：

4.本技术实施例的目的是提供一种充电方法、装置及电子设备，能够平衡电子设备的充电速度和电池发热控制的问题。
5.第一方面，本技术实施例提供了一种充电方法，该方法包括：
6.获取第一目标信息，所述第一目标信息包括：用于表征第一充电场景的第一信息和用于表征第一用户的充电习惯的第二信息；
7.基于所述第一信息和所述第二信息，确定所述第一充电场景对应的第一充电速度，以及，基于所述第二信息，确定第二充电速度；
8.基于所述第一充电速度和所述第二充电速度，确定目标充电速度；
9.基于所述目标充电速度进行充电。
10.第二方面，本技术实施例提供了一种充电装置，该装置包括：
11.第一获取模块，用于获取第一目标信息，所述第一目标信息包括：用于表征第一充电场景的第一信息和用于表征第一用户的充电习惯的第二信息；
12.第一确定模块，用于基于所述第一信息和所述第二信息，确定所述第一充电场景对应的第一充电速度；
13.第二确定模块，用于基于所述第二信息，确定第二充电速度；
14.第三确定模块，用于基于所述第一充电速度和所述第二充电速度，确定目标充电速度；
15.充电模块，用于基于所述目标充电速度进行充电。
16.第三方面，本技术实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的充电方法的步骤。
17.第四方面，本技术实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的充电方法的步骤。
18.第五方面，本技术实施例提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的充
电方法的步骤。
19.在本技术实施例中，通过获取第一目标信息，所述第一目标信息包括：用于表征第一充电场景的第一信息和用于表征第一用户的充电习惯的第二信息；基于所述第一信息和所述第二信息，确定所述第一充电场景对应的第一充电速度，以及，基于所述第二信息，确定第二充电速度；基于所述第一充电速度和所述第二充电速度，确定目标充电速度；基于所述目标充电速度进行充电。如此，可以结合第一充电场景的相关信息和用户的相关信息，在第一充电场景下给用户提供合适的充电速度，从而平衡电子设备的充电速度和电池发热控制，在兼顾电池发热的同时可以给用户提供快速充电。
附图说明
20.图1是本技术实施例提供的充电方法的流程图；
21.图2是本技术实施例提供的充电装置的结构图；
22.图3是本技术实施例提供的电子设备的结构图；
23.图4为实现本技术实施例的一种电子设备的硬件结构示意图。
具体实施方式
24.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本技术保护的范围。
25.本技术的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
26.下面结合附图，通过具体的实施例及其应用场景对本技术实施例提供的充电方法进行详细地说明。
27.图1是本技术实施例提供的充电方法的流程图，如图1所示，包括以下步骤：
28.步骤101，获取第一目标信息，所述第一目标信息包括：用于表征第一充电场景的第一信息和用于表征第一用户的充电习惯的第二信息。
29.该步骤中，第一充电场景可以指的是电子设备的充电环境，其可以包括但不限于充电时间、充电位置和电子设备充电时电池所剩余的电量等。
30.其中，充电时间可以为用户对电子设备的具体充电时间，如上午8点，也可以为用户对电子设备的大概充电时间，如上午7点至9点，这里不进行具体限定。充电位置可以为全球定位系统(global positioning system，gps)位置，其为零散的经纬度，也可以为具有具体含义的位置地点，如办公室、家里等，这里不进行具体限定。
31.第一用户可以为任一用户，第一用户可以为电子设备匹配的用户，如使用电子设备的用户。充电习惯可以包括但不限于第一用户平均每日的充电次数(如平均每日充电5次)、平均每次对电池的充电电量(如平均每次对电池充电50％)、历史数据中用户在第一充
电场景下将电量充至某一阈值如100％的百分比等。比如，历史数据中，用户在当前时间地点下充电有100次，其中，将电量充至某一阈值如100％的次数为90次，则历史数据中用户在第一充电场景下将电量充至某一阈值的百分比为90％。
32.另外，第一目标信息还可以包括第一用户的身份信息，如性别、年龄和职业等。
33.可以在接收到充电信号的情况下，获取第一目标信息。其获取方式可以包括但不限于以下方式：
34.在接收到充电信号的情况下，监测电子设备的电池当前所剩余的电量，并调取电子设备的其他应用，如时间显示应用、位置显示应用等，获取用于表征第一充电场景的第一信息；
35.获取预先存储在电子设备的第一用户的身份信息，和/或，预先存储在电子设备的用于表征第一用户的充电习惯的第二信息；
36.获取第一用户在历史时间内的充电数据，以统计得到用于表征第用户的充电习惯的第二信息。
37.步骤102，基于所述第一信息和所述第二信息，确定所述第一充电场景对应的第一充电速度。
38.该步骤中，第一充电速度可以指示第一用户对电池电量的焦虑程度，第一充电速度可以用等级(如高、中、低三个等级)来表征，也可以用充电电流来表征，这里不进行具体限定。
39.在一可选实施方式中，可以基于第一信息和第二信息，采用预设算法直接确定第一充电场景对应的第一充电速度。
40.在另一可选实施方式中，第一充电速度可以通过如下方式确定：
41.基于所述第一信息和所述第二信息，确定所述第一充电场景对应的电量需求程度，所述电量需求程度用于表征电池电量需求与充电速度的对应关系；
42.基于所述电量需求程度，确定所述第一充电速度。
43.其中，电量需求程度可以用等级来表征，如第一焦虑等级可以表征用户对电池电量需求的焦虑程度，电量需求程度也可以用百分比来表征，如100％表征用户对电池电量需求大，充电速度越快。以下电量需求程度将用等级表征为例进行详细说明。
44.在一可选实施方式中，表征电量需求程度的等级值越大，电池电量需求越大，表征第一用户对电量越焦虑，所需要的充电速度越快。而表征电量需求程度的等级值越小，电池电量需求越小，表征第一用户对电量越不焦虑，所需要的充电速度可以越慢。
45.比如，表征电量需求程度的等级值可以包括高、中和低三个等级，分别对应用户对电池电量焦虑的等级为高、中和低。相应的，充电速度分别对应高、中和低三个等级。
46.在另一可选实施方式中，表征电量需求程度的等级值越小，电池电量需求越大，表征第一用户对电量越焦虑，所需要的充电速度越快。而表征电量需求程度的等级值越大，电池电量需求越小，表征第一用户对电量越不焦虑，所需要的充电速度可以越慢。
47.在一可选实施方式中，可以基于第一信息和第二信息，通过第一预设关系，确定第一充电场景对应的电量需求程度，如第一充电场景表征在家里充电、且用户的充电习惯为平均每天充电一次时，表征电量需求程度的等级值可以对应低，表示用户对电池电量不焦虑，电池电量需求小。而第一充电场景表征在办公室充电，且用户的充电频率比较高时，表
征电量需求程度的等级值可以对应高，表征用户对电池电量比较焦虑，电池电量需求大。
48.在另一可选实施方式中，可以将第一信息和第二信息进行量化，如可以将7～9点的时间段量化为数值1，将位置地点量化为数值1、数值2或其他数值等，其中，数值1可以表征用户最常去的地方，数值2表征用户第二常去的地方。
49.将量化后的第一信息和第二信息输入至第一模型进行概率预测，得到第一用户在所述第一充电场景下将电池电量充电至第一预设阈值的第一概率，基于第一概率，确定电量需求程度。比如，第一概率越大，表征用户在第一充电场景下有较大概率会将电池电量充电至第一预设阈值，对电池电量需求越小，即对电池电量越不焦虑，相应的，所需要的充电速度越慢。又比如，第一概率越小，表征用户在第一充电场景下有较大概率不会将电池电量充电至第一预设阈值，即表征用户急需使用电子设备，对电池电量需求越大，对电池电量越焦虑，相应的，所需要的充电速度越快。
50.相应的，可以基于电量需求程度，确定充电速度等级，得到第一充电速度。比如，表征电量需求程度的等级值为高、中、低时，分别对应的充电速度等级为高、中、低，用v
battery
表示。也可以基于电量需求程度，确定充电电流，得到第一充电速度。
51.步骤103，基于所述第二信息，确定第二充电速度。
52.该步骤中，第二充电速度可以指示第一用户对电池发热的焦虑程度，第二充电速度可以用等级(如高、中、低三个等级)来表征，也可以用充电电流来表征，这里不进行具体限定。
53.在一可选实施方式中，可以基于第二目标信息，采用预设算法直接确定第二充电速度，第二目标信息可以包括第二信息，还可以包括所述第一用户的身份信息，如性别、年龄和职业等。
54.在另一可选实施方式中，第二充电速度可以通过如下方式确定：
55.基于第二目标信息，确定发热限制程度，所述发热限制程度用于表征电池发热限制与充电速度的对应关系，所述第二目标信息包括所述第二信息；
56.基于所述发热限制程度，确定所述第二充电速度。
57.其中，发热限制程度可以用于表征电池发热限制与充电速度的对应关系，发热限制程度可以用等级来表征，如第二焦虑等级可以表征用户对电池发热的焦虑程度，发热限制程度也可以用百分比来表征，如100％表征用户对电池发热限制大，充电速度越慢。以下发热限制程度将用等级表征为例进行详细说明。
58.在一可选实施方式中，表征发热限制程度的等级值越大，表征用户对电池电量发热越焦虑，对电池发热的敏感度越高，相应的，电池发热限制越大，即需要尽可能地限制电池发热，充电速度越慢。而表征发热限制程度的等级值越小，表征用户对电池电量发热越不焦虑，对电池发热的敏感度越低，相应的，电池发热限制越小，充电速度可以越快。
59.比如，发热限制程度的等级值可以包括高、中和低三个等级，分别对应用户对电池发热焦虑的等级为高、中和低。相应的，充电速度分别对应低、中和高三个等级。
60.发热限制程度可以基于第二信息确定，发热限制程度也可以基于第二信息和第一用户的身份信息确定，这里不进行具体限定。
61.相应的，可以基于发热限制程度，确定充电速度等级，得到第二充电速度，比如，表征发热限制程度的等级值为高、中、低时，分别对应的充电速度等级为低、中、高，用v
heating
。
也可以基于发热限制程度，确定充电电流，得到第二充电速度。
62.步骤104，基于所述第一充电速度和所述第二充电速度，确定目标充电速度。
63.该步骤中，在一可选实施方式中，可以对第一充电速度和第二充电速度进行加权处理，得到目标充电速度。比如，第一充电速度表征可用1安培每小时(a/h)的充电电流进行充电，第二充电速度表征可用2a/h的充电电流进行充电，对这两个值进行加权，得到目标充电速度。
64.在另一可选实施方式中，第一充电速度的等级和第二充电速度的等级，确定目标充电速度。具体可以基于第一充电速度和第二充电速度，从预设规则表中查询目标充电速度。
65.预设规则表如下表1和下表2所示，下表1和下表2分别对应不同策略下目标充电速度的确定，下表1在确定目标充电速度时，是更倾向于保证电池发热的体验，以保证电池发热不要过高。下表2在确定目标充电速度时，更倾向于保证充电速度的体验，优先保证充电速度。
66.其中，表1和表2中，第一列表示第一充电速度对应的电量焦虑，第一行表示第二充电速度对应的发热焦虑。
67.表1预设规则表之一
[0068][0069]
表2预设规则表之二
[0070][0071]
从上表1和上表2可以看出，在电量需求程度对应的充电速度等级(即第一充电速度的等级)和发热限制程度对应的充电速度等级(即第二充电速度的等级)一致的情况下，将该充电速度等级确定为目标充电速度。比如，电量需求程度对应的充电速度等级为高，发热限制程度对应的充电速度等级为高，则以高速充电方式对电子设备进行充电。
[0072]
在电量需求程度对应的充电速度等级和发热限制程度对应的充电速度等级不一致的情况下，按照一定策略，基于这两个充电速度等级确定目标充电速度。比如，电量需求程度对应的充电速度等级为高，发热限制程度对应的充电速度等级为低，若按照优先考虑电池发热限制，则可以确定目标充电速度和低速的充电速度，即以低速充电方式对电子设备进行充电。
[0073]
如此，可以平衡用户对电池电量和电池发热的焦虑程度，给用户提供合适的充电
速度，在保证用户充电速度体验的前提下，最大限度地降低电池的发热。
[0074]
步骤105，基于所述目标充电速度进行充电。
[0075]
该步骤中，可以采用目标充电速度对应的充电电流，对电子设备进行充电，在具体实现过程中，可以通过调节充电电流实现高速、中速、低速的充电，充电速度越大，充电电流越大，相应的，充电速度越小，充电电流越小。
[0076]
需要说明的是，在一次充电过程中，随着时间的推进，电子设备的充电场景可能会发生变化，相应的，目标充电速度可能也会发生变化，因此，可以通过调节充电电流不断调整一次充电过程中的充电速度，即对电子设备进行变速充电。其中，一次充电过程可以指的是从接收到充电信号开始至充电信号丢失的过程。这样，不需要增加硬件进行电池散热，在节约成本的同时保证了用户的充电体验。
[0077]
本实施例中，通过获取第一目标信息，所述第一目标信息包括：用于表征第一充电场景的第一信息和用于表征第一用户的充电习惯的第二信息；基于所述第一信息和所述第二信息，确定所述第一充电场景对应的第一充电速度，以及，基于所述第二信息，确定第二充电速度；基于所述第一充电速度和所述第二充电速度，确定目标充电速度；基于所述目标充电速度进行充电。如此，可以结合第一充电场景的相关信息和用户的相关信息，在第一充电场景下给用户提供合适的充电速度，从而平衡电子设备的充电速度和电池发热控制，在兼顾电池发热的同时可以给用户提供快速充电。
[0078]
可选的，所述第一信息包括充电时间、充电地点、电池剩余电量中的至少一项；
[0079]
和/或，所述第二信息包括所述第一用户在预设时间周期内的平均历史充电次数、所述第一用户在历史充电时平均每次对电池的充电电量、目标比例中的至少一项，所述目标比例为第一历史充电次数相对于第二历史充电次数的比例，所述第一历史充电次数为在所述第一充电场景下进行历史充电时将电池电量充电至第一预设阈值的次数，所述第二历史充电次数为在所述第一充电场景下进行历史充电的总次数。
[0080]
其中，第一预设阈值可以根据实际情况进行设置，如设置为99％，100％等。
[0081]
可选的，所述步骤102具体包括：
[0082]
将所述第一信息和所述第二信息输入至第一模型进行概率预测，得到所述第一用户在所述第一充电场景下将电池电量充电至第一预设阈值的第一概率；
[0083]
基于所述第一概率和预先获取的第一等级划分阈值，确定所述第一充电场景对应的电量需求程度，所述电量需求程度用于表征电池电量需求与充电速度的对应关系；
[0084]
基于所述电量需求程度，确定所述第一充电速度；
[0085]
其中，所述第一模型基于第一训练样本数据进行训练得到，所述第一训练样本数据包括用于表征第二充电场景的第一样本信息、用于表征第二用户的充电习惯的第二样本信息和充电结果，所述充电结果用于表征所述第二用户在所述第二充电场景下是否将电池电量充电至所述第一预设阈值。
[0086]
本实施方式中，结合第一信息和第二信息，包括时间、地点、当前电池所剩余的电量、第一用户的充电习惯等信息，通过第一模型预测用户本次充电是否能够充电至第一预设阈值如充满，来量化用户对电池电量的焦虑程度。
[0087]
例如，第一模型预测用户这次充电能够充满，那表明用户在第一充电场景下对电池电量的需求不急切，即用户对电池电量不焦虑，反之则表明用户对电池电量焦虑。
[0088]
在一可选实施方式中，第一模型的输入可以为第一信息和第二信息的特征表征，如时间x1、位置x2、电子设备电池所剩余的电量x3、平均每日充电次数x4、平均每次的充电电量x5、历史数据中在当前时间位置下将电池充电至第一预设阈值的百分比x6，输出可以为第一用户在所述第一充电场景下将电池电量充电至第一预设阈值的第一概率。
[0089]
第一模型可以为机器学习模型，也可以为深度学习模型，以下以机器学习模型为例进行说明。在一可选实施方式中，第一模型可以为逻辑回归模型，可以采用如下式(1)表示第一模型的结构。
[0090][0091]
其中，上式(1)中，p为用户在所述第一充电场景下将电池电量充电至第一预设阈值的概率，w1、w2、
…
、w6以及b为第一模型的网络参数。
[0092]
第一模型在使用之前，需要预先训练，其目的是固定第一模型的网络参数，使之可以准确预测任一用户如第一用户在充电场景下将电池电量充电至第一预设阈值的概率。
[0093]
第一模型可以基于第一训练样本数据进行训练得到，所述第一训练样本数据包括用于表征第二充电场景的第一样本信息、用于表征第二用户的充电习惯的第二样本信息和充电结果，所述充电结果用于表征所述第二用户在所述第二充电场景下是否将电池电量充电至所述第一预设阈值。
[0094]
其中，第一训练样本数据可以包括至少一个第一样本信息、至少一个第二样本信息和相应充电场景下的充电结果，该充电结果存在两种情况，如数值1表示第二用户在所述第二充电场景下将电池电量充电至所述第一预设阈值，数值0表示第二用户在所述第二充电场景下未将电池电量充电至所述第一预设阈值。第二充电场景可以与第一充电场景相同，也可以不同，这里不进行具体限定。
[0095]
第一训练样本数据可以包括至少一个第二用户的训练样本数据，这至少一个第二用户中可以包括第一用户，也可以不包括第一用户，这里不进行具体限定。在第一训练样本数据不包括第一用户的训练样本数据的情况下，可以针对其他用户的训练样本数据来训练第一模型，而在第一训练样本数据包括第一用户的训练样本数据的情况下，第一用户的训练样本数据可以结合其他用户的训练样本数据来训练第一模型，以固定第一模型的网络参数。相应的，可以基于第一用户的第一目标信息，利用第一模型的网络参数来预测得到第一用户对电池电量的焦虑程度。
[0096]
在信息输入至第一模型之前，可以进行量化。比如，时间x1的特征需要做离散化处理，分成不同的时间段，具体处理规则如下表3所示。
[0097]
表3时间的量化表
[0098][0099][0100]
由于用户的位置是零散的经纬度，位置x2的特征也需要进行量化处理，将其处理为有具体含义的位置信息。比如：用户最常去的地点，用数值1表示；用户第二常去的地点，用数值2表示，以此类推。在一可选实施方式中，可以使用无监督学习算法如kmeans对用户的位置数据进行聚类，得到m个簇，m个簇代表用户常去的m个地点。之后则可以将位置x2的特征处理成数值特征输入至第一模型，例如，x2位于第3个簇，则x2输入第一模型的数值为3。
[0101]
电子设备电池所剩余的电量x3、平均每日充电次数x4、平均每次的充电电量x5、历史数据中在当前时间位置下将电池充电至第一预设阈值的百分比x6，这些信息原本就是数值特征，不需要做进一步量化处理，可以直接输入第一模型中。
[0102]
相应的，可以将数值特征输入至第一模型进行概率预测，得到用户在充电场景下将电池电量充电至第一预设阈值的概率p，训练阶段构建损失函数，用下式(2)表示。
[0103]
l＝-[ylogp1+(1-y)log(1-p1)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0104]
其中，上式(2)中，l为第一模型的网络损失值，y为第一训练样本数据中的充电结果。
[0105]
可以采用梯度下降法，并通过最小化损失函数来更新第一模型的网络参数，且可以采用循环迭代的方式，不断更新第一模型的网络参数，直至l小于某一阈值，且达到收敛，此时第一模型可以训练完成，得到最优的w1、w2、
…
、w6以及b。
[0106]
第一模型经过训练后能学习到x4、x5、x6和充电至第一预设阈值的关联。x4越高同时x5越低，表明用户更倾向于在还有较多电量时就开始充电，因此电池电量需求较大，电量焦虑较高。x6越高，当前充电能充至第一预设阈值的概率越高，表明电池电量需求较小，用户对电池电量不焦虑。
[0107]
之后，可以使用上述训练完成的第一模型，输入相应的数值特征，预测得到任一用户在充电场景下将电池电量充电至第一预设阈值的概率。
[0108]
如针对第一用户，第一信息为：时间9:30，地点：公司(聚类得到公司为第一用户第二常去的地方)，当前电池剩余电量30％，第二信息为：平均每日充电次数5次，平均每次充电电量为50％，历史中在当前时间地点充电至第一预设阈值的次数比例为80％，对时间和
地点进行量化处理后，输入到第一模型的数值特征分别为[2,2,0.3,5,0.5,0.8]，第一模型针对这些数据，计算得到第一概率。
[0109]
在一可选实施方式中，针对用户的每次充电，根据第一模型预测得到的概率可将表征电量需求程度的等级值分为3个定级，分别为低、中、高。将第一概率和预先获取的第一等级划分阈值进行比对，以确定表征电量需求程度的等级值，如第一等级划分阈值为0.1和0.8，当概率值小于或等于0.1时，等级值确定为高，当概率值大于0.1且小于0.8时，等级值确定为中，当概率值大于或等于0.8时，等级值确定为低。
[0110]
其中，第一等级划分阈值可以通过设置得到，也可以基于第一训练样本数据得到的第二概率的分布确定，这里不进行具体限定。
[0111]
相应的，可以基于电量需求程度，确定充电速度等级，得到第一充电速度。比如，表征电量需求程度的等级值为高、中、低时，分别对应的充电速度等级为高、中、低，用v
battery
表示。也可以基于电量需求程度，确定充电电流，得到第一充电速度。
[0112]
本实施方式中，通过将所述第一信息和所述第二信息输入至第一模型进行概率预测，得到所述第一用户在所述第一充电场景下将电池电量充电至第一预设阈值的第一概率；基于所述第一概率和预先获取的第一等级划分阈值，确定所述第一充电场景对应的电量需求程度，基于所述电量需求程度，确定第一充电速度。如此，可以通过模型实现用户对电池电量焦虑程度的量化，以实现对第一充电速度的确定。
[0113]
可选的，所述基于所述第一概率和预先获取的第一等级划分阈值，确定所述第一充电场景对应的电量需求程度之前，所述方法还包括：
[0114]
在所述第一模型训练完成的情况下，基于所述第一模型，获取所述第二用户在所述第二充电场景下将电池电量充电至所述第一预设阈值的第二概率；
[0115]
将第一目标概率值确定为所述第一等级划分阈值，所述第一目标概率值为使所述第二概率的分布满足第一预设分布的概率值。
[0116]
本实施方式中，可以基于第一训练样本数据得到的第二概率的分布确定第一等级划分阈值。
[0117]
具体的，在第一模型训练完成的情况下，可以得到各个第二充电场景对应的第二概率，将第二概率的分布满足第一预设分布的第一目标概率值确定为第一等级划分阈值。
[0118]
在一可选实施方式中，可以将第二概率的分布在25％和75％百分位点的概率值确定为第一等级划分阈值，分别为p1(如概率值0.1)和p2(如概率值0.8)，p1小于p2。也就是说：p1以下的25％的用户的电量焦虑程度为高，p1和p2之间的25％-75％的用户的电量焦虑程度为中，p2以上的25％的用户的电量焦虑程度为低。如此，可以进一步提高电量需求程度的确定准确性。
[0119]
可选的，所述步骤103具体包括：
[0120]
将第二目标信息输入至第二模型进行概率预测，得到所述第一用户对电池发热进行投诉的第三概率，所述第二目标信息包括所述第二信息；
[0121]
基于所述第三概率和预先获取的第二等级划分阈值，确定发热限制程度，所述发热限制程度用于表征电池发热限制与充电速度的对应关系；
[0122]
基于所述发热限制程度，确定所述第二充电速度；
[0123]
其中，所述第二模型基于第二训练样本数据进行训练得到，所述第二训练样本数
据包括用于表征第三用户的充电习惯的第三样本信息和投诉信息，所述投诉信息用于表征是否存在所述第三用户对电池发热的投诉记录。
[0124]
本实施方式中，第二目标信息可以包括第二信息，还可以包括第一用户的身份信息，以下以第二目标信息同时包括第二信息和第一用户的身份信息为例进行说明。
[0125]
可以通过第二模型预测用户对电池发热的投诉概率，以量化用户对电池发热的焦虑程度。比如，第二模型预测用户有较高概率会投诉电池发热，则说明用户对电池发热焦虑，反之则不焦虑。
[0126]
在一可选实施方式中，第二模型的输入可以为第二信息和身份信息的特征表征，如性别x1、年龄x2、职业x3、平均每日充电次数x4、平均每次的充电电量x5、历史数据中在当前时间位置下将电池充电至第一预设阈值的百分比x6，输出可以为第一用户对电池发热进行投诉的第三概率。
[0127]
第二模型可以为机器学习模型，也可以为深度学习模型，以下以机器学习模型为例进行说明。在一可选实施方式中，第二模型可以为逻辑回归模型，其模型结构可以与第一模型的结构相同(即第二模型的结构也可以采用上式(1)表示)，也可以不同，这里不进行具体限定。
[0128]
在信息输入至第二模型之前，可以进行量化。比如，可以用数值1表示性别男，用数值0表示性别女，而对于职业，可以采用预设量化表来进行职业的量化，如职业为滴滴司机，可以用数值4表示。
[0129]
第二模型的训练方式可以与第一模型的训练方式相同，其区别在于，在进行网络损失值计算时，第一模型的标签(即上式(2)中的y)为充电结果，而第二模型的标签为投诉信息，其中，y＝1表示第三用户对电池发热投诉过，y＝0表示第三用户没有对电池发热投诉过。
[0130]
第二训练样本数据可以包括至少一个第三用户的训练样本数据，这至少一个第三用户中可以包括第一用户，也可以不包括第一用户，这里不进行具体限定。在第二训练样本数据不包括第一用户的训练样本数据的情况下，可以针对其他用户的训练样本数据来训练第二模型，而在第二训练样本数据包括第一用户的训练样本数据的情况下，第一用户的训练样本数据可以结合其他用户的训练样本数据来训练第二模型，以固定第二模型的网络参数。相应的，可以基于第一用户的第二目标信息，利用第二模型的网络参数来预测得到第一用户对电池发热的焦虑程度。
[0131]
之后，可以使用上述训练完成的第二模型，输入相应的数值特征，预测得到任一用户对电池发热进行投诉的概率。
[0132]
如针对第一用户，身份信息为：性别男，年龄25，职业滴滴司机，第二信息为：平均每日充电次数5次，平均每次充电电量为50％，历史中在当前时间地点充电至第一预设阈值的次数比例为80％，对性别和职业进行量化处理后，输入到第二模型的数值特征分别为[1,25,4,5,0.5,0.8]，第二模型针对这些数据，计算得到第三概率。
[0133]
在一可选实施方式中，针对用户的每次充电，根据第二模型预测得到的概率可将表征发热限制程度的等级值分为3个定级，分别为低、中、高。将第三概率和预先获取的第二等级划分阈值进行比对，以确定发热限制程度，如等级划分阈值为0.1和0.8，当概率值小于或等于0.1时，等级值确定为低，当概率值大于0.1且小于0.8时，等级值确定为中，当概率值
大于或等于0.8时，等级值确定为高。
[0134]
其中，第二等级划分阈值可以通过设置得到，也可以基于第二训练样本数据得到的第四概率的分布确定，这里不进行具体限定。
[0135]
相应的，可以基于发热限制程度，确定充电速度等级，得到第二充电速度，比如，表征发热限制程度的等级值为高、中、低时，分别对应的充电速度等级为低、中、高，用v
heating
。也可以基于发热限制程度，确定充电电流，得到第二充电速度。
[0136]
本实施方式中，通过将第二目标信息输入至第二模型进行概率预测，得到所述第一用户对电池发热进行投诉的第三概率；基于所述第三概率和预先获取的第二等级划分阈值，确定发热限制程度，基于发热限制程度，确定第二充电速度。如此，可以通过模型实现用户对电池发热焦虑程度的量化，以实现对第二充电速度的确定。
[0137]
可选的，所述基于所述第三概率和预先获取的第二等级划分阈值，确定发热限制程度之前，所述方法还包括：
[0138]
在所述第二模型训练完成的情况下，基于所述第二模型，获取所述第三用户对电池发热进行投诉的第四概率；
[0139]
将第二目标概率值确定为所述第二等级划分阈值，所述第二目标概率值为使所述第四概率的分布满足第二预设分布的概率值。
[0140]
本实施方式中，在第二模型训练完成的情况下，可以得到多个第三用户对电池发热进行投诉的第四概率，将第四概率的分布满足第二预设分布的第二目标概率值确定为第二等级划分阈值。
[0141]
在一可选实施方式中，可以将第四概率的分布在25％和75％百分位点的概率值确定为第二等级划分阈值，分别为p3和p4，p3小于p4。也就是说：p3以下的25％的用户对电池发热的焦虑程度为低，p3和p4之间的25％-75％的用户对电池发热的焦虑程度为中，p4以上的25％的用户对电池发热的焦虑程度为高。如此，可以进一步提高发热限制程度的确定准确性。
[0142]
可选的，所述步骤s104具体包括：
[0143]
在充电策略为第一策略的情况下，将所述第一充电速度和所述第二充电速度中值小的充电速度确定为所述目标充电速度；
[0144]
在充电策略为第二策略的情况下，将所述第一充电速度和所述第二充电速度中值大的充电速度确定为所述目标充电速度；
[0145]
其中，所述第一策略指示充电时优先保证电池温度小于或等于第二预设阈值，所述第二策略指示充电时优先保证充电速度。
[0146]
本实施方式中，可以按照一定策略，结合第一充电速度和第二充电速度确定目标充电速度。
[0147]
在充电策略为第一策略的情况下，表明电子设备充电时更倾向于保证电池发热的体验，在v
battery
和v
heating
不一致时，优先考虑保证电池发热不会过高的充电速度作为目标充电速度。
[0148]
具体公式为：v
charging
＝min(v
battery
，v
heating
)，其中，v
charging
为目标充电速度。举例说明：在用户对电池电量的焦虑程度为中的时候，通常是采用中速充电方式进行充电。但是如果此时用户对电池发热的焦虑程度为高，综合考虑之下，则选择给用户提供低速充电。依
据此策略，可以结合用户对电量电池的焦虑程度和电池发热的焦虑程度，给用户提供低、中、高三种不同等级的充电速度。
[0149]
在充电策略为第二策略的情况下，表明电子设备更倾向于保证充电速度的体验，在v
battery
和v
heating
不一致时，优先考虑保证充电速度。
[0150]
具体公式为：v
charging
＝max(v
battery
,v
heating
)。举例说明：在用户对电池发热的焦虑程度为中的时候，通常是采用中速充电方式进行充电。但是如果此时用户对电池电量的焦虑程度为高，综合考虑之下，则选择给用户提供高速充电。依据此策略，可以结合用户对电量电池的焦虑程度和电池发热的焦虑程度，给用户提供低、中、高三种不同等级的充电速度。
[0151]
如此，可以平衡用户对电池电量和电池发热的焦虑程度，给用户提供合适的充电速度。
[0152]
需要说明的是，本技术实施例提供的充电方法，执行主体可以为充电装置，或者充电装置中的用于执行充电方法的控制模块。本技术实施例中以充电装置执行充电方法为例，说明本技术实施例提供的充电装置。
[0153]
参见图2，图2是本技术实施例提供的充电装置的结构图，如图2所示，充电装置200包括：
[0154]
第一获取模块201，用于获取第一目标信息，所述第一目标信息包括：用于表征第一充电场景的第一信息和用于表征第一用户的充电习惯的第二信息；
[0155]
第一确定模块202，用于基于所述第一信息和所述第二信息，确定所述第一充电场景对应的第一充电速度；
[0156]
第二确定模块203，用于基于所述第二信息，确定第二充电速度；
[0157]
第三确定模块204，用于基于所述第一充电速度和所述第二充电速度，确定目标充电速度；
[0158]
充电模块205，用于基于所述目标充电速度进行充电。
[0159]
可选的，所述第一信息包括充电时间、充电地点、电池剩余电量中的至少一项；
[0160]
和/或，所述第二信息包括所述第一用户在预设时间周期内的平均历史充电次数、所述第一用户在历史充电时平均每次对电池的充电电量、目标比例中的至少一项，所述目标比例为第一历史充电次数相对于第二历史充电次数的比例，所述第一历史充电次数为在所述第一充电场景下进行历史充电时将电池电量充电至第一预设阈值的次数，所述第二历史充电次数为在所述第一充电场景下进行历史充电的总次数。
[0161]
可选的，第一确定模块202，具体用于：
[0162]
将所述第一信息和所述第二信息输入至第一模型进行概率预测，得到所述第一用户在所述第一充电场景下将电池电量充电至第一预设阈值的第一概率；
[0163]
基于所述第一概率和预先获取的第一等级划分阈值，确定所述第一充电场景对应的电量需求程度，所述电量需求程度用于表征电池电量需求与充电速度的对应关系；
[0164]
基于所述电量需求程度，确定所述第一充电速度；
[0165]
其中，所述第一模型基于第一训练样本数据进行训练得到，所述第一训练样本数据包括用于表征第二充电场景的第一样本信息、用于表征第二用户的充电习惯的第二样本信息和充电结果，所述充电结果用于表征所述第二用户在所述第二充电场景下是否将电池
电量充电至所述第一预设阈值。
[0166]
可选的，所述装置还包括：
[0167]
第二获取模块，用于在所述第一模型训练完成的情况下，基于所述第一模型，获取所述第二用户在所述第二充电场景下将电池电量充电至所述第一预设阈值的第二概率；
[0168]
第四确定模块，用于将第一目标概率值确定为所述第一等级划分阈值，所述第一目标概率值为使所述第二概率的分布满足第一预设分布的概率值。
[0169]
可选的，所述第二确定模块203，具体用于：
[0170]
将第二目标信息输入至第二模型进行概率预测，得到所述第一用户对电池发热进行投诉的第三概率，所述第二目标信息包括所述第二信息；
[0171]
基于所述第三概率和预先获取的第二等级划分阈值，确定发热限制程度，所述发热限制程度用于表征电池发热限制与充电速度的对应关系；
[0172]
基于所述发热限制程度，确定所述第二充电速度；
[0173]
其中，所述第二模型基于第二训练样本数据进行训练得到，所述第二训练样本数据包括用于表征第三用户的充电习惯的第三样本信息和投诉信息，所述投诉信息用于表征是否存在所述第三用户对电池发热的投诉记录。
[0174]
可选的，所述第三确定模块204，具体用于：
[0175]
在充电策略为第一策略的情况下，将第一充电速度和第二充电速度中值小的充电速度确定为所述目标充电速度，所述第一充电速度基于所述电量需求程度确定，所述第二充电速度基于所述发热限制程度确定；
[0176]
在充电策略为第二策略的情况下，将所述第一充电速度和所述第二充电速度中值大的充电速度确定为所述目标充电速度；
[0177]
其中，所述第一策略指示充电时优先保证电池温度小于或等于第二预设阈值，所述第二策略指示充电时优先保证充电速度。
[0178]
本实施例中，通过获取第一目标信息，所述第一目标信息包括：用于表征第一充电场景的第一信息和用于表征第一用户的充电习惯的第二信息；基于所述第一信息和所述第二信息，确定所述第一充电场景对应的第一充电速度，以及，基于所述第二信息，确定第二充电速度；基于所述第一充电速度和所述第二充电速度，确定目标充电速度；基于所述目标充电速度进行充电。如此，可以结合第一充电场景的相关信息和用户的相关信息，在第一充电场景下给用户提供合适的充电速度，从而平衡电子设备的充电速度和电池发热控制，在兼顾电池发热的同时可以给用户提供快速充电。
[0179]
本技术实施例中的充电装置可以是装置，也可以是电子设备中的部件、集成电路、或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本或者个人数字助理(personal digital assistant，pda)等，非移动电子设备可以为服务器、网络附属存储器(network attached storage，nas)、个人计算机(personal computer，pc)、电视机(television，tv)、柜员机或者自助机等，本技术实施例不作具体限定。
[0180]
本技术实施例中的充电装置可以为具有操作系统的装置。该操作系统可以为安卓(android)操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本技术实施例不
作具体限定。
[0181]
本技术实施例提供的充电装置能够实现图1的方法实施例实现的各个过程，为避免重复，这里不再赘述。
[0182]
可选地，如图3所示，本技术实施例还提供一种电子设备300，包括处理器301，存储器302，存储在存储器302上并可在所述处理器301上运行的程序或指令，该程序或指令被处理器301执行时实现上述充电方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0183]
需要说明的是，本技术实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
[0184]
图4为实现本技术实施例的一种电子设备的硬件结构示意图。
[0185]
该电子设备400包括但不限于：射频单元401、网络模块402、音频输出单元403、输入单元404、传感器405、显示单元406、用户输入单元407、接口单元408、存储器409、以及处理器410等部件。
[0186]
本领域技术人员可以理解，电子设备400还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器410逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图4中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。
[0187]
处理器410，用于：
[0188]
获取第一目标信息，所述第一目标信息包括：用于表征第一充电场景的第一信息和用于表征第一用户的充电习惯的第二信息；
[0189]
基于所述第一信息和所述第二信息，确定所述第一充电场景对应的第一充电速度，以及，基于所述第二信息，确定第二充电速度；
[0190]
基于所述第一充电速度和所述第二充电速度，确定目标充电速度；
[0191]
基于所述目标充电速度进行充电。
[0192]
本实施例中，通过获取第一目标信息，所述第一目标信息包括：用于表征第一充电场景的第一信息和用于表征第一用户的充电习惯的第二信息；基于所述第一信息和所述第二信息，确定所述第一充电场景对应的第一充电速度，以及，基于所述第二信息，确定第二充电速度；基于所述第一充电速度和所述第二充电速度，确定目标充电速度；基于所述目标充电速度进行充电。如此，可以结合第一充电场景的相关信息和用户的相关信息，在第一充电场景下给用户提供合适的充电速度，从而平衡电子设备的充电速度和电池发热控制，在兼顾电池发热的同时可以给用户提供快速充电。
[0193]
可选的，所述第一信息包括充电时间、充电地点、电池剩余电量中的至少一项；
[0194]
和/或，所述第二信息包括所述第一用户在预设时间周期内的平均历史充电次数、所述第一用户在历史充电时平均每次对电池的充电电量、目标比例中的至少一项，所述目标比例为第一历史充电次数相对于第二历史充电次数的比例，所述第一历史充电次数为在所述第一充电场景下进行历史充电时将电池电量充电至第一预设阈值的次数，所述第二历史充电次数为在所述第一充电场景下进行历史充电的总次数。
[0195]
可选的，处理器410，还用于：
[0196]
将所述第一信息和所述第二信息输入至第一模型进行概率预测，得到所述第一用户在所述第一充电场景下将电池电量充电至第一预设阈值的第一概率；
[0197]
基于所述第一概率和预先获取的第一等级划分阈值，确定所述第一充电场景对应的电量需求程度，所述电量需求程度用于表征电池电量需求与充电速度的对应关系；
[0198]
基于所述电量需求程度，确定所述第一充电速度；
[0199]
其中，所述第一模型基于第一训练样本数据进行训练得到，所述第一训练样本数据包括用于表征第二充电场景的第一样本信息、用于表征第二用户的充电习惯的第二样本信息和充电结果，所述充电结果用于表征所述第二用户在所述第二充电场景下是否将电池电量充电至所述第一预设阈值。
[0200]
可选的，处理器410，还用于：
[0201]
在所述第一模型训练完成的情况下，基于所述第一模型，获取所述第二用户在所述第二充电场景下将电池电量充电至所述第一预设阈值的第二概率；
[0202]
将第一目标概率值确定为所述第一等级划分阈值，所述第一目标概率值为使所述第二概率的分布满足第一预设分布的概率值。
[0203]
可选的，处理器410，还用于：
[0204]
将第二目标信息输入至第二模型进行概率预测，得到所述第一用户对电池发热进行投诉的第三概率，所述第二目标信息包括所述第二信息；
[0205]
基于所述第三概率和预先获取的第二等级划分阈值，确定发热限制程度，所述发热限制程度用于表征电池发热限制与充电速度的对应关系；
[0206]
基于所述发热限制程度，确定所述第二充电速度；
[0207]
其中，所述第二模型基于第二训练样本数据进行训练得到，所述第二训练样本数据包括用于表征第三用户的充电习惯的第三样本信息和投诉信息，所述投诉信息用于表征是否存在所述第三用户对电池发热的投诉记录。
[0208]
可选的，处理器410，还用于：
[0209]
在所述第二模型训练完成的情况下，基于所述第二模型，获取所述第三用户对电池发热进行投诉的第四概率；
[0210]
将第二目标概率值确定为所述第二等级划分阈值，所述第二目标概率值为使所述第四概率的分布满足第二预设分布的概率值。
[0211]
可选的，处理器410，还用于：
[0212]
在充电策略为第一策略的情况下，将所述第一充电速度和所述第二充电速度中值小的充电速度确定为所述目标充电速度，所述第一充电速度基于所述电量需求程度确定，所述第二充电速度基于所述发热限制程度确定；
[0213]
在充电策略为第二策略的情况下，将所述第一充电速度和所述第二充电速度中值大的充电速度确定为所述目标充电速度；
[0214]
其中，所述第一策略指示充电时优先保证电池温度小于或等于第二预设阈值，所述第二策略指示充电时优先保证充电速度。
[0215]
应理解的是，本技术实施例中，输入单元404可以包括图形处理器(graphics processing unit，gpu)4041和麦克风4042，图形处理器4041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元
406可包括显示面板4061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板4061。用户输入单元407包括触控面板4071以及其他输入设备4072。触控面板4071，也称为触摸屏。触控面板4071可包括触摸检测装置和触摸控制器两个部分。其他输入设备4072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。存储器409可用于存储软件程序以及各种数据，包括但不限于应用程序和操作系统。处理器410可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器410中。
[0216]
本技术实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述充电方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0217]
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等。
[0218]
本技术实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述充电方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0219]
应理解，本技术实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
[0220]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本技术实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
[0221]
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，本技术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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台电子设备(可以是手机，计算机，服务器，或者网络设备等)执行本技术各个实施例所述的方法。
[0222]
上面结合附图对本技术的实施例进行了描述，但是本技术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技术的启示下，在不脱离本技术宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本技术的保护之内。