一种智能快充储能系统的制作方法

1.本公开涉及但不限于充电储能领域，尤其涉及一种智能快充储能系统。


背景技术：

2.随着科技的不断发展和人们生活水平的提高，电子设备的数量和种类越来越多。而这些电子设备需要不断地充电，同时为了更好地保护环境和节约能源，电池储能系统的需求也越来越迫切。传统的储能系统中常常存在一些问题，如充电速度慢、储能效率低、安全性差等。因此，需要一种更加智能化、高效、安全的快充储能系统，以满足人们不断增长的需求。
3.目前已有一些关于储能系统的专利文献，其中一些涉及到快充技术。例如美国专利us20170149608a1中，一种可在极短时间内快速充电的锂离子电池组的充电方法和系统被提出。该系统采用了一种特殊的充电器，能够在较短时间内将电池组充满。然而，该专利文献中并未提及该系统的储能效率和安全性，因此存在一定的局限性。
4.另一方面，中国专利cn109022947a中，一种智能充电器及其充电方法被提出。该专利文献中，该充电器采用了一种特殊的控制方式，能够智能识别不同类型的电子设备，并根据设备的需要进行调节充电。虽然该充电器的充电速度相对较快，但该专利文献同样未提及储能效率和安全性等问题。
5.虽然已经有了一些快充技术，但现有的技术依然存在许多问题。首先，充电速度快的充电器通常会产生过多的热量，这会影响充电效率和电池寿命。其次，现有技术中的储能效率相对较低，即使是快充充电器也会造成电池的能量损失。此外，现有技术在保障充电安全方面也存在一定的风险。例如，快充充电器可能会引起电池过热、电池电量异常等问题，可能会对人身安全造成威胁。


技术实现要素：

6.本公开在于提供一种智能快充储能系统。该系统采用了一种特殊的充电器和智能控制器，能够智能识别电子设备的类型和电池状态，实现自适应充电和精确控制充电速度，有效解决了充电速度快导致的热量过多和电池寿命问题。此外，该系统还采用了高效的能量转换技术，提高了储能效率，减少了能量损失。而且，在充电安全方面，该系统还采用了多重安全保护措施，能够及时发现和处理各种异常情况，确保充电安全。
7.本发明公开了一种智能快充储能系统，包括：充电部分，所述充电部分能够获取目标电子设备的电池参数和在充电过程中的状态参数，基于获取到的电池参数和在充电过程中的状态参数，使用预设的充电速度计算模型，计算出对应的充电速度，并使用该充电速度对目标电子设备的电池进行充电；能量转换部分，所述能量转换部分设置于充电部分和目标电子设备之间，配置用于在目标电子设备的充电过程中，基于预设的马尔科夫链的多级变换模型，将输入电压和输入电流转换为与目标电子设备的电池储存的最佳输出电压和最佳输出电流相匹配的输出电压和输出电流；多重安全保护部分，配置用于将每一种安全保
护措施作为矩阵中的一个元素，组成一个匹配矩阵，实时获取目标设备的电池在充电过程中的状态参数，将状态参数按照实现先后顺序组成一个序列，并基于序列生成电池的状态矩阵，并将状态矩阵代入预设的状态转移模型，生成转移概率矩阵，将转移概率矩阵与匹配矩阵进行概率估计分析，从而预测出目标设备的电池在后续充电过程中的最佳安全保护措施，提前开启最佳安全保护措施。
8.进一步的，所述目标电子设备的电池参数包括：最佳输出电压、最佳输出电压、电池类型、电池容量、充电电压、充电电流、充电截止电压、放电截止电压和充电倍率；所述状态参数包括：电量、电流和电压；所述状态参数定义为在充电过程中目标设备的电池的实时的运行参数。
9.进一步的，所述充电部分获取目标电子设备的电池参数和状态参数，基于获取到的电池参数和状态参数，使用预设的充电速度计算模型，计算出对应的充电速度，使用该充电速度对目标电子设备的电池进行充电的方法包括：获取历史的电池参数和历史的状态参数，根据历史的电池参数和历史的状态参数，设计马尔科夫模型；所述马尔科夫模型包括多个状态，每个状态对应电池的不同电量、电流和电压，并使用转移概率矩阵描述状态之间的转移关系；基于获取到的电池参数和状态参数，找到在马尔科夫模型中对应的状态；基于深度优先算法，在马尔科夫模型中寻找一条路径，使得路径上每个状态的条件概率乘积最大；该路径对应的充电速度为最优充电速度，使用该最优充电速度对目标电子设备的电池进行充电。
10.进一步的，所述最优充电速度的计算公式使用如下公式进行表示：
11.充电速度＝argmaxp(s1，s2，...，sn)
×
p(i1，i2，...，in)
×
p(v1，v2，...，vn)
×
p(c1，c2，...，cn)；
12.其中，s1，s2，...，sn表示状态序列，i1，i2，...，in，表示电流序列，v1，v2，...，vn表示电压序列c1，c2，...，cn表示电量序列；argmax表示求使概率乘积最大的充电速度；p(s1，s2，...，sn)表示状态序列的条件概率，p(i1，i2，...，in)表示电流序列的条件概率，p(v1，v2，...，vn)表示电压序列的条件概率，p(c1，c2，...，cn)表示电量序列的条件概率。
13.进一步的，所述能量转换部分中的马尔科夫链的多级变换模型的执行过程包括以下步骤：将电池的充电状态划分为若干个离散的状态，至少包括：充满、充电中、放电中和空闲；假设将电池的状态分为n个不同的状态，得到状态集合s＝s1，s2，...，sn，使用一个n
×
n的矩阵p来表示状态之间的转移概率，设p
i，j
表示从状态si转移到状态sj的概率；设高阶马尔科夫链的阶数为k，设时间参数为t，则有：
14.p(s
t
|s
t-k
，s
t-k+1
，...，s
t-1
)＝p(s
t
|s
t-1
)；
15.设电池的状态转移仅与前一状态有关，即状态转移遵循一阶马尔科夫过程；如果我们将电池的状态编号为1，2，...，n，则转移概率矩阵p的元素表示为：p
i，j
＝pr(s
t
＝j|s
t-1
＝i)；pr为概率函数；定义电池在状态si下的充电功率定义为p
in，i
，则根据电池的状态概率分布来计算电池的平均充电功率：在计算电池的状态概率分布时，使用马尔科夫链的多级变换模型来预测电池的状态；通过计算电池在每个时间步的状态概率分布，根据电池的状态来调整充电功率，将输入电压和输入电流转换为与目标电子设备的电池储存的最佳输出电压和最佳输出电流相匹配的输出电压和输出电流。
16.进一步的，所述在计算电池的状态概率分布时，使用马尔科夫链的多级变换模型
来预测电池的状态的方法包括：设电池在时间步t＝0时处于状态si，则在时间步t，电池处于状态sj的概率为：的概率为：
17.其中，pr(s
t-1
＝i)是电池在时间步t-1处于状态si的概率；通过电池在时间步t-1的状态概率分布，计算出电池在时间步t的状态概率分布。
18.进一步的，所述通过电池在时间步t-1的状态概率分布，计算出电池在时间步t的状态概率分布的方法使用如下公式表示：p
t
＝p
t-1
·
p；其中，p
t
＝[pr(s
t
＝1)，pr(s
t
＝2)，...，pr(s
t
＝n)]是电池在时间步t的状态概率分布向量；这个向量的初始值设为p0＝[0，0，...，0，1]，表示电池在时间步t＝0时处于某个已知状态。
[0019]
进一步的，所述多重安全保护部分包括：匹配矩阵生成单元，配置用于将每一种安全保护措施作为矩阵中的一个元素，组成一个匹配矩阵；状态该参数获取单元，配置用于实时获取目标设备的电池在充电过程中的状态参数；状态矩阵生成单元，配置用于将状态参数按照实现先后顺序组成一个序列，并基于序列生成电池的状态矩阵，所述状态矩阵反映电池在充电过程中的实时状态；转移概率矩阵生成单元，配置用于将状态矩阵代入预设的状态转移模型，生成转移概率矩阵；所述状态转移模型为马尔可夫模型，所述转移概率矩阵反映了电池在不同状态下的转移概率；概率判断单元，配置用于将转移概率矩阵与匹配矩阵进行概率估计分析，从而预测出目标设备的电池在后续充电过程中的最佳安全保护措施，具体包括：将匹配矩阵和转移概率矩阵相乘，得到每种安全保护措施的概率值，然后选择最大概率值对应的安全保护措施作为最佳安全保护措施。
[0020]
进一步的，所述设匹配矩阵为m，其大小为k
×
n，其中k表示安全保护措施的种类数，n表示电池的状态数；m
i，j
表示第i种安全保护措施是否适用于状态j，用0或1表示，若使用，值为1，否则为0；设状态参数组成的序列s包含n个状态参数，表示为：s＝s1，s2，...，sn；其中，每个状态参数si包含若干个子参数，表示为：si＝p
i，1
，p
i，2
，...，p
i，m
；其中，其中，m表示每个状态参数包含的子参数的个数，p
i，m
为子参数；状态矩阵x的大小为n
×
k，其中n表示电池的状态数，k表示安全保护措施的种类数；x
i，j
表示状态i下第j种安全保护措施是否可用，用0或1表示，当可用时，表示为1，否则为0；转移概率矩阵p的大小为n
×
n，其中n表示电池的状态数；p
i，j
表示从状态i转移到状态j的概率，表示为：p
i，j
＝pr(s
t+1
＝j|s
t
＝i)；其中，s
t
表示时间t时电池的状态，s
t+1
表示时间t+1时电池的状态；pr表示概率；设当前电池的状态为s
t
，安全保护措施的种类数为k，则每个安全保护措施在当前状态下的概率表示为：其中，x
t+1，i
表示第i种安全保护措施是否适用于状态s
t+1
，即状态矩阵x在第i行、第t+1列的元素值；f
i，j
表示从状态s
t
转移到状态j时第i种安全保护措施的概率，即概率矩阵f在第i行、第j列的元素值；根据每种安全保护措施在当前状态下的概率，选择概率最大的一种作为最佳安全保护措施：其中，i
*
表示最佳安全保护措施的编码，每种安全保护措施对应一种编码，为设定值。
[0021]
进一步的，所述安全保护措施种类至少包括：过充保护、过放保护、过温保护、短路保护、电压保护、过流保护、反向保护和充电时间保护。
[0022]
本发明的一种智能快充储能系统，具有以下有益效果：提高充电速度：该系统能够根据目标电子设备的电池参数和状态参数，使用预设的充电速度计算模型，计算出对应的最优充电速度，从而提高了充电速度，缩短了充电时间。保护电池安全：该系统能够根据多
重安全保护部分所述的匹配矩阵和转移概率矩阵，预测出目标设备的电池在后续充电过程中的最佳安全保护措施，从而保护电池免受过度充电、过度放电、短路等问题的影响。提高充电效率：能量转换部分能够根据预设的马尔科夫链的多级变换模型，将输入电压和输入电流转换为与目标电子设备的电池储存的最佳输出电压和最佳输出电流相匹配的输出电压和输出电流，从而提高了充电效率。提高充电精度：该系统能够获取目标电子设备的电池参数和状态参数，从而根据实时的运行参数进行精确的充电，提高了充电精度。
附图说明
[0023]
图1为本发明实施例提供的一种智能快充储能系统的系统结构示意图。
具体实施方式
[0024]
为了使本公开所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本公开进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本公开，并不用于限定本公开。。
[0025]
参考图1，一种智能快充储能系统，其包括三个部分：充电部分、能量转换部分和多重安全保护部分。
[0026]
在该智能快充储能系统中，充电部分能够获取目标电子设备的电池参数和在充电过程中的状态参数。基于这些参数，系统会使用预设的充电速度计算模型计算出对应的充电速度，并使用该充电速度对目标电子设备的电池进行充电。这样，就在保证充电速度的同时，避免对目标电子设备的电池造成过度充电的情况。
[0027]
能量转换部分设置在充电部分和目标电子设备之间，配置用于在目标电子设备的充电过程中，基于预设的马尔科夫链的多级变换模型，将输入电压和输入电流转换为与目标电子设备的电池储存的最佳输出电压和最佳输出电流相匹配的输出电压和输出电流。这样，就使输入电压和电流与目标电子设备的电池的储存状态相匹配，从而保证充电效率，并且防止对目标电子设备造成损坏。
[0028]
多重安全保护部分配置用于将每一种安全保护措施作为矩阵中的一个元素，组成一个匹配矩阵。然后，系统实时获取目标设备的电池在充电过程中的状态参数，并将状态参数按照实现先后顺序组成一个序列。接着，系统会基于序列生成电池的状态矩阵，并将状态矩阵代入预设的状态转移模型，生成转移概率矩阵。最后，系统将转移概率矩阵与匹配矩阵进行概率估计分析，从而预测出目标设备的电池在后续充电过程中的最佳安全保护措施，并提前开启最佳安全保护措施，确保充电过程中的安全性和可靠性。
[0029]
在实际应用中，该智能快充储能系统应用于各种类型的电子设备，包括手机、平板电脑、笔记本电脑、无人机等。它根据不同设备的电池参数和充电状态参数，动态调整充电速度和能量转换效率，以最大程度地提高充电效率和电池寿命，并保证充电过程中的安全性。
[0030]
目标电子设备的电池参数包括最佳输出电压、最佳输出电流、电池类型、电池容量、充电电压、充电电流、充电截止电压、放电截止电压和充电倍率。这些电池参数用于帮助智能快充储能系统计算出最佳的充电速度，并根据预设的马尔科夫链的多级变换模型，将输入电压和输入电流转换为目标电子设备电池储存的最佳输出电压和最佳输出电流相匹
配的输出电压和输出电流。
[0031]
同时，该权利要求中还描述了充电过程中的状态参数，包括电量、电流和电压。这些状态参数用于实时监测目标设备的电池状态，以便智能快充储能系统能够调整充电速度和能量转换效率，并根据预设的安全保护措施，提前开启最佳的安全保护措施。
[0032]
需要注意的是，状态参数的定义为在充电过程中目标设备的电池的实时运行参数，这些参数可能随着充电过程的进行而不断变化。因此，智能快充储能系统需要实时获取这些状态参数，并根据预设的充电速度计算模型和马尔科夫链的多级变换模型进行计算和转换。同时，智能快充储能系统还需要实时监测目标设备的电池状态，以便根据预设的安全保护措施，提前开启最佳的安全保护措施，确保充电过程的安全性和电池的健康。
[0033]
充电部分能够获取目标电子设备的电池参数和状态参数，并使用预设的充电速度计算模型计算出对应的充电速度，然后使用该充电速度对目标电子设备的电池进行充电。其中，充电速度计算模型是通过马尔科夫模型来实现的。
[0034]
具体来说，该充电部分的计算方法包括以下步骤：
[0035]
获取历史的电池参数和历史的状态参数，并基于这些历史参数设计马尔科夫模型。马尔科夫模型包括多个状态，每个状态对应电池的不同电量、电流和电压，并使用转移概率矩阵描述状态之间的转移关系。
[0036]
基于获取到的电池参数和状态参数，找到在马尔科夫模型中对应的状态。这通过将当前的电池参数和状态参数与历史参数进行比较来实现。
[0037]
基于深度优先算法，在马尔科夫模型中寻找一条路径，使得路径上每个状态的条件概率乘积最大。这个路径将对应于最优充电速度。
[0038]
使用该最优充电速度对目标电子设备的电池进行充电。
[0039]
需要注意的是，该计算方法使用马尔科夫模型来预测电池的状态和转移概率，以便计算出最优充电速度。马尔科夫模型是一种基于概率的数学模型，能够描述一个系统在不同状态之间转移的概率，并在此基础上进行预测和决策。使用马尔科夫模型能够更准确地预测电池状态和转移概率，并更好地适应不同充电环境和充电状态的变化。
[0040]
所述最优充电速度的计算公式使用如下公式进行表示：
[0041]
充电速度＝
[0042]
argmaxp(s1，s2，...，sn)
×
p(i1，i2，...，in)
×
p(v1，v2，...，vn)
×
p(c1，c2，...，cn)；
[0043]
其中，s1，s2，...，sn表示状态序列，i1，i2，...，in，表示电流序列，v1，v2，...，vn表示电压序列c1，c2，...，cn表示电量序列；argmax表示求使概率乘积最大的充电速度；p(s1，s2，...，sn)表示状态序列的条件概率，p(i1，i2，...，in)表示电流序列的条件概率，p(v1，v2，...，vn)表示电压序列的条件概率，p(c1，c2，...，cn)表示电量序列的条件概率。
[0044]
需要注意的是，这个公式通过历史数据来计算概率。对于状态序列、电流序列、电压序列和电量序列，系统使用历史数据来训练一个模型，并计算出对应的条件概率。然后，对于给定的电池参数和状态参数，系统通过该公式计算出最优的充电速度。这样就实现根据历史数据和当前状态来计算最优充电速度的目的。
[0045]
所述能量转换部分中的马尔科夫链的多级变换模型的执行过程包括以下步骤：将电池的充电状态划分为若干个离散的状态，至少包括：充满、充电中、放电中和空闲；假设将
电池的状态分为n个不同的状态，得到状态集合s＝s1，s2，...，sn，使用一个n
×
n的矩阵p来表示状态之间的转移概率，设p
i，j
表示从状态si转移到状态sj的概率；设高阶马尔科夫链的阶数为k，设时间参数为t，则有：
[0046]
p(s
t
|s
t-k
，s
t-k+1
，...，s
t-1
)＝p(s
t
|s
t-1
)；
[0047]
设电池的状态转移仅与前一状态有关，即状态转移遵循一阶马尔科夫过程；如果我们将电池的状态编号为1，2，...，n，则转移概率矩阵p的元素表示为：p
i，j
＝pr(s
t
＝j|s
t-1
＝i)；pr为概率函数；定义电池在状态si下的充电功率定义为p
in，i
，则根据电池的状态概率分布来计算电池的平均充电功率：在计算电池的状态概率分布时，使用马尔科夫链的多级变换模型来预测电池的状态；通过计算电池在每个时间步的状态概率分布，根据电池的状态来调整充电功率，将输入电压和输入电流转换为与目标电子设备的电池储存的最佳输出电压和最佳输出电流相匹配的输出电压和输出电流。
[0048]
所述能量转换部分中的马尔科夫链的多级变换模型的执行过程包括以下步骤：将电池的充电状态划分为若干个离散的状态，至少包括：充满、充电中、放电中和空闲；假设将电池的状态分为n个不同的状态，得到状态集合s＝s1，s2，...，sn，使用一个n
×
n的矩阵p来表示状态之间的转移概率，设p
i，j
表示从状态si转移到状态sj的概率；设高阶马尔科夫链的阶数为k，设时间参数为t，则有：
[0049]
p(s
t
|s
t-k
，s
t-k+1
，...，s
t-1
)＝p(s
t
|s
t-1
)；
[0050]
设电池的状态转移仅与前一状态有关，即状态转移遵循一阶马尔科夫过程；如果我们将电池的状态编号为1，2，...，n，则转移概率矩阵p的元素可以表示为：p
i，j
＝pr(s
t
＝j|s
t-1
＝i)；pr为概率函数；定义电池在状态si下的充电功率定义为p
in，
i，则可以根据电池的状态概率分布来计算电池的平均充电功率：在计算电池的状态概率分布时，使用马尔科夫链的多级变换模型来预测电池的状态；通过计算电池在每个时间步的状态概率分布，根据电池的状态来调整充电功率，将输入电压和输入电流转换为与目标电子设备的电池储存的最佳输出电压和最佳输出电流相匹配的输出电压和输出电流。
[0051]
需要注意的是，这个马尔科夫链的多级变换模型是一个基于概率的数学模型，能够预测电池状态的变化和转移概率，并在此基础上进行决策和调整。该模型可以更准确地预测电池的状态和转移概率，进而调整充电功率，从而实现更高效、更安全的充电过程。
[0052]
所述在计算电池的状态概率分布时，使用马尔科夫链的多级变换模型来预测电池的状态的方法包括：设电池在时间步t＝0时处于状态si，则在时间步t，电池处于状态sj的概率为：pr(s
t-1
＝i)；
[0053]
其中，pr(s
t-1
＝i)是电池在时间步t-1处于状态si的概率；通过电池在时间步t-1的状态概率分布，计算出电池在时间步t的状态概率分布。
[0054]
在计算电池的状态概率分布时，马尔科夫链的多级变换模型起到了关键作用。该模型基于电池状态的离散化表示，预测电池状态的变化和转移概率，并通过历史状态的统计分析，计算出电池在每个时间步的状态概率分布。因此，这个方法能够更准确地预测电池的状态和状态概率分布，从而更加精确地调整充电功率，提高充电效率和安全性。
[0055]
所述通过电池在时间步t-1的状态概率分布，计算出电池在时间步t的状态概率分
布的方法使用如下公式表示：p
t
＝p
t-1
·
p；其中，p
t
＝[pr(s
t
＝1)，pr(s
t
＝2)，...，pr(s
t
＝n)]是电池在时间步t的状态概率分布向量；这个向量的初始值设为p0＝[0，0，...，0，1]，表示电池在时间步t＝0时处于某个已知状态。
[0056]
这个公式表示了通过电池在时间步t-1的状态概率分布，计算出电池在时间步t的状态概率分布的方法。具体来说，p
t
＝[pr(s
t
＝1)，pr(s
t
＝2)，...，pr(s
t
＝n)]，是电池在时间步t的状态概率分布向量，其中每个元素表示电池处于相应状态的概率。初始向量p0＝[0，0，...，0，1]表示电池在时间步t＝0时处于某个已知状态，这个状态可以通过实际测量或者其他手段获得。
[0057]
矩阵p是状态转移概率矩阵，p(i，j)表示从状态i转移到状态j的概率，根据马尔科夫过程的性质，p矩阵的每一行之和应该等于1。因此，可以将p看作一个概率转移矩阵，用于描述电池状态的转移关系。
[0058]
在计算出p
t
之后，可以基于电池状态的预测值来调整充电功率，以匹配目标电子设备的电池储存的最佳输出电压和最佳输出电流。这样，就可以实现针对不同电池类型和容量的智能快充，并在充电过程中实现多重安全保护，提高充电效率和安全性。
[0059]
所述多重安全保护部分包括：匹配矩阵生成单元，配置用于将每一种安全保护措施作为矩阵中的一个元素，组成一个匹配矩阵；状态该参数获取单元，配置用于实时获取目标设备的电池在充电过程中的状态参数；状态矩阵生成单元，配置用于将状态参数按照实现先后顺序组成一个序列，并基于序列生成电池的状态矩阵，所述状态矩阵反映电池在充电过程中的实时状态；转移概率矩阵生成单元，配置用于将状态矩阵代入预设的状态转移模型，生成转移概率矩阵；所述状态转移模型为马尔可夫模型，所述转移概率矩阵反映了电池在不同状态下的转移概率；概率判断单元，配置用于将转移概率矩阵与匹配矩阵进行概率估计分析，从而预测出目标设备的电池在后续充电过程中的最佳安全保护措施，具体包括：将匹配矩阵和转移概率矩阵相乘，得到每种安全保护措施的概率值，然后选择最大概率值对应的安全保护措施作为最佳安全保护措施。
[0060]
在这个智能快充储能系统中，多重安全保护部分起到了至关重要的作用。通过实时获取目标设备的电池状态参数，以及使用马尔可夫模型来预测电池的状态，该系统可以提前预测电池在后续充电过程中可能出现的安全问题，并选择最佳的安全保护措施以保护电池的安全。
[0061]
其中，匹配矩阵的作用是将每种安全保护措施映射为一个矩阵中的元素，使其可以与转移概率矩阵进行相乘操作。而状态矩阵的生成则是基于电池的状态参数按照实现先后顺序组成一个序列，并将其代入预设的马尔可夫模型中，得到电池的状态转移概率矩阵。在概率判断单元中，将匹配矩阵和转移概率矩阵相乘，得到每种安全保护措施的概率值，然后选择最大概率值对应的安全保护措施作为最佳安全保护措施。这些步骤使得该系统可以实时地对电池进行保护，并提高了电池的使用寿命和安全性能。
[0062]
此外，该系统还采用了马尔可夫模型来预测电池的状态转移概率矩阵，这种模型可以更好地描述电池状态之间的转移关系。该模型具有可扩展性，能够适应不同的电池类型和规格。通过将电池的充电状态划分为若干个离散的状态，并使用马尔可夫模型进行预测，该系统可以更准确地预测电池的状态，并为后续的安全保护措施提供更准确的预测结果。
[0063]
所述设匹配矩阵为m，其大小为k
×
n，其中k表示安全保护措施的种类数，n表示电池的状态数；m
i，j
表示第i种安全保护措施是否适用于状态j，用0或1表示，若使用，值为1，否则为0；设状态参数组成的序列s包含n个状态参数，表示为：s＝s1，s2，...，sn；其中，每个状态参数si包含若干个子参数，表示为：si＝p
i，1
，p
i，2
，...，p
i，m
；其中，其中，m表示每个状态参数包含的子参数的个数，p
i，m
为子参数；状态矩阵x的大小为n
×
k，其中n表示电池的状态数，k表示安全保护措施的种类数；x
i，j
表示状态i下第j种安全保护措施是否可用，用0或1表示，当可用时，表示为1，否则为0；转移概率矩阵p的大小为n
×
n，其中n表示电池的状态数；p
i，j
表示从状态i转移到状态j的概率，可以表示为：p
i，j
＝pr(s
t+1
＝j|s
t
＝i)；其中，s
t
表示时间t时电池的状态，s
t+1
表示时间t+1时电池的状态；pr表示概率；设当前电池的状态为s
t
，安全保护措施的种类数为k，则每个安全保护措施在当前状态下的概率可以表示为：其中，x
t+1，i
表示第i种安全保护措施是否适用于状态s
t+1
，即状态矩阵x在第i行、第t+1列的元素值；f
i，j
表示从状态st转移到状态j时第i种安全保护措施的概率，即概率矩阵f在第i行、第j列的元素值；根据每种安全保护措施在当前状态下的概率，选择概率最大的一种作为最佳安全保护措施：其中，i
*
表示最佳安全保护措施的编码，每种安全保护措施对应一种编码，为设定值。
[0064]
匹配矩阵是一个k
×
n的矩阵，其中k表示安全保护措施的种类数，n表示电池的状态数。匹配矩阵的作用是将每种安全保护措施与电池的状态对应起来，方便后续的概率计算和分析。如果某种安全保护措施在某个电池状态下不适用，则对应的匹配矩阵元素为0，否则为1。
[0065]
状态参数获取单元用于实时获取目标设备的电池在充电过程中的状态参数。状态参数通常包括电池的电量、电流、电压等信息。状态矩阵生成单元将这些状态参数按照实现先后顺序组成一个序列，并基于序列生成电池的状态矩阵，状态矩阵反映电池在充电过程中的实时状态。
[0066]
转移概率矩阵生成单元用于将状态矩阵代入预设的状态转移模型，生成转移概率矩阵。状态转移模型一般采用马尔可夫模型，转移概率矩阵反映了电池在不同状态下的转移概率。通过转移概率矩阵，可以预测电池在未来的充电过程中可能出现的状态。
[0067]
概率判断单元用于将转移概率矩阵与匹配矩阵进行概率估计分析，从而预测出目标设备的电池在后续充电过程中的最佳安全保护措施。具体而言，概率判断单元将匹配矩阵和转移概率矩阵相乘，得到每种安全保护措施的概率值，然后选择最大概率值对应的安全保护措施作为最佳安全保护措施。其中，每种安全保护措施在当前状态下的概率可以表示为该安全保护措施在当前状态下的适用概率与从当前状态转移到其他状态时该安全保护措施的概率之积。最终，根据概率最大的安全保护措施，对目标设备的电池进行保护。
[0068]
所述安全保护措施种类至少包括：过充保护、过放保护、过温保护、短路保护、电压保护、过流保护、反向保护和充电时间保护。
[0069]
具体来说：
[0070]
过充保护：当电池电量充满后，防止继续充电而引起过充现象，从而保护电池不会因为过充而爆炸或发生其他安全问题。
[0071]
过放保护：当电池电量过低时，防止继续放电而引起过放现象，从而保护电池不会
因为过放而损坏或发生其他安全问题。
[0072]
过温保护：当电池温度过高时，防止继续充放电而加剧温度升高，从而保护电池不会因为过热而损坏或发生其他安全问题。
[0073]
短路保护：当充电器或连接线出现短路时，防止电流过大而引起安全问题，从而保护电池不会因为短路而受损或发生其他安全问题。
[0074]
电压保护：当充电器输出电压异常时，防止电池受到损害或安全风险，从而保护电池的正常运行。
[0075]
过流保护：当充电器输出电流异常时，防止电池受到损害或安全风险，从而保护电池的正常运行。
[0076]
反向保护：当充电器或电池极性接反时，防止电池受到损害或安全风险，从而保护电池的正常运行。
[0077]
充电时间保护：当充电时间过长时，防止电池过度充电而引起安全问题，从而保护电池不会因为过度充电而受损或发生其他安全问题。
[0078]
因此，多重安全保护部分可以根据电池的状态实时选择最佳安全保护措施，从而保证充电过程的安全性和电池的正常使用寿命。
[0079]
综上所述，该智能快充储能系统通过多重安全保护部分的设计，实现了对电池的实时保护，并提高了电池的使用寿命和安全性能。同时，通过采用马尔可夫模型进行状态预测，该系统具有更准确的预测能力，可以应用于不同类型和规格的电池中。
[0080]
总之，该智能快充储能系统，具有高效、安全、智能的特点，在电子设备的充电过程中能够自动调整充电速度和能量转换效率，并提前开启最佳的安全保护措施，保护电池的健康和安全。
[0081]
需要说明的是，上述装置(设备)实施例和可读存储介质实施例与方法实施例属于同一构思，其具体实现过程详见方法实施例。所述方法实施例中的技术特征在装置实施例中均对应适用，这里不再赘述。
[0082]
本公开实施例的一种获取文本相似度的方法、装置、设备及可读存储介质，该方法包括：根据文本对的数据集得到所述文本对的数值特征；通过所述文本对的数值特征构造样本特征矩阵；根据所述样本特征矩阵和预测向量进行模型训练，得到预测模型；获取目标文本对，根据所述样本特征矩阵和所述预测模型获取所述目标文本对的相似度得分。通过获取文本对的多个数值特征，该获取文本相似度的方法兼顾语义和句法结构，来判断文本相似度，具有权重可训练、人工干预少、简单快捷、易于实施、准确率高等优点，从而提高了用户体验。
[0083]
本领域普通技术人员理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元被实施为软件、固件、硬件及其适当的组合。
[0084]
在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件具有多个功能，或者一个功能或步骤由若干物理组件合作执行。某些物理组件或所有物理组件被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件分布在计算机可读介质上，计算机可读介质包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质
包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者用于存储期望的信息并且被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
[0085]
以上参照附图说明了本公开的优选实施例，并非因此局限本公开的权利范围。本领域技术人员不脱离本公开的范围和实质内所作的任何修改、等同替换和改进，均应在本公开的权利范围之内。

技术特征：
1.一种智能快充储能系统，其特征在于，包括：充电部分，所述充电部分能够获取目标电子设备的电池参数和在充电过程中的状态参数，基于获取到的电池参数和在充电过程中的状态参数，使用预设的充电速度计算模型，计算出对应的充电速度，并使用该充电速度对目标电子设备的电池进行充电；能量转换部分，所述能量转换部分设置于充电部分和目标电子设备之间，配置用于在目标电子设备的充电过程中，基于预设的马尔科夫链的多级变换模型，将输入电压和输入电流转换为与目标电子设备的电池储存的最佳输出电压和最佳输出电流相匹配的输出电压和输出电流；多重安全保护部分，配置用于将每一种安全保护措施作为矩阵中的一个元素，组成一个匹配矩阵，实时获取目标设备的电池在充电过程中的状态参数，将状态参数按照实现先后顺序组成一个序列，并基于序列生成电池的状态矩阵，并将状态矩阵代入预设的状态转移模型，生成转移概率矩阵，将转移概率矩阵与匹配矩阵进行概率估计分析，从而预测出目标设备的电池在后续充电过程中的最佳安全保护措施，提前开启最佳安全保护措施。2.如权利要求1所述的系统，其特征在于，所述目标电子设备的电池参数包括：最佳输出电压、最佳输出电压、电池类型、电池容量、充电电压、充电电流、充电截止电压、放电截止电压和充电倍率；所述状态参数包括：电量、电流和电压；所述状态参数定义为在充电过程中目标设备的电池的实时的运行参数。3.如权利要求2所述的系统，其特征在于，所述充电部分获取目标电子设备的电池参数和状态参数，基于获取到的电池参数和状态参数，使用预设的充电速度计算模型，计算出对应的充电速度，使用该充电速度对目标电子设备的电池进行充电的方法包括：获取历史的电池参数和历史的状态参数，根据历史的电池参数和历史的状态参数，设计马尔科夫模型；所述马尔科夫模型包括多个状态，每个状态对应电池的不同电量、电流和电压，并使用转移概率矩阵描述状态之间的转移关系；基于获取到的电池参数和状态参数，找到在马尔科夫模型中对应的状态；基于深度优先算法，在马尔科夫模型中寻找一条路径，使得路径上每个状态的条件概率乘积最大；该路径对应的充电速度为最优充电速度，使用该最优充电速度对目标电子设备的电池进行充电。4.如权利要求3所述的系统，其特征在于，所述最优充电速度的计算公式使用如下公式进行表示：充电速度＝argmaxp(s1，s2，
…
，sn)
×
p(i1，i2，
…
，in)
×
p(v1，v2，
…
，vn)
×
p(c1，c2，
…
，cn)；其中，s1，s2，...，sn表示状态序列，i1，i2，...，in，表示电流序列，v1，v2，...，vn表示电压序列c1，c2，...，cn表示电量序列；argmax表示求使概率乘积最大的充电速度；p(s1，s2，...，sn)表示状态序列的条件概率，p(i1，i2，...，in)表示电流序列的条件概率，p(v1，v2，...，vn)表示电压序列的条件概率，p(c1，c2，...，cn)表示电量序列的条件概率。5.如权利要求2所述的系统，其特征在于，所述能量转换部分中的马尔科夫链的多级变换模型的执行过程包括以下步骤：将电池的充电状态划分为若干个离散的状态，至少包括：充满、充电中、放电中和空闲；假设将电池的状态分为n个不同的状态，得到状态集合s＝s1，s2，...，s
n
，使用一个n
×
n的矩阵p来表示状态之间的转移概率，设p
i，j
表示从状态s
i
转移到状态s
j
的概率；设高阶马尔科夫链的阶数为k，设时间参数为t，则有：p(s
t
|s
t-k
，s
t-k+1
，...，s
t-1
)＝p(s
t
|s
t-1
)；
设电池的状态转移仅与前一状态有关，即状态转移遵循一阶马尔科夫过程；如果我们将电池的状态编号为1，2，...，n，则转移概率矩阵p的元素表示为：p
i，j
＝pr(s
t
＝j|s
t-1
＝i)；pr为概率函数；定义电池在状态s
i
下的充电功率定义为p
in，i
，则根据电池的状态概率分布来计算电池的平均充电功率：在计算电池的状态概率分布时，使用马尔科夫链的多级变换模型来预测电池的状态；通过计算电池在每个时间步的状态概率分布，根据电池的状态来调整充电功率，将输入电压和输入电流转换为与目标电子设备的电池储存的最佳输出电压和最佳输出电流相匹配的输出电压和输出电流。6.如权利要求5所述的系统，其特征在于，所述在计算电池的状态概率分布时，使用马尔科夫链的多级变换模型来预测电池的状态的方法包括：设电池在时间步t＝0时处于状态s
i
，则在时间步t，电池处于状态s
j
的概率为：其中，pr(s
t-1
＝i)是电池在时间步t-1处于状态s
i
的概率；通过电池在时间步t-1的状态概率分布，计算出电池在时间步t的状态概率分布。7.如权利要求6所述的系统，其特征在于，所述通过电池在时间步t-1的状态概率分布，计算出电池在时间步t的状态概率分布的方法使用如下公式表示：p
t
＝p
t-1
·
p；其中，p
t
＝[pr(s
t
＝1),pr(s
t
＝2),
…
,pr(s
t
＝n)]是电池在时间步t的状态概率分布向量；这个向量的初始值设为p0＝[0,0,
…
,0,1]，表示电池在时间步t＝0时处于某个已知状态。8.如权利要求2所述的系统，其特征在于，所述多重安全保护部分包括：匹配矩阵生成单元，配置用于将每一种安全保护措施作为矩阵中的一个元素，组成一个匹配矩阵；状态该参数获取单元，配置用于实时获取目标设备的电池在充电过程中的状态参数；状态矩阵生成单元，配置用于将状态参数按照实现先后顺序组成一个序列，并基于序列生成电池的状态矩阵，所述状态矩阵反映电池在充电过程中的实时状态；转移概率矩阵生成单元，配置用于将状态矩阵代入预设的状态转移模型，生成转移概率矩阵；所述状态转移模型为马尔可夫模型，所述转移概率矩阵反映了电池在不同状态下的转移概率；概率判断单元，配置用于将转移概率矩阵与匹配矩阵进行概率估计分析，从而预测出目标设备的电池在后续充电过程中的最佳安全保护措施，具体包括：将匹配矩阵和转移概率矩阵相乘，得到每种安全保护措施的概率值，然后选择最大概率值对应的安全保护措施作为最佳安全保护措施。9.如权利要求8所述的系统，其特征在于，所述设匹配矩阵为m，其大小为k
×
n，其中k表示安全保护措施的种类数，n表示电池的状态数；m
i，j
表示第i种安全保护措施是否适用于状态j，用0或1表示，若使用，值为1，否则为0；设状态参数组成的序列s包含n个状态参数，表示为：s＝s1，s2，...，s
n
；其中，每个状态参数s
i
包含若干个子参数，表示为：s
i
＝p
i，1
，p
i，2
，...，p
i，m
；其中，其中，m表示每个状态参数包含的子参数的个数，p
i，m
为子参数；状态矩阵x的大小为n
×
k，其中n表示电池的状态数，k表示安全保护措施的种类数；x
i，j
表示状态i下第j种安全保护措施是否可用，用0或1表示，当可用时，表示为1，否则为0；转移概率矩阵p的大小为n
×
n，其中n表示电池的状态数；p
i，j
表示从状态i转移到状态j的概率，表示为：p
i，j
＝pr(s
t+1
＝j|s
t
＝i)；其中，s
t
表示时间t时电池的状态，s
t+1
表示时间t+1时电池的状态；pr表示概率；设当前电池的状态为s
t
，安全保护措施的种类数为k，则每个安全保护措施在当前状态下的概率表示为：其中，x
t+1，i
表示第i种安全保护措施是否适用于状
态s
t+1
，即状态矩阵x在第i行、第t+1列的元素值；f
i，j
表示从状态s
t
转移到状态j时第i种安全保护措施的概率，即概率矩阵f在第i行、第j列的元素值；根据每种安全保护措施在当前状态下的概率，选择概率最大的一种作为最佳安全保护措施：其中，i
*
表示最佳安全保护措施的编码，每种安全保护措施对应一种编码，为设定值。10.如权利要求9所述的系统，其特征在于，所述安全保护措施种类至少包括：过充保护、过放保护、过温保护、短路保护、电压保护、过流保护、反向保护和充电时间保护。

技术总结
本发明涉及一种智能快充储能系统，包括充电部分、能量转换部分和多重安全保护部分。充电部分获取目标电子设备的电池参数和充电状态参数，使用预设的充电速度计算模型，计算出对应的充电速度，并对目标设备的电池进行充电。能量转换部分配置用于将输入电压和输入电流转换为与目标设备电池储存的最佳输出电压和最佳输出电流相匹配的输出电压和输出电流。多重安全保护部分将每种安全保护措施作为矩阵中的一个元素，实时获取目标设备的电池在充电过程中的状态参数，预测出电池在后续充电过程中的最佳安全保护措施，提前开启最佳安全保护措施。该专利方案可以提高充电效率，确保电池安全，实用性强。实用性强。实用性强。


技术研发人员：栾夙 陈颐
受保护的技术使用者：深圳市成晟新能源技术有限公司
技术研发日：2023.07.05
技术公布日：2023/10/6