CN117335528A - 智能调节电压和电流的快充充电器及调节方法 - Google Patents

Abstract

本发明提供智能调节电压和电流的快充充电器及调节方法，涉及快充充电器技术领域，包括充电器主体，充电器包括如下模块：电源模块：电源模块用于充电器联通外部电路；通信和识别模块：通信和识别模块用于控制充电器内部智能化控制；电压和电流调节模块：电压和电流调节模块用于控制充电器输出电流输出电压的调节控制，通过使用机器学习算法，充电器能够根据电池的状态和环境条件自适应地调节电压和电流，传统的充电器通常使用固定的电压和电流设置，从而可以实现终端设备在较高频次快充充电的时候，由于机器学习算法的基础，可以持续学习对应终端的最优充电方案的输出，避免快充充电器对于终端频繁大电流大电压的冲击导致终端电池寿命衰减迅速。

Description

智能调节电压和电流的快充充电器及调节方法

技术领域

本发明涉及快充充电器技术领域，具体为智能调节电压和电流的快充充电器及调节方法。

背景技术

在过去的几年里，移动设备，如智能手机、平板电脑、可穿戴设备，以及电动汽车的普及和需求急剧增加，随着这些设备功能的增加和性能的提升，它们对电池的需求也变得更加苛刻，用户期望他们的设备能够快速充电，同时保持较长的使用时间，这推动了充电技术的发展和创新，智能手机和其他移动设备已成为人们日常生活的重要组成部分。这些设备的电池寿命和充电速度对用户体验至关重要。

当前的快充充电器是可以根据终端设备的反馈进行电流电压的调节，但是其无法进行持续性的学习，尤其是在反复使用快充的时候，终端内置的锂电池由于长时间承载的是较大的电流和电压，会严重影响终端设备的寿命。

发明内容

解决的技术问题

针对现有技术的不足，本发明提供了智能调节电压和电流的快充充电器及调节方法，解决了现有的快充充电器对于重点电池寿命严重损伤的问题。

技术方案

为实现以上目的，本发明通过以下技术方案予以实现：智能调节电压和电流的快充充电器，包括充电器主体，所述充电器包括如下模块：

电源模块：所述电源模块用于充电器联通外部电路；

通信和识别模块：所述通信和识别模块用于控制充电器内部智能化控制；

电压和电流调节模块：所述电压和电流调节模块用于控制充电器输出电流输出电压的调节控制；

所述通信和识别模块包括机器学习模块、通信模块以及识别模块，所述机器学习模块内置PID算法和机器学习算法，所述通信模块和互联网电性连接，所述识别模块和终端设备电性连接，所述通信和识别模块还包括一个加密模块，用于在充电器与设备之间建立安全的通信连接。

优选的，所述充电器还包括一个能量回收模块，所述能量回收模块。

优选的，所述电源模块包括一个交流/直流转换器，用于将交流电转换为直流电。

优选的，所述电压和电流调节模块包括一个微控制器，所述微控制器是一种高度集成的芯片。

优选的，所述通信和识别模块采用无线通信，且无线通信接口为蓝牙、Wi-Fi、NFC、SIM中的一种或任意多种的组合。

优选的，所述充电器还包括一个温度传感器，用于监测充电过程中的温度。

优选的，智能调节电压和电流的快充充电器的调节方法，所述方法如下：

Sp1、检测连接设备的电压和电流需求；

Sp2、选择合适的电压和电流；

Sp3、通过通信和识别模块获取设备充电信息，并带入机器学习模块之中，优化输出；

Sp3、动态调节电压和电流以优化充电速度；

Sp4、通过通信和识别模块，得到终端信息，优化后续再次充电信息，进一步补充机器学习模块的数据信息，进一步调整充电方案。

优选的，所述动态调节电压和电流的步骤包括使用AI学习调节算法，连接设备的实时状态和充电器的性能参数，自适应地调整输出电压和电流。

有益效果

本发明提供了智能调节电压和电流的快充充电器及调节方法。具备以下有益效果：

1、 本发明自适应调节：通过使用机器学习算法，充电器能够根据电池的状态和环境条件自适应地调节电压和电流，而传统的充电器通常使用固定的电压和电流设置，从而可以实现终端设备在较高频次快充充电的时候，由于机器学习算法的基础，可以持续学习对应终端的最优充电方案的输出，减少快充充电器对于终端频繁大电流大电压的冲击导致终端电池寿命衰减迅速。

2、 本发明更高的充电效率：智能调节可以根据电池的状态优化电压和电流，可能实现更快的充电速度，同时减少能量损失。

3、 本发明延长电池寿命：通过优化充电参数，减少对电池的热应力和化学应力，从而可能延长电池的使用寿命。

4、 本发明更好的安全性：机器学习算法可以实时监测电池的温度和其他参数，并在检测到异常时及时调整充电参数或停止充电，从而提高安全性。

5、 本发明个性化充电策略：智能充电器可以学习用户的使用习惯，并根据这些习惯调整充电策略，例如，在用户通常不使用设备的时间段内进行充电。

6、 本发明节能和环境友好：通过优化充电效率，智能充电器可能使用更少的能量来充电，从而减少能源消耗和环境影响。

7、 本发明远程监控和更新：智能充电器可以通过互联网进行远程监控和固件更新，使其能够适应新的电池技术和改进的充电算法。

8、 本发明用户体验：智能充电器可以提供更多的用户定制选项，如设置充电时间，查看充电统计数据等，从而提供更好的用户体验。

9、 本发明兼容性：智能充电器可以通过学习和适应不同类型和品牌的电池，提供更广泛的兼容性。

10、 本发明预测性维护：通过分析电池和充电器的数据，智能充电器可以预测潜在的故障和维护需求，从而减少停机时间和维修成本。

附图说明

图1为本发明的模块组合框架图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

具体实施例一：

如图所示，智能调节电压和电流的快充充电器，包括充电器主体，充电器包括如下模块：

电源模块：电源模块用于充电器联通外部电路；

通信和识别模块：通信和识别模块用于控制充电器内部智能化控制；

电压和电流调节模块：电压和电流调节模块用于控制充电器输出电流输出电压的调节控制。

通信和识别模块包括机器学习模块、通信模块以及识别模块，机器学习模块内置PID算法和机器学习算法，通信模块和互联网电性连接，识别模块和终端设备电性连接，通信和识别模块还包括一个加密模块，用于在充电器与设备之间建立安全的通信连接。

充电器还包括一个能量回收模块，能量回收模块。

电源模块包括一个交流/直流转换器，用于将交流电转换为直流电。

电压和电流调节模块包括一个微控制器，微控制器是一种高度集成的芯片。

通信和识别模块采用无线通信，且无线通信接口为蓝牙、Wi-Fi、NFC、SIM中的一种或任意多种的组合。

充电器还包括一个温度传感器，用于监测充电过程中的温度。

电源模块：

交流/直流转换器：将外部交流电源转换为直流电源供充电器使用。

与能量回收模块相连，能量回收模块可以将不需要的能量转换回直流电，再次输入到电源模块中。

通信和识别模块：

机器学习模块：内置PID算法和机器学习算法，用于优化充电过程。

通信模块：通过无线接口（蓝牙、Wi-Fi、NFC、SIM）与互联网连接，接收远程命令和更新。

识别模块：与终端设备连接，识别设备类型和充电需求。

加密模块：确保充电器与设备之间的通信安全。

电压和电流调节模块：

微控制器：接收来自通信和识别模块的信号，根据设备需求和当前电源状态调节输出电压和电流。

能量回收模块：

将充电过程中未使用的能量转换为电能，回馈到电源模块。

温度传感器：

监测充电器和设备的温度，将数据发送到微控制器，以便进行温度管理。

连接关系和信号传输

电源模块通过电缆直接连接到电压和电流调节模块，提供直流电源。

通信和识别模块无线连接到互联网和终端设备，同时通过加密模块确保数据传输的安全性。

微控制器通过内部电路与所有模块相连，接收传感器数据，控制电压和电流输出，并处理来自通信模块的数据。

温度传感器通过电缆将数据传输到微控制器，进行实时监控。

温度管理算法：

用于根据温度传感器的反馈调整充电参数，以防止过热。

核心逻辑：如果温度超过预设阈值，则减少充电电流或暂停充电

智能调节电压和电流的快充充电器的调节方法，方法如下：

Sp1、检测连接设备的电压和电流需求；

Sp2、选择合适的电压和电流；

Sp3、通过通信和识别模块获取设备充电信息，并带入机器学习模块之中，优化输出；

Sp3、动态调节电压和电流以优化充电速度；

Sp4、通过通信和识别模块，得到终端信息，优化后续再次充电信息，进一步补充机器学习模块的数据信息，进一步调整充电方案。

动态调节电压和电流的步骤包括使用AI学习调节算法，连接设备的实时状态和充电器的性能参数，自适应地调整输出电压和电流。

微控制器模块:

具体形式: 使用ARM Cortex-M系列微控制器；

工作流程: 初始化硬件，接收来自其他模块的数据，执行控制算法，控制输出；

控制核心程序: PID控制算法用于稳定输出电压和电流；

硬件组成: 微控制器芯片，晶振，电源；

电压和电流调节模块:

具体形式: 由DC-DC转换器和电流传感器组成；

工作流程: 接收微控制器的指令，调节输出电压和电流；

控制核心程序: PWM控制；

硬件组成: DC-DC转换器，电流传感器，电源；

通信和识别模块:

具体形式: 使用蓝牙或Wi-Fi模块进行通信；

工作流程: 建立与设备的通信连接，接收和发送数据；

控制核心程序: 使用蓝牙或Wi-Fi协议栈；

硬件组成: 蓝牙/Wi-Fi模块，天线；

机器学习模块:

具体形式: 嵌入式神经网络；

工作流程: 接收数据，执行学习算法，优化输出参数；

学习算法: 深度学习，如卷积神经网络(CNN)；

硬件组成: 处理器，内存；

能量回收模块:

具体形式: 由超级电容和能量回收电路组成；

工作流程: 在充电过程中回收多余的能量，并在需要时释放；

硬件组成: 超级电容，能量回收电路；

温度传感器模块:

具体形式: NTC热敏电阻；

工作流程: 监测充电过程中的温度，并将数据发送给微控制器；

硬件组成: NTC热敏电阻；

加密模块:

具体形式: 使用AES加密；

工作流程: 对通信数据进行加密和解密；

控制核心程序: AES加密算法；

-硬件组成: 加密芯片；

用户界面模块:

具体形式: 包括一个LCD显示屏和物理按钮；

工作流程: 显示屏显示充电状态和参数，物理按钮允许用户进行设置；

硬件组成: LCD显示屏，物理按钮；

电池管理模块:

具体形式: 由电池管理IC和保护电路组成；

工作流程: 监测电池状态，包括电压、电流和温度，并执行保护措施；

控制核心程序: 电池管理算法；

硬件组成: 电池管理IC，保护电路；

数据存储模块:

具体形式: 使用闪存或SD卡存储数据；

工作流程: 存储来自其他模块的数据，以供后续分析和优化；

硬件组成: 闪存或SD卡；

模块间的配合关系:

微控制器模块是核心，它控制和协调其他所有模块；

电压和电流调节模块根据微控制器和机器学习模块的指令调节输出；

通信和识别模块与外部设备通信，并将数据发送给微控制器；

机器学习模块接收数据，学习并优化输出参数，然后发送给微控制器；

能量回收模块在充电过程中回收能量，并在需要时根据微控制器的指令释放能量；

温度传感器模块监测温度并将数据发送给微控制器；

加密模块确保通信的安全性；

用户界面模块允许用户与充电器交互，并显示充电状态；

电池管理模块监测电池状态，并执行保护措施；

数据存储模块存储数据，供机器学习模块和微控制器使用；

这种设计允许快充充电器智能地调节电压和电流，同时确保电池的安全和效率；机器学习模块允许充电器根据历史数据和实时输入优化其性能；

启动和初始化:

微控制器进行自检并初始化所有连接的模块；

通信模块开始搜索并建立与充电设备的连接；

设备识别和参数配置:

通信模块识别连接的设备并获取其充电参数；

微控制器根据设备参数和机器学习模块的建议设置初始电压和电流；

充电过程:

电压和电流调节模块根据微控制器的指令调节输出电压和电流；

温度传感器模块持续监测充电过程中的温度；

电池管理模块监测电池状态，并在必要时执行保护措施；

机器学习模块接收数据，包括电压、电流和温度，并实时优化输出参数；

能量回收模块回收多余的能量，并在需要时释放；

用户界面模块显示充电状态和参数；

控制核心程序:

PID控制算法: 微控制器使用PID控制算法来稳定输出电压和电流；这涉及到根据设定点和实际测量值的差异调整输出；

机器学习优化: 机器学习模块使用深度学习算法（如CNN）来学习和优化输出参数；这包括根据历史数据和实时输入调整电压和电流；

通信协议: 通信模块使用蓝牙或Wi-Fi协议栈来与外部设备通信；

加密算法: 加密模块使用AES加密算法来确保通信的安全性；

充电完成或中断:

一旦电池充满或用户中断充电过程，微控制器将发送指令停止充电；

用户界面显示充电完成或中断的状态；

数据存储模块保存本次充电过程的相关数据；

关闭:

微控制器发送关闭指令给所有模块；

通信模块断开与充电设备的连接。

控制程序来管理充电过程

import time

import random

from sklearn.linear_model import LinearRegression

class ChargerController:

def __init__(self):

self.voltage = 0

self.current = 0

self.temperature = 0

self.model = LinearRegression()

def read_sensors(self):

# In a real-world scenario, this function would read datafrom actual sensors.

# Here we just simulate it with random values.

self.voltage = random.uniform(3.7, 4.2)

self.current = random.uniform(0.5, 2.0)

self.temperature = random.uniform(20, 30)

def adjust_output(self):

# Here we use a simple rule, but in a real-world scenario,this could be a complex function

# based on the machine learning model's output.

if self.temperature > 25:

return self.voltage - 0.1, self.current - 0.1

else:

return self.voltage + 0.1, self.current + 0.1

def charge(self):

while True:

self.read_sensors()

voltage, current = self.adjust_output()

print(f"Adjusted voltage: {voltage}V, current: {current}A")

time.sleep(1) # Wait for a second

controller = ChargerController()

controller.charge()

机器学习模块来优化输出参数：

import numpy as np

from sklearn.neural_network import MLPRegressor

class MachineLearningModule:

def __init__(self):

self.model = MLPRegressor(hidden_layer_sizes=(10,10))

def train(self, X, y):

self.model.fit(X, y)

def predict(self, X):

return self.model.predict(X)

# Assume we have some training data

X_train = np.random.rand(100, 3) # 100 samples, each with voltage,current and temperature

y_train = np.random.rand(100, 2) # 100 samples, each with targetvoltage and current

ml_module = MachineLearningModule()

ml_module.train(X_train, y_train)

# Now we can use the machine learning module to predict the optimalvoltage and current

voltage, current, temperature = 3.9, 1.5, 22 # Just an example

optimal_voltage, optimal_current = ml_module.predict([[voltage,current, temperature]])

print(f"Optimal voltage: {optimal_voltage}V, current: {optimal_current}A")。

具体实施例二：

智能调节电压和电流的快充充电器及调节方法，一种智能调节电压和电流的快充充电器，包括充电器主体，充电器主体包括电源模块、通信和识别模块、电压和电流调节模块，充电器主体是一个紧凑的封装，包含了必要的电子组件来控制和管理充电过程。电源模块负责提供电能，通信和识别模块负责与要充电的设备通信，而电压和电流调节模块负责根据设备的需求调整输出电压和电流，通信和识别模块包括一个机器学习模块，该模块能够学习并记住不同设备的充电行为和需求，以优化未来的充电过程，机器学习模块通过收集和分析设备在充电过程中的数据，如电流、电压和充电时间，来学习设备的充电行为。这些数据可以用于预测和优化未来的充电过程，以减少充电时间并提高电池寿命，充电器主体包括一个能量回收模块，该模块能够在设备断开连接或充电完成时，回收并存储未使用的电能，能量回收模块通过将未使用的电能转换并存储在内部电池或电容器中，以供将来使用。这有助于提高能源效率并减少能源浪费，电源模块包括一个交流/直流转换器，用于将交流电转换为直流电，交流/直流转换器是一个关键组件，因为大多数电子设备需要直流电来充电。该转换器能够将来自墙壁插座的交流电转换为适合设备充电的直流电，电压和电流调节模块包括一个微控制器，用于精确控制输出电压和电流的级别，微控制器是一种高度集成的芯片，能够执行复杂的算法来精确控制输出电压和电流。这对于保护电池免受过充或欠充的伤害至关重要，同时确保充电过程高效且安全，通信和识别模块包括一个无线通信接口，允许充电器通过无线方式与设备通信，无线通信接口可以是蓝牙、Wi-Fi或其他无线通信技术。这允许充电器在不需要物理连接的情况下与设备通信，从而可以远程监控和控制充电过程，电压和电流调节模块能够根据连接设备的电池类型和状态，动态调整输出电压和电流，通过识别连接设备的电池类型（例如锂离子、镍氢等）和当前状态（例如电量、温度等），电压和电流调节模块可以动态地调整输出参数，以最大限度地提高充电效率并保护电池，充电器包括一个温度传感器，用于监测充电过程中的温度，并在温度过高时自动调整电流或关闭充电器以防止过热，温度传感器是一个关键的安全特性，因为电池在充电过程中可能会变热。通过监测温度并在必要时调整电流或关闭充电器，可以防止过热和可能的电池损坏，通信和识别模块包括一个加密模块，用于在充电器与设备之间建立安全的通信连接，加密模块通过使用加密算法来保护充电器与设备之间的通信数据。这对于防止未经授权的访问和保护用户数据的隐私至关重要，充电器主体包括一个用户界面，该用户界面包括一个显示屏和按钮，以允许用户监控充电状态并手动调整电压和电流设置，用户界面是充电器的一个重要组成部分，允许用户与充电器进行交互。显示屏可以显示充电状态，包括当前电压、电流和充电时间。按钮允许用户手动调整电压和电流设置，以及其他选项，如启用或禁用某些功能。

具体实施例三：

进一步公开的技术方案：机器学习模块使用深度学习算法来优化PID控制参数，以实现更精确的电压和电流调节，加密模块使用高级加密标准(AES)来保护通信数据的安全性，能量回收模块通过将多余的电能转换为可储存的形式，以提高能效并减少浪费，此外，温度传感器与微控制器协同工作，以防止过热并确保充电过程在安全的温度范围内进行，

能量回收模块具体包括一个能量存储单元和一个转换器，能量存储单元用于存储充电过程中多余的电能，转换器用于将多余的电能转换为可储存的形式，微控制器具体包括一个处理器、内存和输入/输出接口，处理器用于执行控制算法，内存用于存储控制算法和参数，输入/输出接口用于与其他模块通信，温度传感器具体包括一个热敏电阻和一个信号处理单元，热敏电阻用于检测温度，信号处理单元用于将检测到的温度转换为数字信号，AI学习调节算法具体包括神经网络和优化算法，神经网络用于学习和建模充电过程，优化算法用于根据学习到的模型调整输出电压和电流，公开一种智能快充充电器的详细描述，包括其模块结构、工作原理和优化控制方法，这种充电器通过使用机器学习和优化算法，能够根据连接设备的需求和状态，以及充电器的性能参数，动态调节输出电压和电流，从而实现更快、更安全和更高效的充电。

具体实施例四：

进一步公开的技术内容：智能调节电压和电流的快充充电器，其特征在于：包括充电器主体，充电器包括如下模块：

电源模块：电源模块用于充电器联通外部电路，具体包括一个交流/直流转换器，用于将交流电转换为直流电，以及一个稳压电路，用于保持输出电压的稳定。

通信和识别模块：通信和识别模块用于控制充电器内部智能化控制，包括一个微处理器和一个无线通信接口，用于与外部设备通信和识别。

电压和电流调节模块：电压和电流调节模块用于控制充电器输出电流输出电压的调节控制，包括一个电流传感器和一个电压传感器，用于实时监测输出电流和电压，通信和识别模块包括机器学习模块、通信模块以及识别模块，机器学习模块内置PID算法和机器学习算法，用于优化电压和电流的调节；通信模块和互联网电性连接，支持Wi-Fi和蓝牙通信；识别模块和终端设备电性连接，用于识别连接设备的类型和充电需求；通信和识别模块还包括一个加密模块，用于在充电器与设备之间建立安全的通信连接，采用AES加密，充电器还包括一个能量回收模块，能量回收模块包括一个超级电容和一个能量转换器，用于存储和回收充电过程中的多余能量，从而提高能量利用率，电源模块包括一个交流/直流转换器，用于将交流电转换为直流电，并具有过载保护功能，以防止电源模块在电流过大时损坏，电压和电流调节模块包括一个微控制器，微控制器是一种高度集成的芯片，具有多个模拟和数字输入/输出端口，用于接收来自电流和电压传感器的信号，并根据机器学习模块的指令调整输出电压和电流，通信和识别模块采用无线通信，且无线通信接口为蓝牙、Wi-Fi、NFC、SIM中的一种或任意多种的组合，以实现与多种设备的兼容性和灵活的通信选项，充电器还包括一个温度传感器，用于监测充电过程中的温度，该温度传感器与微控制器连接，当检测到过高的温度时，微控制器会自动降低输出电流，以防止过热。

方法如下：

Sp1、检测连接设备的电压和电流需求；

Sp2、选择合适的电压和电流；

Sp3、通过通信和识别模块获取设备充电信息，并带入机器学习模块之中，优化输出；

Sp4、动态调节电压和电流以优化充电速度；

Sp5、通过通信和识别模块，得到终端信息，优化后续再次充电信息，进一步补充机器学习模块的数据信息，进一步调整充电方案，动态调节电压和电流的步骤包括使用AI学习调节算法，连接设备的实时状态和充电器的性能参数，自适应地调整输出电压和电流。该AI学习调节算法包括神经网络和优化算法，神经网络用于学习和预测设备的充电需求，而优化算法用于根据预测结果调整输出电压和电流，

机器学习模块包括一个在线学习系统，该系统能够根据设备的充电历史数据和实时状态，不断更新和优化其算法，以实现更精确的电压和电流调节。此外，机器学习模块还包括一个云端数据库，用于存储和共享不同设备的充电数据，以便于跨设备优化。

详细描述了智能调节电压和电流的快充充电器的各个组成部分及其功能。它们涵盖了充电器的电源模块，通信和识别模块，电压和电流调节模块，以及机器学习模块。此外，还描述了充电器的调节方法，包括动态调节电压和电流，使用AI学习调节算法，并通过在线学习系统和云端数据库进行优化。这些权利要求为该充电器提供了全面的保护，并明确了其创新点和技术特征。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个引用结构”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.智能调节电压和电流的快充充电器，其特征在于：包括充电器主体，所述充电器包括如下模块：

电源模块：所述电源模块用于充电器联通外部电路；

通信和识别模块：所述通信和识别模块用于控制充电器内部智能化控制；

电压和电流调节模块：所述电压和电流调节模块用于控制充电器输出电流输出电压的调节控制；所述通信和识别模块包括机器学习模块、通信模块以及识别模块，所述机器学习模块内置PID算法和机器学习算法，所述通信模块和互联网电性连接，所述识别模块和终端设备电性连接，所述通信和识别模块还包括一个加密模块，用于在充电器与设备之间建立安全的通信连接。

2.根据权利要求1所述的智能调节电压和电流的快充充电器，其特征在于：所述充电器还包括一个能量回收模块，所述能量回收模块。

3.根据权利要求1所述的智能调节电压和电流的快充充电器，其特征在于：所述电源模块包括一个交流/直流转换器，用于将交流电转换为直流电。

4.根据权利要求1所述的智能调节电压和电流的快充充电器，其特征在于：所述电压和电流调节模块包括一个微控制器，所述微控制器是一种高度集成的芯片。

5.根据权利要求1所述的智能调节电压和电流的快充充电器，其特征在于：所述通信和识别模块采用无线通信，且无线通信接口为蓝牙、Wi-Fi、NFC、SIM中的一种或任意多种的组合。

6.根据权利要求1所述的智能调节电压和电流的快充充电器及调节方法，其特征在于：所述充电器还包括一个温度传感器，用于监测充电过程中的温度。

7.根据权利要求1-6任意一条所述的智能调节电压和电流的快充充电器的调节方法，其特征在于：所述方法如下：

Sp1、检测连接设备的电压和电流需求；

Sp2、选择合适的电压和电流；

Sp3、通过通信和识别模块获取设备充电信息，并带入机器学习模块之中，优化输出；

Sp3、动态调节电压和电流以优化充电速度；

Sp4、通过通信和识别模块，得到终端信息，优化后续再次充电信息，进一步补充机器学习模块的数据信息，进一步调整充电方案。

8.根据权利要求7所述的智能调节电压和电流的快充充电器及调节方法，其特征在于，所述动态调节电压和电流的步骤包括使用AI学习调节算法，连接设备的实时状态和充电器的性能参数，自适应地调整输出电压和电流。