【技术实现步骤摘要】
本专利技术涉及电动工程设备锂电池使用预测，尤其涉及一种电动挖掘机锂电池剩余使用寿命预测方法及装置。
技术介绍
1、锂离子电池因其高能量密度、长循环寿命和较轻的重量，已成为电动挖掘机等工程机械储能系统的主要电池类型。然而，锂离子电池的性能在使用过程中受到工作温度、充放电速率和电池化学成分等多种因素的影响会逐渐发生退化，严重威胁了电池系统的安全性。剩余使用寿命预测作为电池管理系统的核心任务能够提前发现电池的潜在问题，降低故障风险，增强系统的安全性。因此，准确的锂离子电池剩余使用寿命预测对保障电动挖掘机的安全可靠运行具有重要作用。
2、传统基于模型的锂离子电池剩余使用寿命预测方法通过物理模型描述电池退化过程，但电池电化学反应比较复杂，难以建立精确的物理化学模型。目前主流的数据驱动方法依赖大量的训练数据来提高剩余使用寿命预测精度。尽管基于数据驱动的方法给锂电池剩余使用寿命预测的精度和可靠性带来了大幅提升，但锂离子电池容量在退化过程中出现的容量再生现象制约了剩余使用寿命预测的进一步发展。
技术实现思路>
1、本文档来自技高网...
【技术保护点】
1.一种电动挖掘机锂电池剩余使用寿命预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的电动挖掘机锂电池剩余使用寿命预测方法，其特征在于，步骤2中，对所述容量时间序列数据进行全逐步实时分解采样并构建训练集和测试集，包括以下步骤：
3.如权利要求1所述的一种电动挖掘机锂电池剩余使用寿命预测方法，其特征在于，步骤3中，Informer深度学习模型包括编码器和解码器，将跨阶段局部注意力、扩展因果卷积和传递机制加入深度学习预测模型Informer中建立紧耦合卷积Informer的深度学习模型的过程，包括以下步骤：
4.如权利要求1所...
【技术特征摘要】
1.一种电动挖掘机锂电池剩余使用寿命预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的电动挖掘机锂电池剩余使用寿命预测方法，其特征在于，步骤2中，对所述容量时间序列数据进行全逐步实时分解采样并构建训练集和测试集，包括以下步骤：
3.如权利要求1所述的一种电动挖掘机锂电池剩余使用寿命预测方法，其特征在于，步骤3中，informer深度学习模型包括编码器和解码器，将跨阶段局部注意力、扩展因果卷积和传递机制加入深度学习预测模型informer中建立紧耦合卷积informer的深度学习模型的过程，包括以下步骤：
4.如权利要求1所述的一种电动挖掘机锂电池剩余使用寿命预测方法，其特征在于，步骤4中全逐步实时分解-紧耦合卷积informer混合深度学习模型的过程，包括以下步骤：
5.如权利要求1所述的一种电动挖掘机锂电池剩余使用寿命预测方法，其特征在于，...
【专利技术属性】
技术研发人员：贺德强，吴金鑫，靳震震，赵明，卢世能，李先旺，付洋，
申请(专利权)人：广西大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。