基于充电桩真实数据的车辆识别驱动型长短期记忆神经网络

在全球气候变化与能源结构转型的双重压力下，发展电动汽车已成为缓解环境污染、构建低碳交通体系的核心策略（Rouhana et al., 2024；Wang et al., 2023a；Cheng et al., 2025；Li et al., 2024）。随着电动汽车市场的持续攀升，其安全性问题逐渐成为制约该行业高质量发展的关键因素（Li et al., 2025；Zhou et al., 2025）。据统计，超过60%的电动汽车安全事故源于动力电池热失控，而充电过程中大电流输入导致的温升异常则是事故高发诱因（Zhang et al., 2022）。因此，动力电池温度的长期预测对保障车辆安全至关重要（Senol et al., 2023）。当前关于动力电池温度预测的研究主要依赖于实验室模拟环境或车载电池管理系统（BMS）数据（Kim et al., 2025; Yu et al., 2023）。尽管这些方法在特定工况下能实现精确监测，却难以应对实际充电场景中动态Load、环境扰动与电池老化等多维变量的耦合效应（Kim等，2025）。值得注意的是，充电桩作为主要充电接口记录的电压、电流等时序数据，本质内蕴着电池热力学响应的丰富信息（Zhang等，2024）。因此，从充电桩的视角出发，利用充电过程中的实时数据进行动力电池温度预测，不仅能弥补现有研究的不足，还能赋予充电设施更强大的智能能力。这一研究视角的转变填补了车桩协同安全监测的技术空白，为充电设施智能化升级与电动汽车产业可持续发展提供了全新的技术路径。
近年来，电池安全性研究取得了显著进展，研究方向涵盖热失控机制、性能衰减规律及电池状态预测等多方面内容（Zhou et al., 2023）。Song et al.（2022）对电动汽车锂离子电池热失控机制进行了系统分析，并总结了热失控行为及其触发机制。他们还提出通过监测电池电压、内部温度及排放气体实现热失控早期预警的方法，为提升锂离子电池安全性提供了理论基础与实践指导。Fanoro et al.（2022）系统评述了电池衰减对电动汽车能量管理系统（EMS）的影响，详细分析了电池衰减机理与建模方法，并对不同电池衰减模型的优缺点进行了比较。Manoharan et al.(2022)综述了人工神经网络(ANN)、梯度提升和支撑向量机(SVM)在状态预测中的应用。该研究重点分析了这些方法在估算电池荷电状态(SOC)与健康状态(SOH)时的优缺点，比较了不同方法的预测精度与计算复杂度，并探讨了输入特征选择与模型优化等关键问题。此外，研究提出了基于注意力机制与迁移学习的改进方法，以提升电池状态估计的精度与实时性。这些研究为电池安全性提供了坚实的理论基础与技术支撑。
温度管理始终是电池安全研究的核心课题之一(Hwang等，2024)。电池温度的异常波动不仅直接影响电池性能与使用寿命，更是热失控等安全事故的重要诱因(Kong等，2023)。因此，动力电池温度的精准预测成为提升电池安全性、延长电池寿命的关键环节(Al Miaari与Ali，2023)。近年来，温度预测研究取得了显著进展，研究方法逐渐从传统的物理建模转向数据驱动的智能方法。早期研究主要依赖物理建模，通过构建电化学-热耦合模型来预测温度变化（Li等，2022）。例如，Wang等（2021）提出了一种基于电化学-热耦合策略的建模方法，用于描述商用高容量锂离子电池的电-热动态特性。该方法精确捕捉了电池在不同放电倍率与环境温度下的电学和热力学动态特性，为商用电池的建模与管理提供了解决方案。尽管此类方法具有明确的物理意义，但它们需要精确的电池内部参数作为输入，且在实际应用中面临参数获取复杂、计算复杂度高的挑战（Chen et al., 2022）。随着机器学习技术的发展，数据驱动方法逐渐成为研究热点。这些方法能够更好地适应复杂工况下的非线性关系，利用电池运行数据构建温度预测模型（Zhao等，2023）。例如，Tran等（2022）基于Python的scikit-learn机器学习库开发了四种回归模型（线性回归、k近邻、随机森林和决策树），用于预测25Ah方形锂离子电池在不同环境温度下的电压和温度行为。结果表明，决策树模型表现最佳，能有效捕捉电池的电热动态特性。Cho等（2022a）开发了一种基于物理信息的机器学习方法用于预测锂离子电池温度，该模型在训练数据稀缺的情况下仍能以0.05°C的均方预测误差准确预测电池温度。
在数据驱动的温度预测方法中，神经网络模型凭借其强大的非线性映射能力与自适应学习能力（Olabi等，2024），已逐渐成为主流研究方向。此类模型可通过大量历史数据学习电池温度变化的内部规律，在复杂工况下实现相对精确的预测。Yi等（2023）提出了一种基于数字孪生（DT）技术和长短期记忆（LSTM）神经网络的电池温度实时预测与退化模式分析方法。通过建立基于等效电路的DT模型并与LSTM神经网络相结合，实现了电池温度的实时预测及退化模式分析。Wang等（2023b）采用人工神经网络（ANN）模型研究了金属泡沫热管理系统中锂离子电池的温度预测问题。研究中采用反向传播神经网络（BP-NN）、径向基函数神经网络（RBF-NN）和Elman神经网络（Elman-NN）建立温度预测模型，对比了不同神经网络建模技术的预测性能。Wang等（2023c）提出了一种基于改进物理信息神经网络的电池温度预测方法，该方法将电池物理模型与LSTM网络相结合。该方法引入多头注意力机制以捕捉长时序信息，可精准预测电池全生命周期温度。此外，部分研究尝试融合多种神经网络模型以提高预测精度。例如Zhao等（2024）提出一种基于混合神经网络与故障阈值优化的电池表面温度在线预测及异常诊断方法。该方法通过结合卷积神经网络（CNN）和长短期记忆网络（LSTM）从电池运行数据中提取时空特征来预测电池温度。Cho等人（2022b）提出了一种基于LSTM和物理信息神经网络（PINN）的混合方法用于估算电池组温度。该方法通过融合物理模型与数据驱动模型，克服了传统物理模型参数依赖性过强以及数据驱动模型泛化能力不足的问题。此外，Transformer及其变体近年来在各类时间序列预测任务中取得显著进展，这得益于其强大的全局依赖建模能力和并行计算优势。与此同时，图神经网络被引入用于建模电池内部拓扑结构与空间热分布，而物理信息神经网络则为机理模型与数据驱动预测的融合提供了新范式（Olabi et al., 2024）。这些尖端架构在提升预测精度、可解释性或计算效率方面展现出潜在优势。
尽管现有温度预测研究在理论和实验层面已取得特定成果，但仍存在诸多局限性。首先，现有研究主要基于实验室环境或车载电池管理系统（BMS）提供的数据，其覆盖范围和准确性有限，无法充分反映真实场景的复杂性和动态特性。尤其在充电过程中，现有研究难以准确预测异常温升现象。其次，现有研究通常针对单一车辆进行实验建模，缺乏对多车辆、多场景下电池温度变化规律的研究。这一局限使得现有模型在面对不同车辆和充电环境时难以保持一致的预测精度。更关键的是，大多数现有研究集中于放电过程的温度预测，缺乏对充电过程中温度变化的针对性研究。在充电过程中，尤其是快充场景下，电池温度变化剧烈，热失控风险更高。然而，当前多数温度预测模型未能充分考虑充电过程的特定动态特性，例如充电参数的动态变化及各充电阶段的产热规律。更重要的是，受充电协议与国家标准的约束，充电桩可采集的数据条目仅限少数基础项，导致可开展的研究工作存在较大局限性。
针对上述问题，本文提出一种基于LSTM神经网络、利用充电桩实时数据预测动力电池温度的创新方法。该研究方法具有多性向优势：直接采用充电桩数据可突破实验室数据局限，更真实反映充电场景；挖矿多车型充电数据有望解决现有研究中单一车型的问题。此外，聚焦充电过程中动力电池的温度预测，能更有效预防充电过程热失控风险。该研究将为充电安全监控提供新技术路径，推动充电基础设施的智能化升级。
Existing battery temperature prediction research mainly relies on laboratory data or on-board BMS data, which cannot capture the complexity of real charging scenarios. This study introduces an innovative approach to predict battery temperature based on real-world data collected from charging piles. The approach fully uses the complex charging pile data to accurately predict battery temperatures, which effectively makes up for the shortcomings of existing studies in using real charging scenario data. Therefore, this paper aims to make the following key contributions to advance the existing research:

• 1)
  充电桩数据的创新性应用：本研究开创性地利用充电桩数据进行电池温度预测。通过整合充电桩实时数据，该研究提出了一种提升电动汽车充电安全性的新方法。这一策略降低了对VIN码等难以获取数据的依赖，为实际充电场景中的温度预测提供了更具实用性和可扩展性的解决方案。
• 2)
  MPDVIG策略在车辆识别与分组中的应用：面对充电桩数据中多样车型的挑战，本研究提出MPDVIG策略。该策略基于充电数据相似性对车辆进行有效聚类，为处理数据异质性提供了新方法。该策略不仅提升了后续温度预测的准确性，还深化了对不同车型充电模式的理解，为更个性化的电池管理策略奠定了基础。
• 3)
  多性向前向步进温度预测：本研究成功应用LSTM神经网络预测电动汽车电池中的多项温度参数，包括最高温度、最低温度、温差、电池组温度及温升速率。通过整体预测与分组预测的综合实验对比，论证了LSTM在处理电池时序数据方面的有效性，以及结合车辆分组策略对提升预测准确度的优越性。
• 4)
  预测结果的优化回合策略：本研究创新性地提出对预测结果进行后处理的技术方案——将其四舍五入至最接近的整数值。这种简便高效的方法在计算成本极低的前提下，有效减少了预测波动并显著提高了准确度。