基于PSO-Kalman-LSTM融合算法的電動汽車充電時長預測研究

摘要：針對電動汽車充電安全問題，文章提出一種基于 PSO-Kalman-LSTM 融合算法的充電時長預測方法。該方法利用 LSTM 網絡對充電時長進行時間序列建模，并結合 PSO 算法優化 LSTM 模型參數，同時引入 Kalman 濾波對輸入數據進行動態調整，以提高預測精度。實驗結果表明，該方法能夠有效預測電動汽車充電時長，為智能充電策略的制定和充電安全防護提供技術支持，助力實現“雙碳”目標。

關鍵詞：電動汽車；充電時長預測；深度學習；粒子群優化；卡爾曼濾波

中圖分類號：TP3 文獻標識碼：A

文章編號：1009-3044（2025）09-0042-03 開放科學（資源服務） 標識碼（OSID） ：

0 引言

電動汽車以其高能效、低污染等優勢，已成為國家“十四五”戰略規劃的重要組成部分，并在各大城市得到推廣應用。然而，充電過程中的安全事故，如熱失控導致的自燃和爆炸，嚴重威脅著人身安全，制約著電動汽車產業的可持續發展[1]。電池過充是引發熱失控的主要原因之一[2]。因此，對充電時長進行準確預測，對于保障充電安全至關重要。目前，國內外學者已開展了相關研究，例如基于支持向量回歸（SVR） [3]、經驗模型[4]、擴展卡爾曼濾波-高斯過程回歸（EKFGPR）[5]、信息粒化（IG）結合SVR[6]以及自回歸集成滑動平均模型（ARIMA）結合粒子濾波（PF）[7]等方法。然而，這些方法存在預測精度低、泛化能力差等問題。深度學習，特別是長短期記憶網絡（LSTM），在時間序列預測方面展現出優勢[8-9]。LSTM的模型參數難以確定、隨機性大，所以通常采用PSO-LSTM解決LSTM參數隨機的問題，但是PSO容易陷入局部最優[10]。因此，本文提出一種基于 PSO-Kalman-LSTM 融合算法的充電時長預測方法。該方法利用 PSO 算法優化 LSTM 模型參數，并引入 Kalman 濾波對輸入數據進行動態調整，以提高預測精度和收斂速度[11]，為電動汽車充電安全防護提供技術支持。

同時，目前電動汽車動力電池大致有恒流恒壓充電（CC-CV） 、階梯降電流充電（MSCC） 、脈沖充電（PC） 、斜坡式充電等幾種類型的充電方式，國內電動汽車所用的快充策略多為階梯式，國外車型的快充策略以斜坡式充電為主，尤以特斯拉為主要代表。在充電策略預測優化方面，目前常用方法包括：遺傳算法、人工神經網絡法ANN（Artificial Neural Network） 、隨機森林法RF（Random Forest） 以及眾多的組合算法。隨機森林算法因其良好的泛化能力和快速的計算速度而應用于電動汽車充電溫升預測，但是單一的預測模型對于具有復雜變化及隨機特性的溫度序列，預測難以獲得理想的精度[12]，因此考慮參數敏感值，利用SA進行權值優化。

1 研究方法

粒子群優化（PSO）是Eberhart 和Kennedy 于1995 年提出的一種啟發式優化算法，其靈感來源于鳥類遷徙覓食行為，核心是將問題轉化為一個群體中個體的協作和競爭的過程，從而搜索問題的最優解。每個“粒子”代表一個可能的解決方案，并根據自身和群體的經驗不斷調整位置。粒子通過迭代更新位置和速度，以逐步逼近問題的最優解。粒子群優化算法具有較好的全局搜索能力和收斂性，適用于連續優化問題和離散優化問題。它在許多領域中得到了廣泛應用，如函數優化、深度學習、神經網絡訓練等[13]。

長短期記憶網絡（LSTM）是 Hochreiter 和 Schmid?huber 在1997年將RNN架構改進后的一種高效網絡，能夠解決標準 RNN在處理長期依賴性時問題時出現的梯度消失以及梯度爆炸問題[14]。

卡爾曼濾波（Kalman）算法最初由數學家Kalman 于20世紀后半葉提出，該算法的原理是通過某一可觀測量的估計誤差來減小另一不可觀測量的狀態誤差，以達到減小數據噪聲干擾、提升系統狀態估計精度的目的[15]。

電動汽車充電涉及的因素相當復雜，動力鋰電池作為具有強非線性和時變特性的復雜多元系統，對其進行準確的SOC估計具有一定的難度，并且充電行為又具有時間和空間上的隨機性，不同的考慮將形成不同的充電負荷預測模型和預測結果。因此，本文利用電動汽車充電設備遠程監控平臺，通過充電樁讀取電動汽車BMS系統的傳輸數據并進行解密后，按照電動汽車非車載傳導式充電機與電池管理系統之間的通信協議（GB/T 27930-2015） ，提取充電信息的數據；然后，使用 MATLAB 對上述數據集進行預處理。

充電時長是鋰電池荷電狀態的重要參數，準確預測充電時長對于預防電池過充和保障安全至關重要。本文提出一種基于 PSO-Kalman-LSTM 融合算法的充電時長預測方法。該方法首先利用改進的密度峰值聚類算法對充電模式進行分類識別[16]；然后，使用LSTM 網絡對充電時長進行時間序列建模，并采用PSO 算法優化 LSTM 模型參數，同時引入 Kalman 濾波對輸入數據進行動態調整，以提高預測精度和收斂速度[17-20]；最后，根據不同的充電模式，建立智能充電策略，利用充電安全評估方法，監測并預測充電風險值，并實時調整充電功率，以防止因充電溫度過高而引發安全隱患。具體步驟如下：

1）電動汽車充電時長預測模型： 收集歷史充電時長數據，采用 PSO-LSTM 融合算法預測電動汽車的充電時長。

本文采用的訓練數據來自電動汽車在充電站真實充電數據，字段包括充電電流、充電電壓、SOC、充電耗時。由于真實充電車輛充電過程中，SOC為0% 或者100% 出現概率很低，因此本文對數據進行處理，獲取車輛開始充電到SOC 為95% 的數據作為模型訓練數據集。為了提高網絡的訓練效率和魯棒性需要對采集的數據，通過最小-最大歸一化方法進行規范化，用均方根誤差（RMSE） 和最大誤差（MAXE） 來評估該方法的充電時長估計性能。

分析影響電動汽車充電時長預測的因素，研究相應動態影響的人工智能機理分析建模方法，解決多影響因素間耦合性的智能分析問題，建立電動汽車充電時長演變的深度時間序列機理模型，收集歷史充電時長數據，采用PSO-LSTM融合算法預測電動汽車的充電時長，解決充電時長序列復雜特征問題，得到更精確的預測數據，如圖1所示。

2）基于 PSO-LSTM 和自適應濾波融合的充電時長預測方法： 采用改進的密度峰值聚類算法對充電模式進行分類識別，例如 CC-CV 模式、階梯式、斜坡式等。利用 PSO 算法優化 LSTM 模型參數，并將 Kal?man 濾波引入 PSO 算法中，以提高參數尋優速度和預測精度。

針對LSTM需要人為設定參數問題，采用PSO算法自適應更新參數，利用PSO對LSTM的參數進行優化，將 LSTM 需要優化的參數作為粒子輸入 PSO 算法進行優化，將得到的最優粒子作為參數輸入 LSTM 中，以此來提高預測精度，去除人為調參因素。

根據PSO 算法在進化過程中的運行效果，利用Kalman濾波器對PSO算法參數值進行動態調整，并引入自適應收縮因子，建立Kalman模型估計因子，用來改進PSO的更新速度。

3）電動汽車動力電池智能充電模型： 綜合考慮充電時長、電壓、電流、溫度、功率等因素，建立電動汽車動力電池智能充電模型，并制定智能充電策略。

對于電動汽車常用的CC-CV、階梯式、斜坡式等多種充電模式，不同充電模式對電動汽車的電池溫度、充電時長、電池壽命等因素有不同影響。本文分析溫度對電動汽車的影響，對電動汽車充電溫度進行預測和監測，綜合考慮充電時長、電壓、電流、t時刻溫度、功率等因素，建立電動汽車動力電池智能充電模型，制定智能充電策略，使電動汽車充電溫度保持在一個安全的范圍內，如圖2所示。

4）基于 SA-隨機森林的電動汽車動力電池智能充電研究： 建立基于 SA-隨機森林的預測方法，預測 t+1 時刻的電池溫度，并根據預測結果和充電安全評估方法，實時調整充電功率，以保障充電安全。

建立改進的SA-隨機森林預測方法，輸入充電時長、電壓、電流、t時刻溫度、功率等因子，預測出t+1時刻的溫度，輸出充電功率。

根據不同的充電模式，建立智能充電策略，利用充電安全評估方法，通過上述因子監測并預測出t+1 時刻充電風險值是否大于安全值，如果風險值大于安全值，則實時降低功率，并重新進行預測和調整，從而防止電動汽車因充電溫度過高而產生電池安全隱患。

2 結束語

本文針對電動汽車充電安全問題，提出了一種基于 PSO-Kalman-LSTM 融合算法的充電時長預測方法。該方法結合了 LSTM 網絡的時間序列建模能力、PSO 算法的全局搜索能力以及 Kalman 濾波的數據動態調整能力，有效提高了充電時長預測的精度。此外，本文還建立了智能充電策略，通過實時監測和預測電池溫度，動態調整充電功率，保障充電安全。實驗結果表明，本文提出的方法能夠有效預測電動汽車充電時長，為智能充電系統的開發和應用提供技術支持。未來研究將進一步探索深度學習算法在電動汽車充電安全防護中的應用，并考慮更多影響因素，例如環境溫度、電池老化程度等，以構建更精準、更全面的充電安全管理系統。