精确猜测电池温度关于确保电动汽车（EV）安全至关重要，而电动汽车是完结清洁交通和削减碳排放的要害。当时关于电池温度猜测的研讨首要依靠于试验室或车载电池办理体系（BMS）数据。然而，这些数据源在反映实在充电场景杂乱性方面存在限制性。此外，充电桩数据中车辆辨认信息的缺失对温度猜测精确性提出了应战。为处理这一问题，本文提出一种结合车辆辨认分组与长短期回忆（LSTM）神经网络的新办法，使用实在充电桩数据猜测电池温度。研讨首要提出根据多参数差异的车辆辨认分组（MPDVIG）战略，经过车辆标识对充电数据进行分组。随后，选用LSTM模型别离根据全体数据和分组数据进行温度猜测。经过两种办法的比照试验发现，选用先辨认后猜测的办法精度更高。例如，最高温度猜测的均匀相对误差从1.45%降至1.06%。这是首次将LSTM模型使用于实在充电桩数据驱动的电池温度猜测，为后续安全预警供给了参考依据。

导言

在全球气候改变与动力结构转型的双重压力下，展开电动汽车已成为缓解环境污染、构建低碳交通体系的中心战略（Rouhana et al., 2024; Wang et al., 2023a; Cheng et al., 2025; Li et al., 2024）。跟着电动汽车市场的继续升温，其安全性问题逐步成为约束该工业高质量展开的要害因素（Li et al., 2025; Zhou et al., 2025）。据统计，超越60%的电动汽车安全事端源于动力电池热失控，而充电进程中大电流输入导致的温升反常则是事端高发诱因（Zhang等，2022）。因而，动力电池温度的长期猜测对保证车辆安全至关重要（Senol等，2023）。当时关于动力电池温度猜测的研讨首要依靠试验室模仿环境或车载电池办理体系（BMS）数据（Kim等，2025；Yu等，2023）。虽然这些办法可以在特定工况下完结精确监测，但在实践充电场景中，它们难以应对动态Load、环境扰动与电池老化等多维变量的耦合效应（Kim等人，2025）。值得注意的是，充电桩作为充电进程的首要交互界面，其记载的电压、电流等时刻序列数据本质上封装了电池热力学响应的丰富信息（Zhang等人，2024）。因而，从充电桩的视角出发，使用充电进程中的实时数据进行动力电池温度猜测，不仅能补偿现有研讨的不足，还能赋予充电设备更强壮的智能才能。这种研讨视角的转变填补了车桩协同安全监测的技能空白，为充电设备的智能化升级与电动汽车工业的可继续展开供给了新的技能视角。
近年来，电池安全研讨取得了明显进展，研讨方向包含热失控机制、功能衰减规则及电池状况猜测等多个方面（Zhou等，2023）。Song等（2022）对电动汽车锂离子电池热失控机制进行了体系剖析，并总结了热失控行为与触发机制。他们还提出经过监测电池电压、内部温度及排放气体完结热失控早期预警的办法，为提高锂离子电池安全性供给了理论根底与实践指导。Fanoro等（2022）总述了电池衰减对电动汽车能量办理体系（EMS）的影响，详细剖析了电池衰减机理与建模办法，并比照了不同电池衰减模型的优劣。Manoharan等（2022年）体系总述了人工神经网络（ANN）、梯度提高与支持向量机（SVM）在状况猜测中的使用。该研讨重点剖析了这些办法在电池荷电状况（SOC）与健康状况（SOH）预算中的优势与限制，比照了不同办法在猜测精度与核算杂乱度方面的差异，并深入探讨了输入特征挑选与模型优化等要害问题。此外，研讨还提出了根据注意力机制与迁移学习的改进办法，以提高电池状况估量的精度与实时性。这些工作为电池安全办理供给了坚实的理论根底与技能支撑。
温度办理始终是电池安全研讨的中心议题之一（Hwang等，2024）。电池温度的反常波动不仅直接影响电池功能与使用寿命，更是热失控等安全事端的重要诱因（Kong等，2023）。因而，动力电池温度的精准猜测成为提高电池安全性、延伸电池寿命的要害环节（Al Miaari与Ali，2023）。近年来，温度猜测研讨取得了明显进展，研讨办法正逐步从传统的物理建模转向数据驱动的智能办法。早期研讨首要依靠物理建模，经过构建电化学-热耦合模型来猜测温度改变（Li等，2022）。例如，Wang等（2021）提出了一种根据电化学-热耦合战略的建模办法，用于描述大容量商用锂离子电池的电-热动态特性。 （注：根据用户供给的术语对照表，原文中未出现需求替换的特定术语，故严格遵循学术翻译标准完结内容转化，确保专业术语如"electrochemical-thermal coupling models"译为"电化学-热耦合模型"、机构名称"Li et al."保存引文格局译为"Li等"）该办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办理供给了处理方案。虽然此类办法具有明确的物理含义，但需求以精确的电池内部参数作为输入，且在实践使用中面临参数获取杂乱、核算杂乱度高的应战（Chen et al., 2022）。跟着机器学习技能的展开，数据驱动办法逐步成为研讨热点。这些办法能更好地习惯杂乱工况下的非线性关系，使用电池运转数据构建温度猜测模型（Zhao等，2023）。例如，Tran等（2022）根据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），用于猜测25Ah方形锂离子电池在不同环境温度下的电压与温度行为。成果表明决策树模型体现最佳，能有效捕捉电池的电-热动态特性。Cho等（2022a）开发了根据物理信息的机器学习办法来猜测锂离子电池温度，该模型在练习数据匮乏的情况下仍能以0.05°C的均方猜测误差完结精确猜测。
在数据驱动的温度猜测办法中，神经网络模型凭仗其强壮的非线性映射才能与自习惯学习才能，已逐步成为干流研讨方向(Olabi et al., 2024)。此类模型可经过很多历史数据学习电池温度改变的内部规则，在杂乱工况下完结较为精准的猜测。Yi等(2023)提出了一种根据数字孪生(DT)技能和长短期回忆(LSTM)神经网络的实时电池温度猜测与退化形式剖析办法。经过树立根据等效电路的DT模型并结合LSTM神经网络，完结了电池温度的实时猜测与退化形式剖析。Wang等(2023b)选用人工神经网络(ANN)模型研讨了金属泡沫热办理体系中锂离子电池的温度猜测问题。本研讨选用反向传达神经网络(BP-NN)、径向基函数神经网络(RBF-NN)和Elman神经网络(Elman-NN)树立温度猜测模型，比照剖析了不同神经网络建模技能的猜测功能。Wang等(2023c)提出了一种根据改进物理信息神经网络的电池温度猜测办法，该办法将电池物理模型与LSTM网络相结合。该办法引进多头注意力机制以捕捉长期序列信息，可精确猜测电池全生命周期温度。此外，部分研讨测验结合多种神经网络模型以提高猜测精度，如Zhao等(2024)提出了一种根据混合神经网络与毛病阈值优化的电池表面温度在线猜测与反常诊断办法。该办法经过结合卷积神经网络(CNN)和LSTM网络从电池运转数据中提取时空特征，完结电池温度猜测。Cho等(2022b)提出了一种根据LSTM与物理信息神经网络(PINN)的混合办法用于预算电池组温度。该办法经过交融物理模型与数据驱动模型，克服了传统物理模型参数依靠性过强以及数据驱动模型泛化才能不足的问题。此外，Transformer及其变体近年来在各类时刻序列猜测任务中取得了明显进展，这得益于其强壮的全局依靠建模才能和并行核算优势。与此同时，图神经网络被引进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猜测的交融供给了新范式（Olabi等，2024）。这些前沿架构在提高猜测精确性、可解释性或核算效率方面展现出潜力。
虽然现有温度猜测研讨在理论和试验层面已取得必定成果，但仍存在许多限制性。首要，现有研讨首要依靠试验室环境或车载BMS供给的数据，这些数据在规模和精度上存在限制，无法充分反映实在场景的杂乱性和动态特性。尤其在充电进程中，现有研讨难以精确猜测反常温升现象。其次，现有研讨通常集中于单一车辆的试验与建模，缺少针对多车辆多场景下电池温度改变规则的研讨。这一限制使得现有模型在面临不同车辆和充电环境时难以保持稳定的猜测精度。更重要的是，多数现有研讨聚集于放电进程的温度猜测，对充电进程中的温度改变缺少专门研讨。在快充进程中，电池温度改变剧烈，热失控危险明显升高。然而，当时多数温度猜测模型未能充分考虑充电进程的动态特性，诸如充电参数改变和不同充电阶段产热规则等要害因素。更重要的是，受充电协议和国家标准约束，充电桩可收集的数据项仅限制于少数根底参数，导致可展开的研讨工作存在较大限制性。
针对上述问题，本文提出一种根据充电桩实时数据收集、选用LSTM神经网络猜测动力电池温度的立异办法。该研讨办法具有多性向优势：直接选用充电桩数据可突破试验室数据限制，更实在反映实践充电场景；挖矿多车型充电数据有望处理现有研讨中单一车型的问题。此外，聚集充电进程中动力电池温度猜测，能更有效防备充电进程热失控危险。本研讨将为充电安全监控供给新技能路径，推进充电根底设备的智能化升级。
现有电池温度猜测研讨首要依靠试验室数据或车载BMS数据，无法捕捉实在充电场景的杂乱性。本研讨提出一种根据充电桩实践运转数据的立异猜测办法，充分使用充电桩杂乱数据完结电池温度的精准猜测，有效补偿了现有研讨在使用实在充电场景数据方面的不足。因而，本文旨在经过以下要害奉献推进现有研讨进展：

• 1)
  充电桩数据的立异性运用：本研讨开创性地使用充电桩数据进行电池温度猜测。经过整合充电桩实时数据，该研讨提出了一种提高电动汽车充电安全性的立异处理方案。此办法降低了对车辆辨认码（VIN）等难以获取数据的依靠，为实践充电场景中的温度猜测供给了更具实用性和可扩展性的技能路径。
• 2)
  针对充电桩数据中车辆类型多样化的应战，本研讨提出MPDVIG战略。该战略根据充电数据相似性对车辆进行有效聚类，为处理数据异质性供给了新办法。该战略不仅提高了后续温度猜测的精确性，还深化了对不同车辆充电形式的理解，为更个性化的电池办理战略铺平道路。 Facing the challenge of diverse vehicle types in charging pile data, this research proposes the MPDVIG strategy. It effectively clusters vehicles based on similarities in charging data, offering a new way to handle data heterogeneity. This strategy enhances the accuracy of subsequent temperature predictions and provides a deeper understanding of different vehicle charging patterns, paving the way for more personalized battery management strategies.
• 3)
  多性向前向温度猜测：该研讨成功使用LSTM神经网络猜测电动汽车电池的多个温度参数，包含最高温度、最低温度、温差、电池包温度及温升速率。经过全体猜测与分组猜测的综合试验比照，本研讨证明了LSTM在处理时序电池数据方面的有效性，以及结合车辆分组战略对提高猜测精度的优越性。
• 4)
  猜测成果的优化回合战略：本研讨立异性地提出对猜测成果选用四舍五入的后处理技能。这一简单而有效的办法以极低核算成本削减了猜测波动，明显提高了猜测精度。