基于PSO-Kalman-LSTM融合算法的电动汽车充电时长预测研究

摘要：针对电动汽车充电安全问题，文章提出一种基于 PSO-Kalman-LSTM 融合算法的充电时长预测方法。该方法利用 LSTM 网络对充电时长进行时间序列建模，并结合 PSO 算法优化 LSTM 模型参数，同时引入 Kalman 滤波对输入数据进行动态调整，以提高预测精度。实验结果表明，该方法能够有效预测电动汽车充电时长，为智能充电策略的制定和充电安全防护提供技术支持，助力实现“双碳”目标。

关键词：电动汽车；充电时长预测；深度学习；粒子群优化；卡尔曼滤波

中图分类号：TP3 文献标识码：A

文章编号：1009-3044（2025）09-0042-03 开放科学（资源服务） 标识码（OSID） ：

0 引言

电动汽车以其高能效、低污染等优势，已成为国家“十四五”战略规划的重要组成部分，并在各大城市得到推广应用。然而，充电过程中的安全事故，如热失控导致的自燃和爆炸，严重威胁着人身安全，制约着电动汽车产业的可持续发展[1]。电池过充是引发热失控的主要原因之一[2]。因此，对充电时长进行准确预测，对于保障充电安全至关重要。目前，国内外学者已开展了相关研究，例如基于支持向量回归（SVR） [3]、经验模型[4]、扩展卡尔曼滤波-高斯过程回归（EKFGPR）[5]、信息粒化（IG）结合SVR[6]以及自回归集成滑动平均模型（ARIMA）结合粒子滤波（PF）[7]等方法。然而，这些方法存在预测精度低、泛化能力差等问题。深度学习，特别是长短期记忆网络（LSTM），在时间序列预测方面展现出优势[8-9]。LSTM的模型参数难以确定、随机性大，所以通常采用PSO-LSTM解决LSTM参数随机的问题，但是PSO容易陷入局部最优[10]。因此，本文提出一种基于 PSO-Kalman-LSTM 融合算法的充电时长预测方法。该方法利用 PSO 算法优化 LSTM 模型参数，并引入 Kalman 滤波对输入数据进行动态调整，以提高预测精度和收敛速度[11]，为电动汽车充电安全防护提供技术支持。

同时，目前电动汽车动力电池大致有恒流恒压充电（CC-CV） 、阶梯降电流充电（MSCC） 、脉冲充电（PC） 、斜坡式充电等几种类型的充电方式，国内电动汽车所用的快充策略多为阶梯式，国外车型的快充策略以斜坡式充电为主，尤以特斯拉为主要代表。在充电策略预测优化方面，目前常用方法包括：遗传算法、人工神经网络法ANN（Artificial Neural Network） 、随机森林法RF（Random Forest） 以及众多的组合算法。随机森林算法因其良好的泛化能力和快速的计算速度而应用于电动汽车充电温升预测，但是单一的预测模型对于具有复杂变化及随机特性的温度序列，预测难以获得理想的精度[12]，因此考虑参数敏感值，利用SA进行权值优化。

1 研究方法

粒子群优化（PSO）是Eberhart 和Kennedy 于1995 年提出的一种启发式优化算法，其灵感来源于鸟类迁徙觅食行为，核心是将问题转化为一个群体中个体的协作和竞争的过程，从而搜索问题的最优解。每个“粒子”代表一个可能的解决方案，并根据自身和群体的经验不断调整位置。粒子通过迭代更新位置和速度，以逐步逼近问题的最优解。粒子群优化算法具有较好的全局搜索能力和收敛性，适用于连续优化问题和离散优化问题。它在许多领域中得到了广泛应用，如函数优化、深度学习、神经网络训练等[13]。

长短期记忆网络（LSTM）是 Hochreiter 和 Schmid⁃huber 在1997年将RNN架构改进后的一种高效网络，能够解决标准 RNN在处理长期依赖性时问题时出现的梯度消失以及梯度爆炸问题[14]。

卡尔曼滤波（Kalman）算法最初由数学家Kalman 于20世纪后半叶提出，该算法的原理是通过某一可观测量的估计误差来减小另一不可观测量的状态误差，以达到减小数据噪声干扰、提升系统状态估计精度的目的[15]。

电动汽车充电涉及的因素相当复杂，动力锂电池作为具有强非线性和时变特性的复杂多元系统，对其进行准确的SOC估计具有一定的难度，并且充电行为又具有时间和空间上的随机性，不同的考虑将形成不同的充电负荷预测模型和预测结果。因此，本文利用电动汽车充电设备远程监控平台，通过充电桩读取电动汽车BMS系统的传输数据并进行解密后，按照电动汽车非车载传导式充电机与电池管理系统之间的通信协议（GB/T 27930-2015） ，提取充电信息的数据；然后，使用 MATLAB 对上述数据集进行预处理。

充电时长是锂电池荷电状态的重要参数，准确预测充电时长对于预防电池过充和保障安全至关重要。本文提出一种基于 PSO-Kalman-LSTM 融合算法的充电时长预测方法。该方法首先利用改进的密度峰值聚类算法对充电模式进行分类识别[16]；然后，使用LSTM 网络对充电时长进行时间序列建模，并采用PSO 算法优化 LSTM 模型参数，同时引入 Kalman 滤波对输入数据进行动态调整，以提高预测精度和收敛速度[17-20]；最后，根据不同的充电模式，建立智能充电策略，利用充电安全评估方法，监测并预测充电风险值，并实时调整充电功率，以防止因充电温度过高而引发安全隐患。具体步骤如下：

1）电动汽车充电时长预测模型： 收集历史充电时长数据，采用 PSO-LSTM 融合算法预测电动汽车的充电时长。

本文采用的训练数据来自电动汽车在充电站真实充电数据，字段包括充电电流、充电电压、SOC、充电耗时。由于真实充电车辆充电过程中，SOC为0% 或者100% 出现概率很低，因此本文对数据进行处理，获取车辆开始充电到SOC 为95% 的数据作为模型训练数据集。为了提高网络的训练效率和鲁棒性需要对采集的数据，通过最小-最大归一化方法进行规范化，用均方根误差（RMSE） 和最大误差（MAXE） 来评估该方法的充电时长估计性能。

分析影响电动汽车充电时长预测的因素，研究相应动态影响的人工智能机理分析建模方法，解决多影响因素间耦合性的智能分析问题，建立电动汽车充电时长演变的深度时间序列机理模型，收集历史充电时长数据，采用PSO-LSTM融合算法预测电动汽车的充电时长，解决充电时长序列复杂特征问题，得到更精确的预测数据，如图1所示。

2）基于 PSO-LSTM 和自适应滤波融合的充电时长预测方法： 采用改进的密度峰值聚类算法对充电模式进行分类识别，例如 CC-CV 模式、阶梯式、斜坡式等。利用 PSO 算法优化 LSTM 模型参数，并将 Kal⁃man 滤波引入 PSO 算法中，以提高参数寻优速度和预测精度。

针对LSTM需要人为设定参数问题，采用PSO算法自适应更新参数，利用PSO对LSTM的参数进行优化，将 LSTM 需要优化的参数作为粒子输入 PSO 算法进行优化，将得到的最优粒子作为参数输入 LSTM 中，以此来提高预测精度，去除人为调参因素。

根据PSO 算法在进化过程中的运行效果，利用Kalman滤波器对PSO算法参数值进行动态调整，并引入自适应收缩因子，建立Kalman模型估计因子，用来改进PSO的更新速度。

3）电动汽车动力电池智能充电模型： 综合考虑充电时长、电压、电流、温度、功率等因素，建立电动汽车动力电池智能充电模型，并制定智能充电策略。

对于电动汽车常用的CC-CV、阶梯式、斜坡式等多种充电模式，不同充电模式对电动汽车的电池温度、充电时长、电池寿命等因素有不同影响。本文分析温度对电动汽车的影响，对电动汽车充电温度进行预测和监测，综合考虑充电时长、电压、电流、t时刻温度、功率等因素，建立电动汽车动力电池智能充电模型，制定智能充电策略，使电动汽车充电温度保持在一个安全的范围内，如图2所示。

4）基于 SA-随机森林的电动汽车动力电池智能充电研究： 建立基于 SA-随机森林的预测方法，预测 t+1 时刻的电池温度，并根据预测结果和充电安全评估方法，实时调整充电功率，以保障充电安全。

建立改进的SA-随机森林预测方法，输入充电时长、电压、电流、t时刻温度、功率等因子，预测出t+1时刻的温度，输出充电功率。

根据不同的充电模式，建立智能充电策略，利用充电安全评估方法，通过上述因子监测并预测出t+1 时刻充电风险值是否大于安全值，如果风险值大于安全值，则实时降低功率，并重新进行预测和调整，从而防止电动汽车因充电温度过高而产生电池安全隐患。

2 结束语

本文针对电动汽车充电安全问题，提出了一种基于 PSO-Kalman-LSTM 融合算法的充电时长预测方法。该方法结合了 LSTM 网络的时间序列建模能力、PSO 算法的全局搜索能力以及 Kalman 滤波的数据动态调整能力，有效提高了充电时长预测的精度。此外，本文还建立了智能充电策略，通过实时监测和预测电池温度，动态调整充电功率，保障充电安全。实验结果表明，本文提出的方法能够有效预测电动汽车充电时长，为智能充电系统的开发和应用提供技术支持。未来研究将进一步探索深度学习算法在电动汽车充电安全防护中的应用，并考虑更多影响因素，例如环境温度、电池老化程度等，以构建更精准、更全面的充电安全管理系统。