《Journal of Energy Storage》：Intelligent hybrid electric vehicle management with convolutional neural network. - Long short-term memory. -Based maximum power point tracking and deep learning fault detection for vehicle to grid integration
编辑推荐：
电动汽车V2G系统管理中提出CNN-LSTM混合MPPT算法与QKNN-IGWO故障检测模型，通过大规模数据集验证其在动态环境下的准确性和可靠性，显著提升电池SOC预测精度与系统稳定性。
Rajasekhar Gorthi|B. Jyothi
印度安得拉邦Vaddeswaram，Koneru Lakshmaiah教育基金会电子工程与电气工程系。
摘要
随着电动汽车（EV）的日益普及，需要有效的管理技术，特别是在车对网（V2G）集成方面，以最大化能源消耗和系统可靠性。目前用于混合动力EV系统的最大功率点跟踪（MPPT）和故障检测技术主要基于传统算法，这些算法难以处理动态环境变化和复杂的故障模式，导致性能不佳。为了解决这些问题，本研究提出了一种创新方法，结合卷积神经网络（CNN）和长短期记忆网络（LSTM）进行MPPT控制，并采用QKNN-IGWO混合机器学习算法进行故障检测。该模型使用专为V2G系统设计的广泛EV管理数据集进行训练和测试。通过准确性、损失、精确度、召回率、F1分数和分类等性能指标来评估该方法的效果。实验结果表明，故障检测精度和电池荷电状态（SOC）预测能力有了显著提升，体现了该模型在实时应用中的强大性能。这项研究不仅提高了混合动力EV的控制效率，还将先进的深度学习方法应用于能源管理和故障诊断，为智能交通系统领域做出了贡献。研究结果为未来V2G系统的发展指明了方向，有助于构建更加稳健和适应性强的电动汽车基础设施。
引言
随着电动汽车（EV）技术的快速发展，以及对可再生能源和智能电网的关注增加，全球交通和能源行业发生了变革[1]。随着世界向可再生能源转型，电动汽车已成为现代电网中关键的移动能源存储单元[2]。虽然电动汽车在减少温室气体排放方面发挥着重要作用[3]，同时在车对网（V2G）技术中也占据重要地位[4]，但现有的管理系统未能充分发挥其双向能量流动能力。V2G技术允许电动汽车与电网之间实现双向能量交换，使电动汽车能够作为移动能源存储单元，支持电网稳定性、需求响应和峰值负荷管理[5]。然而，现有方法难以应对V2G交互的动态特性，导致功率跟踪效果不佳和故障检测不可靠，限制了电网的整合潜力。随着电动汽车的普及，高效智能的管理变得至关重要，以确保最佳性能、安全性和使用寿命。电动汽车管理的关键组成部分是有效的充放电控制策略，如最大功率点跟踪（MPPT），该技术可提高太阳能等可再生能源的能源利用效率[6, 7]。同时，准确的故障检测机制和电池荷电状态（SOC）预测对于保持系统一致性、防止故障和延长电池寿命至关重要[8, 9]。借助大数据和先进计算能力的进步[10]，将深度学习（DL）和混合智能算法应用于电动汽车管理系统显示出巨大的潜力[11]。传统的电动汽车管理和故障检测系统主要依赖于经典控制算法、统计模型和简单的机器学习（ML）技术[12]。例如，P&O（扰动观察）、IncCond（增量电导）和分数开路电压等方法常用于优化太阳能充电系统中的功率提取[13]。尽管这些方法在稳定环境下有效，但在动态环境中收敛速度慢、在最大功率点附近容易振荡，且适应能力有限。此外，电动汽车的故障检测和电池SOC估计通常依赖于基于阈值的传感器、基于规则的专家系统或浅层ML模型（如SVM和支持向量机KNN）[14]。虽然这些方法能检测已知故障模式并生成合理的SOC预测，但在面对复杂非线性数据和噪声时性能会下降。许多传统方法无法在同一框架内同时处理故障诊断和SOC估计[15]，限制了其在实际应用中的效率。随着V2G应用的发展，实时通信和电动汽车与电网的互动变得至关重要，因此需要能够处理大规模数据、捕捉时间依赖关系并生成准确预测结果的智能系统。结合先进的DL模型和混合算法成为解决这些问题的有效途径，提升电动汽车管理的稳健性和精度。
为了解决这些问题，本文提出了一种利用DL架构和先进ML算法的智能混合电动汽车管理系统，旨在提高MPPT控制和故障检测能力，并实现V2G集成。主要创新点在于采用基于CNN-LSTM的MPPT算法和QKNN-IGWO混合ML模型进行故障检测和电池SOC预测。该模型能够有效捕捉电动汽车和V2G数据集中的空间和时间特征，即使在环境变化的情况下也能准确跟踪最大功率点。CNN从输入信号中提取相关信息，而LSTM层则捕捉电动汽车运行和充电模式中的时间依赖性，从而提升收敛速度和跟踪精度。
在故障检测和SOC预测方面，该模型采用了改进的QKNN（量子k-最近邻）算法，并结合IGWO（改进的灰狼优化器）。QKNN通过量子启发机制扩展了分类能力，IGWO优化超参数以防止过拟合并提高模型泛化能力，实现了车辆系统的实时故障诊断和精确的SOC预测，确保了电动汽车管理系统的稳定性和有效性。
研究目标
- •
提出一种基于CNN-LSTM的最大功率点跟踪（MPPT）算法，以实现电动汽车中的高效能量收集，优化V2G系统中的可再生能源利用。
- •
结合QKNN（量子k-最近邻）和IGWO（改进的灰狼优化器）算法，实现可靠的实时故障检测和电池SOC预测，确保电动汽车和车辆系统的可靠诊断。
- •
使用电动汽车和V2G数据集评估所提出的CNN-LSTM MPPT及QKNN-IGWO故障检测模型的整体性能和稳健性，确保在不同运行条件下的高预测准确性和系统可靠性。
文献综述
本节回顾了关于V2G基础电动汽车系统中MPPT、深度学习以及混合算法在故障检测任务方面的现有研究文献。
研究方法
本研究方法阐述了用于研究QKNN-IGWO算法的系统方法和技术，重点介绍了K-最近邻与灰狼优化结合的预测建模机制。
图1展示了智能混合电动汽车管理的整体工作流程，包括从数据采集到性能评估的多个步骤。
结果与讨论
实验结果表明，CNN-LSTM模型在准确性和可靠性方面优于传统MPPT技术。QKNN-IGWO混合算法在故障检测和SOC分类方面表现更佳，提升了V2G应用的系统可靠性。
结论与未来工作
本文提出了一种先进的混合电动汽车管理系统，该系统结合了卷积神经网络-长短期记忆（CNN-LSTM）驱动的最大功率点跟踪（MPPT）算法和QKNN-改进的灰狼优化器（IGWO）混合机器学习模型，用于故障诊断和电池荷电状态（SOC）估计。该模型使用专为V2G系统设计的大型EV管理数据集，通过电压和电流信号进行运行。
作者贡献声明
Rajasekhar Gorthi：方法论设计、数据整理、概念构建。B. Jyothi：方法论设计、数据整理、概念构建。
利益冲突声明
作者声明不存在可能影响本文研究的已知财务利益或个人关系。
