基于混合粒子鲸鱼优化的双输出电动汽车快速充电参数估计

《World Electric Vehicle Journal》：Hybrid Particle Whale Optimization for Dual-Output EV Fast-Charging Parameter Estimation

　　

高压电动汽车（EV）快速充电需要在电压和电流协商期间，在车载充电机与电池管理系统之间进行精确的协调。本研究评估了一种混合粒子群优化-鲸鱼优化算法（HPWOA）计划，用于训练双输出前馈神经网络，该网络直接估计充电功率和充电电流。研究人员使用了十个协议状态和电池条件变量作为输入。158维的神经权重向量通过75次粒子群优化（PSO）迭代和随后的75次鲸鱼优化算法（WOA）迭代进行优化。使用提供的500条记录数据集，研究人员在3775次适应度函数评估预算下，对PSO、WOA、SFSA和HPWOA进行了可复现的30种种子的样本级评估。由于随机分形搜索算法（SFSA）对每个个体评估五个扩散候选，因此使用了30次迭代。报告的HPWOA平均值±标准差（SD）显示，功率的均方根误差（RMSE）为4.658 ± 0.986 kW，R²为0.843 ± 0.071；电流的RMSE为12.686 ± 2.687 A，R²为0.858 ± 0.059。HPWOA的表现优于WOA和SFSA，但不如独立的PSO。传统的基于小批量Adam训练的双输出神经网络产生的RMSE分别为1.704 ± 0.121 kW和4.946 ± 0.273 A，R²分别为0.980 ± 0.003和0.979 ± 0.002。按充电机分组的五折交叉验证显示，HPWOA的R²为0.857 ± 0.045（功率）和0.873 ± 0.048（电流）。解析式的P = V × I重构在构建上符合物理一致性，并且与直接的HPWOA输出在功率RMSE上没有表现出统计学上的显著差异。因此，研究结果将该两阶段计划定位为可复现的比较基准，而不是基于梯度的训练或物理约束重构的已证实的替代方案。

研究背景与引言
随着纯电动汽车（BEV）的快速增长，对快速、可靠且电池安全的充电技术的需求日益增加。现代直流快充通常在150至350 kW范围内运行，并依赖车载电池管理系统（BMS）在充电协商期间进行结构化通信。在CHAdeMO、组合充电系统（CCS）或基于GB/T的快充系统中，充电机与BMS协商确定电压和电流设定点。然而，由于电池内阻、转换器限制、温度降额、通信延迟或充电机与BMS兼容性效应，实际需求值与交付值可能存在差异。因此，实际充电参数的预测估计对于智能电动汽车快充操作至关重要，它可支持模型预测热管理，以防止电池温度过度升高，并避免加速老化。同时，实际电流的准确预测对于锂离子嵌入速率、焦耳热和电流渐变行为同样重要。尽管机器学习已越来越多地应用于电动汽车充电预测，但许多现有研究集中于充电需求预测或站点负荷预测，较少研究在同一协议状态下同时预测交付的充电功率和充电电流。独立处理这些输出可能忽略其物理耦合，因为充电功率取决于电池组电压和实际电流。为填补这一方法论空白，研究人员在《World Electric Vehicle Journal》上发表了相关研究，评估了一种用于双输出前馈神经网络（DO-FNN）的混合粒子群优化-鲸鱼优化算法（HPWOA）计划，以从协议状态和电池条件变量同时直接估计充电功率和充电电流。

关键技术方法
研究人员使用了公开的EV Battery Charging & Thermal Runaway Dataset数据集，包含500条一分钟直流快充记录、10个充电机标识和50个电池芯标识。数据按80/20比例划分为400条训练记录和100条测试记录，并进行了基于充电机分组的五折交叉验证。采用包含10个输入神经元、12个ReLU隐藏神经元和2个sigmoid输出神经元的紧凑型DO-FNN，优化158维神经权重向量。对比方法包括独立的PSO、WOA、随机分形搜索算法（SFSA）以及基于梯度的mini-batch Adam训练的DO-FNN，所有元启发式算法共享3775次适应度函数评估（FFE）预算。

研究结果
收敛性分析：通过30种种子的重复评估发现，独立PSO的最终训练均方误差（MSE）最低，HPWOA优于WOA和SFSA，但未超过PSO。Adam基准表现最佳。
充电功率估计性能：在样本级测试中，Adam DO-FNN误差最低，PSO次之，HPWOA优于WOA和SFSA，但未优于PSO。
充电电流估计性能：与功率估计类似，Adam DO-FNN误差最低，PSO次之，HPWOA优于WOA和SFSA。
残差分析：描述了所选代表性运行中带符号误差的尺度与分布，揭示了预测误差的分布特征。
综合指标比较：Adam在两项输出上均表现最佳；在元启发式算法中，PSO优于HPWOA，而HPWOA优于WOA和SFSA。
有序测试样本比较：展示了所显示记录间的局部一致性，但未证明存在时间预测或序列依赖性。
分阶段误差分析：研究发现不存在普遍的最易或最难协议阶段。对于两项输出，握手阶段平均绝对误差（MAE）最高；再充电阶段功率MAE最低，参数配置阶段电流MAE最低。
特征重要性分析：需求电流是权重幅度最大的输入，但这仅为模型内部描述性统计，不代表因果重要性。
模型行为与实际意义讨论：HPWOA被定位为比较的两阶段基准，而非优于Adam的通用优化器。
物理一致性与解析基准比较：通过P = V × I解析重构与直接HPWOA输出对比，发现两者功率RMSE差异在统计学上不显著。解析方法在物理上一致，直接模型不能替代物理重构。
重复种子与基于梯度的基准设计：采用固定划分和独立种子，确保了结果的复现性，Adam作为梯度基准表现优于所有元启发式算法。
充电机分组验证：在五折验证中，HPWOA的R²在功率上为0.857，电流上为0.873，而Adam分别为0.983和0.984，测试了对未见充电机的泛化能力。
结果局限性：数据集规模受限，未识别充电会话边界，未建立跨数据集或部署级性能。

总结与讨论
研究人员得出结论，在可复现的FFE匹配样本级研究中，HPWOA优于WOA和SFSA，但未优于独立PSO。基于梯度的Adam DO-FNN产生了最低的测试误差，因此研究不声称HPWOA具有超越基于梯度训练的普遍优势。修订后的阶段分析显示没有普遍排名，握手阶段两项输出的MAE均最高。当前导出的P = V × I重构在功率RMSE上略低于直接HPWOA输出，但差异不显著。直接双输出配置应被视为比较性的软测量和诊断模型，而非物理重构的替代方案。未来的工作应结合更大的独立收集的充电会话数据集，进行充电机、电池芯和会话不相交的验证，采用强制执行P = V × I的约束多输出模型，并进行广泛的架构和超参数搜索以及时间有序的控制导向测试。