《Sustainable Energy Technologies and Assessments》：Assessment of limited-observability state-of-charge prediction for commercial electric vehicle charging infrastructure using a hybrid LSTM-GRU framework
编辑推荐：
•一种有限的观测性框架能够根据充电桩数据预测电池管理系统（BMS）报告的电池荷电状态（SOC）。•采用群体感知的样本构建方法，将平均绝对误差（MAE）降低到0.30%，将平均相对误差（MRE）降低到0.58%。•历史SOC数据与三个充电变量共同构成一个可使用的四通道输入。•LST
- •
一种有限的观测性框架能够根据充电桩数据预测电池管理系统（BMS）报告的电池荷电状态（SOC）。
- •
采用群体感知的样本构建方法，将平均绝对误差（MAE）降低到0.30%，将平均相对误差（MRE）降低到0.58%。
- •
历史SOC数据与三个充电变量共同构成一个可使用的四通道输入。
- •
LSTM-GRU模型的性能优于LSTM、GRU、LSTM-CNN和Transformer等基线模型。
- •
季节性和噪声测试证明了该充电基础设施的稳健性。
引言
电动车的迅速发展正在重塑电力需求、运输能源使用方式以及公共充电基础设施的运营模式。充电基础设施不再只是一个被动的电力接口；它正逐渐成为一个集分布式感知和控制于一体的平台，能够支持充电调度、安全管理、用户指导以及电池生命周期管理服务。为了实现这些功能，在整个充电过程中需要可靠的电池状态信息。在各种电池状态中，SOC仍然是衡量充电进度、用户等待时间、续航里程恢复情况以及过充风险最直接的指标。
章节摘录
文献综述
大多数SOC估计算法都是从车辆电池管理系统（BMS）的角度出发开发的。传统的安时积分法、开路电压校准法、等效电路模型以及基于卡尔曼滤波器的观测器，在电流、电压、温度和模型参数测量准确的前提下，可以获得较高的预测精度[1]、[2]、[3]、[4]。 recent的数据驱动研究通过运用深度学习、扩展输入或真实车辆运行数据，进一步提高了SOC估计算的准确性
2.1 研究框架
图1展示了使用商用充电桩数据进行有限观测性SOC轨迹预测的五阶段工作流程。首先对充电记录进行分段和清洗，然后进行特征提取和输入选择。清洗后的数据按时间顺序划分，进行归一化处理，并转换为适合LSTM-GRU训练的多步预测的输入输出窗口。通过实验来评估模型的性能
数据描述
主要数据集收集于2024年1月11日至2024年2月8日期间从各类电动车充电桩获取的充电记录。大多数数据记录的采样间隔为1秒。这些记录涵盖了多种类型的车辆在常规充电过程中的数据，这增加了数据集的真实性，但也带来了电池容量、化学成分、充电策略和热行为的多样性。可获取的变量包括SOC、测量电压、测量电流、电池的最大和最小温度以及环境温度等。
超参数选择
通过网格搜索来选择超参数，以平衡预测精度、泛化能力和计算成本[33]。由于Adam优化器在深度神经网络训练中的收敛性稳定，因此被选为优化器[31]、[32]。训练窗口大小和预测窗口大小分别在{30, 60, 120, 180}范围内进行探讨。较长的训练窗口有助于模型捕捉电池SOC的缓慢变化，但可能会引入冗余信息；而较长的预测窗口则会增加预测误差
结论
本研究评估了一种在实际通信限制条件下，利用充电桩记录对商用电动车充电基础设施的电池荷电状态（SOC）进行预测的框架。主要数据集包含202条来自实际充电桩的清洗后的充电记录；此外，还使用了一年期间的稀疏数据集来进行季节性实地数据评估。该框架整合了充电会话的分段处理、数据清洗、二次特征构建、以及基于历史数据的插值方法
利益冲突声明
作者声明他们没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
致谢
本项目部分得到了以下机构的支持：广东省基础与应用基础研究基金会（项目编号：2024A1515012804）、北京纲要计划（项目编号：0250484955和20230484272）、中央高校基本科研业务费（项目编号：FRF-IDRY-GD23-005），以及教育部先进汽车零部件制造技术重点实验室开放基金（项目编号：2022KLMT03）。
Jichao Hong|Yulong Qiu|Shikun Ma|Fengwei Liang|Xing He|Jingsong Yang|Baoqiang Zhang|Jiaqi Pei|Lingjun Wei|Haitao Zhang
