0 引言
全球范围内，生态环境和能源危机问题日渐突出，较传统燃油汽车，电动汽车在节约石油资源、降低碳排放方面具有巨大优势，受到各国政府和汽车企业的重视[1-4]。但是电动汽车在充电过程中，可能会发生自燃事故，阻碍电动汽车行业的发展[5-6]。研究发现，电池过温是引起电动汽车充电自燃的重要原因[7-9]。因此，构建电动汽车充电过程的温度预警模型，对电动汽车电池的温度进行实时监测和安全预警，能够保障充电安全，有利于电动汽车行业的可持续发展。
目前，关于电动汽车充电过程安全预警和故障诊断的研究刚刚起步，成果较少。针对这个问题，可以借鉴在其他行业应用的如卷积神经网络（Convolutional Neural Networks, CNN）[10-11]、长短记忆网络（Long Short Memory Networks, LSMN）[12-13]和双向长短记忆网络（Bi-directional LSTM, BiLSTM）[14-16]等深度学习方法进行研究。例如，文献[11]利用CNN能够提取数据特征的优势，对滚动轴承进行了故障诊断研究，对其故障数据进行特征提取和分类，其诊断故障类型的操作简单，准确度高；文献[13]利用LSTM网络能够解决时序序列梯度消失的特点，提出一种基于LSTM网络和故障特征增强的行星齿轮箱故障智能诊断方法，显著提高了故障识别率；文献[15]结合前向LSTM网络和反向LSTM网络，提出一种新的BiLSTM网络故障预警模型，很好地应用于轴承的故障诊断中；文献[16]将BiLSTM网络运用在设备智能故障诊断上，划分数据集训练模型，达到了更好的预测效果。
理论上组合模型通过将多种模型融合，利用不同模型的优势，对研究对象进行预测，能够更好地满足预测的实际需要，且预测精度优于单一模型[17-19]。文献[18]组合CNN模型与LSTM模型，对短期负荷进行预测，该模型同时具备了CNN模型与LSTM模型的优点，有效降低了预测误差；文献[19]选取真实的锂离子电池数据集，组合CNN模型与BiLSTM模型，对锂离子电池剩余寿命进行预测，实验证明该模型具有比单一模型更高的预测精度。
本文提出一种基于CNN-BiLSTM模型的电动汽车充电状态监测与多级安全预报警方法。首先利用CNN网络对电动汽车正常充电过程的历史数据进行深度挖掘，提取充电数据的深层次特征；其次利用BiLSTM网络将电动汽车充电过程的过去与未来数据结合分析，构建CNN-BiLSTM温度预警模型；再次在电动汽车充电过程中，根据国标实时采集的充电数据，预测电动汽车电池的温度，通过滑动窗口法，分析并计算该电动汽车电池温度的预报警阈值，进行多级安全预报警；最后利用两种车型的充电数据，验证该方法的有效性。
1 问题描述
1.1 电动汽车充电系统结构分析
本文提出的电动汽车充电状态监测与多级安全预报警方法在云平台上实现。云平台是一种基于云计算技术，利用远程软硬件资源为本地提供便利的服务形式。它能够动态整合硬件资源，合理分配资源，提高资源利用率，广泛应用于故障预报警中。电动汽车充电系统主要包括云端和设备端两部分，如图1所示。
图1 电动汽车充电多级安全预报警系统
Fig.1 Diagram of multi-level safety pre-warning system for electric vehicle charging
云端：此部分负责电动汽车充电过程的状态判断。对充电设备的各类数据进行归一化处理，在此基础上划分数据集，历史数据用于CNN-BiLSTM预测模型的训练，实时数据用于电动汽车充电状态的判断。
设备端：此部分由充电设备和电动汽车构成。充电设备通过充电桩给电动汽车充电，在此过程中，根据国标要求，通过CAN通信协议[20]实时采集各类充电数据，发送到云端数据库，并执行云端的各项指令，保障电动汽车的充电安全。
1.2 充电方式分析
目前，常用的充电方式有恒流充电、恒压充电和阶段式充电方式等。电动汽车电池多以锂离子电池为主，而该类型电池多采用恒流恒压的二阶段式充电方式[21]。恒流恒压充电方式如图2所示，从起点到T时刻采用大功率恒流充电方式，充电电流为电动汽车需求充电电流；在T时刻达到电压需求值，因此转入下一阶段采用恒压充电，此时充电电流逐渐下降；若此充电过程不发生异常状况，则蓄电池达到额定容量的99.8%时停止充电，防止因过充引起烧车事故。
图2 恒流恒压充电方式
Fig.2 Constant current and constant voltage charging mode
在我国电动汽车充电行业内，充电标准以GB/T 27930为主[22]。在电动汽车充电前，电池管理系统将电动汽车整车动力电池充电前的主要状态信息通过CAN总线发送至充电桩，充电信息见表1，充电桩则依据采集的电池需求电流、电压按照恒流恒压充电方式给电动汽车充电。在电动汽车充电过程中，电动汽车实时向充电桩发送充电中的主要状态信息，充电信息见表2。
表1 电动汽车整车电池充电前主要状态信息
Tab.1 Main status information before charging of electric vehicle battery
起始字节 字长/B 参 数 单位 精度1 2 整车动力电池额定容量 A·h 0.1 3 2 整车动力电池额定电压 V 0.1 5 2 整车动力电池额定电流 A 0.1
（续）
起始字节 字长/B 参 数 单位 精度7 2 整车动力电池需求电压 V 0.1 9 2 整车动力电池需求电流 A 0.1 11 2 整车动力电池最高允许电压 V 0.1 13 2 整车动力电池最高允许电流 A 0.1 15 2 整车动力电池最高允许温度 ℃ 1 17 2 充电方式，第一阶段：恒流充电 充电方式，第二阶段：恒压充电 A V 0.1
表2 电动汽车整车电池充电中主要状态信息
Tab.2 Main status information during charging of electric vehicle battery
起始字节 字长/B 参数 单位 精度1 2 充电电压测量值 V 0.1 3 2 充电电流测量值 A 0.1 5 2 充电温度测量值 ℃ 1 7 2 累计充电时间 min 1 9 2 估算剩余充电时间 min 1
2 充电多级安全预报警模型设计
2.1 CNN-BiLSTM模型多级安全预报警设计
电动汽车的充电电压、充电电流、充电温度等充电数据通过CAN总线传送到充电桩，充电桩将其传送到云端数据库，云平台将充电数据进行归一化处理，划分为历史、实时数据集。历史数据通过CNN模型，进行特征提取后进入BiLSTM模型进行模型训练，输出历史参数后进入滑动窗口并设置合适的预报警阈值，该设置阈值用于通过滑动窗口的实时数据判断电动汽车充电状态。构建的CNNBiLSTM多级安全预报警模型如图3所示。
本文多级安全预报警分为三级。第一级是处于预警阈值界限内的正常状态，该级状态表示电动汽车充电正常，是最理想的充电状态；第二级是超过预警阈值且低于报警阈值的温度预警状态，该级状态表示电动汽车充电异常，应及时采取保护措施，使其趋于正常充电；第三级是超过报警阈值的温度报警状态，该状态下电动汽车继续充电极易发生烧车事故，应及时切断电源，停止充电。
其各个模块如下：
（1）数据处理：为了防止因大数据变化引起的误差，提高CNN-BiLSTM模型的精度，将充电数据的输入特征进行归一化处理，使数据集映射到[-1,1]，计算公式为
图3 CNN-BiLSTM多级安全预报警模型
Fig.3 CNN-BiLSTM multi-level safe pre-warning model di
agram
式中，xi为电动汽车充电数据的实际数值；ximax、ximin分别为归一化前的最大值和最小值；Xout为xi归一化后输出的充电数据数值。
（2）CNN-BiLSTM模型构建：CNN是由卷积层、池化层和输出层组成的一种神经网络，能够通过卷积核的权值共享，减少自由参数，降低网络的复杂性，减轻过拟合，具有很强的时间序列特征提取能力。其计算公式为
式中，WCNN为电动汽车充电数据卷积层中滤波器的权重系数，即卷积核；nt为t时刻的电动汽车充电数据；*表示卷积运算；bCNN为电动汽车充电数据卷积运算的偏差系数；f为卷积运算的激活函数；ct为经过卷积之后提取的电动汽车充电数据序列。
BiLSTM模型是一种时间递归神经网络，由前向LSTM和反向LSTM组成，能够结合电动汽车历史和未来充电状态，解决数据隔断和延迟问题，很好地展现充电数据的时序特征。其隐藏层的组合公式为
式中，LSTM为单LSTM网络的计算过程；
分别为单LSTM的前向、后向隐藏层的状态；
分别为单LSTM的前向、后向隐藏层的前一状态；at、bt分别为单LSTM的前向、后向隐藏层的输出权重；ct为实时隐藏层的偏置优化参数。
（3）评价指标：本文使用神经网络回归预测模型的三种常见度量标准：方均根误差（Root Mean Square Error, RMSE）、平均百分比误差（Mean Absolute Percentage Error, MAPE）以及决定系数（R Squared，r2）作为验证预测模型精度的评价指标。
RMSE、MAPE以及r2公式为
式中，yi为电动汽车充电温度实际的测量值；
为对应充电温度的预测值；yi为输出充电温度的平均值。根据上述方程，可以得出以下结论：RMSE、MAPE越小，r2越大，模型拟合效果越好。
（4）滑动窗口：选取电动汽车充电数据训练CNN-BiLSTM模型，若采集正常充电数据，则模型预测误差较小；若出现错误充电数据，相应模型的预测误差会变大。采用滑动窗口分析法，规定一个长度为N的滑动窗口，将长度为N的数据做窗口滑动处理，同时，滑动窗口每向前输出一个采样点，就有新的预测值输入这一窗口，生成相同序列长度的新窗口。循环往复这一过程，直到获得若干连续子时间序列数据，然后用真实值覆盖窗口，持续地对预测残差进行处理与分析，可以消除数据传输过程中错误充电数据对残差变化的影响，能够有效地避免误报警。
当滑动窗口的宽度为N时，此窗口下残差均值和残差标准差的计算公式为
式中，X为充电温度的残差均值；S为充电温度的残差标准差；ei为滑动窗口中第i个采样点的残差。
（5）预警和报警阈值设定：利用滑动窗口对正常充电数据的残差进行分析处理，设定合适的预警阈值，其计算公式为
式中，Xmax为充电温度残差均值绝对值的最大值；Smax为充电温度残差标准差的最大值；k1、k2分别为温度残差均值、温度残差标准差的预警系数；EX为温度残差均值的预警上（下）限；ES为温度残差标准差的预警上限。其中，当温度残差均值和残差标准差均大于所计算的预警阈值、小于报警阈值时，进行预警。
报警阈值的计算公式为
式中，3k、4k分别为温度残差均值、温度残差标准差的报警系数；XW为温度残差均值的报警上（下）限；SW为温度残差标准差的报警上限。其中，当温度残差均值或残差标准差大于所计算的报警阈值时，进行报警。
2.2 基于CNN-BiLSTM的多级安全预报警流程
通过CNN-BiLSTM方法构建的电动汽车充电多级安全预报警模型主要分为数据处理、模型训练、状态判断和报警分类四个阶段，其流程如图4所示，具体的实现过程如下：
（1）获取电动汽车各种充电数据，筛选充电电压、充电电流以及温度等具有参考意义的数据。
（2）对筛选的充电数据进行归一化处理，划分数据集为实时数据和历史数据。
（3）利用历史数据，确定LSTM和BiLSTM模型参数，训练相应模型，输出其评判标准值；确定CNN模型参数，训练CNN、CNN-LSTM以及CNNBiLSTM模型，输出其评判标准值。
图4 电动汽车充电多级安全预报警流程
Fig.4 Multi-level safe pre-warning flow chart for electric vehicle charging
（4）若此训练后的模型满足模型精度要求，则进入下一阶段设置电动汽车温度预警阈值；若不符合，则返回重新训练相应模型。
（5）实时数据用于判断充电状态，若其温度小于预警阈值，则工作状态正常，继续充电；若其温度大于预警阈值，则需进入下一阶段判断状态。
（6）设置电动汽车温度报警阈值，若其温度大于预警阈值且小于报警阈值，此时电动汽车处于预警状态，则发出预警信号后，降低10%充电电流；若其温度大于报警阈值，此时电动车处于报警状态，则发出报警信号后切断充电电源，停止充电。
（7）此判断全过程可以获取电动汽车电池的实时容量，若电动汽车电池的实时容量大于99.8%额定容量，则停止充电；且此系统处于高速闭环运转中，能够及时完成多级安全预报警任务。
3 实验验证与分析
3.1 数据选取及模型搭建
为了验证CNN-BiLSTM模型，选用电池参数差异较大的电动汽车宝骏E300和比亚迪e6两种电动汽车的充电数据，两种电动汽车的主要参数见表3。
表3 不同类型的电动汽车参数
Tab.3 Parameters of different types of electric vehicles
电动汽车类型 宝骏E300 比亚迪e6 电池类型 三元锂电池 磷酸铁锂电池 电池容量/(kW⋅h) 31 220 额定充电电压/V 360 310 额定充电电流/A 35 85 最高允许温度/℃ 36 28 最低允许温度/℃ -15 -18
通过充电桩采集两种电动汽车的历史充电数据，其中采集宝骏E300电动汽车充电数据67 800条，采集比亚迪e6电动汽车充电数据69 530条。
此部分的模拟结果是在Python3.8和Keras库中进行的。所有的模型训练均在Intel(R) Core(TM) i5-1035G1 CPU@1.00GHz 1.19 GHz上运行，实验环境见表4。
表4 实验环境
Tab.4 Exprimental environment
实验环境 版本 操作系统 Windows 10 处理器 Intel(R) Core(TM) i5-1035G1 CPU 平台 TensorFlow 2.4.1 辅助工具 Sklearn 0.24.1 程序设计版本 Python 3.8.1 深度学习框架 Keras 2.4.3
模型结构如图5所示，主要由输入层、卷积-循环层、特征融合层三部分组成。三部分主要性能如下：①输入层将筛选并归一化后的充电数据输入模型进行训练；②卷积-循环层使用CNN模型提取电动汽车充电数据特征，使用BiLSTM模型预测充电数据；③特征融合层主要是拼接CNN模型和BiLSTM模型，提高模型拟合能力。
图5 CNN-BiLSTM模型结构
Fig.5 CNN-BiLSTM model structure
CNN-BiLSTM模型中CNN模型选用SELU激活函数，卷积层有1层，卷积核数为32，卷积窗口大小为4，步长为1。为提取高区分度的特征，使用数目为1层的最大池化层，池大小为7，步长为1。BiLSTM模型选用tanh激活函数，共有2层网络层，隐藏层的神经单元数为90。实验中选用Adam优化器。CNN-BiLSTM模型具体参数见表5。
表5 CNN-BiLSTM模型具体参数
Tab.5 CNN-BiLSTM model specific parameters
基本输入 卷积 核数 卷积 窗口大小卷积 步长 卷积层 激活函数 池化类型 循环 层数 循环层 激活函数 优化器 神经元个数 Maxlen 32 4 1 SELU 全局最大池化 2 tanh Adam 90
3.2 预测实验结果分析
为了验证CNN-BiLSTM模型对电动汽车充电数据预测的准确度和稳定性，将其分别与CNN模型、LSTM模型、BiLSTM模型、CNN-LSTM模型进行对比分析。
两种电动汽车的不同模型预测结果分别如图6、图7所示，预测结果分别见表6和表7。
图6 宝骏E300温度预测结果
Fig.6 Baojun E300 temperature prediction result map
图7 比亚迪e6温度预测结果
Fig.7 BYD e6 temperature prediction result map
表6 宝骏E300不同模型的温度预测结果
Tab.6 The temperature prediction results of different models of Baojun E300
算法类型 RMSE/℃ MAPE(%) r2 CNN 0.086 28.73 0.48 LSTM 0.058 18.49 0.51 BiLSTM 0.046 16.79 0.57 CNN-LSTM 0.040 14.39 0.73 CNN-BiLSTM 0.039 11.65 0.84
由图6所示，在宝骏E300电动汽车充电温度变化前期，由于此时参与模型训练的数据较少，所以这段时间LSTM模型的预测结果与实际温度值相近；而在温度变化中、后期，随着参与模型训练数据的增多，CNN-BiLSTM模型的预测结果最好，精度最高。
表7 比亚迪e6不同模型的温度预测结果
Tab.7 The temperature prediction results of different models of BYD e6
算法类型 RMSE/℃ MAPE(%) r2 CNN 0.073 29.78 0.39 LSTM 0.056 20.44 0.41 BiLSTM 0.048 17.59 0.51 CNN-LSTM 0.039 13.29 0.63 CNN-BiLSTM 0.039 11.75 0.76
由表6可知，在宝骏E300电动汽车充电数据的预测中，单CNN模型的预测精度最低，BiLSTM模型较LSTM模型RMSE、MAPE和r2分别降低了0.012℃、1.7%和0.06，而将CNN模型作为前馈单元分别与LSTM模型和BiLSTM模型结合，模型预测精度进一步提高，实验结果表明，CNN-BiLSTM模型具有最好的预测精度，充电温度的RMSE和MAPE都达到了最低，r2达到了最高，其中充电温度的RMSE、MAPE和r2分别为0.039℃、11.65%和0.84。
由图7所示，在比亚迪e6电动汽车充电温度变化前期，BiLSTM模型的预测结果与实际温度值相近；在温度变化中、后期，CNN-BiLSTM模型的预测结果最好，精度最高。
由表7可知，在比亚迪e6电动汽车充电数据的预测中，CNN-BiLSTM模型具有最好的预测精度，充电温度的RMSE和MAPE都达到了最低，r2达到了最高，其中充电温度的RMSE、MAPE和r2分别为0.039℃、11.75%和0.76。
3.3 多级安全预报警实验结果分析
在电动汽车大功率充电过程中，只能获得电池表面温度，而电池内部温升较表面更大，极易超越电池最大允许温度，造成烧车事故。因此，可以根据经滑动窗口确定的温度残差均值和残差标准差，确定预报警阈值，对其进行监测，并对电动汽车充电状态进行判别。
滑动窗口宽度N选为100，对温度残差进行分析。宝骏E300电动汽车的温度残差均值和温度残差标准差及其变化分别如图8、图9所示。比亚迪e6的残差均值和残差标准差及其变化分别如图10、图11所示。
图8 宝骏E300电动汽车残差结果
Fig.8 The residual results of Baojun E300 electric vehicle
图9 宝骏E300电动汽车多级安全预报警结果
Fig.9 Multi-level safe pre-warning results of Baojun E300 electric vehicle
图10 比亚迪e6电动汽车残差结果
Fig.10 The residual results of BYD e6 electric vehicle
图11 比亚迪e6电动汽车多级安全预报警结果
Fig.11 Multi-level safe pre-warning results of BYD e6 electric vehicle
由图8所示，宝骏E300电动汽车的模型残差均值处于-0.050 4~0.050 5℃之间，绝对值的最大值为0.050 5℃。最大残差标准差为0.010 2℃。根据经 验，取k1、k2为2，由式（8）计算该电动汽车残差均值预警阈值为±0.101 0℃，残差标准差预警阈值为0.020 4℃；当超出预警阈值40%后，发出报警信号，取k3、k4为2.8，由式（9）计算该电动汽车残差均值报警阈值为±0.141 4℃，残差标准差报警阈值为0.028 6℃。将该车故障充电数据输入CNN-BiLSTM多级安全预报警模型中，预警阈值如虚线所示，报警阈值如实线所示，得到的充电多级安全预报警结果如图9所示。
由图9a所示，残差均值在第57 670个采样点时超过残差均值的预警界限，在第57 683个采样点时超过残差均值的报警界限，之后持续超过报警界限。由图9b所示，残差标准差在第29 993个采样点时超过残差标准差的预警界限，在第29 998个采样点时超过残差标准差的报警界限。根据本文设定的多级安全预报警方法，当残差均值和残差标准差均超过预警阈值时，发出预警信号，当残差均值或残差标准差超过报警阈值时发出报警信号。故该电动汽车在第29 993个采样点未发出预警信号，而在第29 998个采样点发出报警信号，之后便停止充电。而该车在实际充电中，在57 930个采样点处车载电池组发生起火事故，后经专业人员分析充电数据，发现该车在第30 013个采样点温度超过了最高允许温度。对比实际情况，利用本文提出的多级安全预报警模型，及时地发现了异常充电状况，有效地降低了电动汽车的自燃风险。
由图10所示，比亚迪e6电动汽车的模型残差均值处于-0.093 2~0.079 6℃之间，绝对值的最大值为0.093 2℃。最大残差标准差为0.011 9℃。根据经验，取k1、k2为2，由式（8）计算该电动汽车残差均值预警阈值为±0.186 4℃，残差标准差预警阈值为0.023 8℃；当超出预警阈值40%后，发出报警信号，取k3、k4为2.8，由式（9）计算该电动汽车残差均值报警阈值为±0.261 0℃，残差标准差报警阈值为0.033 3℃。将该车故障数据输入CNN-BiLSTM多级安全预报警模型中，得到的充电多级安全预报警结果如图11所示。
由图11a所示，残差均值在第50 846个采样点时超过残差均值的预警界限，在第50 860个采样点时超过残差均值的报警界限，之后持续超过报警界限。由图11b所示，残差标准差在第24 999个采样点时同时超过残差标准差的预警、报警界限。根据本文设定的多级安全预报警方法，该电动汽车在第24 999个采样点发出报警信号，之后便停止充电。而该车在实际充电中，在25 006个采样点充电温度发生异常，在51 106个采样点车载电池组被烧毁。对比实际情况，本文提出的多级安全预报警模型，及时地发现了异常充电状况，有效地降低了电动汽车的自燃风险。
4 结论
本文针对电动汽车充电过程自燃问题，提出了一种新的基于CNN-BiLSTM模型的电动汽车充电多级安全预报警方法。该方法融合CNN模型和BiLSTM模型构建预测电动汽车充电数据的模型，克服了传统LSTM模型只考虑单一历史因素的缺点，提高了模型的预测精度。将该模型与CNN模型、LSTM模型、BiLSTM模型、CNN-LSTM模型进行对比，验证模型性能。在此基础上，将预测数据通过滑动窗口，消除数据传输过程中错误充电数据对残差变化的影响，设定合理的预报警阈值，实时监测电动汽车充电状态。实验证明，该方法能够有效发出预报警信号，采取相应保护措施，减小电动汽车充电过程中的烧车风险。
[1] 卿晓东, 苏玉刚. 电场耦合无线电能传输技术综述[J]. 电工技术学报, 2021, 36(17): 3649-3663.
Qing Xiaodong, Su Yugang. An overview of electricfiled coupling wireless power transfer technology[J]. Transactions of China Electrotechnical Society, 2021, 36 (17): 3649-3663.
[2] Yabe K, Shinoda Y, Seki T, et al. Market penetration speed and effects on CO2 reduction of electric vehicles and plug-in hybrid electric vehicles in Japan[J]. Energy Policy, 2012, 45: 529-540.
[3] Li Ming, Cui Song, Huang Haizhen, et al. Effect of pipes in heat pump system on electric vehicle energy saving[J]. International Journal of Green Energy, 2020, 17(11): 666-675.
[4] 佟明昊, 程明, 许芷源, 等. 电动汽车用车载集成式充电系统若干关键技术问题及解决方案[J]. 电工技术学报, 2021, 36(24): 5125-5142.
Tong Minghao, Cheng Ming, Xu Zhiyuan, et al. Key issues and solutions of integrated on-board chargers for electric vehicles[J]. Transactions of China Electrotechnical Society, 2021, 36(24): 5125-5142.
[5] 陈泽宇, 熊瑞, 孙逢春. 电动汽车电池安全事故分析与研究现状[J]. 机械工程学报, 2019, 55(24): 93-104, 116.
Chen Zeyu, Xiong Rui, Sun Fengchun. Research status and analysis for battery safety accidents in electric vehicles[J]. Journal of Mechanical Engineering, 2019, 55(24): 93-104, 116.
[6] Gao Dexin, Wang Yi, Zheng Xiaoyu, et al. A fault warning method for electric vehicle charging process based on adaptive deep belief network[J]. World Electric Vehicle Journal, 2021, 12(4): 265.
[7] 范文杰, 徐广昊, 于泊宁, 等. 基于电化学阻抗谱的锂离子电池内部温度在线估计方法研究[J]. 中国电机工程学报, 2021, 41(9): 3283-3293.
Fan Wenjie, Xu Guanghao, Yu Boning, et al. On-line estimation method for internal temperature of lithiumion battery based on electrochemical impedance spectroscopy[J]. Proceedings of the CSEE, 2021, 41(9): 3283-3293.
[8] 孙金磊, 朱春波, 李磊, 等. 电动汽车动力电池温度在线估计方法[J]. 电工技术学报, 2017, 32(7): 197-203.
Sun Jinlei, Zhu Chunbo, Li Lei, et al. Online temperature estimation method for electric vehicle power battery[J]. Transactions of China Electrotechnical Society, 2017, 32(7): 197-203.
[9] 肖迁, 焦志鹏, 穆云飞, 等. 基于LightGBM的电动汽车行驶工况下电池剩余使用寿命预测[J]. 电工技术学报, 2021, 36(24): 5176-5185.
Xiao Qian, Jiao Zhipeng, Mu Yunfei, et al. Prediction of battery remaining service life of electric vehicle under driving conditions based on lightGBM[J]. Transactions of China Electrotechnical Society, 2021, 36(24): 5176-5185.
[10] 李超然, 肖飞, 樊亚翔, 等. 基于卷积神经网络的锂离子电池SOH估算[J]. 电工技术学报, 2020, 35(19): 4106-4119.
Li Chaoran, Xiao Fei, Fan Yaxiang, et al. An approach to lithium-ion battery SOH estimation based on convolutional neural network[J]. Transactions of China Electrotechnical Society, 2020, 35(19): 4106-4119.
[11] 曲建岭, 余路, 袁涛, 等. 基于一维卷积神经网络的滚动轴承自适应故障诊断算法[J]. 仪器仪表学报, 2018, 39(7): 134-143.
Qu Jianling, Yu Lu, Yuan Tao, et al. Adaptive fault diagnosis algorithm for rolling bearing based on onedimensional convolutional neural network[J]. Chinese Journal of Scientific Instrument, 2018, 39(7): 134-143.
[12] 孙丙香, 任鹏博, 陈育哲, 等. 锂离子电池在不同区间下的衰退影响因素分析及任意区间的老化趋势预测[J]. 电工技术学报, 2021, 36(3): 666-674.
Sun Bingxiang, Ren Pengbo, Chen Yuzhe, et al. Analysis of influencing factors of degradation under different interval stress and prediction of aging trend in any interval for lithium-ion battery[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 666-674.
[13] 樊家伟, 郭瑜, 伍星, 等. 基于LSTM神经网络和故障特征增强的行星齿轮箱故障诊断[J]. 振动与冲击, 2021, 40(20): 271-277.
Fan Jiawei, Guo Yu, Wu Xing, et al. Fault diagnosis of planetary gearbox based on LSTM neural network and fault feature enhancement[J]. Journal of Vibration and Shock, 2021, 40(20): 271-277.
[14] Liang Tao, Meng Zhaochao, Xie Gaofeng, et al. Multirunning state health assessment of wind turbines drive system based on BiLSTM and GMM[J]. IEEE Access, 2020, 8: 143042-143054.
[15] 赵志宏, 赵敬娇, 魏子洋. 基于BiLSTM的滚动轴承故障诊断研究[J]. 振动与冲击, 2021, 40(1): 95-101.
Zhao Zhihong, Zhao Jingjiao, Wei Ziyang. Rolling bearing fault diagnosis based on BiLSM network[J]. Journal of Vibration and Shock, 2021, 40(1): 95-101.
[16] 王太勇, 王廷虎, 王鹏, 等. 基于注意力机制BiLSTM的设备智能故障诊断方法[J]. 天津大学学报（自然科学与工程技术版）, 2020, 53(6): 601-608.
Wang Taiyong, Wang Tinghu, Wang Peng, et al. An intelligent fault diagnosis method based on attentionbased bidirectional LSTM network[J]. Journal of Tianjin University (Science and Technology), 2020, 53(6): 601-608.
[17] Wu Kuihua, Wu Jian, Feng Liang, et al. An attentionbased CNN-LSTM-BiLSTM model for short-term electric load forecasting in integrated energy system[J]. International Transactions on Electrical Energy Systems, 2021, 31(1): e12637.
[18] 陆继翔, 张琪培, 杨志宏, 等. 基于CNN-LSTM混合神经网络模型的短期负荷预测方法[J]. 电力系统自动化, 2019, 43(8): 131-137.
Lu Jixiang, Zhang Qipei, Yang Zhihong, et al. Shortterm load forecasting method based on CNN-LSTM hybrid neural network model[J]. Automation of Electric Power Systems, 2019, 43(8): 131-137.
[19] 梁海峰, 袁芃, 高亚静. 基于CNN-Bi-LSTM网络的锂离子电池剩余使用寿命预测[J]. 电力自动化设备, 2021, 41(10): 213-219.
Liang Haifeng, Yuan Peng, Gao Yajing. Remaining service life prediction of lithium-ion battery based on CNN-Bi-LSTM network[J]. Electric Power Automation Equipment, 2021, 41(10): 213-219.
[20] 王勇, 李亚菲, 陈雪鸿, 等. 电动汽车CAN协议的重放攻击与防御方法[J]. 上海电力大学学报, 2021, 37(4): 395-401, 406.
Wang Yong, Li Yafei, Chen Xuehong, et al. Replay attack and defense methods of CAN protocol for electric vehicle charging[J]. Journal of Shanghai University of Electric Power, 2021, 37(4): 395-401, 406.
[21] Ragone M, Yurkiv V, Ramasubramanian A, et al. Data driven estimation of electric vehicle battery state-ofcharge informed by automotive simulations and multiphysics modeling[J]. Journal of Power Sources, 2021, 483: 229108.
[22] GB/T 27930—2015 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[S]. 2015.