《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
編輯推薦：
電動汽車V2G系統管理中提出CNN-LSTM混合MPPT算法與QKNN-IGWO故障檢測模型，通過大規模數據集驗證其在動態環境下的準確性和可靠性，顯著提升電池SOC預測精度與系統穩定性。
Rajasekhar Gorthi|B. Jyothi
印度安得拉邦Vaddeswaram，Koneru Lakshmaiah教育基金會電子工程與電氣工程系。
摘要
隨著電動汽車（EV）的日益普及，需要有效的管理技術，特別是在車對網（V2G）集成方面，以最大化能源消耗和系統可靠性。目前用于混合動力EV系統的最大功率點跟蹤（MPPT）和故障檢測技術主要基于傳統算法，這些算法難以處理動態環境變化和復雜的故障模式，導致性能不佳。為了解決這些問題，本研究提出了一種創新方法，結合卷積神經網絡（CNN）和長短期記憶網絡（LSTM）進行MPPT控制，并采用QKNN-IGWO混合機器學習算法進行故障檢測。該模型使用專為V2G系統設計的廣泛EV管理數據集進行訓練和測試。通過準確性、損失、精確度、召回率、F1分數和分類等性能指標來評估該方法的效果。實驗結果表明，故障檢測精度和電池荷電狀態（SOC）預測能力有了顯著提升，體現了該模型在實時應用中的強大性能。這項研究不僅提高了混合動力EV的控制效率，還將先進的深度學習方法應用于能源管理和故障診斷，為智能交通系統領域做出了貢獻。研究結果為未來V2G系統的發展指明了方向，有助于構建更加穩健和適應性強的電動汽車基礎設施。
引言
隨著電動汽車（EV）技術的快速發展，以及對可再生能源和智能電網的關注增加，全球交通和能源行業發生了變革[1]。隨著世界向可再生能源轉型，電動汽車已成為現代電網中關鍵的移動能源存儲單元[2]。雖然電動汽車在減少溫室氣體排放方面發揮著重要作用[3]，同時在車對網（V2G）技術中也占據重要地位[4]，但現有的管理系統未能充分發揮其雙向能量流動能力。V2G技術允許電動汽車與電網之間實現雙向能量交換，使電動汽車能夠作為移動能源存儲單元，支持電網穩定性、需求響應和峰值負荷管理[5]。然而，現有方法難以應對V2G交互的動態特性，導致功率跟蹤效果不佳和故障檢測不可靠，限制了電網的整合潛力。隨著電動汽車的普及，高效智能的管理變得至關重要，以確保最佳性能、安全性和使用壽命。電動汽車管理的關鍵組成部分是有效的充放電控制策略，如最大功率點跟蹤（MPPT），該技術可提高太陽能等可再生能源的能源利用效率[6, 7]。同時，準確的故障檢測機制和電池荷電狀態（SOC）預測對于保持系統一致性、防止故障和延長電池壽命至關重要[8, 9]。借助大數據和先進計算能力的進步[10]，將深度學習（DL）和混合智能算法應用于電動汽車管理系統顯示出巨大的潛力[11]。傳統的電動汽車管理和故障檢測系統主要依賴于經典控制算法、統計模型和簡單的機器學習（ML）技術[12]。例如，P&O（擾動觀察）、IncCond（增量電導）和分數開路電壓等方法常用于優化太陽能充電系統中的功率提取[13]。盡管這些方法在穩定環境下有效，但在動態環境中收斂速度慢、在最大功率點附近容易振蕩，且適應能力有限。此外，電動汽車的故障檢測和電池SOC估計通常依賴于基于閾值的傳感器、基于規則的專家系統或淺層ML模型（如SVM和支持向量機KNN）[14]。雖然這些方法能檢測已知故障模式并生成合理的SOC預測，但在面對復雜非線性數據和噪聲時性能會下降。許多傳統方法無法在同一框架內同時處理故障診斷和SOC估計[15]，限制了其在實際應用中的效率。隨著V2G應用的發展，實時通信和電動汽車與電網的互動變得至關重要，因此需要能夠處理大規模數據、捕捉時間依賴關系并生成準確預測結果的智能系統。結合先進的DL模型和混合算法成為解決這些問題的有效途徑，提升電動汽車管理的穩健性和精度。
為了解決這些問題，本文提出了一種利用DL架構和先進ML算法的智能混合電動汽車管理系統，旨在提高MPPT控制和故障檢測能力，并實現V2G集成。主要創新點在于采用基于CNN-LSTM的MPPT算法和QKNN-IGWO混合ML模型進行故障檢測和電池SOC預測。該模型能夠有效捕捉電動汽車和V2G數據集中的空間和時間特征，即使在環境變化的情況下也能準確跟蹤最大功率點。CNN從輸入信號中提取相關信息，而LSTM層則捕捉電動汽車運行和充電模式中的時間依賴性，從而提升收斂速度和跟蹤精度。
在故障檢測和SOC預測方面，該模型采用了改進的QKNN（量子k-最近鄰）算法，并結合IGWO（改進的灰狼優化器）。QKNN通過量子啟發機制擴展了分類能力，IGWO優化超參數以防止過擬合并提高模型泛化能力，實現了車輛系統的實時故障診斷和精確的SOC預測，確保了電動汽車管理系統的穩定性和有效性。
研究目標
- •
提出一種基于CNN-LSTM的最大功率點跟蹤（MPPT）算法，以實現電動汽車中的高效能量收集，優化V2G系統中的可再生能源利用。
- •
結合QKNN（量子k-最近鄰）和IGWO（改進的灰狼優化器）算法，實現可靠的實時故障檢測和電池SOC預測，確保電動汽車和車輛系統的可靠診斷。
- •
使用電動汽車和V2G數據集評估所提出的CNN-LSTM MPPT及QKNN-IGWO故障檢測模型的整體性能和穩健性，確保在不同運行條件下的高預測準確性和系統可靠性。
文獻綜述
本節回顧了關于V2G基礎電動汽車系統中MPPT、深度學習以及混合算法在故障檢測任務方面的現有研究文獻。
研究方法
本研究方法闡述了用于研究QKNN-IGWO算法的系統方法和技術，重點介紹了K-最近鄰與灰狼優化結合的預測建模機制。
圖1展示了智能混合電動汽車管理的整體工作流程，包括從數據采集到性能評估的多個步驟。
結果與討論
實驗結果表明，CNN-LSTM模型在準確性和可靠性方面優于傳統MPPT技術。QKNN-IGWO混合算法在故障檢測和SOC分類方面表現更佳，提升了V2G應用的系統可靠性。
結論與未來工作
本文提出了一種先進的混合電動汽車管理系統，該系統結合了卷積神經網絡-長短期記憶（CNN-LSTM）驅動的最大功率點跟蹤（MPPT）算法和QKNN-改進的灰狼優化器（IGWO）混合機器學習模型，用于故障診斷和電池荷電狀態（SOC）估計。該模型使用專為V2G系統設計的大型EV管理數據集，通過電壓和電流信號進行運行。
作者貢獻聲明
Rajasekhar Gorthi：方法論設計、數據整理、概念構建。B. Jyothi：方法論設計、數據整理、概念構建。
利益沖突聲明
作者聲明不存在可能影響本文研究的已知財務利益或個人關系。
