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。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。

研究发现，电池过温是引起电动汽车充电自燃的重要原因。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）、长短记忆网络（Long Short Memory Networks, LSMN）和双向长短记忆网络（Bi-directional LSTM, BiLSTM）等深度学习方法进行研究。

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。有学者组合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；有学者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。

针对电动汽车充电过程自燃的问题，青岛科技大学自动化与电子工程学院、青岛科技大学信息科学技术学院的研究人员高德欣、郑晓雨、王义、杨清，在2022年第9期《电工技术学报》上撰文，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。

图1 电动汽车充电多级安全预报警系统

图2 电动汽车充电多级安全预报警流程

研究人员指出，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，他们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。

研究人员表示，试验结果表明该方法可以对电动汽车充电过程进行实时监测，能够及时发现故障并发出预报警信号，采取相应保护措施，减小电动汽车充电过程中的烧车风险，保障电动汽车充电安全。

本文编自2022年第9期《电工技术学报》，论文标题为“电动汽车充电状态监测与多级安全预报警方法”。本课题得到了国家自然科学基金、山东省自然科学基金、山东省重点研发计划（公益类）、山东省高等学校科学技术计划和山东省研究生导师指导能力提升项目的支持。