基于深度学习的电动汽车车队电池健康预测以增强智能电网的韧性

电动汽车 (EV) 在智能电网基础设施中的广泛整合需要智能和强大的电池健康诊断，以确保系统的韧性和性能的长期稳定。尽管大量研究已经使用机器学习和深度学习解决了健康状态 (SOH) 的估计和剩余使用寿命 (RUL) 的预测，但现有大多数模型未能同时捕捉短期退化趋势和长期上下文依赖性。在本研究中，我们介绍了 V2G-HealthNet，这是一种新颖的混合深度学习框架，独特地将长短期记忆 (LSTM) 网络与基于 Transformer 的注意机制结合在一起，以在动态车辆到电网 (V2G) 场景中建模电池退化。与之前将SOH估计孤立处理的方法不同，我们的方法通过实现基于SOH的自适应负载调度和电动汽车车队的预测性维护，直接将健康预测与操作决策关联起来。V2G-HealthNet 在3400多个代理充放电周期上进行了训练，这些周期来源于100万个遥测样本，达到了最先进的性能（SOH RMSE：0.015，MAE：0.012，R2：0.97），超越了包括 XGBoost 和随机森林在内的领先基准。在 RUL 预测方面，该模型在五个周期的视野内保持了 0.42 周期的 MAE。重要的是，部署模拟显示 V2G-HealthNet 在关键退化阈值之前至少提前三个周期触发维护警报，并将高负载任务从老化电池中重新分配——这一能力在以前的工作中并未体现。这些发现确立了 V2G-HealthNet 作为可部署的、具有健康意识的控制层，用于智能城市电气化策略。