2025年7月3日，我院教师李少鹏作为第一作者，联合武汉理工大学智能交通系统研究中心张晖研究员团队、意大利都灵理工大学汽车研究与可持续交通中心Daniela Anna Misul教授团队，在国际交通电动化杂志eTransportation上发表题为《Battery Temperature Anomaly Early Warning for Electric Vehicles under Real Driving Conditions Using a Temporal Convolutional Network》的学术论文，在智能网联电动汽车运行安全监管领域取得新进展。

论文通过电动汽车自然驾驶实验采集了长周期、高频率的运行数据，首次全面考虑四类因素（即驾驶工况、环境温度、电池热管理状态及电池自身状态）对电池温度的影响，提出利用时间卷积网络（TCN）算法进行电池温度异常预警。论文核心方法可概括为：采用固定步长滑动时间窗口法将电动汽车的运行过程划分为多个微观片段，并针对每一片段提取上述四类因素的特征参数；采用最大信息系数揭示真实驾驶场景下探针温度与特征参数的关联性；利用TCN算法以微观驾驶片段为样本建立电池温度预测模型，以实现在提高预测准确度的同时显著扩展可预测时间范围。模型验证结果表明：探针温度快速变化场景下模型可预测出未来8 min内将要发生的温度过高状况。16辆测试车辆中，模型在13辆车上具有良好的异常预警准确性，其中10辆车的F1均值为0.951。因此，方法总体上可实现准确、及时的电池温度异常预警，为电动汽车热失控事故预防提供创新解决方案。

电动汽车自然驾驶实验方案与内涵

电池温度异常预警建模方法

电池温度预测及异常预警结果

据悉，eTransportation最新SCI影响因子为17.0，蝉联（连续4年）全球交通运输科学技术领域SCI学术期刊第1位（共77种），是由交通电动化领域国际著名专家欧阳明高院士创刊建立，致力为全球学术和产业界服务的国际交通电动化期刊。期刊入选中国汽车工程领域重要权威期刊T1级目录，中科院学术期刊工程技术领域Q1区的TOP期刊。

引文：（Li, S., Zhang, H., Misul, D.A., Miretti, F., Acquarone, M., Ding, N., Ni, D., Hou, N., He, Y., Zhang, Y., Sun, Y., Battery Temperature Anomaly Early Warning for Electric Vehicles under Real Driving Conditions Using a Temporal Convolutional Network, eTransportation, https://doi.org/10.1016/j.etran.2025.100445.）

（文、图/李少鹏 一审/潘晨 二审/林荣辉 三审/韩兴华）