Bilingual Paper Reading · 中英对照精读
寒冷环境下带电池热管理的电动汽车在线充电控制
准大一 · 电气工程 × 电动汽车 × 优化控制 —— 低温充电协同控制精读材料
原文：arXiv:2602.11561
2026年2月12日发布
arXiv 预印本（math.OC）
在线控制 × Lyapunov 优化 × 电池热管理
附英文摘要朗读音频
一、论文档案
英文标题Online Electric Vehicle Charging Control with Battery Thermal Management in Cold Environments
中文标题寒冷环境下带电池热管理的电动汽车在线充电控制
作者王小伟, 陈逸泽, 陈越（机构未在素材中标注）
发布时间2026年2月12日（v1）｜分类：math.OC（优化与控制）
一句话概括充电和加热本来就是「一台戏」——论文用排队模型 + Lyapunov 优化，让充电站在不知道任何未来信息的情况下在线协同调度「充多少电、加多少热」，又稳又省钱。
💡 为什么选这篇给你：① 低温充电是电动车的真实痛点（北方冬天充不进电、里程打折），工程背景容易懂；② 方法论干净——排队模型 + Lyapunov 漂移，本科数学就能看懂框架；③ 「免预测、免不确定性建模」的在线控制思路，和 MPC、强化学习正好形成三种路线的对照，一篇看懂控制论的一半地图。
二、核心术语表（先扫一遍再读正文）
| 英文术语 | 中文 | 大白话解释 |
|---|
| battery thermal management | 电池热管理 | 把电池维持在适宜温度的手段（加热/冷却），低温环境里尤其关键。 |
| queue model | 队列模型 | 把「待充电量」「热量缺口」看成排队的顾客，用队长衡量系统压力。 |
| queue stability | 队列稳定性 | 队列不无限增长——服务速率长期跟得上到达速率，系统才不会崩溃。 |
| Lyapunov optimization | 李雅普诺夫优化 | 一种在线控制理论框架：用「漂移-惩罚」技巧同时保证队列稳定与长期平均成本最优。 |
| online control | 在线控制 | 每个时刻只根据当前信息做决策，不需要未来信息，边看边做。 |
| offline optimization | 离线优化 | 假设已知全部未来信息（车辆到达、温度）后再统一求解，现实中很难满足。 |
| prediction-free | 免预测 | 不需要任何对未来（电价、到达、气温）的预测模型，天然抗预测误差。 |
| MPC (Model Predictive Control) | 模型预测控制 | 滚动地「预测未来几步 + 优化 + 只执行第一步」，性能依赖预测可靠性。 |
| rule-based method | 规则方法 | 按预设启发式规则决策（如最迟期限优先），快但不够鲁棒。 |
| charging rate | 充电速率 | 单位时间充入的电量，低温下会显著下降。 |
| internal resistance | 电池内阻 | 电池内部电阻，低温下升高，导致容量、寿命与性能下降。 |
| ambient temperature | 环境温度 | 外部气温，决定电池的散热速度与加热需求。 |
| vehicle-to-grid (V2G) | 车辆到电网 | 电动汽车向电网反向送电的服务，让车变成移动储能。 |
三、摘要中英对照（精读核心）
🎧 音频在文末，可先听一遍原文再读；每个英文句都配了逐句翻译。
摘要 Abstract
EN · 原文
Electric vehicle (EV) adoption in cold regions is hindered by degraded EV charging performance at low temperatures, which necessitates effective battery thermal management during charging.
CN · 翻译
寒冷地区的电动汽车推广受低温下
充电性能退化的阻碍，这要求在充电过程中进行有效的
电池热管理。
EN · 原文
Given the coupling of battery charging and heating dynamics, this paper examines the benefits of online coordinated charging and heating control, rather than performing them separately.
CN · 翻译
鉴于电池
充电与加热动力学相互耦合，本文研究
在线协同充电-加热控制的好处，而非把它们分开执行。
EN · 原文
Specifically, we first build queue models for both battery charging and thermal dynamics.
CN · 翻译
具体地，我们首先为
电池充电动态与
热动态分别建立队列模型。
EN · 原文
Then, we formulate an optimization problem to minimize the system cost of a charging station, which allows us to coordinate charging and heating through maintaining queue stability.
CN · 翻译
然后，我们构造一个
最小化充电站系统成本的优化问题，通过
维持队列稳定来实现充电与加热的协同。
EN · 原文
To solve the problem, we develop our online coordinated charging and heating control algorithm within the theoretical framework of Lyapunov optimization.
CN · 翻译
为求解该问题，我们在
Lyapunov 优化的理论框架下开发了在线协同充电-加热控制算法。
EN · 原文
Note that our online method is prediction-free and independent of any assumed modeling of uncertainty.
CN · 翻译
注意，我们的在线方法是
免预测的，不依赖任何
假定的不确定性建模。
EN · 原文
We also characterize both the feasibility and optimality of the proposed control approach.
CN · 翻译
我们还刻画了所提控制方法的
可行性与
最优性。
EN · 原文
Numerical results based on real-world data demonstrate the effectiveness and robustness of our control method through comparisons.
CN · 翻译
基于真实数据的数值结果，通过对比实验证明了我们控制方法的
有效性与鲁棒性。
关键词 Keywords：Electric Vehicle Charging 电动汽车充电 ｜ Battery Thermal Management 电池热管理 ｜ Online Control 在线控制 ｜ Lyapunov Optimization 李雅普诺夫优化 ｜ Cold Environments 寒冷环境
四、引言精选（为什么这个问题重要）
① 冬天是电动车普及的「拦路虎」
EN · 原文
Indeed, low temperatures primarily affect EV adoption in two aspects: decreased driving range and limited charging rates [3]. Cold temperature leads to higher battery internal resistance, reduced capacity and battery life, and thus degraded performance [4]. In [6], it is shown that for every degree Celsius below the optimal temperature, the driving range declines by about 0.8%.
CN · 翻译
低温主要通过两方面影响电动车普及：
续航里程下降与
充电速率受限。低温导致电池内阻升高、容量和寿命下降，从而性能退化。文献[6]表明：
每低于最适温度 1℃，续航里程下降约 0.8%。
② 一组触目惊心的数字：-20℃ 下充电要慢多少？
EN · 原文
EV fast charging rate can significantly decline under cold conditions [7]. Reference [8] reports that a Nissan Leaf shows a 25% increase in charging time with a 33% decrease in charged energy at -20°C. Moreover, reduced driving range results in more frequent charging behaviors in cold climates due to an extra recharge need, which even increases the peak demand of power systems [2].
CN · 翻译
寒冷条件下电动汽车的快充速率会显著下降。文献[8]报告：日产 Leaf 在
-20°C 时充电时间增加
25%、充入电量减少
33%。此外，续航缩短导致寒冷天气下充电更频繁，甚至抬高了电力系统的
高峰负荷需求。
③ 朴素做法为什么不行：把充电和加热「拆开管」
EN · 原文
To achieve EV charging with battery thermal management, a straightforward approach is to decouple battery charging and heating into two separate control processes without considering the coupling between thermal and charging dynamics. However, the above uncoordinated EV battery charging and heating fails to determine the optimal timing and power allocation for heating based on the battery charging states, leading to increased costs [15].
CN · 翻译
实现带热管理的充电，最直接的办法是把充电与加热
拆成两个独立控制过程，不考虑两者耦合。但这种不协同的方式无法根据电池充电状态决定
加热的最优时机与功率分配，导致成本上升。
④ 离线方法的两大硬伤：要未来信息、忽略车队多样性
EN · 原文
While effective at the individual EV level, both methods fail to consider the diverse charging behaviors (e.g, EV arrival times) of a large fleet of EVs, which is a critical source of uncertainty that cannot be ignored. Moreover, both approaches rely on perfect knowledge of future information such as ambient temperature. Different from offline charging scheduling, online charging control does not require complete future information such EV behaviors and temperature conditions.
CN · 翻译
这些方法在单辆车层面有效，却
忽视了大车队多样的充电行为（如到达时间）——这是不可忽略的不确定性来源；而且它们依赖
对未来信息的完美掌握（如环境温度）。与离线调度不同，
在线充电控制不需要完整的未来信息（如车辆行为与温度状况）。
⑤ 为什么选 Lyapunov 优化：对不确定性「无知者无畏」
EN · 原文
Lyapunov optimization, which is based on queue theory, serves as a promising solution to perform online control, as it grants robustness to system uncertainties without any prior knowledge of them. Lyapunov optimization is an approach for maintaining queue stability while optimizing time-average performance under uncertain system dynamics.
CN · 翻译
基于
排队论的 Lyapunov 优化是实现在线控制的有力工具：它
无需任何先验知识就能对系统不确定性保持鲁棒。它是一套在不确定动态下
维持队列稳定、同时优化时间平均性能的方法。
💡 这是全文最有味道的一句：“How to implement effective EV charging and heating control in a coordinated manner for cost savings?”——一个问题问出全文：充电和加热怎么协同，才能既满足需求又省钱？先问对问题，再谈方法。
五、论文贡献（3 个要点）
EN · 原文
1. A coordinated control scheme. The main contribution of this work is the development of a non-trivial coordinated EV battery charging and heating control scheme.
CN · 翻译
1. 一套非平凡的协同控制方案。本文主要贡献是开发了充电与加热
协同的电动汽车电池控制方案——把过去「各管各」的两件事合二为一。
EN · 原文
2. A Lyapunov-based online algorithm. To solve the problem, we develop our online coordinated charging and heating control algorithm within the theoretical framework of Lyapunov optimization.
CN · 翻译
2. 基于 Lyapunov 优化的在线算法。在 Lyapunov 优化框架下开发在线协同充电-加热控制算法，并刻画其可行性与最优性。
EN · 原文
3. Prediction-free and uncertainty-model-free. Note that our online method is prediction-free and independent of any assumed modeling of uncertainty.
CN · 翻译
3. 免预测、免不确定性建模。在线方法不依赖任何预测，也不需要假设任何不确定性模型——这正是它区别于 MPC 与强化学习的核心竞争力。
六、结论中英对照
EN · 原文
In this paper, we propose a novel algorithm to address the EV charging control problem in cold environments. The most distinctive feature of our algorithm is its ability to achieve coordinated control of charging and heating without any prior knowledge of uncertainties. Through a queue-based remodeling of the system dynamics, we achieve such coordinated control under the theoretical framework of Lyapunov optimization, where the queue stability conditions serve as the foundation for achieving joint control of charging and heating.
CN · 翻译
本文提出一种新算法解决寒冷环境下的 EV 充电控制问题。其最鲜明的特点是：
在完全不了解不确定性的情况下实现充电与加热的协同控制。通过对系统动态做基于队列的重构，我们在 Lyapunov 优化框架下实现协同控制——
队列稳定条件正是充电与加热联合控制的基石。
EN · 原文
Numerical results demonstrate the effectiveness of our algorithm and reveal the following findings: 1. The proposed coordinated control algorithm effectively satisfies the charging demands in cold environments, while maintaining advantages in cost savings. 2. With decreasing ambient temperature, both heating energy consumption and total system cost increase. 3. Battery thermal management during charging is crucial in cold environments, and active battery heating is particularly important under extremely cold conditions.
CN · 翻译
数值结果验证了算法的有效性，并揭示三点发现：
1. 协同控制算法能有效满足寒冷环境的充电需求，同时保持成本优势；
2. 环境温度越低，加热能耗与系统总成本越高；
3. 充电过程中的电池热管理至关重要，
极寒条件下主动加热尤为重要。
EN · 原文
In future work, we are interested in exploring more complex battery characteristics. Moreover, designing a coordinated charging and heating scheme for cold environments under fast charging scenarios is also a direction.
CN · 翻译
未来工作将探索
更复杂的电池特性；此外，面向
快充场景的寒冷环境协同充电-加热方案设计也是一个方向。
七、编者解读：这篇论文到底讲了什么（大白话版）
- 问题：冬天电动车充电慢、充不满——-20°C 下充电时间 +25%、充入电量 -33%。要解决就得先给电池「预热」，可加热也要耗电、也要时间：到底先充电还是先加热？各给多少功率？
- 旧办法的坑：要么「先加热到设定温度、再正常充电」两步走——加热时机和功率拍脑袋定，浪费钱；要么用离线优化——但前提是提前知道所有车几点来、气温怎么变，现实中根本做不到。
- 新思路：把「欠的电」和「缺的热」都当成排队的人。队列太长就多服务（充电/加热），队列空着就少服务。用 Lyapunov 优化这个数学工具，每个时刻看一眼当前队列就做决策，不用预测未来——理论保证队列不爆、长期平均成本接近最优。
- 结果：真实数据仿真显示：充电需求满足、成本有优势；还得出反直觉但合理的规律——越冷越该加热，因为不加热充得慢、耗电更多，算总账反而亏。
- 工程意义：充电站运营者不需要装预测系统、不需要统计模型，一套「看当前状态做决策」的算法就能跑起来——这对算力、数据都有限的实际场站非常友好。
🎯 对保研的启示：这篇论文示范了「用一个成熟理论框架解决真实工程问题」的经典套路——先讲清楚物理耦合（充电+加热），再找一个有理论保证的框架（Lyapunov），最后用真实数据验证。复试时能讲出「为什么离线不行、为什么在线可行、理论给了什么保证」，就说明你读懂了控制论的精髓。
八、给准大一的阅读路线图 & 延伸方向
📖 怎么读这篇论文（三遍法）
- 第一遍（10 分钟）：只读摘要和术语表，回答三个问题——问题是什么？方法是什么？结果是什么？（答案：低温充电慢→充电加热协同在线控制→Lyapunov 优化，真实数据验证有效。）
- 第二遍（20 分钟）：读引言 + 结论，重点体会「为什么分开控制不行、为什么离线不行、为什么在线可行」，以及结论的三点发现。
- 第三遍（30 分钟）：读引言中关于队列模型和 Lyapunov 优化的文字描述，跳过公式与参考文献编号；把「队列稳定」「时间平均性能」这类词回查术语表，画一张「充电队列 + 热队列 + 控制器」的示意图帮助理解。
🚀 这个方向你能延伸做什么
- 现在就能做：找一篇讲 Lyapunov 优化入门的中文博客，理解「漂移-惩罚」一句话版本（每个时刻：既要少花钱，又不能让队列爆掉）；再用 Excel 模拟一个简单充电队列看看排队现象。
- 大一→大二：学好概率论（随机过程）、微积分与线性代数；Lyapunov 优化是运筹学与控制的交叉，数学基础决定你能走多远。
- 大二→大三：方向可扩展为电动汽车充电调度、V2G 与灵活性资源、电池热管理与储能系统、Lyapunov/MPC/强化学习三类在线控制对比、电力市场与需求响应——都是电气+AI 的保研热门方向；国际期刊可看 IEEE Trans. on Smart Grid、IEEE Trans. on Transportation Electrification，国内可关注《中国电机工程学报》。
九、英文摘要朗读（练听力用）
先盲听一遍→再看对照稿→再听一遍。目标是听出每个数字（25%、33%、-20°C）和术语（queue model、queue stability、Lyapunov optimization、prediction-free）。