Estimation of SoC, SoH, and RUL in battery management systems using artificial intelligence: A tertiary mapping study
Michael Lopes Bastos、Maria Alice Andrade Calazans、Monalisa C. Moura dos Santos、Igor Amaral M. Sousa、Luiz Henrique Bertucci Borges、Leonardo Didier Coelho
论文卡片 1
基本信息
- 标题：Estimation of SoC, SoH, and RUL in battery management systems using artificial intelligence: A tertiary mapping study
- DOI/URL：https://doi.org/10.1016/j.est.2026.123693
- 期刊/会议/预印本平台：Journal of Energy Storage
- 发表日期：脚本给出 2026-07-27；Crossref
issued/published-print为 2026-11，创建/入库 2026-07-27 - 作者和机构：Michael Lopes Bastos；Maria Alice Andrade Calazans；Monalisa C. Moura dos Santos；Igor Amaral M. Sousa；Luiz Henrique Bertucci Borges；Leonardo Didier Coelho。机构未能从可访问元数据确认。
- 通讯作者：未能确认
- 脚本评分：101
- 期刊指标核验：未核验
纳入理由和命中证据
- 直接覆盖 BMS 中 SoC、SoH、RUL 估计，属于电池状态/寿命预测核心范围。
- 摘要证据：研究“maps, analyzes, and synthesizes” AI 技术用于 lithium-ion batteries 的 SoC、SoH、RUL；提到 ANN、SVR、LSTM、Bi-LSTM、CNN-LSTM、PSO/GA，以及 NASA、CALCE、Oxford 数据集。
- 与普通材料论文区别：这是模型/文献映射综述，不是材料合成或单纯电化学性能报道。
创新点、主要内容、方法流程
- 三级映射研究：从 43 篇二级研究综合 AI 在 SoC/SOH/RUL 估计中的趋势。
- 方法流程：系统综述筛选二级研究 → 技术类别统计 → 常用模型/优化器/数据集归纳 → 挑战与未来方向总结。
- 模型架构/方法：综述总结 ANN、SVR、LSTM/Bi-LSTM、CNN-LSTM、深度学习、TinyML、XAI、物理-数据混合方法；自身不提出新预测模型。
输入特征与输出目标
- 输入特征：作为综述，未定义单一输入；总结领域常见电压/电流/温度/容量曲线等 BMS 数据（可访问摘要未逐项展开）。
- 输出目标：SoC、SOH、RUL。
数据来源/电池类型/循环协议
- 电池类型：锂离子电池。
- 数据来源：43 篇二级研究；摘要指出 NASA、CALCE、Oxford 是常用验证数据集。
- 循环协议/电池数量：未能从可访问内容确认。
结果指标、Baseline/对比方法
- 综述型文章，无统一 MAE/RMSE/R2。
- 对比维度是文献中模型类别、优化器、数据集与挑战；非实验 benchmark。
泄漏风险/局限性/复现性
- 泄漏风险：不适用单一模型；但可作为检查综述是否讨论随机切分、数据泄漏、标准化 benchmark 的入口。
- 局限性：三级综述依赖二级研究质量；可能弱化单篇论文实验细节。
- 复现性：信息不足；需下载全文确认检索式、纳排标准、PRISMA/映射表是否完整。
对哥哥研究/落地的启发和后续动作
- 适合作为“SOH/RUL 综述索引库”，快速定位 2024-2026 的方法和数据集脉络。
- 后续动作：下载 PDF；抽取其 43 篇二级研究清单；检查是否提到数据泄漏、跨工况验证、TinyML/BMS 部署限制。
查看关键词分类依据
- RUL prediction · 标题包含「rul」
Estimation of SoC, SoH, and RUL in battery management systems using artificial intelligence: A tertiary mapping - SOH estimation · 标题包含「soh」
Estimation of SoC, SoH, and RUL in battery management systems using artificial intelligence: A tertiar - LSTM · 摘要包含「lstm」
ctures. Among these, long short-term memory (LSTM) variants, particularly bidirectional LSTM (Bi-LSTM) and hybrid CNN-LSTM models - CNN · 摘要包含「cnn」
arly bidirectional LSTM (Bi-LSTM) and hybrid CNN-LSTM models, are frequently employed to capture complex temporal dynamics. For - Generic neural network / deep learning · 摘要包含「neural network」
hine learning techniques, such as artificial neural networks (ANN) and support vector regression (SVR), with a growing trend toward deep le - Generic machine learning · 摘要包含「machine learning」
nalyzed. The results indicate a dominance of machine learning techniques, such as artificial neural networks (ANN) and support vector regress - SVR / SVM · 摘要包含「svr」
etworks (ANN) and support vector regression (SVR), with a growing trend toward deep learning (DL) architectures. Among these, lo - Hybrid model · 摘要包含「hybrid」
articularly bidirectional LSTM (Bi-LSTM) and hybrid CNN-LSTM models, are frequently employed to capture complex temporal dynamics. - NASA · 摘要包含「nasa」
the most prevalent optimization methods. The NASA, CALCE, and Oxford datasets are the most widely used for model validation. Key - CALCE · 摘要包含「calce」
st prevalent optimization methods. The NASA, CALCE, and Oxford datasets are the most widely used for model validation. Key challen - Oxford · 摘要包含「oxford」
t optimization methods. The NASA, CALCE, and Oxford datasets are the most widely used for model validation. Key challenges identifi - Li-ion / LIB · 摘要包含「lithium-ion」
th (SoH), and remaining useful life (RUL) of lithium-ion batteries. Based on a systematic literature review, 43 secondary studies were s