RBBMO‐STOReAT‐net driven framework for effective SOC and SOH prediction in lithium‐ion batteries using electrochemical spectroscopy
Gangula Veeranarayana、B. Perumal、Pavan Kumar Kurella
4. RBBMO-STOReAT-net driven framework for effective SOC and SOH prediction in lithium-ion batteries using electrochemical spectroscopy
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI/出版社页；PDF 请求超时，Crossref 提供摘要 |
| 发现来源 | OpenAlex；Crossref；Crossref 论文元数据与摘要 |
| 期刊/会议/平台 | The Canadian Journal of Chemical Engineering |
| 发表日期 | 2026-11-04，Crossref published-online 与版权记录日期 |
| 作者/机构 | Gangula Veeranarayana、Balasubramani Perumal、Pavan Kumar Kurella；前两位列 Kalasalingam Academy，Kurella 列 SRKR Engineering College |
| 通讯作者 | 未能由 Crossref 作者序列确认；OpenAlex 记录曾列 B. Perumal，但此处不据此认定 |
| 脚本评分/证据等级 | 65；直接 SOH/SOC 估计、EIS、混合方法；摘要级 |
| 核验路径 | payload PDF pdfdirect 请求超时；DOI 页面抓取失败；随后读取 Crossref DOI 记录及其出版方提交摘要 |
纳入理由与原文证据
- 主题/边界： 论文目标含 SOH 估计，满足健康预测范围；SOC 是并列任务，不把 SOC 单独视为寿命预测。
- 证据： Crossref 摘要明确称以 EIS 估计 SOC/SOH，并指出合成标签可能造成偏差或高估；摘要记录 给出作者报告的实验描述与数字。
数据集/电池体系
- 体系/数据： 锂离子电池 EIS 数据集；具体来源、样本数、电芯型号、温度和采集协议未在摘要说明。作者明确提到直接寿命标签不足时使用合成标签作为一种基准情境，但是否用于全部报告结果未能确认。
- 工况/跨域： 未提供按电芯/温度的覆盖或跨化学体系测试信息。
EOL/RUL/SOH 定义
- 目标/定义： 回归 SOC 与 SOH；不是 RUL/EOL 预测。SOH 标签公式、容量阈值及标签来自实测还是合成未充分交代。
- 未来信息风险： 摘要主动提醒合成标签偏差可能高估性能；测试集隔离、标签生成是否使用完整寿命曲线等信息缺失。
模型方法
- 流程： EIS 输入，经 Red Billed Blue Magpie Optimization 调参，组合 stochastic latent transformer（SLT）与 reservoir computing attention network（RCAN）进行 SOC/SOH 估计；摘要还称 RBBMO 用于全局超参数搜索、避免过早收敛。模型复杂度、搜索空间、消融及基线细节未见全文，稳定性主张需由验证集隔离和多次运行方差支持。
- 部署： 摘要称面向 BMS，但未给出硬件、延迟或内存测量。
验证设计
- 划分/泛化： 仅确认使用锂离子 EIS 数据集作实验验证；随机/按电芯切分、外部数据验证及独立测试均未说明。
- 可信度： 信息不足。摘要的任务清楚，但数据与切分缺失，且合成标签偏差是作者承认的风险。
指标与结果
- 摘要报告 SOC R²=0.9994、SOH R²=0.9992；SOH 的 MAPE/MSE/median AE/MAE/RMSE/max error 分别为 0.04505/0.00084/0.02145/0.02394/0.02903/0.09787。指标单位、缩放尺度和测试集未给出，不能与百分比误差直接比较。
泄漏风险、复现性与局限性
- 泄漏风险： 高度不确定；没有样本切分和合成标签生成细节，建议先排除同一电芯频谱、同一寿命曲线跨集合。
- 复现性： 低至信息不足；摘要提及 Python，但数据、代码、超参数及随机种子未确认。
- 局限性： EIS 数据规模/来源未知；SOC/SOH 指标尺度不明；夸大的 R² 需在独立电芯、真实标签上复验。
是否值得跟进
- 结论： 观望。
- 理由与下一步： 可作为 EIS-SOH 方向线索，不建议据摘要数字直接采用。优先获取全文与数据，确认合成标签比例、测试切分、指标量纲及复现材料。
查看关键词分类依据
- SOH estimation · 标题包含「soh」
T‐net driven framework for effective SOC and SOH prediction in lithium‐ion batteries using electrochemical spectroscopy - Transformer / attention · 摘要包含「transformer」
d Blue Magpie Optimization‐Stochastic Latent Transformer Reservoir Computing Attention Network (RBBMO‐STOReAT‐Net) framework lies in the - Generic neural network / deep learning · 摘要包含「data driven」
nd energy storage devices. However, existing data driven models frequently face issues like noise affected electrochemical impedance spe - Hybrid model · 摘要包含「hybrid」
n network (RCAN) for SOC‐SOH estimation. The hybrid DL model integrates the latent feature extraction and nonlinear temporal repres - ECM / electrochemical model · 标题包含「electrochemical」
OH prediction in lithium‐ion batteries using electrochemical spectroscopy - Self-built / experimental dataset · 摘要包含「experimental」
globally and prevents premature convergence. Experimental validation using EIS of lithium‐ion batteries dataset with Python software was