Interpretable and uncertainty-quantified early remaining useful life prediction for lithium-ion batteries under fast charging protocols
Dunwang Qin、Tianzi Tian、Jun Yang、Ning Wang
2. Interpretable and uncertainty-quantified early remaining useful life prediction for lithium-ion batteries under fast charging protocols
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI/出版社入口；未取得 PDF 链接；Crossref 记录 PII 为 S0306261926015485 |
| 发现来源 | OpenAlex；source URL；Crossref 题录辅助确认 |
| 期刊/会议/平台 | Applied Energy；Elsevier |
| 发表日期 | OpenAlex：2026-09-22；Crossref created：2026-09-22，正式 published/published-print 卷期为 2027-01；日期口径待复核 |
| 作者/机构 | Dunwang Qin、Tianzi Tian、Jun Yang、Ning Wang；payload 机构：Beihang University |
| 通讯作者 | Jun Yang（OpenAlex corresponding_authors；出版社页面未能复核） |
| 脚本评分/证据等级 | 90；摘要级。主要命中早期 RUL、锂离子/快充、神经网络、Bayesian 不确定性、Applied Energy |
| 核验路径 | pdf_url 未提供 → DOI/url 入口 web_extract 失败 → DOI/出版社正文未获取；使用 OpenAlex 结构化摘要和 Crossref 题录核验 |
纳入理由与原文证据
- 主题/边界： 标题直接指向快充协议下的 early RUL prediction，并把可解释性和预测不确定性作为方法目标，属于电池寿命预测核心任务。
- 证据： 摘要称在同一快充数据集的两个 distinct batches 上验证；两个批次的 RMSE 降幅为 2.96% 和 7.09%，MAPE 降幅为 1.32% 和 8.16%。DOI
数据集/电池体系
- 体系/数据： 锂离子电池快充数据集，摘要明确有两个批次，但未说明电芯数量、化学体系、传感器、充电倍率范围和是否公开。
- 工况/跨域： 研究场景是 fast-charging protocols，且强调初始循环阶段；两个批次是否代表时间、批次或工况外推，以及温度/SOC 覆盖未能确认。
EOL/RUL/SOH 定义
- 目标/定义： 输出 early remaining useful life；摘要未说明 EOL 阈值、RUL 单位、标签从容量还是循环寿命生成，也未确认是否有 SOH 辅助任务。
- 未来信息风险： 早期预测应重点检查 domain-specific feature 是否只由预测时刻以前的窗口计算，CA-BB-KDE 的带宽调整是否使用测试集或完整退化轨迹；当前无全文证据。
模型方法
- 流程： domain-specific features → causal analysis 选择因果变量 → LegendreNet 建模非线性关系；原始特征 → CCNN 提取全局时空与局部表征；两路经 LNCCNN 融合输出 RUL，再以 curvature-aware BB-KDE（CA-BB-KDE）量化不确定性。
- 部署： 仅确认面向快充早期预警和 BMS 决策；传感器最低输入、推理延迟、在线更新与资源需求未说明。
验证设计
- 划分/泛化： 摘要确认同一快充数据集的两个 distinct batches；未能确认是否按电芯隔离、是否留出完整批次、是否有外部数据或随机窗口。
- 可信度： 中等、信息不足。任务和不确定性方法清楚，结果有相对改善，但泛化强度取决于批次划分和因果特征的训练边界。
指标与结果
- 摘要给出两个批次的相对指标：RMSE 降低 2.96%/7.09%，MAPE 降低 1.32%/8.16%；绝对 RMSE、单位、baseline 名称和置信区间未能确认。
- 论文声称量化预测不确定性，但当前未确认区间覆盖率、宽度、校准误差或与点预测的分离结果；脚本评分不是性能指标。
泄漏风险、复现性与局限性
- 泄漏风险： 信息不足；重点检查因果筛选、归一化、快充批次标签和 KDE 带宽是否使用了测试批次或完整寿命曲线。
- 复现性： 信息不足。摘要给出模型模块和批次数，但未确认数据下载、代码、超参数、随机种子和特征清单。
- 局限性： ① 只有摘要，无法核对因果定义；② 两批数据是否真正跨域未知；③ 绝对误差、预测区间质量和部署成本未报告。
是否值得跟进
- 结论： 强烈跟进。
- 理由与下一步： 早期快充 RUL 与不确定性是直接可用的 BMS 研究方向，且因果特征可作为可解释 benchmark。下一步获取 PDF，核对按电芯/批次划分、特征可用时间点、区间校准和与简单模型的公平比较。
查看关键词分类依据
- RUL prediction · 标题包含「remaining useful life」
terpretable and uncertainty-quantified early remaining useful life prediction for lithium-ion batteries under fast charging protocols - CNN · 摘要包含「convolutional」
the original features are fed into a causal convolutional neural network (CCNN) to extract deep representations, capturing both global sp - Generic neural network / deep learning · 摘要包含「neural network」
lize across various conditions, we propose a neural network based on Legendre polynomial orthogonal bases, termed LegendreNet. Its approxim - Bayesian · 标题包含「uncertainty」
Interpretable and uncertainty-quantified early remaining useful life prediction for lithium-ion batteries und - Hybrid model · 摘要包含「prediction framework」
architecture, we propose a novel multimodal prediction framework for early RUL estimation of lithium-ion batteries, named LNCCNN. Finally, to ad - Self-built / experimental dataset · 摘要包含「experimental」
, called curvature-aware BB-KDE (CA-BB-KDE). Experimental results on two distinct batches from the same fast-charging dataset demonstrate - Li-ion / LIB · 标题包含「lithium-ion」
d early remaining useful life prediction for lithium-ion batteries under fast charging protocols