Life Prediction of Energy Storage LFP Batteries Based on Voltage Segment Health Indicators: A Comparative Study of Data-Driven and Arrhenius-Data Fusion Models
Hao Liu、Guozhi Huang、Shijie Li、Ming Jin、Peng Guo、Kun Jia、Huangwang Mai、Yong Zang
2. Life Prediction of Energy Storage LFP Batteries Based on Voltage Segment Health Indicators: A Comparative Study of Data-Driven and Arrhenius-Data Fusion Models
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI/MDPI全文页面；PDF（本轮获取失败） |
| 发现来源 | OpenAlex；来源历史：OpenAlex |
| 期刊/会议/平台 | Batteries 12(8)，文章301 |
| 发表日期 | 2026-08-12，MDPI/Crossref在线日期 |
| 作者/机构 | Hao Liu、Guozhi Huang、Shijie Li、Ming Jin、Peng Guo、Kun Jia、Huangwang Mai、Yong Zang、Yingmeng Zhang、Gongsheng Song、Guobin Zhong、Chao Wang、He Zhao、Qianqian Hu；China Southern Power Grid及National Institute of Guangdong Advanced Energy Storage |
| 通讯作者 | Qianqian Hu（MDPI出版页面通讯作者标记） |
| 脚本评分/证据等级 | 71；摘要级；命中周期寿命/RUL、GPR/混合方法、Batteries、开放获取 |
| 核验路径 | payload无PDF直链；MDPI PDF尝试失败 → MDPI出版方全文页面成功取得题录和摘要 → Crossref核对14位作者、机构、日期和DOI |
纳入理由与原文证据
- 主题/边界： 明确提出大型储能LFP电池寿命预测，并将混合模型用于长期RUL监测，属于核心寿命预测；不是只做材料稳定性或储能调度。
- 证据： 摘要说明部分电压段SVF健康指标、GPR残差校正与Arrhenius-Kalman融合两条路线；报告320Ah数据验证281个循环、另用298Ah数据验证150个循环。MDPI摘要
数据集/电池体系
- 体系/数据： 大容量LFP储能电池；320Ah数据含281个循环，另有298Ah数据含150个循环。摘要未给电芯总数、数据是否公开、批次、设备及各电池运行时长。
- 工况/跨域： 数据驱动法在320Ah数据验证，并在298Ah数据进一步验证；摘要未说明两种容量间的训练/测试关系、温度、倍率、SOC窗口或独立电站BMS数据。
EOL/RUL/SOH 定义
- 目标/定义： 以部分电压段提取SVF作为health indicator，估计周期寿命；Arrhenius-KF路线用于闭环修正长期RUL。EOL容量阈值、寿命标签计算及周期寿命与RUL转换方式未说明。
- 未来信息风险： 部分电压段降低对完整充放电曲线的依赖；仍需确认分段位置是否在运行前可获得、训练和测试是否跨电芯隔离，以及Arrhenius参数是否使用全寿命数据校准。
模型方法
- 流程： 局部电压片段→Summed Voltage Falloff（SVF）健康指标→统一数值拟合并用Gaussian Process Regression校正残差；另一方案将Arrhenius模型与Kalman滤波结合，在线闭环修正预测。
- 部署： 作者将数据驱动方法定位为离线一次检查，将混合模型定位为长期在线监测；摘要未提供端侧硬件、传感采样约束、推理延迟或实际BMS运行记录。
验证设计
- 划分/泛化： 320Ah LFP数据281循环用于两种方法验证，数据驱动法再用298Ah数据150循环验证；摘要没有给出按电芯/批次切分、独立测试集、重复次数或误差统计分布。
- 可信度： 中低；应用场景和两类模型比较明确，但样本规模、EOL标签和数据切分细节缺失，结果需全文复核。
指标与结果
- 数据驱动法报告2σ置信水平下最差循环寿命3304 cycles；混合模型以200 cycles训练时预测1000 cycles，误差低于5%。摘要未说明“误差”的具体定义、测试电芯数及对应数据集，因此不据此推断普遍精度。
泄漏风险、复现性与局限性
- 泄漏风险： 信息不足；检查拟合和Arrhenius参数估计是否使用测试轨迹，以及“预测1000 cycles”是否为真实独立测试还是模型外推。
- 复现性： 低至中；摘要披露SVF、GPR、Arrhenius和Kalman流程及部分数据规模，数据链接、参数、代码、种子均未确认；PDF本轮未获取。
- 局限性： 仅LFP大容量场景；电芯数量和温度/倍率跨度未知；对长周期结果缺少独立现场验证信息。
是否值得跟进
- 结论： 强烈跟进。
- 理由与下一步： 部分电压片段与大容量LFP直接相关。优先获取PDF，核对样本数、EOL定义、1000-cycle误差口径、跨电芯验证和298Ah数据的独立性。
查看关键词分类依据
- RUL prediction · 摘要包含「remaining useful life」
ficient data, applicable to long-term online remaining useful life monitoring. The data-driven method yields a worst-case cycle life of 3304 cycle - EOL / cycle life prediction · 摘要包含「cycle life」
. The data-driven method yields a worst-case cycle life of 3304 cycles at 2σ confidence level, and the hybrid model maintains error bel - Generic neural network / deep learning · 标题包含「data-driven」
nt Health Indicators: A Comparative Study of Data-Driven and Arrhenius-Data Fusion Models - Gaussian Process · 摘要包含「gaussian process」
s a unified numerical fitting framework with Gaussian process regression (GPR) residual correction, with tailored fitting strategies for 320 - Kalman / particle filter · 摘要包含「kalman」
d method integrates the Arrhenius model with Kalman filtering for closed-loop online prediction correction. Both methods are valida - Hybrid model · 标题包含「fusion」
tive Study of Data-Driven and Arrhenius-Data Fusion Models - Empirical degradation model · 摘要包含「empirical」
diction methods: a data-driven method and an empirical-data hybrid method. The data-driven method adopts Summed Voltage Falloff (SVF) - LFP / LiFePO4 · 标题包含「lfp」
Life Prediction of Energy Storage LFP Batteries Based on Voltage Segment Health Indicators: A Comparative Study of Da