Lithium-ion battery state of health prediction enhanced by a Grey Model-long short term memory with dynamic attention and gated mechanisms

1. Lithium-ion battery state of health prediction enhanced by a Grey Model-long short term memory with dynamic attention and gated mechanisms

论文基本信息

字段	内容
DOI/URL/PDF	DOI；出版社摘要页；未提供可直接访问 PDF
发现来源	Crossref/Venue；出版社页面复核
期刊	Electric Power Systems Research，vol. 260，article 113277
发表日期	ScienceDirect 标示 November 2026（卷期日期）；具体日及 online-first 日期未能确认，保留原始月度字段
作者/机构	Tianyi Li、Dazhi Wang、Yupeng Zhang、Tianhao Gong；机构未能从可访问摘要确认
通讯作者	未能确认
脚本评分/证据等级	63；SOH、注意力、相关期刊；摘要级
核验路径	payload 无 PDF；由 DOI 进入 ScienceDirect，页面核对标题、作者、卷期及摘要；全文需机构权限/购买

纳入理由与原文证据

• 主题/边界： 目标为锂离子电池 SOH 预测，属于核心健康状态估计；摘要没有声称直接输出 EOL/RUL，不能把 SOH 指标外推成 RUL 结果。
• 证据： 出版社摘要确认使用动态充电斜率统计量、高压积分及放电动态热阻构造健康指标，并在 NASA PCoE 数据上验证；出版社摘要。

数据集/电池体系

• 体系/数据： NASA PCoE 锂离子电池数据；具体电芯数、化学体系、样本量及预处理在可访问摘要中未说明。
• 工况/跨域： 摘要称覆盖全生命周期与小样本场景；温度、倍率、SOC 窗口和跨电芯/跨工况划分未能确认。

EOL/RUL/SOH 定义

• 目标/定义： 直接预测 SOH；SOH 标签计算方式、EOL 阈值及 RUL 单位未说明。
• 未来信息风险： 是否只使用预测时点之前的数据、是否以完整寿命曲线构造标签或调参，摘要未说明，需全文审计。

模型方法

• 流程： 充电曲线斜率均值、标准差和高压积分等健康指标，加上放电动态热阻；LSTM 捕捉非线性时序，Grey Model 适配小样本；注意力动态加权，再由门控在注意力融合与平均融合间抑制异常预测。摘要只宣称优于单一 LSTM/GM，具体消融设定未披露。
• 部署： 未说明 BMS 计算量、采样率、时延或在线更新实测。

验证设计

• 划分/泛化： NASA PCoE 全寿命和小样本条件；独立测试、电芯级留出及外部数据未能确认。
• 可信度： 信息不足；有实际数据集验证，但摘要没有报告划分协议。

指标与结果

• 摘要只报告相较 LSTM/GM 的 RMSE、MAPE 更低、R² 更高；没有可复核的具体数值与测试集规模，故不填数字。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；重点检查滑窗切分是否跨同一电芯、归一化是否使用测试数据、全寿命信息是否进入预测端。
• 复现性： 信息不足；当前未确认代码、超参、随机种子、数据链接或作者通讯信息。
• 局限性： ①摘要未给出电芯与工况覆盖；②SOH 定义及阈值缺失；③卷期日期只有月份且与本报告日期处于同月，在线日期需另核。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 方法把充放电特征与小样本模型融合，值得与常用 SOH 基线比较；先获取全文，确认数据分组、标签定义、精确指标和该文的 online-first 日期。