Lithium-Ion Battery SOH Estimation Driven by Multi-Level Features from Adaptive Optimal Intervals and HISSA-BiLSTM

论文卡片 3

基本信息

• 标题：Lithium-Ion Battery SOH Estimation Driven by Multi-Level Features from Adaptive Optimal Intervals and HISSA-BiLSTM
• DOI/URL：https://doi.org/10.1149/1945-7111/ae8724
• 期刊/会议/预印本平台：Journal of The Electrochemical Society（Accepted Manuscript）
• 发表日期：2026-07-07
• 作者和机构：Yuan Jiang（Hubei University of Technology）, Xinlei Qiao（State Grid Shanghai Municipal Electric Power Company）, Lu Lv（Hubei University of Technology）, Lujun Wang（Powerchina Equipment Research Institute Co., Ltd.）
• 通讯作者：Lujun Wang（IOP 页面列出 EMAIL 于最后作者 affiliation 下；但邮箱被保护，姓名基于页面顺序判断）
• 脚本评分：66
• 期刊指标核验：未核验

纳入理由和命中证据

• 摘要明确：“Accurate State of Health (SOH) estimation for lithium-ion batteries”；提出 SOH estimation framework。
• 命中 adaptive optimal interval selection、多层 health feature extraction、HISSA-assisted BiLSTM。

创新点

• 用 Multi-dimensional Hybrid Evaluation Index（MHEI）驱动 adaptive interval search，减少冗余采样。
• 从 local charging intervals、full-curve charging behavior、discharge/IC-curve electrochemical properties 提取多层特征。
• 用 Pearson-Spearman 双相关筛选，再用 HISSA 做 BiLSTM 超参优化。

主要内容

• 提取 16 维 health features，相关性筛选保留 13 个强相关特征。
• 在 NASA selected cells 上测试，强调在受控实验室循环下 SOH 估计准确。

模型架构/方法流程

1. MHEI 自适应寻找最优片段。
2. 从局部/全曲线/IC 曲线提取 16D 健康特征。
3. Pearson-Spearman 筛选。
4. HISSA 优化 BiLSTM。
5. 输出 SOH。

输入特征与输出目标

• 输入：充电局部区间特征、完整充电曲线行为、放电/IC 曲线电化学特征。
• 输出：SOH。

数据来源/数据结构/电池类型/循环协议

• 数据：selected NASA cells。
• 电池体系：Li-ion。
• 具体 cell 编号、循环工况、温度/倍率：未能从可访问摘要确认。

结果指标

• adaptive optimal intervals 使 feature correlation 提升 8.3%，数据长度减少超过 50%。
• 具体 MAE/RMSE/R² 未能从可访问页面确认。

Baseline/对比方法

• 摘要提到与 traditional full-interval features 对比；其他 baseline 未能确认。

泄漏风险/局限性/复现性

• 泄漏风险：中。NASA 小样本常见随机切分/同电池泄漏风险，需要全文确认 split。
• 局限性：作者承认需要在不同化学体系、更大数据集和真实工况上验证。
• 复现性：中低。摘要细节较完整，但全文/PDF需订阅，代码未确认。

对哥哥研究/落地的启发和后续动作

• 关注“自适应最优片段”是否可替代固定电压窗口/固定 SOC 窗口，对在线 BMS 减少采样长度有价值。
• 后续动作：补全文，记录具体 NASA cells、split、baseline、误差指标。

---