A Hybrid Exponential Smoothing and LSTM Approach With Double Lightning Search for Enhanced Prediction of Lithium‐Ion Battery Remaining Useful Life
Mohammad Rajabzadeh、Pezhman Ghadimi、Vincent Hargaden、Nikolaos Papakostas
4. A Hybrid Exponential Smoothing and LSTM Approach With Double Lightning Search for Enhanced Prediction of Lithium-Ion Battery Remaining Useful Life
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | Wiley DOI文章页；payload PDF地址尝试返回403；Crossref登记了出版方摘要及PDF链接。 |
| 发现来源 | Crossref/Venue、Crossref；source_history=Crossref/Venue、Crossref。 |
| 期刊 | Battery Energy，5卷，文章号e70056。 |
| 发表日期 | 2025-11-02在线发表（Crossref）；纸本卷期标为2026-01。Crossref还将在线日期与纸本期次分开登记。 |
| 作者/机构 | Mohammad Rajabzadeh、Pezhman Ghadimi、Vincent Hargaden、Nikolaos Papakostas；UCD先进制造仿真与机器人实验室/机械与材料工程学院，另列IOTA Foundation（首作者）。 |
| 通讯作者 | 未能确认。 |
| 脚本评分/证据等级 | 74；标题直接命中RUL，摘要提及SOH/EOL、LSTM与NASA PCoE；摘要级。 |
| 核验路径 | 先尝试payload所列Wiley PDF（403），再核对DOI/Crossref记录，读取出版方存档的摘要、作者与online/print日期；Wiley网页未能提取。 |
纳入理由与原文证据
- 主题/边界： 研究直接预测锂离子电池RUL和EOL，也报告SOH与容量预测，不是一般状态监测。
- 证据： 摘要称NASA PCoE数据用于验证，容量预测平均误差低于±0.002 Ah；方法及该数值可由Crossref DOI摘要记录核对。
数据集/电池体系
- 体系/数据： 锂离子电池，NASA Prognostics Center of Excellence数据；摘要未列电芯数量、具体型号、容量、化学体系或训练/测试样本规模。
- 工况/跨域： 摘要称跨整个电池生命周期并提到退化速率变化，但倍率、温度、充电协议及跨电芯/跨数据集验证未说明。
EOL/RUL/SOH 定义
- 目标/定义： 摘要涉及SOH、RUL和EOL预测及容量估计；EOL阈值、RUL以循环数还是时间计、标签生成公式均未说明。
- 未来信息风险： 未披露输入窗如何截断、平滑/归一化是否利用全寿命统计量，以及测试是否按电芯独立，需取得全文核实。
模型方法
- 流程： 指数平滑降噪与预处理 → 序列构造 → Double Lightning Search Algorithm搜索超参数 → 迭代LSTM估计容量/SOH并用于RUL/EOL预测。摘要未列完整模型结构、基线与消融细节。
- 部署： 摘要称面向实时电池健康监测，但未给端侧推理耗时、硬件或在线更新实验。
验证设计
- 划分/泛化： NASA PCoE数据；摘要未提供按电池划分、留出测试集、重复次数或外部数据验证。
- 可信度： 信息不足；数据来源和主要流程可确认，但泛化结论缺少可复核划分。
指标与结果
- 摘要报告容量预测平均误差低于±0.002 Ah；未给出可访问摘要中的RUL/SOH绝对MAE、RMSE、MAPE或具体测试电池对应关系。不要把容量误差替代为RUL误差。
泄漏风险、复现性与局限性
- 泄漏风险： 信息不足；重点检查平滑及归一化是否在全寿命数据上拟合、超参数搜索是否接触测试集、序列窗口是否跨电芯集合。
- 复现性： 低至中；NASA数据可追溯，全文PDF本次被拒，代码、随机种子和DLSA搜索范围未确认。
- 局限性： ①公开摘要缺少EOL/RUL标签与测试划分；②只确认NASA PCoE；③关键寿命指标未披露。
是否值得跟进
- 结论： 跟进。
- 理由与下一步： 单篇文章将平滑、LSTM与搜索优化用于RUL/EOL，且给出容量误差数字。优先取得全文，核实分电池验证及RUL/EOL指标是否独立报告。
查看关键词分类依据
- RUL prediction · 标题包含「remaining useful life」
r Enhanced Prediction of Lithium‐Ion Battery Remaining Useful Life - SOH estimation · 摘要包含「state of health」
cating consistent accuracy in predicting the state of health (SOH) and RUL. The way the time series is set up lets the LSTM accurately find - EOL / cycle life prediction · 摘要包含「eol」
remaining useful life (RUL) and end‐of‐life (EoL) of lithium‐ion batteries (LIBs) using the long short‐term memory (LSTM) model. - Capacity fade / trajectory prediction · 摘要包含「capacity prediction」
verage error of under ±0.002 ampere‐hours in capacity prediction. Systematic sampling and normalization make calculations faster without changin - LSTM · 标题包含「lstm」
A Hybrid Exponential Smoothing and LSTM Approach With Double Lightning Search for Enhanced Prediction of Lithium‐Ion Ba - Generic neural network / deep learning · 摘要包含「deep learning」
modeling approach shows how data smoothing, deep learning, and intelligent search algorithms can improve RUL and EoL forecasts for real‐t - Hybrid model · 标题包含「hybrid」
A Hybrid Exponential Smoothing and LSTM Approach With Double Lightning Search for Enhanc - NASA · 摘要包含「nasa」
nging the quality of the data. Data from the NASA Prognostics Center of Excellence on LIB performance and degradation are used to - Li-ion / LIB · 摘要包含「lib」
end‐of‐life (EoL) of lithium‐ion batteries (LIBs) using the long short‐term memory (LSTM) model. The process includes getting t