A Study on Lithium-Ion Battery Health Estimation and Remaining Life Prediction Based on Real-World Operational Data
Jiwei Wang、Wenpeng Si、Masrafe Alam Munna、Zhongwei Deng、Linxuan Zhang
2. A Study on Lithium-Ion Battery Health Estimation and Remaining Life Prediction Based on Real-World Operational Data
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI;MDPI全文HTML;PDF链接请求失败 |
| 发现来源 | source_history: OpenAlex;来源链接:MDPI文章页 |
| 期刊/会议/平台 | Batteries,2026,12(10),387;文章类型标示为 Open Access Review |
| 发表日期 | 2026-10-01;MDPI页面给出 Published 1 October 2026,接收于 2026-09-22 |
| 作者/机构 | Jiwei Wang、Wenpeng Si、Masrafe Alam Munna、Zhongwei Deng、Linxuan Zhang;新疆大学、电子科技大学、清华大学(作者单位编号对应关系见出版社页面) |
| 通讯作者 | Zhongwei Deng;MDPI页面以星号标注通讯作者并提供邮箱 |
| 脚本评分/证据等级 | 68;命中锂电池、SOH/RUL、现场数据与 Batteries 专刊;无权威作者加分命中;全文级(已读取出版社HTML) |
| 核验路径 | pdf_url:未提供 → URL/MDPI全文HTML:成功,可读综述正文、数据表及作者信息 → PDF直链:web_extract失败 → DOI重定向请求初次失败,后由MDPI文章页核实 |
纳入理由与原文证据
- 主题/边界: 综述直接覆盖锂离子电池 SOH 估计、RUL 预测和现场运行数据,属于主题范围。它是文献综述,不是提出并验证一个新预测模型的原创实验,阅读时需与实证论文区分。
- 证据: 作者称综述“with field data as the core focus”,并分析 SOH/RUL 方法、数据集适用性及现场部署限制;正文说明检索 Web of Science、IEEE Xplore、Scopus,主要时间窗为 2018 至 2026 年 5 月。MDPI全文
数据集/电池体系
- 体系/数据: 研究对象为锂离子电池;全文整理实验室基准与现场运行数据集,包括 NASA、CALCE、Oxford、MIT/Stanford/TRI Fast-Charging,以及清华、AAU、BIT等数据。文中指出实车遥测呈现动态负载、片段化充放电、噪声和标签稀缺;数据集规模与标签类型按其综述表格分类,非作者新采集数据。
- 工况/跨域: 重点讨论恒流恒压实验室数据到 EV/储能实车数据的域差异、跨温度/工况和小样本迁移。数据集表指出部分现场数据用于目标域迁移或安全监测,不能一概视作完整寿命轨迹。
EOL/RUL/SOH 定义
- 目标/定义: 综述区分 SOH 状态估计与 RUL 预测,并将直接RUL、SOH轨迹外推至失效阈值的间接RUL、概率RUL及多范式融合分类;没有给出本文统一的新EOL阈值或新标签规则,具体定义依赖被综述研究。
- 未来信息风险: 正文明确提醒轨迹分解应只使用预测时点可获得的历史信息,避免全寿命序列造成未来信息泄漏;亦指出窗口级随机拆分可能高估泛化。该提醒适合作为复现实验审计项,而非对所有被引研究均已发生泄漏的定论。
模型方法
- 流程: 作为综述,按机理模型、传统机器学习、深度学习/Transformer、迁移学习/增强和混合模型归类;总结电压/电流/温度等遥测、局部健康指标、SOH序列与滤波/物理模型组合。文章提出现场数据基准—方法—描述性比较—未来挑战框架,并未训练单一的新模型。
- 部署: 讨论车端轻量模型与云端训练/数字孪生协作、边缘计算受限及数据对齐;属于综述归纳和发展方向,不是本文给出的部署实测证明。
验证设计
- 划分/泛化: 综述方法部分称搜索 WoS、IEEE Xplore、Scopus,筛选2018至2026年5月文献,纳入现场数据或非结构化数据验证研究;没有报告系统综述注册或双人独立筛选细节。被引研究各自的拆分策略不一致。
- 可信度: 中(综述文本可读,检索来源与时间窗明确);但文中“量化评价”和汇总性能来自异质既有研究,实验协议不可直接横向等价。
指标与结果
- 本文没有独立模型测试集或自己的预测误差。正文引用的例子包括部分研究在特定数据/设置下报告 RMSE<1.0%、MAE<1.2%或目标域RMSE<1.5%;这些是被引研究结果,不能归为本综述新实验,也不可跨数据集直接排名。核心结论是混合方法在精度与可解释性间呈现潜力,但需更多现场验证。
- 未报告统一置信区间、荟萃分析效应量或可比的单一汇总误差;文中表格为描述性分类/性能比较。
泄漏风险、复现性与局限性
- 泄漏风险: 对综述自身不是预测训练任务;对其总结的研究,协议异质且逐篇完整审计不足。作者明确指出按电芯/车辆隔离、先拆分再拟合预处理以及遵守预测时间边界的重要性。
- 复现性: 中;全文可读,给出数据库、检索时间窗、检索词和纳排标准概述;完整检索式、逐条筛选流程、提取数据表及代码未能确认。Data Availability称数据可向通讯作者申请。
- 局限性: ①结论依赖被引论文的实验口径和报告质量;②摘要宣称覆盖多种现场数据,但部分数据集的实际标签/寿命覆盖有限;③不同化学体系、车辆和工况的泛化仍缺标准化基准。
是否值得跟进
- 结论: 跟进。
- 理由与下一步: 该文适合作为实车数据建模和评测协议的索引,尤其值得使用其数据集表与未来信息审计提醒;不能以综述汇总数值代替原论文证据。下一步抽查 NASA/CALCE与BIT、AAU等表格对应原始来源,核对标签、采样和转移设置,并将推荐的数据切分规则纳入本地benchmark。
查看关键词分类依据
- RUL prediction · 摘要包含「remaining useful life」
ccurate state of health (SOH) estimation and remaining useful life (RUL) prediction are essential for ensuring safe operation and reducing lifecyc - SOH estimation · 摘要包含「state of health」
rage systems and electric vehicles. Accurate state of health (SOH) estimation and remaining useful life (RUL) prediction are essential for e - Transfer learning / domain adaptation · 摘要包含「transfer learning」
ack consistency assessment, and small-sample transfer learning, and it outlines future directions, including multimodal data fusion, digital t - Generic neural network / deep learning · 摘要包含「data-driven」
plicability, and limitations of model-based, data-driven, and hybrid approaches are comprehensively analyzed based on real-world dataset - Hybrid model · 摘要包含「hybrid」
limitations of model-based, data-driven, and hybrid approaches are comprehensively analyzed based on real-world datasets, with emph - ECM / electrochemical model · 摘要包含「electrochemical」
wer source for new energy equipment, such as electrochemical energy storage systems and electric vehicles. Accurate state of health (SOH) es - Self-built / experimental dataset · 摘要包含「laboratory」
existing studies are largely based on ideal laboratory data, the proposed algorithms often exhibit limited generalizability and engine - Li-ion / LIB · 标题包含「lithium-ion」
A Study on Lithium-Ion Battery Health Estimation and Remaining Life Prediction Based on Real-World Ope