Battery Remaining Useful Life Prediction Using Machine Learning Models: A Comparative Study
Vahid Safavi、Arash Mohammadi Vaniar、Najmeh Bazmohammadi、Juan C. Vasquez、Josep M. Guerrero
3. Battery Remaining Useful Life Prediction Using Machine Learning Models: A Comparative Study
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI/出版社链接；Aalborg University Research Portal记录及开放PDF链接 |
| 发现来源 | Crossref；source_history=Crossref；本轮为新观察记录。 |
| 期刊/会议/平台 | Information，15(3)，Article 124。 |
| 发表日期 | payload Crossref为2024-02-22；AAU Research Portal列Published – Mar 2024，日/月记录不一致。 |
| 作者/机构 | Vahid Safavi、Arash Mohammadi Vaniar、Najmeh Bazmohammadi、Juan C. Vasquez、Josep M. Guerrero；AAU Energy/CROM及电力系统与微电网研究团队。 |
| 通讯作者 | AAU portal标注Vahid Safavi与Najmeh Bazmohammadi为通讯作者。 |
| 脚本评分/证据等级 | 82；命中RUL、机器学习和数据集等线索。摘要级；AAU机构库提供完整摘要。 |
| 核验路径 | payload无PDF直链；尝试MDPI文章页抓取未成功；以DOI搜索定位AAU机构库，读取其摘要、作者/通讯作者、期刊信息和开放PDF链接。 |
纳入理由与原文证据
- 主题/边界： 研究同时预测锂离子电池容量衰减与RUL，直接属于容量退化及寿命预测。
- 证据： AAU摘要说明在三个案例中比较六种ML模型，并以第三案例的XGBoost-HT报告循环寿命误差；AAU机构库摘要。
数据集/电池体系
- 体系/数据： 锂离子电池；摘要提及两套数据与三个案例，但未列出数据集名称、样本数或电芯型号。案例涉及温度、C-rate、SOC、DOD、充电策略及初始循环特征。
- 工况/跨域： 第三案例用第二数据集的初期循环特征预测全寿命RUL；是否跨电芯、跨工况或跨数据集独立测试未能确认。
EOL/RUL/SOH 定义
- 目标/定义： 多特征多目标映射预测容量衰减与RUL；EOL阈值、RUL标签单位/构造和预测起点未在可见摘要说明。
- 未来信息风险： 初期循环特征用于全寿命预测是重要设置；需核对特征窗口、归一化、特征映射与切分是否避免使用预测时点之后的信息。
模型方法
- 流程： 从电池循环数据提取多种特征并进行MFMT映射→RF、XGBoost、LightGBM、MLP、LSTM、Attention-LSTM；XGBoost与LightGBM另做超参数调优。
- 部署： 未报告嵌入式推理、在线更新、算力或BMS实机测试。
验证设计
- 划分/泛化： 三案例、两套数据；摘要包含多种工况和初期循环输入，但没有披露按电芯留出、时间切分、外部数据测试或调参隔离。
- 可信度： 信息不足；比较范围较广，但数据身份和独立测试协议未能从摘要审计。
指标与结果
- 第三案例XGBoost-HT的循环寿命RMSE为69 cycles、MAPE为6.5%；摘要称其在三案例容量衰减和RUL上整体优于其他比较模型。其他案例逐电池指标未能确认。
泄漏风险、复现性与局限性
- 泄漏风险： 信息不足；核验早期特征是否严格截止预测时点、多个案例是否按电芯分组，以及调参是否触及测试集。
- 复现性： 中低；AAU提供开放获取论文链接，数据集名称、完整代码、超参数和随机种子仍未确认。
- 局限性： ①数据集及电芯数未从摘要确认；②只报告一个案例的数字；③日期记录存在来源差异。
是否值得跟进
- 结论： 跟进。
- 理由与下一步： 多工况和早期循环预测有基线价值。先取得开放PDF，补齐数据集身份、EOL定义、逐电芯切分及XGBoost-HT调参过程；再决定是否复现。
查看关键词分类依据
- RUL prediction · 标题包含「remaining useful life」
Battery Remaining Useful Life Prediction Using Machine Learning Models: A Comparative Study - EOL / cycle life prediction · 摘要包含「cycle life」
E and MAPE values for XGBoost-HT in terms of cycle life are 69 cycles and 6.5%, respectively, for the third case. In addition, the XGBo - Capacity fade / trajectory prediction · 摘要包含「capacity fade」
chine learning (ML) models in predicting the capacity fade and RUL of Li-ion batteries. Three case studies are analyzed to assess the perf - Transformer / attention · 摘要包含「attention」
on (MLP), long short-term memory (LSTM), and attention-LSTM. Furthermore, hyperparameter tuning is applied to improve the performance - LSTM · 摘要包含「lstm」
er perceptron (MLP), long short-term memory (LSTM), and attention-LSTM. Furthermore, hyperparameter tuning is applied to improve - Generic machine learning · 标题包含「machine learning」
ttery Remaining Useful Life Prediction Using Machine Learning Models: A Comparative Study - XGBoost / boosting · 摘要包含「xgboost」
ndom Forest (RF), extreme gradient boosting (XGBoost), light gradient-boosting machine (LightGBM), multi-layer perceptron (MLP), lon - Random Forest · 摘要包含「random forest」
analysis in the proposed methodology include Random Forest (RF), extreme gradient boosting (XGBoost), light gradient-boosting machine (Lig - Li-ion / LIB · 摘要包含「lithium-ion」
redicting the remaining useful life (RUL) of lithium-ion (Li-ion) batteries is crucial to preventing system failures and enhancing opera