Research on predicting the state of health of lithium-ion batteries via back propagation network based on multi-feature combination of electrochemical impedance spectroscopy

Fei Chen、Shulei Sun、Xiwen Jia、Zhong Ren、Xiaorong Huang、Xianan Shu、Jun Li

4. Research on predicting the state of health of lithium-ion batteries via back propagation network based on multi-feature combination of electrochemical impedance spectroscopy

论文基本信息

字段 内容
DOI/URL/PDF PLOS One 全文;可读全文文本/PDF 页面
发现来源 payload source_history: OpenAlex;PLOS 论文全文、附属文件及出版页核验
期刊/平台 PLOS ONE 21(8): e0354706
发表日期 2026-08-06;PLOS 正文首页及出版页一致
作者/机构 Fei Chen、Shulei Sun、Xiuxian Jia、Zhong Ren、Xiaorong Huang、Xianan Shu、Jun Li;Xihua University、Sichuan Engineering Research Center of New Energy Vehicle Intelligent Control and Simulation Test Technology、Sichuan Key Laboratory of Vehicle Measurement, Control and Safety、Huai’an Research Center of Applied Technology
通讯作者 Shulei Sun;PLOS 作者脚注标星并列出邮箱
脚本评分/证据等级 54;全文级(低分复核后按明确 SOH 预测目标提升)
核验路径 先读 PLOS printable 全文及方法/结果;DOI 出版页和附属代码文件交叉检查

纳入理由与原文证据

  • 主题/边界: 明确预测锂离子电池 SOH,属于健康状态估计;不把题名相似的常规 EIS 表征当作寿命预测证据。
  • 证据: 作者以容量退化相关的多维 EIS 特征输入 BP 网络,并比较 PSO、GA、ACO 优化。见 PLOS One 全文。

数据集/电池体系

  • 体系/数据: Cambridge 公开老化数据,12 个 45 mAh Eunicell LR2032 锂离子纽扣电芯;正文分析 35C01、35C02、45C01、45C02 四组,EIS 频段与循环抽样在文中说明。
  • 工况/跨域: 35°C 与 45°C 组内拆分;不等同跨化学体系验证。作者称数据及支持文件可获得,代码附件含 BP、ACO-BP 等 MATLAB 实现。

EOL/RUL/SOH 定义

  • 目标/定义: 输出由容量/阻抗老化信息标注的 SOH;文中提到容量低于标称 80% 通常视为 EOL,但研究没有预测 RUL。可见文本未确认 SOH 归一化分母与各电芯标签生成细节。
  • 未来信息风险: 45C01 前 100 圈数据因明显差异而从测试数据中移除,须核查该筛除规则是否在评估前预先规定;EIS 特征筛选是否只用训练组拟合也需复现确认。

模型方法

  • 流程: EIS 等效电路参数与阻抗曲线形状特征 → SRCC 选取与容量衰退相关输入 → BP 回归;比较普通 BP、GA-BP、ACO-BP、PSO-BP。
  • 部署: 依赖 EIS 测量;论文没有证明该测量链能在普通车载 BMS 实时运行。

验证设计

  • 划分/泛化: 35C01 与 45C02 作为训练组,35C02 与 45C01 作为测试组;45C01 去掉前 100 圈。组别隔离有助于避免同一组样本交叠,但温度/电芯分布与筛样策略仍需核对。
  • 可信度: 中低;全文可读且提供分组,但只有 12 个电芯,测试组选取和异常点剔除可能影响结果。

指标与结果

  • 论文使用 MAE、RMSE、MAPE 比较模型,摘要称 GA-BP/ACO-BP 在测试条件下误差较低;未在可读正文文本中确认可直接引用的汇总数值,因此不从图形目测补数。

泄漏风险、复现性与局限性

  • 泄漏风险: 中;分组测试有利,但须验证 SRCC/特征筛选与标准化是否仅在训练组拟合,及异常段剔除是否预先设定。
  • 复现性: 中高;公开数据及 MATLAB 代码附件有助复现;仍需完整报告随机种子、参数搜索细节。
  • 局限性: 小样本、纽扣电芯与两种温度;依赖 EIS 设备;图示指标无法替代逐组数值与更广域测试。

是否值得跟进

  • 结论: 跟进。
  • 理由与下一步: 可作为多特征 EIS-SOH 方法对照。先运行作者附件代码,逐电芯重建训练/测试并核实筛样与特征选择,再报告每组 MAE/RMSE/MAPE。
查看关键词分类依据
  • SOH estimation · 标题包含「state of health」
    Research on predicting the state of health of lithium-ion batteries via back propagation network based on multi-feature co
  • Generic neural network / deep learning · 摘要包含「neural network」
    s of EIS and optimized Back Propagation (BP) neural network. Firstly, we analyze the cyclic aging experimental data of the same type of bat
  • Degradation mechanism / cycling stability analysis · 摘要包含「mechanism analysis」
    s the organic integration of electrochemical mechanism analysis and data-driven modeling, and effectively improves the prediction robustness an
  • ECM / electrochemical model · 标题包含「electrochemical」
    etwork based on multi-feature combination of electrochemical impedance spectroscopy
  • Self-built / experimental dataset · 摘要包含「experimental」
    etwork. Firstly, we analyze the cyclic aging experimental data of the same type of batteries under different operating conditions. Spearm
  • Li-ion / LIB · 标题包含「lithium-ion」
    esearch on predicting the state of health of lithium-ion batteries via back propagation network based on multi-feature combination of el