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