EV BATTERY HEALTH PREDICTION USING PYTHON

1 M.Sumalatha, 2 MD. Usman, 3 Karupothula Navya Sri, 4 Naini Swetha, 5 Burra Rohith

1. EV BATTERY HEALTH PREDICTION USING PYTHON

论文基本信息

字段 内容
DOI/URL/PDF DOI 页面(解析返回 404);期刊文章页;未提供 PDF URL
发现来源 OpenAlex;source_history:OpenAlex。题录链接:期刊文章页
期刊/会议/平台 International Journal of AI Electronics and Nexus Energy(文章页标题栏所示)
发表日期 2026-10-02,来自 OpenAlex 题录;可访问文章页未显示可核验日期
作者/机构 OpenAlex 题录列出 M. Sumalatha、MD. Usman、Karupothula Navya Sri、Naini Swetha、Burra Rohith;期刊页未能提取作者名单,机构未说明。作者字段在题录中为未拆分的合并字符串,身份待核。
通讯作者 未能确认
脚本评分/证据等级 62;主题命中 RUL、SOH、机器学习/XGBoost、开放获取。无权威作者加分命中依据。摘要级;非实验结果背书。
核验路径 PDF URL:payload 未提供,无法尝试;文章 URL:成功打开并读取题名、期刊名及摘要;DOI:随后尝试解析,返回 404。全文未取得。

纳入理由与原文证据

  • 主题/边界: 摘要明确以 EV 锂离子电池 SOH 与 RUL 预测为目标,符合监测范围。页面确认这是期刊文章条目,但题录完整性和发表质量尚待核查。
  • 证据: 摘要称系统“predicts the state of health and the remaining useful life”;并称使用公开老化数据及团队的小型 18650 测试装置。证据来源:文章摘要。

数据集/电池体系

  • 体系/数据: 锂离子电池;摘要泛称公开电池老化数据集,未给出数据集名称、样本/电芯数量;另描述 18650 单体、电子负载、INA219 电压电流传感器与 NTC 热敏电阻组成的小型装置。
  • 工况/跨域: 公开数据为受控充放电;自建装置测量电压、电流、温度和时间。温度/倍率范围、跨电芯或跨数据集划分均未说明。

EOL/RUL/SOH 定义

  • 目标/定义: 摘要将 SOH 描述为当前容量相对额定容量的百分比,并称预测 SOH、RUL;没有给出 EOL 阈值、RUL 标签生成方式或预测单位。
  • 未来信息风险: 未说明输入窗口和标签构造。需检查容量/寿命标签是否使用完整未来循环信息,以及预处理、特征选择或调参是否接触测试电芯。

模型方法

  • 流程: 按循环计算容量、能量、充电时间和平均温度,并提取恒流/恒压阶段时长、放电初始压降、平均放电电压、温升峰值及增量容量特征;比较线性回归、SVR、随机森林、梯度提升、XGBoost 与 LSTM。摘要未说明具体特征集合如何分别输入模型,也未报告消融或基线细节。
  • 部署: 描述了微控制器采集后传至计算机处理;在线推理、边缘部署、延迟和更新机制未能确认。

验证设计

  • 划分/泛化: 摘要未说明训练/验证/测试划分、按电芯隔离方式、数据集名称或独立外部测试,无法判断是否具备跨电芯泛化证据。
  • 可信度: 信息不足。可访问页面只有摘要,未提供划分方案和结果表,且 DOI 解析异常。

指标与结果

  • 摘要列出 RMSE、MAE、MAPE 和决定系数作为评估指标,但没有给出任何实测值、测试集或模型间胜出结果;这些指标不能据此视作已验证性能。

泄漏风险、复现性与局限性

  • 泄漏风险: 信息不足;全文核查重点是窗口切分是否跨同一电芯、标准化/特征选择是否在全数据上拟合,以及 RUL 标签是否引入未来信息。
  • 复现性: 信息不足。摘要未给数据集标识、代码、超参数、随机种子或完整采集协议;自建装置描述不足以复建实验。
  • 局限性: 缺少可核验结果和验证划分;数据集与样本规模未披露;DOI/作者等题录信息无法完整交叉确认。

是否值得跟进

  • 结论: 观望。
  • 理由与下一步: 研究目标和摘要方法与主题相关,但当前证据无法支持其效果或可信度判断。先向期刊页/DOI 注册信息核实文章与作者,再尝试获取 PDF;只有取得全文并确认数据划分、结果和题录后再决定是否纳入比较基准。
查看关键词分类依据
  • RUL prediction · 摘要包含「remaining useful life」
    em that predicts the state of health and the remaining useful life of electric vehicle batteries using machine learning. The system uses publicly
  • SOH estimation · 摘要包含「state of health」
    tance. This gradual loss is described by the state of health, usually expressed as the present capacity as a percentage of the rated capacit
  • Generic machine learning · 摘要包含「machine learning」
    ful life of electric vehicle batteries using machine learning. The system uses publicly available battery ageing datasets in which lithium-io
  • XGBoost / boosting · 摘要包含「xgboost」
    egression, Random Forest, Gradient Boosting, XGBoost, and a Long ShortTerm Memory network. Performance is measured using RMSE, MAE,
  • Random Forest · 摘要包含「random forest」
    inear Regression, Support Vector Regression, Random Forest, Gradient Boosting, XGBoost, and a Long ShortTerm Memory network. Performance i
  • SVR / SVM · 摘要包含「support vector」
    d and compared, including Linear Regression, Support Vector Regression, Random Forest, Gradient Boosting, XGBoost, and a Long ShortTerm Mem
  • Li-ion / LIB · 摘要包含「lithium-ion」
    Lithium-ion batteries are the most expensive and most critical component of an electric veh