A hybrid quantum neural network and classical gated recurrent unit for battery state of health forecasting incorporating SHAP analysis
Kian Lun Soon、Lam Tatt Soon
3. A hybrid quantum neural network and classical gated recurrent unit for battery state of health forecasting incorporating SHAP analysis
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI / ScienceDirect 摘要；Taylor's University 托管 PDF |
| 发现来源 | Crossref；ScienceDirect 出版社页、Taylor's PDF 索引片段复核 |
| 期刊/会议/平台 | Journal of Energy Storage 136, 118596 |
| 发表日期 | 2025-11-15（ScienceDirect 卷期日期；Crossref 月份占位值为 2025-11-01） |
| 作者/机构 | Kian Lun Soon、Lam Tatt Soon；Kian Lun Soon 的 Taylor's University 工程学院资料可确认，第二作者院系信息未能确认 |
| 通讯作者 | Kian Lun Soon（PDF 作者标记 a,*） |
| 脚本评分/证据等级 | 79；SOH、QNN/GRU、SHAP、Journal of Energy Storage；摘要级（指标另取 PDF 索引片段） |
| 核验路径 | payload 无 PDF → 作者机构 PDF 曾请求但返回 HTML/超时 → ScienceDirect 摘要成功 → DOI 及 PDF 搜索索引片段核对 |
纳入理由与原文证据
- 主题/边界： 目标为电池 SOH 预测，纳入健康状态预测；不是单纯量子方法演示。
- 证据： 出版社摘要确认 QNN-GRU 在四套 NASA 数据上测试、与六个机器学习模型比较并使用 SHAP；PDF 索引表显示各电芯误差结果。ScienceDirect 摘要；作者机构 PDF
数据集/电池体系
- 体系/数据： NASA B0005、B0006、B0007、B0018；PDF 片段称室温约 24°C，前三只为 NCA/石墨、标称 2 Ah，B0018 为 NMC/石墨。数据预处理、各电芯样本数及是否含多工况，需全文确认。
- 工况/跨域： 只验证 NASA 电芯；未见非 NASA 电芯、不同温度或外部现场 BMS 验证。
EOL/RUL/SOH 定义
- 目标/定义： 预测 SOH；出版社摘要未给 SOH 计算公式、容量基准及退役阈值，本报告不以常见容量比公式补全。
- 未来信息风险： SOH 标签与健康指标的构造时点、预测 horizon 及是否滚动在线评估未能从摘要确认；需排查使用整段放电曲线对未来时刻预测的可能。
模型方法
- 流程： 选择 CCDT、EDVDT、KDV 三类高相关健康指标；QNN 通过 Pauli 特征映射/量子特征空间表示非线性关系，再接经典 GRU 建模时序，SHAP 解释指标贡献。PDF 片段列出圆形纠缠等电路设置；硬件量子运行与经典模拟方式未确认。
- 部署： 未报告实机 BMS 推理时延、资源或在线更新。
验证设计
- 划分/泛化： 四只 NASA 电芯与六种机器学习基线比较；数据集究竟采用逐电芯留出、时间切分或同电芯随机切窗，当前可访问摘要未说明。
- 可信度： 信息不足；有多电芯评估，但无可核实的切分细节，不能把四个 NASA 序列等同独立化学体系泛化。
指标与结果
- PDF 搜索索引表给出 QNN-GRU RMSE：B0005/6/7/18 分别约 0.0029/0.0035/0.0034/0.0041；MAE 约 0.0044/0.0050/0.0053/0.0047。可访问片段未标明这些值的单位/归一化口径，故不换算成百分比。出版社摘要称其在六个基线中误差最低。
泄漏风险、复现性与局限性
- 泄漏风险： 信息不足；重点检查 SOH 归一化是否用全寿命最大容量、训练测试是否按电芯隔离、健康指标是否包含未来放电区间。
- 复现性： 低至中；NASA 数据公开，索引片段提供部分电路与 GRU 超参数；本轮 PDF 链接被防护页拦截，代码、完整配置和随机种子未核实。
- 局限性： 仅 NASA 小样本；误差口径及时间切分尚不清楚；量子特征模块相对经典模型的增益、计算成本和硬件可行性需独立复现。
是否值得跟进
- 结论： 跟进。
- 理由与下一步： QNN-GRU 与 SHAP 具有方法探索价值，尤其适合和经典 GRU 做严格同分割复现。先取得可读全文，核对误差尺度、量子电路实现及逐电芯外推，再评估量子模块是否带来统计显著增益。
查看关键词分类依据
- SOH estimation · 标题包含「state of health」
d classical gated recurrent unit for battery state of health forecasting incorporating SHAP analysis - SOF / health forecasting · 标题包含「health forecasting」
al gated recurrent unit for battery state of health forecasting incorporating SHAP analysis - GRU · 标题包含「gated recurrent」
hybrid quantum neural network and classical gated recurrent unit for battery state of health forecasting incorporating SHAP analysis - Generic neural network / deep learning · 标题包含「neural network」
A hybrid quantum neural network and classical gated recurrent unit for battery state of health forecasting inco - Generic machine learning · 标题包含「shap」
ry state of health forecasting incorporating SHAP analysis - Hybrid model · 标题包含「hybrid」
A hybrid quantum neural network and classical gated recurrent unit for battery state of