Passive EIS-based battery state of health estimation using internal temperature modelling under dynamic operating conditions

2. Passive EIS-based battery state of health estimation using internal temperature modelling under dynamic operating conditions

论文基本信息

字段	内容
DOI/URL/PDF	DOI/出版社入口；ScienceDirect 页面；PDF
发现来源	source_history=OpenAlex；OpenAlex 题录与摘要；Crossref API 作题录交叉核验
期刊/会议/平台	Journal of Power Sources，volume 695，article 241361；Crossref 类型为 journal-article，Elsevier coredata 标记开放获取
发表日期	2026-09-04：OpenAlex publication_date 与 Crossref created；Crossref 印刷卷期和 Elsevier coverDate 为 2026-12-15，存在 online/issue 日期差异
作者/机构	Jules Millet、Daniel Depernet、Frédéric Gustin、Hugo Helbling、Ali Sarı；OpenAlex 机构包括 CNRS、FEMTO-ST/FCLAB、Université de technologie de Belfort-Montbéliard、Université Marie et Louis Pasteur、Lyon 1、Laboratoire Ampère、INSA Lyon
通讯作者	Jules Millet；OpenAlex is_corresponding=true
脚本评分/证据等级	75；命中 SOH、锂离子电池、neural method、核心电池期刊和 open access；摘要级
核验路径	pdf_url → web_extract 失败；ScienceDirect URL → 失败；DOI → 失败；OpenAlex API → 成功取得摘要/作者/机构；Crossref API → 成功取得题录/日期；Elsevier TDM XML → HTTP 200 但仅有 coredata、无正文

纳入理由与原文证据

• 主题/边界： 题名和摘要直接研究锂离子电池 SOH estimation，并明确面向 dynamic operating conditions，属于在线健康状态估计主任务。
• 证据： ① 摘要说明框架 “combining passive impedance measurements, internal temperature estimation, and supervised learning”：OpenAlex 摘要。② 摘要说明在 “representative dynamic driving conditions and different ageing levels” 下进行了实验验证：同一摘要。

数据集/电池体系

• 体系/数据： 可确认锂离子电芯、被动 EIS/PEIS、内部温度估计和监督学习；电芯化学体系、数量、数据集名称、公开性及输入采样细节未说明。
• 工况/跨域： 摘要确认代表性动态驾驶工况和不同老化水平；温度、SoC、倍率、老化周期范围、按电芯/车辆切分以及外部验证均未能确认。

EOL/RUL/SOH 定义

• 目标/定义： 目标是 SOH 估计；摘要未说明 SOH 的容量/功率定义、参考状态、阈值、单位、标签生成方式，也未确认 RUL/EOL 输出。
• 未来信息风险： 需检查内部温度模型和神经网络是否使用同一电芯的完整老化轨迹、后验平滑或未来温度信息；动态窗口重叠和 SoC 条件归一化也需要核对。

模型方法

• 流程： 动态运行信号 → 被动阻抗测量；TIS 识别热模型并估计内部温度 → 提取 charge-transfer resistance → 与估计温度和 SoC 一起输入监督神经网络 → SoH。
• 部署： 被动 EIS 的设计目标是不需要专用激励，摘要将方法定位为 realistic onboard operation；传感器、采样、推理延迟、内存、在线更新和硬件实现均未能确认。

验证设计

• 划分/泛化： 摘要确认实验覆盖动态驾驶和不同老化水平，但未说明按电芯留出、时间外推、跨温度/工况测试、外部数据或独立测试集。
• 可信度： 信息不足（摘要级）。输入—物理解耦—监督估计链条清楚，但没有样本量、切分和数字指标，暂不能判断工程鲁棒性。

指标与结果

• 摘要只称耦合 PEIS 与内部温度估计能提高 impedance-based diagnostic indicators 的 robustness，并实现 accurate SOH estimation；MAE、RMSE、最大误差、置信区间和测试集均未能确认。
• 未能确认 RUL/EOL 结果、预警提前量或不确定性覆盖率；脚本评分 75 不是实验指标。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；重点检查内部温度模型的训练边界、charge-transfer resistance 的提取是否使用未来信息、相邻动态窗口是否跨训练/测试，以及 SoH 标签是否含后验平滑。
• 复现性： 信息不足。摘要确认关键物理组件，但电芯规格、PEIS 算法、网络结构、代码、数据和超参数均未确认。
• 局限性： ① 没有公开可核验的数值结果；② 被动 EIS 对采样质量、噪声和工况依赖的成本未知；③ 尚未证明跨电芯、跨车辆或跨化学体系泛化。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 它对哥哥的在线 SOH 方向有直接方法价值，尤其是把温度混杂因素显式拆出。下一步获取全文，补齐 PEIS 频段/特征、热模型和 NN 的训练划分、误差分布与端侧成本，再与纯 EIS、温度补偿和轻量模型作同条件 benchmark。