Cross-chemistry battery state-of-health estimation from adaptive partial charging using interpretable physics-informed Efficient Kolmogorov-Arnold networks

Zekariyas Yohannes、Yonghong Xu、Yidi Wei、Jian Li、Boru Jia

1. Cross-chemistry battery state-of-health estimation from adaptive partial charging using interpretable physics-informed Efficient Kolmogorov-Arnold networks

论文基本信息

字段 内容
DOI/URL/PDF DOI;ScienceDirect PDF
发现来源 OpenAlex(source_history);来源链接为 DOI 与 ScienceDirect PDF
期刊/会议/平台 Energy and AI,期刊论文;Crossref 题录确认期刊及题名
发表日期 OpenAlex 提供 2026-10-01;Crossref 记录仅精确到 2026-10,日期粒度不同,未核实具体在线日
作者/机构 Zekariyas Yohannes、Yonghong Xu、Yidi Wei、Jian Li、Boru Jia;北京理工大学、北京信息科技大学(监测结构化信息)
通讯作者 Boru Jia(监测结构化信息;未从可访问出版社正文独立确认)
脚本评分/证据等级 86;命中 SOH、physics-informed、跨化学、Energy and AI 等。未见 authority first/corresponding author 加分理由。摘要级;全文未成功获取
核验路径 PDF 提取失败 → ScienceDirect 文章页和 DOI 提取失败 → Crossref API 确认题名、作者、期刊、DOI;摘要据 OpenAlex payload。未取得全文

纳入理由与原文证据

  • 主题/边界: 直接针对电池 SOH 估计,使用自适应部分充电数据,属于目标范围。可信度:摘要级,全文未开放或未成功获取。
  • 证据: 摘要报告“Across eight datasets”,并报告跨化学转移测试;另称仅用一个有标签目标电芯进行适配。以上为监测摘要内容的准确概述,非全文复核。DOI

数据集/电池体系

  • 体系/数据: 摘要称跨 8 个数据集,并测试 16 组跨化学转移;未说明具体电芯数、数据集名称、化学体系清单及公开状态。
  • 工况/跨域: 关注部分 SOC 可见、采样频率降低及模拟 BMS 误差;各情景的样本划分和工况范围未能从可访问内容确认。

EOL/RUL/SOH 定义

  • 目标/定义: 目标为 SOH 估计;摘要未给出 SOH 标签公式、容量/阻抗定义或 EOL/RUL 阈值。
  • 未来信息风险: 摘要未交代部分充电窗口选择、特征提取及迁移适配是否完全限制在训练数据内;应重点检查跨电芯和目标域标签使用边界。

模型方法

  • 流程: 自适应部分充电电压描述符 → Prefix-specific Bayesian optimization 选择化学体系对应的 SOC 窗口 → physics-informed efficient Kolmogorov-Arnold network(PI-EKAN),结合数据、物理及单调性约束;摘要还报告 EKAN-LoRA 目标域微调。对照模型和消融细节未能确认。
  • 部署: 摘要称模型约 1,800 个参数;端侧延迟、功耗、BMS 实测部署未说明。

验证设计

  • 划分/泛化: 声称在 8 个数据集及 16 组跨化学迁移对上测试;摘要未给出按电芯隔离、外部测试集或随机种子等细节。
  • 可信度: 中;跨数据集与跨化学结果有价值,但具体独立性及复现细节需全文核验。

指标与结果

  • 摘要报告平均 MAPE 0.466%、RMSE 0.529%、R² 高于 0.979;相对一个 physics-informed baseline,MAPE 降低 35.6%。跨化学 transfer 从 source-only 平均 MAPE 6.35% 降至使用一个目标电芯标签微调后的 1.19%。数据集级别分数、置信区间和测试集样本数未能确认。

泄漏风险、复现性与局限性

  • 泄漏风险: 信息不足;需确认窗口选择、Bayesian 优化和归一化是否只用训练集,并核对迁移对是否存在电芯或测试数据重叠。
  • 复现性: 信息不足;摘要未确认代码、原始数据链接、超参数或随机种子。参数量及特征解释是摘要所报,不代表已验证部署。
  • 局限性: 无法核对摘要中的性能是否跨所有数据集一致;真实充电数据缺失形态和目标域仅一个标注电芯的适用范围待确认;独立实车/BMS 验证未说明。

是否值得跟进

  • 结论: 强烈跟进。
  • 理由与下一步: 跨化学迁移和稀疏充电输入与实际 SOH 监测高度相关。取得可访问全文后,优先核对数据清单、按电芯切分、误差单位及单目标电芯适配协议,再考虑复现。
查看关键词分类依据
  • SOH estimation · 摘要包含「soh」
    ABSTRACT Accurate, robust state-of-health (SOH) estimation is essential for safe battery operation and second-life deployment,
  • PINN / physics-informed · 标题包含「physics-informed」
    daptive partial charging using interpretable physics-informed Efficient Kolmogorov-Arnold networks
  • Bayesian · 摘要包含「bayesian」
    m adaptive partial charging. Prefix-specific Bayesian optimization (PS-BO) selects the most informative state-of-charge window for ea
  • Hybrid model · 摘要包含「hybrid」
    om 6.35% source-only transfer to 1.19% using hybrid low-rank EKAN-LoRA fine-tuning with half the trainable parameters across sixtee