Deep Learning for Lithium-Ion Battery State of Health Estimation via Explainable Feature Screening

1. Deep Learning for Lithium-Ion Battery State of Health Estimation via Explainable Feature Screening

论文基本信息

字段	内容
DOI/URL/PDF	IOP出版社文章页；尝试PDF链接后仍返回受订阅限制的文章页，未取得可读全文。
发现来源	OpenAlex；source_history=OpenAlex，原始候选为 battery capacity fade prediction。
期刊	Journal of The Electrochemical Society，173卷16期，160509。
发表日期	2026-08-20，IOP出版社文章页。
作者/机构	Zhijun Gao、Bowen Duan、Xinlu Wang、Yiyang Liu；均列Shenyang Jianzhu University，电气与控制工程学院/机械工程学院。
通讯作者	Bowen Duan名下列出邮箱；出版社页未显示明确通讯标记，暂记“可能通讯作者，待全文确认”。
脚本评分/证据等级	69；SOH直接目标、NASA/CALCE、深度学习与开放获取提示；摘要级。
核验路径	payload有PDF URL；先尝试IOP PDF，再读IOP文章页，获得作者、日期、摘要和指标。PDF端点未提供全文，按摘要级记录。

纳入理由与原文证据

• 主题/边界： 目标是锂离子电池SOH估计，属于健康状态预测；未见RUL/EOL直接输出证据。
• 证据： IOP摘要称使用NASA与CALCE数据，并在8个电池上以60%训练比例评估；摘要原文可由出版社页面核对。

数据集/电池体系

• 体系/数据： 锂离子电池，NASA和CALCE两套数据；摘要称共8个电池，但没有分列每套数据的电芯数、化学体系、批次或循环数。
• 工况/跨域： 摘要报告controlled NASA/CALCE测试及鲁棒性分析；充放电倍率、温度范围、训练/测试按电池还是按循环切分均未说明。

EOL/RUL/SOH 定义

• 目标/定义： SOH估计；容量或健康标签的具体计算方式、基准及是否归一化未说明。EOL阈值和RUL单位不适用/未报告。
• 未来信息风险： “60% training ratio”未说明抽样单位；若同电池相邻循环或窗口跨训练测试，可能高估跨电池效果，须全文核查。

模型方法

• 流程： 19个候选健康特征经随机森林与SHAP筛选，再由Informer编码长程退化表示，Newton–Raphson优化极限学习机的正则项和隐层节点数，输出SOH估计。
• 部署： 摘要称面向BMS应用，但未提供端侧算力、推理时延、传感器约束或在线部署记录。

验证设计

• 划分/泛化： NASA/CALCE、8个电池、60%训练比例；摘要提及benchmark、robustness及ablation，但未说明跨电池隔离、外部测试集或各组样本量。
• 可信度： 信息不足；实验数字明确，但独立电芯测试与切分协议未披露。

指标与结果

• 摘要报告8个电池上的MAPE 0.4801%、MAE 0.00342、RMSE 0.00460。MAE/RMSE的量纲及是否在归一化SOH空间计算未说明，不能自行换算为百分比。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；核对同电池多循环/滑窗跨集合、特征筛选是否只在训练折拟合，以及验证集是否参与Newton–Raphson调参。
• 复现性： 中低；数据集名称、特征数、主模型有说明，但可访问全文、代码、随机种子和完整参数未确认。
• 局限性： ①只从摘要确认8个电池；②SOH标签定义不明；③无明确跨化学体系或现场BMS验证。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 可解释筛选与时序模型结合，且摘要覆盖两个公开数据集。先获取全文确认切分、误差单位、SOH定义及对照模型，再决定是否复现。