Battery Management System: Evolution from Conventional Methods to Advanced Intelligent Techniques

Sangappa K Rajeshwar、Basagonda Chandrika

论文原文 ↗来源页面 ↗

3. Battery Management System: Evolution from Conventional Methods to Advanced Intelligent Techniques

论文基本信息

字段 内容
DOI/URL/PDF Zenodo 版本 DOI;记录页;PDF/API 内容入口
发现来源 OpenAlex;source URL;source_history=OpenAlex
期刊/会议/平台 Zenodo(CERN)版本存档;PDF 页眉标示 Recent Trends in Control and Converter,2026,9(3):36–54,e-ISSN 3048-8311
发表日期 Zenodo record 2026-09-14;PDF 标注 Volume 9 Issue 03 Sept–Dec 2026,并记录提交 2026-08-30;出版状态与平台题录存在层级差异
作者/机构 Dr. Sangappa K. Rajeshwar(Lingaraj Appa Engineering College,副教授兼系主任)、Basagonda Chandrika(同校助理教授)
通讯作者 通讯作者:Dr. Sangappa K. Rajeshwar;PDF 首页明确列出 Corresponding Author 及机构
脚本评分/证据等级 62;命中 battery/SOH/cycle life/lifetime prediction、ML/hybrid;全文级,但属于综述/存档版本
核验路径 payload 无 pdf_url → DOI/Zenodo 页面成功 → Zenodo API 确认 901,875-byte PDF;web_extract 对二进制 PDF 失败,随后本地下载并提取 19 页文本成功;22746360 API 确认 concept DOI 为 22746359

纳入理由与原文证据

  • 主题/边界: 文章是宽口径 BMS 综述,覆盖 SOH 估计、lifetime prediction、RUL、数字孪生和预测性维护,因此作为主题观察项纳入;它不是新模型或新实验,不应与前两篇的性能证据等量齐观。
  • 证据: ① 摘要称现代 BMS 可改善 “fault diagnosis, lifetime prediction, and overall battery utilization”。② 正文将 “Online SOH and RUL estimation” 列为未来方向。(Zenodo 记录;全文 PDF)

数据集/电池体系

  • 体系/数据: 讨论对象以 Li-ion EV、HEV、储能和便携设备为主,涉及电压、电流、温度、SOC、SOH、SOP 与循环/老化信息;未开展新实验,也未建立可复现的数据集或样本规模。
  • 工况/跨域: 综述层面列出温度、C-rate、DOD、充电策略、日历老化等影响因素;没有统一的电芯、温度、倍率或跨域实验设计。

EOL/RUL/SOH 定义

  • 目标/定义: 正文给出简化的容量型 SOH=C_actual/C_rated×100%,同时讨论 SOH/RUL/电池寿命预测;没有统一 EOL 阈值、RUL 标签单位或实验预测目标,不能把公式当作该文的实证定义。
  • 未来信息风险: 作为叙述综述无训练/测试划分;不存在本文模型的数据泄漏问题,但其引用的不同研究可能采用不同标签和切分,不能直接横向比较。

模型方法

  • 流程: 综述从 Coulomb counting、OCV、等效电路、KF/EKF/UKF/粒子滤波,扩展到 ANN/SVM/随机森林/DNN/LSTM、主动均衡、云边协同、数字孪生和 physics+AI hybrid BMS。没有统一输入—模型—输出管线、baseline 或消融结果。
  • 部署: 讨论微控制器/DSP/FPGA、CAN/IoT/cloud、传感器与边缘计算等方向,但没有实测延迟、算力、在线更新或车规验证。

验证设计

  • 划分/泛化: 无新数据集、无电芯级划分、无独立测试集和无定量外部验证;全文更接近方法分类与工程展望。
  • 可信度: 全文内容可读,但作为预测论文的实证可信度低;可作为检索入口,不能据其叙述判断任何模型优越性。

指标与结果

  • 没有本文自己的 RMSE、MAE、RUL 误差、预警提前量或不确定性结果;出现的公式和传统/现代 BMS 对照表是概念性说明,不是实验 benchmark。
  • 因此,本卡片不把综述中列举的“potentially high accuracy”或“extended battery life”当作已验证结论。

泄漏风险、复现性与局限性

  • 泄漏风险: 不适用本文训练实验;若用其引用表格构建 benchmark,必须逐篇核对原始数据切分、EOL 定义和时间可得性。
  • 复现性: 低;PDF 可获得、引用列表可读,但未说明系统检索式、纳入排除标准、数据抽取表、代码或定量综合方法。
  • 局限性: 范围很宽、没有定量汇总;Zenodo 版本 DOI 与 PDF 期刊信息层级不一致;期刊同行评审状态和正式出版记录未能独立确认。

是否值得跟进

  • 结论: 观望。
  • 理由与下一步: 它适合作为 BMS、数字孪生和在线 SOH/RUL 的术语地图,不适合作为模型选择或寿命结论证据。下一步只核验其正式出版/同行评审状态,并从引用列表反查真正有数据和外部验证的原始论文。
查看关键词分类依据
  • SOH estimation · 摘要包含「state of health」
    current, temperature, State of Charge (SOC), State of Health (SOH), and State of Power (SOP). A Battery Management System (BMS) performs the
  • EOL / cycle life prediction · 摘要包含「cycle life」
    , high power capability, and relatively long cycle life. However, safe and efficient operation of lithium-ion batteries requires accura
  • Generic machine learning · 摘要包含「machine learning」
    estimation, Kalman-filter-based algorithms, machine learning, artificial intelligence, cloud connectivity, digital twins, active balancing,
  • Kalman / particle filter · 摘要包含「kalman」
    ate advanced observers, adaptive estimation, Kalman-filter-based algorithms, machine learning, artificial intelligence, cloud conne
  • Hybrid model · 摘要包含「hybrid」
    apid development of electric vehicles (EVs), hybrid electric vehicles (HEVs), renewable-energy storage systems, and portable electr
  • Li-ion / LIB · 摘要包含「lithium-ion」
    nd efficient battery energy-storage systems. Lithium-ion batteries have become one of the most widely used energy-storage technologies b