Improved Chaotic Sparrow Search-Optimized Deep Multiple Kernel ELM for Lithium-Ion Battery RUL Prediction
Qian Xie、Fan Liu、Hua Zhang
1. Improved Chaotic Sparrow Search-Optimized Deep Multiple Kernel ELM for Lithium-Ion Battery RUL Prediction
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI;出版社全文;PDF 直链抓取失败 |
| 发现来源 | OpenAlex;source_history:OpenAlex;source_urls:DOI |
| 期刊/会议/平台 | Batteries, 12(10), 398,开放获取期刊论文 |
| 发表日期 | 2026-10-04;出版社页面列出 Published 日期 |
| 作者/机构 | Qian Xie、Fan Liu、Hua Zhang。监测元数据列出 State Grid Corporation of China、State Grid Sichuan Electric Power Corporation;出版社全文显示 Sichuan Electric Power Research Institute / Sichuan Grid Co. / State Grid Co.,成都。作者与单位的逐一对应未能确认。 |
| 通讯作者 | Qian Xie(监测结构化元数据列出;出版社抓取文本可见通讯标记,但未能独立确认标记对应关系) |
| 脚本评分/证据等级 | 67;电池、RUL、标题目标、专门电池期刊及开放获取命中;无权威作者加分理由。全文级(出版社 HTML);表格图像数字未能解析。 |
| 核验路径 | payload 的 pdf_url 为空;尝试出版社 PDF 链接失败;DOI 首次抓取失败;随后打开 MDPI 文章页成功,获取全文 HTML。 |
纳入理由与原文证据
- 主题/边界: 直接预测锂离子电池 RUL 和 EOL,符合监测主题。
- 证据: 摘要称在两个数据集的 10 个电芯上分析,并以历史健康特征预测未来容量退化;正文定义容量降至额定值 80% 为 EOL。来源:出版社全文。
数据集/电池体系
- 体系/数据: CALCE(马里兰大学)老化数据,CS2 系列 6 芯、CX2 系列 4 芯;体系为锂离子。特征包括 CCCT、CVCT、内阻及增量容量峰值 ICCP。
- 工况/跨域: 文中验证采用标准 CC-CV 充电协议;具体温度未能确认。CS 与 CX 分系列训练,不混合;部分充电和变温工况未验证。
EOL/RUL/SOH 定义
- 目标/定义: SOH 按当前容量相对额定容量定义;EOL 为容量降至额定容量 80%;RUL 是预测起点到预测 EOL 周期的差值。
- 未来信息风险: 作者称 Hampel 使用过去窗口、相关性仅由训练数据计算、归一化参数来自训练数据;常规预测使用预测起点前数据。按电芯留一方案也声明未使用留出芯的容量标签、EOL 或未来测量。
模型方法
- 流程: 从 CC-CV 曲线提取充电时间、内阻和增量容量峰值;过去窗口 Hampel 去噪后输入三层 DMK-ELM(堆叠 AE-ELM,隐藏单元 50/30/10),以改进 Tent 混沌映射和 Gaussian mutation 的 ICSSA 调超参数。对照含多种优化器及 ELM/其他模型;具体完整基线名以正文表格为准。
- 部署: 文中报告 MATLAB R2023b、Intel i5-12600KF、32 GB RAM;单样本推理约 0.03 s。实际车载部署验证未说明。
验证设计
- 划分/泛化: 预测起点前数据按时间 80/20 划分训练/验证;另在 CS、CX 各自系列内做留一电芯验证,留出芯仅提供健康特征和周期索引。跨系列/跨化学体系泛化未测。
- 可信度: 中高。出版社全文可读且有明确验证协议;但指标表格以图像呈现,逐芯数字不能从可抓取文本独立复核。
指标与结果
- 正文报告 ICSSA-DMK-ELM 的平均 EOL 绝对误差为 2.3 周期;10 芯中 8 芯呈轻微 EOL 延后预测。文中称 EOL 误差在多数电芯低于 1.5%,但表格图像数字未能核对。
- 留一电芯测试中,作者报告各留出电芯 MAE 低于 0.013(容量归一化指标);CS2_37 示例 MAE/RMSE/MAPE 约为 0.007/0.009/0.007,CX2_33 约为 0.008/0.014/0.020。上述数值按正文报告,不能替代表格复核。
泄漏风险、复现性与局限性
- 泄漏风险: 低至中。时间划分、训练集缩放/特征筛选、过去窗口和留一电芯协议均有说明;仍需核对 ICSSA 验证调参是否严格隔离于最终测试及表格细节。
- 复现性: 中。文章报告随机种子 30、MATLAB 版本、硬件和公开 CALCE 数据来源,但数据可用性声明写“按请求提供”;未能确认代码仓库或完整配置公开。
- 局限性: 仅两系列 10 芯;协议为恒温 CC-CV(实际温度值未能确认),不覆盖动态温度、部分充电和其他化学体系;优化步骤带来额外离线成本。
是否值得跟进
- 结论: 跟进。
- 理由与下一步: 主题匹配直接、验证设计值得参考,且低延迟推理具有工程相关性。下一步下载/人工检查 PDF 图表,核对逐芯 EOL 误差、系列拆分与数据可访问性,并搜索作者是否公开代码和复现实验参数。
查看关键词分类依据
- RUL prediction · 标题包含「rul」
Multiple Kernel ELM for Lithium-Ion Battery RUL Prediction - Generic neural network / deep learning · 摘要包含「data-driven」
ddress this challenge, this study proposes a data-driven deep multiple kernel extreme learning machine (DMK-ELM) model, optimized by an - Self-built / experimental dataset · 摘要包含「experimental」
omprehensively evaluate battery degradation, experimental data from ten cells across two distinct datasets are analyzed. Health features, - Li-ion / LIB · 标题包含「lithium-ion」
earch-Optimized Deep Multiple Kernel ELM for Lithium-Ion Battery RUL Prediction