Experimental Validation and Cross‐Scale Evaluation of Battery Capacity Degradation Techniques for Electric Vehicles
Maharshi Singh、K. Janardhan Reddy
9. Experimental Validation and Cross‐Scale Evaluation of Battery Capacity Degradation Techniques for Electric Vehicles
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | Wiley DOI/文章页；Wiley全文页抓取失败；Semantic Scholar题录与摘要片段 |
| 发现来源 | OpenAlex；来源历史OpenAlex |
| 期刊/会议/平台 | Energy Storage，Wiley |
| 发表日期 | 2026-08-14；OpenAlex与Semantic Scholar题录所示日期 |
| 作者/机构 | Maharshi Singh、K. Janardhan Reddy；OpenAlex题录列Phenikaa University，作者与单位对应关系未能确认 |
| 通讯作者 | 未能确认 |
| 脚本评分/证据等级 | 53；低分复核后因摘要明确预测电池容量退化而纳入；摘要级 |
| 核验路径 | payload无PDF；尝试Wiley全文页未能抓取；按DOI检索并读取Semantic Scholar摘要片段，与OpenAlex原始摘要、题名及作者交叉核验。 |
纳入理由与原文证据
- 主题/边界： 论文目标为预测电池容量退化轨迹，且比较电芯与电池包尺度，属于容量衰退预测；不是普通热管理或储能调度。
- 证据： 摘要称在26 Ah两轮车电池包及其18650电芯的实验数据上比较多种预测技术；SVR取得最高R²，报告pack级0.9995、cell级0.9988。DOI与摘要题录
数据集/电池体系
- 体系/数据： 摘要称使用26 Ah两轮车电池包及其18650电芯的实验数据，并称包/电芯在相同热、电条件下测试；未给电芯数量、化学体系具体型号、样本时间跨度或公开数据链接。
- 工况/跨域： 比较pack与cell两种尺度，不能等同不同化学体系或独立电芯外部验证；温度、电流协议及工况覆盖未能确认。
EOL/RUL/SOH 定义
- 目标/定义： 目标是容量退化预测，可作为电池健康轨迹任务；摘要未定义SOH归一化、EOL阈值或RUL输出，因此不将其描述为直接RUL模型。
- 未来信息风险： 摘要未说明输入时间窗、容量轨迹切分、目标预测步长及数据归一化；需要确认报告的高R²是否来自真正留出测试，而非训练拟合。
模型方法
- 流程： 摘要列出SVR-RBF、GPR、ANN、二次多项式回归和Weibull拟合等方法，均以实验容量数据预测退化；SVR表现最好。摘要未给出特征集合、超参数调优过程和统计基线细节。
- 部署： 研究指向EV电池健康管理，但未报告在线BMS、实时计算或车载实测部署。
验证设计
- 划分/泛化： 有电芯与pack两个尺度的数据对照；训练/测试划分、是否按电芯留出、样本独立性及时间外推设计均未能从摘要确认。
- 可信度： 信息不足；实验验证有现实意义，但极高R²在划分与样本规模未明时不能直接视为泛化能力强。
指标与结果
- 摘要报告SVR最佳R²为pack级0.9995、cell级0.9988；RMSE、MAE及测试集定义未能核实。指标按作者摘要记录，不把高R²解读为寿命/EOL预测准确度。
泄漏风险、复现性与局限性
- 泄漏风险： 信息不足；检查同一pack内的电芯是否跨训练/测试、相邻时序是否泄漏、以及标准化和模型选择是否在测试数据上完成。
- 复现性： 低至信息不足；Wiley全文抓取失败，数据、代码、超参数与随机种子未核实。
- 局限性： ①摘要未交代数据规模及切分；②只有一种两轮车电池体系线索；③容量退化预测不等于SOH/RUL阈值预测，部署证据不足。
是否值得跟进
- 结论： 跟进。
- 理由与下一步： 跨尺度数据与容量退化预测符合健康监测方向。下一步获取Wiley全文，确认训练/测试是否按电芯分组、R²对应的数据集及误差指标，再评估其作为容量轨迹基线的价值。
查看关键词分类依据
- Capacity fade / trajectory prediction · 摘要包含「degradation prediction」
ity. In electric vehicles, accurate capacity degradation prediction is essential to ensure reliability, extend battery life, and reduce range anxie - Generic neural network / deep learning · 摘要包含「data driven」
cal thermal and electrical conditions. Three data driven techniques were evaluated which include machine learning, statistical learning - Generic machine learning · 摘要包含「machine learning」
iven techniques were evaluated which include machine learning, statistical learning and reliability‐based approaches. Each model used the sam - SVR / SVM · 摘要包含「svr」
Model‐specific novel architectures included SVR with an RBF kernel and optimized hyperparameters, GPR with a squared exponentia - Gaussian Process · 摘要包含「gpr」
an RBF kernel and optimized hyperparameters, GPR with a squared exponential kernel and Bayesian tuning, ANN with a feedforward n - Bayesian · 摘要包含「bayesian」
s, GPR with a squared exponential kernel and Bayesian tuning, ANN with a feedforward network of 15 hidden neurons trained using the L - ECM / electrochemical model · 摘要包含「electrochemical」
ity in operating conditions, and the complex electrochemical processes involved in lithium‐ion batteries. This research presents a unified, - Self-built / experimental dataset · 标题包含「experimental」
Experimental Validation and Cross‐Scale Evaluation of Battery Capacity Degradation Technique