A Review of State-of-Health Estimation and Prediction Methods for Lithium-Ion Traction Batteries in Vehicular Applications: Task Definition, Benchmark Evaluation, and Deployment Challenges
Haozhe Gao
4. A Review of State-of-Health Estimation and Prediction Methods for Lithium-Ion Traction Batteries in Vehicular Applications: Task Definition, Benchmark Evaluation, and Deployment Challenges
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | 出版社全文PDF；出版社文章页；DOI |
| 发现来源 | OpenAlex；已读取Zeus Press出版社全文PDF及Crossref题录 |
| 期刊 | Computers and Artificial Intelligence, 3(6), 78–92 |
| 发表日期 | 2026-11-05（Crossref published-online）；期刊期次标为2026年第3卷第6期 |
| 作者/机构 | Haozhe Gao；School of Technology, Beijing Forestry University |
| 通讯作者 | Haozhe Gao（出版社PDF标题页明确标注） |
| 脚本评分/证据等级 | 68；SOH估计/预测、RUL任务定义、数据集与深度学习相关；全文级 |
| 核验路径 | payload无PDF链接；从出版社文章页取得PDF下载地址并成功抽取全文，核对DOI、作者、摘要、数据与实验章节；Crossref确认日期和书目 |
纳入理由与原文证据
- 主题/边界： 这是一篇综述并含独立基准实验，清楚区分SOH估计、SOH未来轨迹预测和RUL预测，且用电池老化数据评估不同切分协议；不是仅讨论一般BMS硬件。
- 证据： 出版社全文说明实验以CALCE CS2六只电芯比较随机切分、时间外推和按电芯留出；随机切分MAE为0.0061–0.0150，而时间外推升至0.0204–0.1392。全文PDF
数据集/电池体系
- 体系/数据： CALCE CS2，六只18650电芯（CS2_33至CS2_38），额定容量1.1 Ah、室温约0.5C；完整充电特征筛选后4,908个样本，每只711–932个有效周期，SOH标签范围0.50–1.12。输入含12个标量充电特征及64维重采样充电曲线；另测试4.0 V截断窗口，保留4,692样本。
- 工况/跨域： 主实验为单数据集、单倍率、室温；作者明示完整受控充电与真实车辆中断充电不同，不能据此声称已验证车载部署。
EOL/RUL/SOH 定义
- 目标/定义： 综述将SOH估计定义为当前循环容量校准值，将SOH预测定义为未来循环SOH序列，将RUL定义为达到EOL前剩余循环数。本文控制实验的标签是单循环放电容量/首循环容量比，属于SOH估计基准；它并未用该实验直接验证RUL预测。文章要求SOH预测与RUL使用时间外推。
- 未来信息风险： 作者指出随机打乱相邻周期会使同一电芯样本同时出现在训练与测试中，只能测插值；时间外推按每只电芯前70%训练、后30%测试，按电芯留出则每折5只训练、1只测试。
模型方法
- 流程： 对照支持向量回归、高斯过程回归、随机森林、浅层神经网络、1D-CNN和LSTM；后两类以充电曲线序列与标量特征联合建模。模型结构和超参数在全文列出；方法综述部分另按建模机制归纳多类方法。训练集统计量用于标准化，测试集未用于调参。
- 部署： 讨论车载输入可用性、跨域验证、不确定性和边缘计算；实验特征仍需较完整充电曲线，不等同于实车可部署方案。
验证设计
- 划分/泛化： 随机8:2（seed 42）、每芯前70%训练后30%测试、六折整芯留出；每种协议三次模型随机种子。样本量只有六只电芯，作者明确承认没有重复随机划分/重复留出。
- 可信度： 中等；训练/测试规则清楚，且揭示随机划分过度乐观；但单数据集单倍率、少电芯和受控充电限制外推范围。
指标与结果
- MAE以SOH比值计：随机切分0.0061–0.0150，时间外推0.0204–0.1392，按电芯留出0.0254–0.0378；按电芯留出MAPE为2.97%–4.35%、R²为0.858–0.940。时间外推下浅层NN、1D-CNN、LSTM的均值R²分别为−58.0、−1.54、−6.41，说明同设置下模型对时间外推很脆弱；不把不同协议的标准差直接横比。
泄漏风险、复现性与局限性
- 泄漏风险： 随机切分明确存在周期级训练/测试混合风险；该结果仅可作插值基准。论文按训练集拟合标准化并声明未用测试集调参，仍需检查公开脚本能否复现完整预处理。
- 复现性： 中；数据集公开，文中给出样本筛选、协议、seed和主要模型参数；当前未确认作者代码仓库或原始逐折预测。
- 局限性： 单数据集六电芯、单倍率室温；完整充电输入不代表车载不完整片段；除浅层网络内部验证外无独立验证集，且没有重复拆分。
是否值得跟进
- 结论： 强烈跟进。
- 理由与下一步： 论文给出可操作的泄漏检查基准，并报告协议改变模型排名。建议复核PDF表格/附录和代码，再用不同电芯、温度、倍率及随机中断充电数据复现；将时间外推与整芯留出作为最小验收协议。
查看关键词分类依据
- RUL prediction · 摘要包含「remaining useful life」
iterion. SOH estimation, SOH prediction, and remaining useful life (RUL) prediction are distinguished according to label source and evaluation pro - SOH estimation · 摘要包含「state of health」
The state of health (SOH) of traction batteries is a common basis for safety warning, residual valu - Generic neural network / deep learning · 摘要包含「neural network」
0.0204 to 0.1392, and the R² values of three neural networks become negative. Under cell-level holdout, they range from 0.0254 to 0.0378. U - Bayesian · 摘要包含「uncertainty」
ity, cross-domain generalization validation, uncertainty output, and edge-computing resource constraints. Six models are compared on the - CALCE · 摘要包含「calce」
constraints. Six models are compared on the CALCE CS2 dataset under random splitting, temporal extrapolation, and cell-level hold - Self-built / experimental dataset · 摘要包含「laboratory」
ctric vehicles, but a gap exists between the laboratory accuracy of existing deep learning methods and their on-board usability. This p - Li-ion / LIB · 标题包含「lithium-ion」
Health Estimation and Prediction Methods for Lithium-Ion Traction Batteries in Vehicular Applications: Task Definition, Benchmark Evalua