Review on data-driven state of health estimation methods for lithium-ion batteries
Wang, Shunli、Zhou, Jiakang、Li, Linzhi、Zhang, Liya、Fernandez, Carlos、Blaabjerg, Frede; id_orcid 0000-0001-8311-7412
3. Review on data-driven state of health estimation methods for lithium-ion batteries
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | 论文DOI；Aalborg研究门户记录；PDF未能确认 |
| 发现来源 | OpenAIRE；来源URL另含机构主页、EuroCRIS、VBN、Scopus及DOI |
| 期刊/会议/平台 | Journal of Power Sources, 690, Article 240783；AAU记录标为同行评审综述 |
| 发表日期 | 2026-10-30；Aalborg研究门户记录和OpenAIRE题录一致，非未来日期 |
| 作者/机构 | Shunli Wang、Jiakang Zhou、Linzhi Li、Liya Zhang、Carlos Fernandez、Frede Blaabjerg；AAU研究门户收录，逐位作者单位未能确认 |
| 通讯作者 | 未能确认 |
| 脚本评分/证据等级 | 93；摘要级。评分理由包括直接SOH目标、ML/DL、NASA/CALCE及期刊；作者权威加分仅作排序信号，不替代论文证据 |
| 核验路径 | OpenAIRE元数据/摘要 → payload中的publisher DOI → AAU研究门户摘要、日期、期刊卷号及同行评审类型成功；ScienceDirect页面抓取失败 |
纳入理由与原文证据
- 主题/边界： 综述锂离子电池数据驱动SOH估计，符合健康状态预测边界。摘要同时提及公开数据比较，但不能据此认定综述作者建立了新的基准实验。
- 证据： AAU摘要概述机器学习、深度学习及迁移/元学习，并提及NASA和CALCE；AAU研究门户。
数据集/电池体系
- 体系/数据： 主题为锂离子电池；摘要所列NASA、CALCE是公开数据集线索。未说明具体电芯型号、化学体系、样本量或本文是否直接重跑实验。
- 工况/跨域： 摘要讨论动态工况和环境扰动，但没有给出协议、温度、倍率或按电芯划分信息。
EOL/RUL/SOH 定义
- 目标/定义： 主要目标为SOH估计；未报告SOH的容量/阻抗公式，也未明确EOL阈值或RUL输出。
- 未来信息风险： 摘要不含窗口构造或标签时序。若全文报告数据集比较，应逐项检查全寿命归一化、跨电芯切分和超参选择是否触及测试集。
模型方法
- 流程： 综述数据驱动特征、LSTM及其变体、GPR优化、SVM扩展和混合/迁移/元学习。摘要没有足够证据确认它们是作者自行实现，还是对先前研究的归纳。
- 部署： 未能确认在线输入、计算资源、延迟和BMS部署验证。
验证设计
- 划分/泛化： 机构记录将其标为review article；摘要提及NASA/CALCE实验验证和比较，但未说明检索方法、样本划分、重复实验及独立测试方式，故不作定量泛化结论。
- 可信度： 信息不足至中。书目与摘要来自AAU机构记录并含DOI；详细方法需全文核验。
指标与结果
- 摘要仅定性指出LSTM相关方法、GPR优化及SVM扩展可提升精度/鲁棒性；未提供数值指标、误差范围或测试样本量，均不补写。
泄漏风险、复现性与局限性
- 泄漏风险： 信息不足；检查摘要所称比较是否统一数据预处理、按电芯隔离，及是否对测试集调参。
- 复现性： 信息不足。AAU页面可确认题录和摘要，但未发现本轮可读全文、补充材料或代码信息。
是否值得跟进
- 结论： 跟进。
- 理由与下一步： 题目与SOH高度相关且发表日期已由机构记录确认。优先获取全文，厘清其NASA/CALCE结果是自身实验还是引用汇总，并补齐作者单位及通讯作者。
查看关键词分类依据
- SOH estimation · 标题包含「state of health」
Review on data-driven state of health estimation methods for lithium-ion batteries - Transfer learning / domain adaptation · 摘要包含「transfer learning」
vative applications of hybrid models such as transfer learning and meta learning. Experimental verification and comparative analysis of public - LSTM · 摘要包含「lstm」
g (CALCE), show that Long Short-Term Memory (LSTM) and its variant-related methods, Gaussian Process Regression (GPR) optimizatio - Generic neural network / deep learning · 标题包含「data-driven」
Review on data-driven state of health estimation methods for lithium-ion batteries - Generic machine learning · 摘要包含「machine learning」
onlinear relationships. Data-driven includes machine learning and deep learning. This article systematically summarizes the technical classif - SVR / SVM · 摘要包含「support vector」
Regression (GPR) optimization framework, and Support Vector Machine (SVM) extension applications significantly improve the accuracy and rob - Gaussian Process · 摘要包含「gaussian process」
mory (LSTM) and its variant-related methods, Gaussian Process Regression (GPR) optimization framework, and Support Vector Machine (SVM) exten - Hybrid model · 摘要包含「hybrid」
ios, and explores innovative applications of hybrid models such as transfer learning and meta learning. Experimental verification a - NASA · 摘要包含「nasa」
tional Aeronautics and Space Administration (NASA) and Center for Advanced Life Cycle Engineering (CALCE), show that Long Short-T - CALCE · 摘要包含「calce」
Center for Advanced Life Cycle Engineering (CALCE), show that Long Short-Term Memory (LSTM) and its variant-related methods, Gaus - Self-built / experimental dataset · 摘要包含「experimental」
owledge, insufficient robustness, or limited experimental conditions. In recent years, data-driven methods have gradually become a resear - Li-ion / LIB · 标题包含「lithium-ion」
riven state of health estimation methods for lithium-ion batteries