Comparative analysis of deep learning approaches for electrothermal and state of health estimation in lithium-ion batteries under variable thermal conditions

2. Comparative analysis of deep learning approaches for electrothermal and state of health estimation in lithium-ion batteries under variable thermal conditions

论文基本信息

字段	内容
DOI/URL/PDF	DOI/出版社入口；Crossref PII 为 S2451904926004567；未取得 PDF 链接
发现来源	OpenAlex；source URL；source_history=OpenAlex
期刊/会议/平台	Thermal Science and Engineering Progress，volume 79，article 104930；Elsevier OA 元数据标示 CC BY-NC-ND
发表日期	OpenAlex 2026-09-14；Crossref/Elsevier 记录 published-print/issue 为 2026-11，Elsevier API 给出 2026-11-30；日期存在冲突
作者/机构	Nikita Gupta、Sagar Vashisht、Dibakar Rakshit、Hariprasad Kodamana；Indian Institute of Technology Delhi、IITD-Abu Dhabi/Zayed University，另含 Yardi School of Artificial Intelligence
通讯作者	通讯作者：Dibakar Rakshit、Hariprasad Kodamana；OpenAlex 结构化记录同时标记二人为 corresponding author，出版社页面未成功打开
脚本评分/证据等级	69；命中 battery/SOH/capacity fade、Transformer/GRU/deep learning、开放获取；摘要级
核验路径	payload 无 pdf_url → DOI/ScienceDirect 页面 web_extract 失败 → Crossref、OpenAlex API 成功；Elsevier PII XML 仅返回题录与许可元数据，正文/PDF 未能取得

纳入理由与原文证据

• 主题/边界： 摘要明确把多温度电热状态预测与 impedance growth、capacity fade、长期 SOH evolution 关联，属于 BMS 健康状态预测；但它是否真正预测 RUL/EOL 尚未确认。
• 证据： ① 摘要称研究在 4°C、24°C、43°C 多温度 cycling regimes 比较 LSTM、GRU、Transformer。② 摘要报告 Transformer 在 43°C 的 voltage RMSE 为 0.021 V，并将动态预测与容量衰减关联。（OpenAlex 摘要记录）

数据集/电池体系

• 体系/数据： 只能确认 lithium-ion batteries；输入候选包括 measured voltage、temperature、current、cycle number、time。具体公开数据集名称、电芯数量、容量、化学体系、采样频率和是否为真实 BMS 数据均未说明。
• 工况/跨域： 明确有 4°C、24°C、43°C 三个温度 regime；倍率、SOC 窗口、充放电协议、跨电芯/跨温度划分和外部测试均未能确认。

EOL/RUL/SOH 定义

• 目标/定义： 摘要确认 SoC、温度、电压及容量衰减/SOH 演化相关分析，但没有给出 SOH 公式、EOL 阈值、RUL 单位或标签生成方式；不能把“lifespan”语句推定为 RUL 输出。
• 未来信息风险： 正文不可访问，无法检查温度 regime 是否被随机混入训练测试、容量衰减是否用后验信息构造特征、以及 cycle number/完整曲线是否造成未来信息泄漏。

模型方法

• 流程： 电压/温度/电流/循环数/时间特征工程 → LSTM、GRU、Transformer 三类深度模型比较 → SoC、温度、电压等电热状态预测，并分析阻抗增长 R_e、R_ct 与 capacity fade/SOH 的关系。层数、注意力结构、损失、baseline 和消融未说明。
• 部署： 摘要只声称可为 BMS 健康监测和预测性维护提供模型选择建议；传感器、推理延迟、在线更新和车规计算资源未能确认。

验证设计

• 划分/泛化： 摘要没有说明随机窗口、按电芯、按温度、时间外推、LOCO 或独立外部测试；无法判断“variable thermal conditions”是泛化测试还是同一数据集内比较。
• 可信度： 信息不足。题名、摘要和 Elsevier 元数据足以支持主题纳入，但不足以验证 SOH 预测质量、泛化和部署结论。

指标与结果

• 摘要报告 4°C 下 GRU 的 SoC RMSE 4.46、温度 RMSE 0.59°C；24°C/43°C 环境下 Transformer 的 SoC RMSE 最低可到 0.82，43°C 电压 RMSE 0.021 V。
• 以上是摘要中可确认的电热/SoC 数字；SOH、capacity fade、阻抗预测的数值结果和测试集定义未能确认，脚本评分不是实验指标。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；优先检查按温度/电芯切分、cycle number、阻抗与容量特征的时间可得性，以及是否用完整衰减轨迹选择模型。
• 复现性： 低至信息不足；作者、题录和摘要可确认，但数据集、代码、超参、随机种子和硬件未说明，正文/PDF未成功取得。
• 局限性： 主题同时覆盖 SoC、温度、电压和 SOH，主任务边界不清；缺少电芯/数据规模和切分；日期及全文可得性需要出版社层面复核。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 多温度状态估计对真实 BMS 工况选择有参考价值，但当前不能支持模型优越性判断。下一步通过机构/作者渠道获取全文，重点补齐 SOH 标签、容量衰减结果、数据划分、温度外推和与现有 RUL/SOH benchmark 的对比。