Fractional-order derivatives to elevate the physics-awareness of the data-driven battery health estimators

2. Fractional-order derivatives to elevate the physics-awareness of the data-driven battery health estimators

论文基本信息

• 标题：Fractional-order derivatives to elevate the physics-awareness of the data-driven battery health estimators
• DOI/URL：https://doi.org/10.1016/j.est.2026.123313
• 期刊/会议/预印本平台：Journal of Energy Storage，Elsevier，Vol.175，Article 123313，PII S2352152X26029774。
• 发表日期：OpenAlex 记录 2026-06-25；Crossref published date 为 2026-10。
• 作者和机构：Behnam Ghalami Choobar（University of Guilan）、Hamid Hamed（EnergyVille / Hasselt University）、Abolfazl Moghaddam（University of Guilan）、Quanquan Pang（Peking University）、Mohammadhosein Safari（EnergyVille / IMEC / Hasselt University）。
• 脚本评分：60。
• 期刊指标核验：脚本期刊层级为 core storage journal / Q1；本次未单独核验 JCR/JIF/JCI/CiteScore/SJR 数值。
• 访问状态：DOI 页面通过 web_extract 抓取失败；Crossref/OpenAlex 元数据可访问；全文未开放或未成功获取。

纳入理由

• 题名直接命中“battery health estimators”，OpenAlex 关键词包括 Battery、Estimator、Degradation、Lithium、Support vector machine、Machine learning、Equivalent circuit，属于 SOH/健康估计主题。
• Crossref 元数据和参考主题显示该文围绕 lithium-ion battery degradation、SOH estimation、incremental capacity/differential voltage analysis、physics-informed/grey-box modeling 和 fractional-order calculus。
• 与一般材料论文区别：目标不是新材料循环性能，而是提升数据驱动电池健康估计器的物理感知能力。

创新点

• 从题名和元数据判断，核心新意可能是用分数阶导数/分数阶微积分表征电池记忆效应、扩散/阻抗等非整数阶动态，从而增强数据驱动健康估计的 physics-awareness。
• 由于全文未获取，具体特征构造、模型耦合方式和实验证据不能确认。

主要内容

• 元数据级判断：文章应提出一种将 fractional-order derivatives 融入数据驱动 battery health estimator 的方法，用于 SOH 或健康状态估计。
• Crossref 显示 65 条参考文献，主题覆盖电池老化机理、容量损失、锂损失、阻抗上升、ICA/DVA、机器学习和电化学建模。

模型架构/方法流程

• 方法类别：physics-aware / physics-informed data-driven health estimation，可能结合分数阶特征与 ML estimator。
• 具体模型：未能确认；OpenAlex 概念中出现 Support Vector Machine、Equivalent circuit、Machine learning，但不能据此断言本文具体架构。
• 方法流程：未说明/未能从可访问内容确认。

输入特征与输出目标

• 输入特征：未能确认；可能与电压/电流/容量曲线、ICA/DVA 或分数阶导数特征有关，但报告中不作为事实。
• 输出目标：battery health / SOH estimator；是否同时预测 RUL/EOL 未确认。

数据来源/数据结构/电池体系/循环协议

• 电池体系：元数据关键词显示 lithium battery / battery degradation；具体化学体系、圆柱/软包/方壳、电池数量未确认。
• 数据来源：未说明/未能确认。
• 循环协议、温度、倍率、跨工况验证：未说明/未能确认。

EOL/RUL/SOH 定义

• SOH 定义：未能确认是容量保持率、内阻、能量还是复合健康指标。
• EOL/RUL：题名为 health estimator，不一定直接输出 RUL；EOL 阈值未确认。
• 标签生成方式和未来信息泄漏：未能确认。

结果指标

• 未能确认 MAE/RMSE/MAPE/R²、cycle error 或不确定性指标。
• 需要全文后核对是否做了跨电池/跨工况验证，以及是否只报告平均误差。

Baseline/对比方法

• 未能确认；后续重点检查是否与普通数据驱动模型、传统 ICA/DVA、等效电路模型或 physics-informed baseline 对比。

验证设计

• 数据划分方式：未说明/未能确认。
• 独立测试集/外部验证/消融实验：未说明/未能确认。
• 不确定性校准：未说明/未能确认。

泄漏风险/局限性/复现性

• 泄漏风险：信息不足。重点关注分数阶特征是否需要完整寿命曲线或后验平滑；如果需要未来循环，则在线估计价值会下降。
• 局限性：全文不可访问导致无法判断数据规模、模型泛化和部署复杂度；分数阶特征的物理解释和参数可辨识性需重点核查。
• 复现性：信息不足。未确认代码、数据、超参和模型细节。

对哥哥研究/落地的启发和后续动作

• 启发：如果方法确实能把分数阶动态转为健康估计特征，可作为“物理启发特征 + 轻量 ML”的候选方向，尤其适合在小样本、跨工况泛化中测试。
• 是否值得跟进：跟进。
• 后续动作：获取 ScienceDirect 全文；优先记录特征定义、是否只用早期/当前可用数据、baseline、跨电池划分和代码/数据可用性。

---