AI-Enhanced Battery Management System with Real-Time SOC/SOH Estimation and IoT-Based Autonomous Load Control: Hardware Implementation on ESP32 with MQTT and ML Inference
Manojkumar Sahebrao Chavhan、Rupesh Jagatarao Patil
4. AI-Enhanced Battery Management System with Real-Time SOC/SOH Estimation and IoT-Based Autonomous Load Control: Hardware Implementation on ESP32 with MQTT and ML Inference
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI/期刊题录与摘要；期刊PDF入口（下载请求断开，未读到PDF） |
| 发现来源 | OpenAlex；来源历史：OpenAlex |
| 期刊/会议/平台 | International Journal of Computer Information Systems and Industrial Management Applications，18(13s)，329–357页 |
| 发表日期 | 2026-08-09，期刊页面标注 |
| 作者/机构 | Manojkumar Sahebrao Chavhan（JSPM Rajarshi Shahu College of Engineering研究中心）、Rupesh Jagatarao Patil（Trinity Academy of Engineering） |
| 通讯作者 | 未能确认；期刊题录未标通讯作者 |
| 脚本评分/证据等级 | 68；摘要级；SoH估计、ML方法、硬件BMS关键词命中；不将评分理由当作方法证据 |
| 核验路径 | payload PDF URL先尝试，连接被远端关闭；读取期刊文章页及DOI落地页摘要，交叉核对题名、作者、卷期、日期和PDF入口；未取得正文 |
纳入理由与原文证据
- 主题/边界： 论文直接估计SoH，因此按健康估计纳入；它没有报告RUL/EOL预测，实时SOC控制、IoT看板和保护继电器不是寿命预测结果。实机演示中的SoH=100%、Cycle=0也不能证明老化过程中的健康预测精度。
- 证据： 期刊摘要称比较Random Forest、XGBoost、LSTM，并将随机森林部署到ESP32；报告NASA数据集9,742条记录、80/20划分及R²=0.976。期刊摘要
数据集/电池体系
- 体系/数据： 摘要称模型使用NASA Battery Dataset（9,742记录），原型是3S ICR-18650锂离子电池包，标称11.1V、2500mAh；没有说明NASA数据中使用哪些电芯、原型电芯是否与训练数据同化学体系，数据文件也未开放（页面写“Download data is not yet available”）。
- 工况/跨域： 原型有电流/电压采集；两路INA219电流传感器、0.1Ω分流器、500ms采样与每2秒MQTT发布。温度、倍率、老化循环覆盖及跨电芯测试未说明。
EOL/RUL/SOH 定义
- 目标/定义： 明确估计SOC和SOH，但SoH参考标签公式、健康阈值、EOL定义及任何RUL输出均未说明；应视为SOH估计/原型演示，不应描述为寿命预测。
- 未来信息风险： 摘要给出记录级80/20随机划分和seed=42，未说明按电芯或循环分组。若同一电芯相邻周期被随机拆到训练与测试，可能产生时间/个体信息泄漏；需全文核对。
模型方法
- 流程： NASA记录→比较Random Forest、XGBoost、LSTM→摘要称RF在所有目标上最高（R²=0.976）→在ESP32端推理；SOC另用60%库仑计数与40%电压映射融合。摘要还称电流与cycle count是退化预测的重要特征，但没有说明未来健康轨迹预测任务或特征可用时点。
- 部署： ESP32双核240MHz、Wi-Fi；MQTT、Flask-SocketIO网页端、Tkinter界面及继电器负载控制有摘要描述。没有测量推理延迟、算力占用、模型更新或长周期现场表现。
验证设计
- 划分/泛化： 训练评估按记录80/20随机切分；另展示原型实时读数和低电压继电器动作。未确认按电芯独立测试、独立数据源、老化全过程标签或SoH预测校准。
- 可信度： 信息不足；硬件实现提高工程可见性，但模型验证与原型实测之间的对应关系不清楚，单次读数不能替代独立SOH验证。
指标与结果
- 摘要报告RF R²=0.976（目标合并/具体目标范围未清楚说明），并给出示例V=9.87V、SoC=39.4%、SoH=100%、Cycle=0；阈值告警小于10V、负载切除小于9V、紧急关机小于8V。后几项是原型读数/控制阈值，不是寿命预测精度。
泄漏风险、复现性与局限性
- 泄漏风险： 中高/信息不足；随机记录级切分可能混合相邻循环，且数据集电芯与实物原型的关系不明；SoH=100%且Cycle=0的演示无法检验衰退预测。
- 复现性： 低至中；摘要披露算法名、样本数、分割比例、随机种子和部分硬件，但NASA子集、标签生成代码、模型参数及数据未提供，全文PDF请求失败。
- 局限性： 缺少循环老化验证和电芯级留出；没有EOL/RUL目标；硬件展示不能证明模型部署后对退化电芯的泛化。
是否值得跟进
- 结论： 观望/跟进。
- 理由与下一步： 可参考ESP32端侧架构与传感器/MQTT实现，不应直接采信其SoH精度。下一步获取PDF和NASA数据预处理代码，核查电芯隔离、SoH标签及实物电池长期验证后再决定复现。
查看关键词分类依据
- SOH estimation · 标题包含「soh」
Battery Management System with Real-Time SOC/SOH Estimation and IoT-Based Autonomous Load Control: Hardware Implementation on ES - LSTM · 摘要包含「lstm」
earning models — Random Forest, XGBoost, and LSTM — are trained and evaluated on the NASABattery Dataset (9,742 records, 80/20 tr - Generic machine learning · 摘要包含「machine learning」
s (ICR-18650, 2500mAh, 11.1V nominal). Three machine learning models — Random Forest, XGBoost, and LSTM — are trained and evaluated on the NA - XGBoost / boosting · 摘要包含「xgboost」
ree machine learning models — Random Forest, XGBoost, and LSTM — are trained and evaluated on the NASABattery Dataset (9,742 records - Random Forest · 摘要包含「random forest」
1V nominal). Three machine learning models — Random Forest, XGBoost, and LSTM — are trained and evaluated on the NASABattery Dataset (9,74 - Hybrid model · 摘要包含「hybrid」
cision: 4 classes) is run on -device using a hybrid SOCalgorithm with Coulomb counting (60% weight) and voltage-based mapping (40% - Li-ion / LIB · 摘要包含「lithium-ion」
olled BMS prototype that is proven on a real lithium-ion device, the transition between AI-based battery studies and real-world embedded