A Comprehensive Review of Artificial Intelligence-Driven Battery Management and Emerging Battery Technologies for Electric Vehicles
Mlungisi Ntombela
3. A Comprehensive Review of Artificial Intelligence-Driven Battery Management and Emerging Battery Technologies for Electric Vehicles
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | MDPI 全文及 PDF |
| 发现来源 | OpenAlex；来源历史仅 OpenAlex |
| 期刊/会议/平台 | Energies, 19(19), 4717 |
| 发表日期 | 2026-10-07，MDPI 页面及 Crossref published-online 一致 |
| 作者/机构 | Mlungisi Ntombela，Durban University of Technology |
| 通讯作者 | 未能确认；可访问的作者信息页未标出通讯作者 |
| 脚本评分/证据等级 | 66；命中 SOH/RUL、AI、BMS；全文级 |
| 核验路径 | 未取得 PDF 链接 URL；MDPI 官方文章页全文可读，Crossref API 核实 DOI、日期、题名与作者 |
纳入理由与原文证据
- 主题/边界： 这是 EV 电池技术与 AI-BMS 的广综述；全文包含 SOC、SOH、RUL estimation 方法比较章节，满足健康估计主题，但主体还覆盖电池化学、充电、热管理、回收和车辆集成，寿命预测不是唯一中心。
- 证据： MDPI 全文单列 SOC、SOH、RUL estimation 比较，并讨论模型驱动、数据驱动和混合方法。见MDPI 全文。
数据集/电池体系
- 体系/数据： 综述涵盖传统电池、锂离子、固态、锂硫、钠离子和锂空气等；没有本文自有实验数据。其综述方法列出 IEEE Xplore、Scopus、Web of Science、ScienceDirect、SpringerLink、MDPI、Wiley 和 Google Scholar，重点范围为 2015–2026 英文文献。
- 工况/跨域： 全文覆盖 EV BMS 及多种体系，但未形成可比的温度、倍率、SOC 窗口或按化学体系的预测 benchmark。
EOL/RUL/SOH 定义
- 目标/定义： 综述比较 SOC、SOH、RUL 状态估计；本文没有统一的 EOL 阈值或 RUL 标签。不同被引研究定义不能合并成一个本文标准。
- 未来信息风险： 该综述不训练模型；其方法比较需区分状态估计、健康预测、预测性维护、充电优化与控制，不能把调度效果等同 RUL 预测。
模型方法
- 流程： 全文按模型驱动、数据驱动和混合方法归纳，讨论 AI/BMS 的状态估计、故障诊断、预测性维护与热管理。没有本文提出的新架构或可复现的训练管线。
- 部署： 文章讨论实时 BMS 和计算复杂度等议题，但不是某个模型的实测部署验证。
验证设计
- 划分/泛化： 综述方法给出数据库与主题关键词、2015–2026 文献范围，但当前可读章节未见完整检索日期、逐库检索式、筛选数量/流程图及偏倚评价。
- 可信度： 中；全文可读、主题覆盖广，但系统综述的可复核性仍受检索和筛选细节限制，且跨论文指标口径异质。
指标与结果
- 本文不做统一预测实验；全文表格比较方法类别与应用，不应从中抽取某个跨研究的统一 MAE/RMSE。无自有训练/测试集指标。
泄漏风险、复现性与局限性
- 泄漏风险： 对综述本身不适用；方法分类需避免将控制/调度与 SOH/RUL 预测混为一谈。
- 复现性： 中偏低；给出数据库、关键词和文献年份，但缺少足以重建筛选过程的检索日期、具体检索式和筛选计数。
- 局限性： 单作者、范围很宽；各被引方法之间数据与验证协议不统一；全文覆盖并不意味着所有章节都与寿命预测直接相关。
是否值得跟进
- 结论： 观望。
- 理由与下一步： 作为 BMS 与新型电池技术的背景入口有用，但 RUL/SOH 方法需回到原始研究核实。后续只提取其明确涉及估计方法的章节与引用，不把材料或能量管理内容纳入寿命预测统计。
查看关键词分类依据
- RUL prediction · 摘要包含「remaining useful life」
of Charge (SOC), State of Health (SOH), and Remaining Useful Life (RUL) estimation in enhancing battery reliability and operational safety are al - SOH estimation · 摘要包含「state of health」
ization. The roles of State of Charge (SOC), State of Health (SOH), and Remaining Useful Life (RUL) estimation in enhancing battery reliabil - EOL / cycle life prediction · 摘要包含「cycle life」
s energy density, power density, efficiency, cycle life, charging and discharging behavior, and degradation mechanisms, are critically - Generic neural network / deep learning · 摘要包含「deep learning」
ement systems, emphasizing machine learning, deep learning, reinforcement learning, and hybrid AI techniques for improving battery state e - Generic machine learning · 摘要包含「machine learning」
) in battery management systems, emphasizing machine learning, deep learning, reinforcement learning, and hybrid AI techniques for improving - Degradation mechanism / cycling stability analysis · 摘要包含「degradation mechanism」
life, charging and discharging behavior, and degradation mechanisms, are critically discussed to highlight their influence on battery performance - Hybrid model · 摘要包含「hybrid」
, deep learning, reinforcement learning, and hybrid AI techniques for improving battery state estimation, fault diagnosis, predicti - Li-ion / LIB · 摘要包含「lithium-ion」
chnologies, covering conventional batteries, lithium-ion batteries, and emerging next-generation chemistries, including solid-state, lit - Na-ion · 摘要包含「sodium-ion」
ries, including solid-state, lithium–sulfur, sodium-ion, and lithium–air batteries. Key battery performance characteristics, such as en - Solid-state · 摘要包含「solid-state」
rging next-generation chemistries, including solid-state, lithium–sulfur, sodium-ion, and lithium–air batteries. Key battery performance