FrancescoRSS
论文库 / 未确认证据

Hybrid temporal deep learning and ensemble regression framework for remaining useful life prediction of lithium-ion batteries in energy storage systems

Energy Exploration & Exploitation首次分析 2026.07.19发表日期 2026-07-16未确认级证据

T. Mariprasath、Kumaresh S S、Seif Al Bustanji、Viktoriia Bereznychenko

论文原文 ↗来源页面 ↗

2. Hybrid temporal deep learning and ensemble regression framework for remaining useful life prediction of lithium-ion batteries in energy storage systems

论文基本信息

  • 标题：Hybrid temporal deep learning and ensemble regression framework for remaining useful life prediction of lithium-ion batteries in energy storage systems
  • DOI/URL：https://doi.org/10.1177/01445987261470170
  • 期刊/会议/预印本平台：Energy Exploration & Exploitation
  • 发表日期：2026-07-16（Crossref published-online）
  • 作者和机构：T. Mariprasath（K.S.R.M College of Engineering）；Kumaresh S S（Vel Tech Rangarajan Dr Sagunthala R&D Institute）；Seif Al Bustanji（Al-Ahliyya Amman University）；Viktoriia Bereznychenko（Institute of Electrodynamics, National Academy of Sciences of Ukraine）
  • 通讯作者：未能确认（SAGE 页面/PDF 抓取失败，Crossref 未给通讯作者字段）
  • 脚本评分：76
  • 期刊指标核验：未核验 JCR/JIF/JCI/CiteScore/SJR。
  • 可信度：摘要/元数据级。已尝试 DOI 和 SAGE 页面，web_extract 失败；Crossref API 可确认题名、作者、期刊、在线发表日期、摘要和 PDF/XML 链接。

纳入理由和命中证据

  • 纳入理由：题名和摘要直接是 lithium-ion batteries RUL prediction，属于核心范围。
  • 命中证据：摘要写明 proposes a hybrid data-driven framework integrating TCN, BiLSTM, and XGBoost for accurate LIB RUL prediction；validated using NASA LIB aging dataset。
  • 与普通储能管理论文区别：输出目标是 RUL，而不是调度、热管理或材料循环性能。

创新点

  • 将 TCN 的短期 temporal degradation pattern、BiLSTM 的长期 degradation evolution 与 XGBoost 的非线性回归组合。
  • 摘要声称进行了 five-fold cross-validation、baseline 比较和 ablation analysis。

主要内容

  • 针对电池退化高度非线性和时序依赖，提出 TCN-BiLSTM-XGBoost 混合框架。
  • 深度网络先提取时序退化表征，再由 XGBoost 回归 RUL。
  • 目标场景为 EV 和 energy storage systems 的健康监测/预测维护。

模型架构/方法流程

  • 流程：NASA aging operational features → 统计分析/Min-Max normalization → TCN 捕获短期模式 → BiLSTM 学习长期依赖 → XGBoost 输出 RUL。
  • 未能从可访问内容确认具体层数、卷积核、hidden size、超参、训练 epoch。

输入特征与输出目标

  • 输入特征：cycle index、discharge time、charging duration、voltage degradation characteristics、constant-current charging behavior。
  • 输出目标：RUL 回归值。

数据集/电池体系

  • 电池体系：lithium-ion batteries。
  • 数据来源/结构：NASA LIB aging dataset，摘要称 14,896 charge-discharge cycle samples。
  • 工况/协议：可访问摘要未说明电芯数量、温度、倍率、EOL 阈值和具体 NASA 子集编号。
  • 跨验证：摘要仅确认 five-fold cross-validation；未能确认按电池划分还是随机循环样本划分。

EOL/RUL/SOH 定义

  • RUL：remaining useful life；单位和 EOL 阈值未能从可访问内容确认。
  • 标签生成方式：未能确认是否基于容量跌至 80%、cycle-to-threshold 或归一化剩余循环。
  • SOH：不是主要输出。

验证设计

  • 摘要确认 five-fold cross-validation、comparative analysis、ablation analysis。
  • 关键待核查：fold 是否按 cell split；若按 14,896 个 cycle samples 随机切分，可能造成同一电池相邻循环泄漏。

指标

  • 摘要报告：MAE = 0.00957，RMSE = 0.02926，R² = 0.9882。
  • 指标单位疑似归一化 RUL/容量尺度；未能确认 cycle error 或每电池分层误差。

Baseline/对比方法

  • 摘要明确比较 Random Forest、XGBoost、LSTM、BiLSTM。
  • 消融确认 TCN、BiLSTM 和 XGBoost 互补贡献；具体消融数值未能确认。

泄漏风险/局限性/复现性

  • 泄漏风险：中高。摘要强调 14,896 cycle samples 和 five-fold CV，但未说明按电池留出；NASA 小数据集若随机按循环切分，RUL 任务很容易泄漏同一电池退化轨迹。
  • 局限性：仅能确认 NASA 单数据集；跨化学体系/跨温度/跨协议泛化未确认。
  • 复现性：信息不足；未能确认代码、完整超参、数据预处理细节。

对哥哥研究/落地的启发和后续动作

  • 可作为 TCN/BiLSTM/XGBoost 组合 baseline；哥哥复现时必须改成 leave-one-cell-out 或 leave-batch-out。
  • 后续动作：下载 SAGE PDF/XML；检查 EOL 定义、split 和是否有代码；若随机切分则记录为“高分但泄漏风险高”。

是否值得跟进

  • 结论：跟进但需严审。
  • 理由：题目高度相关、指标漂亮；但 NASA + fold 设计可能导致过高估计。
查看关键词分类依据
  • RUL prediction · 标题包含「remaining useful life」
    arning and ensemble regression framework for remaining useful life prediction of lithium-ion batteries in energy storage systems
  • LSTM · 摘要包含「lstm」
    CN), Bidirectional Long Short-Term Memory (BiLSTM), and Extreme Gradient Boosting (XGBoost) for accurate LIB RUL prediction. The
  • CNN · 摘要包含「convolutional」
    data-driven framework integrating a Temporal Convolutional Network (TCN), Bidirectional Long Short-Term Memory (BiLSTM), and Extreme Gradi
  • Generic neural network / deep learning · 标题包含「deep learning」
    Hybrid temporal deep learning and ensemble regression framework for remaining useful life prediction of lithi
  • Generic machine learning · 摘要包含「machine learning」
    ional physics-based approaches or standalone machine learning techniques. To address these challenges, this article proposes a hybrid data-dr
  • XGBoost / boosting · 摘要包含「xgboost」
    ory (BiLSTM), and Extreme Gradient Boosting (XGBoost) for accurate LIB RUL prediction. The proposed architecture utilizes the TCN mo
  • Random Forest · 摘要包含「random forest」
    ed hybrid framework outperforms conventional Random Forest, XGBoost, LSTM, and BiLSTM models in terms of prediction accuracy and robustnes
  • Hybrid model · 标题包含「hybrid」
    Hybrid temporal deep learning and ensemble regression framework for remaining useful l
  • ECM / electrochemical model · 摘要包含「electrochemical」
    degradation is governed by highly nonlinear electrochemical mechanisms and complex temporal dependencies that are difficult to model using
  • NASA · 摘要包含「nasa」
    nd RUL. The framework is validated using the NASA LIB aging dataset containing 14,896 charge–discharge cycle samples with operati
  • Self-built / experimental dataset · 摘要包含「experimental」
    numerical stability, and model convergence. Experimental results demonstrate that the proposed framework effectively captures battery de
  • Li-ion / LIB · 标题包含「lithium-ion」
    work for remaining useful life prediction of lithium-ion batteries in energy storage systems