Machine Learning-Based Intelligent Prediction of Electric Vehicle Battery Health for Enhanced Per-formance and Lifetime Estimation

2. Machine Learning-Based Intelligent Prediction of Electric Vehicle Battery Health for Enhanced Per-formance and Lifetime Estimation

论文基本信息

• 标题：Machine Learning-Based Intelligent Prediction of Electric Vehicle Battery Health for Enhanced Per-formance and Lifetime Estimation
• DOI/URL：https://doi.org/10.5281/zenodo.21735380；Zenodo 页面显示版本 DOI 10.5281/zenodo.21735381
• 期刊/会议/预印本平台：Zenodo
• 发表日期：2026-08-01
• 作者和机构：Ch. Sravan Kumar；Palle Vasantha；机构未能从可访问页面确认。
• 通讯作者：未能确认
• 脚本评分：65
• 期刊指标核验：Zenodo 存储库，不适用；未核验 JCR/JIF/CiteScore/SJR。

纳入理由和命中证据

• 题名和摘要直接命中 EV 电池健康预测和寿命估计。
• 摘要称研究目标是预测 EV battery SOH，并使用电压、电流、温度、充电历史来学习退化模式。
• 与一般 BMS 控制论文不同：摘要以 SOH estimation 和 battery health assessment 为核心任务。

创新点

• 可访问内容只确认其采用 XGBoost 与 LightGBM 两种 ensemble learning 方法进行 SOH 预测。
• 是否存在方法创新、特征创新或真实车载部署，未能从摘要/元数据确认。

主要内容

• 摘要级信息显示，论文提出机器学习框架用于 EV 电池 SOH 预测。
• 流程包括数据预处理、特征工程、训练/测试划分、模型训练和统计指标评估。
• XGBoost 被摘要描述为略优于 LightGBM，但具体数值未能确认。

模型架构/方法流程

• 方法：XGBoost、LightGBM。
• 输入特征：电压、电流、温度、充电历史。
• 输出目标：SOH / battery health；是否同时输出 RUL、EOL 或 lifetime 数值未能确认。
• 超参数、树数量、深度、学习率、特征工程细节：未能从可访问内容确认。

数据来源/数据结构/电池类型/循环协议

• 电池体系：摘要称 lithium-ion battery / EV battery。
• 数据来源：摘要称 collected dataset，但未说明公开数据集、实验室数据还是车载数据。
• 电池数量、循环数量、温度、倍率、老化协议、跨电池划分：未能确认。

结果指标

• 摘要列出 R² Score、Adjusted R²、MAE、MSE、RMSE。
• 具体数值、按电池/工况分层结果、外部验证结果：未能从可访问内容确认。

Baseline/对比方法

• 已确认对比：XGBoost vs LightGBM。
• 是否包含 LSTM、SVR、RF、物理模型或公开 benchmark baseline：未能确认。

泄漏风险/局限性/复现性

• 泄漏风险：信息不足偏高。摘要未说明是否按电池划分，若随机切分循环样本，可能产生同一电池 train/test 泄漏。
• 局限性：可访问页面缺少数据集、协议、具体结果和复现细节；Zenodo 页面 PDF 抽取失败，只能做摘要级判断。
• 复现性：低/信息不足。页面列出 PDF 文件，但本次未能成功抽取；代码和数据公开情况未能确认。

对哥哥研究/落地的启发和后续动作

• 结论：观望/低优先级跟进。
• 可作为传统 ML baseline 线索，但暂不宜作为核心参考，除非后续拿到 PDF 后确认数据划分严谨且结果可信。
• 后续动作：手动下载 Zenodo PDF；核对 DOI 版本差异 21735380 vs 21735381；若全文仍只有泛化描述，可加入低质量/弱证据标签。