ElectroPredictNet: Accurate estimation of battery state of charge and state of health using advanced deep learning models
Khayri Abu Sayf、Hammad Nazir、Leshan Uggalla、Abdulla Rahil
5. ElectroPredictNet: Accurate estimation of battery state of charge and state of health using advanced deep learning models
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI；University of South Wales研究档案/摘要；论文PDF请求返回403 |
| 发现来源 | OpenAlex；来源历史：OpenAlex |
| 期刊/会议/平台 | Energy Sources, Part A: Recovery, Utilization, and Environmental Effects，第48卷第1期，文章2715742 |
| 发表日期 | 2026-08-11，University of South Wales档案标注Early online及E-pub ahead of print |
| 作者/机构 | Khayri Abu Sayf、Hammad Nazir、Leshan Uggalla、Abdulla Rahil；研究档案关联University of South Wales Faculty of Computing, Engineering and Science，逐作者单位映射未能确认 |
| 通讯作者 | 未能确认；研究档案未标通讯作者 |
| 脚本评分/证据等级 | 65；摘要级；明确SoH目标、深度学习比较；不将评分理由视为实验证据 |
| 核验路径 | payload PDF URL先尝试，返回403；Taylor & Francis PDF也返回403；University of South Wales官方档案页成功取得作者、DOI、日期与摘要，并与出版社检索摘要交叉核对 |
纳入理由与原文证据
- 主题/边界： 摘要直接提出SoC与SoH估计、分析充放电周期并预测退化模式，属于SOH估计主题；没有明确EOL或RUL输出，因此不把论文说成剩余寿命预测。
- 证据： University of South Wales研究档案摘要列出CNN、RNN、LSTM、DNN及带自注意力的R²回归比较，并报告MSE=0.002、MAE=0.0096。研究档案摘要
数据集/电池体系
- 体系/数据： 摘要背景指向电动汽车锂离子电池及充放电周期数据；没有披露电芯化学体系、样本量、数据集版本、循环数或电芯来源。出版社摘要检索结果提到公开Kaggle SoC/SoH数据集，但本轮无法读取全文确认数据清理和训练样本构成，故不把数据集名称当作已核验细节。
- 工况/跨域： 论文目标是从BMS参数估计SoC/SoH；温度、倍率、SOC区间、跨电芯/跨化学体系或外部测试均未在可见摘要说明。
EOL/RUL/SOH 定义
- 目标/定义： SoC与SoH估计；SoH参照容量还是内阻、标注计算方式及健康阈值未说明。没有给出RUL/EOL标签或寿命终点预测任务。
- 未来信息风险： 摘要未披露训练/验证/测试拆分、归一化范围或按电芯隔离情况；若窗口随机拆分，临近循环相似性可能抬高结果，需全文核查。
模型方法
- 流程： 预处理与特征平滑→比较CNN、RNN、LSTM、DNN及带自注意力的回归模型→输出SoC/SoH并做误差比较。摘要未提供各模型层数、损失函数、特征输入、具体胜出模型或消融结果，不推断其集成结构。
- 部署： 研究面向BMS，但可见摘要没有嵌入式硬件、实时推理、在线更新或车载测试信息。
验证设计
- 划分/泛化： 仅核实到作者称与SOTA模型比较；摘要未提供训练/测试比例、电芯级拆分、外部数据或重复验证。
- 可信度： 信息不足；SOH目标明确，但关键数据划分、标签口径、模型配置及结果单位全部欠缺，且全文PDF未能访问。
指标与结果
- 摘要报告MSE=0.002、MAE=0.0096；没有说明是否归一化、单位、具体测试集或按SoC/SoH分别计算。仅能作为作者摘要中的误差数值，不能与不同标签尺度论文直接横向比较。
泄漏风险、复现性与局限性
- 泄漏风险： 信息不足；首要核查循环窗口是否跨训练/测试边界、数据归一化是否看见测试集，以及同一电芯是否同时出现在两侧。
- 复现性： 低；虽档案称论文为同行评审文章且开放PDF链接存在，但本轮PDF服务返回403；摘要未列代码、数据拆分、超参数、随机种子或数据集规模。
- 局限性： 只到摘要证据；SoH定义和化学体系未知；不能由SoC/SoH联合估计推断RUL或实车寿命预测能力。
是否值得跟进
- 结论： 观望。
- 理由与下一步： 主题匹配，但现有误差指标无法判断量纲与外推质量。待PDF可访问后优先核查Kaggle数据版本、SoH标签、按电芯切分、各模型完整结果及代码可得性。
查看关键词分类依据
- SOH estimation · 标题包含「state of health」
te estimation of battery state of charge and state of health using advanced deep learning models - Transformer / attention · 摘要包含「attention」
), and R-squared (R2) regression with a self-attention mechanism. These models are applied to accurately estimate battery performance - LSTM · 摘要包含「lstm」
eural Network (RNN), Long Short-Term Memory (LSTM), Deep Neural Network (DNN), and R-squared (R2) regression with a self-attentio - CNN · 摘要包含「cnn」
red, including Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), Deep Neural Ne - Generic neural network / deep learning · 标题包含「deep learning」
of charge and state of health using advanced deep learning models - Li-ion / LIB · 摘要包含「lithium-ion」
Health (SoH) is crucial in battery-only EVs. Lithium-ion batteries are now the most popular energy source for electric cars. The safety