Physics-informed battery degradation prediction: Forecasting charging curves using one-cycle data

8. Physics-informed battery degradation prediction: Forecasting charging curves using one-cycle data

论文基本信息

字段	内容
DOI/URL/PDF	DOI；ScienceDirect 摘要页；全文需机构权限
发现来源	Crossref；ScienceDirect 正式页面复核题名、作者、摘要和页码
期刊	Journal of Energy Chemistry，101，825–836
发表日期	2025-02，出版社卷期信息；Crossref 的 article 创建日为 2024-10-18，非在线发表日
作者/机构	Aihua Tang、Yuchen Xu、Jinpeng Tian、Xing Shu、Quanqing Yu；出版社显示多机构上标，具体单位未从摘要确认
通讯作者	未能确认
脚本评分/证据等级	53；明确 degradation prediction、physics-informed；摘要级
核验路径	payload 无 PDF；DOI → ScienceDirect 摘要页；核对摘要、期刊卷期及数据/误差表述

纳入理由与原文证据

• 主题/边界： 预测未来 V–Q 曲线并据此描述容量退化轨迹，满足容量/退化轨迹预测；不把曲线预测误称为直接 RUL 输出。
• 证据： 出版社摘要称用单个当前循环 V–Q 曲线预测未来数百圈，并在 52 节不同类型/测试条件的电池上验证；出版社摘要。

数据集/电池体系

• 体系/数据： 52 节电池、不同类型及测试条件；摘要未列化学体系、数据集名称、每类电芯数或数据是否公开。
• 工况/跨域： 宣称覆盖不同测试条件，但未披露温度、倍率、SOC、测试条件与电芯间拆分方式。

EOL/RUL/SOH 定义

• 目标/定义： 输出未来电压–容量（V–Q）曲线，供增量容量曲线与退化分析；不是直接预测 EOL/RUL，具体 EOL 标签未涉及。
• 未来信息风险： 一圈输入限制了历史长度，但需确认评估窗口如何向未来滚动、同一电芯是否跨训练与测试，以及归一化是否使用完整未来曲线。

模型方法

• 流程： 轻量可解释物理模型与 physics-informed neural network 组合，把领域知识嵌入学习过程；摘要未披露网络层数、物理残差公式、基线和消融细节。
• 部署： 论文称有望用于车载，但摘要无推理延迟、算力或 BMS 实机数据，因此属于应用展望而非部署证明。

验证设计

• 划分/泛化： 在 52 节不同类型/条件电池上做广泛验证；摘要没有写按电芯/化学体系留出、外部数据测试或训练/测试比例。
• 可信度： 中；目标与样本数清晰，但泛化评估协议未公开于摘要。

指标与结果

• 摘要报告 RMSE 与 MAE 基本低于 0.035 Ah；关于 R² 的原文措辞是“basically less than 98.5%”，含义/单位不清，不能自行解释成 R²≥0.985。任务是连续曲线点预测，未见区间指标。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；重点查按电芯划分、曲线归一化、一次性整段未来推演与逐步滚动评估是否一致。
• 复现性： 信息不足；数据集清单、代码、参数与随机种子未能从摘要确认。
• 局限性： ①化学体系和数据源未细分；②预测未来数百圈的误差累积未在摘要给出；③R² 文字表述含混，需回查正文原表。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： 少量早期曲线预测长期 V–Q 轨迹对早期寿命筛查有价值；优先查原表、逐电芯外推设计与未来多圈误差，再考虑复现 PINN 物理约束。