Probabilistic state of health estimation and environmentally optimized retirement threshold for lithium-ion batteries based on deep learning and Gaussian process regression

2. Probabilistic state of health estimation and environmentally optimized retirement threshold for lithium-ion batteries based on deep learning and Gaussian process regression

论文基本信息

字段	内容
标题	Probabilistic state of health estimation and environmentally optimized retirement threshold for lithium-ion batteries based on deep learning and Gaussian process regression
DOI/URL/PDF	DOI 10.1016/j.est.2026.124251；RSS/ScienceDirect 页面；PDF：未提供
发现来源	source_history: RSS/Web；query：feed:Journal of Energy Storage；Crossref 题录补齐 DOI
期刊/会议/平台	Journal of Energy Storage，volume 180，Part C，article 124251
发表日期	RSS 摘要：2026-12-01；Crossref published-print/issue：2026-12。该日期晚于 2026-08-25 监测窗口，online-first 状态未能确认
作者/机构	Shuhua Li、Shiyi Yang、Yiqing Yang、Muyao Wu、Zhongwen Zhu、Yan Ma、Jinfang Hu；Crossref 未提供机构，无法可靠补齐
通讯作者	未能确认（Crossref 题录未标注；出版社页和全文均未成功获取）
脚本评分/证据等级	68；命中 lithium-ion、SOH、deep learning、Gaussian process、Journal of Energy Storage；未命中权威作者加分；元数据级
核验路径	pdf_url：空 → RSS/ScienceDirect URL：web_extract 失败 → Crossref DOI/Elsevier接口：页面抓取失败；Crossref API 确认 DOI、作者、卷期，出版社搜索结果仅露出 TCN-BiLSTM 方法片段

纳入理由与原文证据

• 主题/边界： 标题同时命中 lithium-ion battery SOH estimation、probabilistic prediction 和 retirement threshold，属于健康预测及寿命/退休决策边界；是否直接输出 RUL 尚未确认。
• 证据： RSS 题录给出 deep learning、Gaussian process regression 与 environmentally optimized retirement threshold；出版社搜索结果片段显示 hybrid TCN-BiLSTM 线索。链接：ScienceDirect。

数据集/电池体系

• 体系/数据： Li-ion；Crossref references 含 NASA 数据集引用，但不能据此断言本文实际训练集；电芯数、数据来源、寿命规模和公开性均未说明。
• 工况/跨域： 温度、倍率、SOC 窗口、充放电协议、环境影响变量和按电芯/工况划分均未能确认。

EOL/RUL/SOH 定义

• 目标/定义： SOH 估计与环境优化退休阈值是标题级事实；退休阈值的容量/功率定义、EOL 判据、RUL 单位、标签生成与环境目标函数未说明。
• 未来信息风险： 概率 SOH 和退休决策可能依赖完整退化轨迹或未来环境假设；必须核对阈值是否在测试集上调优、GPR 区间是否校准，以及退休标签是否后验生成。

模型方法

• 流程： 深度学习健康特征/轨迹 → SOH 预测 → Gaussian process regression 概率建模或不确定性估计 → 环境优化退休阈值；TCN-BiLSTM 只来自出版社搜索摘要片段，具体融合方式、输入和 baseline 未能确认。
• 部署： 论文题名未承诺在线/边缘部署；推理成本、置信区间更新、环境数据要求和 BMS 接口均未说明。

验证设计

• 划分/泛化： 没有可访问的训练/测试划分、外部验证、时间外推或跨电芯信息；不得据期刊 references 推断 NASA/Oxford 为本文数据。
• 可信度： 信息不足（偏高风险）；学术题录和 DOI 可确认，但日期处于未来卷期，且方法、数据和结果只能依赖题名/搜索片段。

指标与结果

• 当前可访问内容未给出 SOH 的 RMSE、MAE、MAPE、R²、预测区间覆盖率、退休阈值收益或环境指标；不能把“probabilistic”理解为已验证的校准结果。
• 点预测、区间预测与退休分类/决策的具体结果均未能确认。

泄漏风险、复现性与局限性

• 泄漏风险：信息不足。 需检查完整寿命曲线、环境变量和退休标签是否在特征工程/阈值选择阶段泄漏，以及相邻循环是否随机拆分。
• 复现性：低/信息不足。 Crossref 无机构和全文，数据、代码、GPR kernel、超参、环境目标函数与随机种子均未确认。
• 局限性： 日期与监测窗口不一致；全文不可访问；SOH 估计与真正可操作的 EOL/RUL 决策之间仍缺少阈值和成本定义。

是否值得跟进

• 结论：跟进。 如果全文确认退休阈值同时考虑不确定性和环境代价，它可能比单纯 SOH 点预测更贴近二次利用决策；当前不宜据标题宣称有实际环保收益。
• 理由与下一步： 先通过 DOI/机构订阅获取全文，核对 online-first 日期、阈值目标函数、数据集、校准曲线和按电芯测试；若可复现，再加入概率 SOH/EOL benchmark。