Data-driven and feature-sifting based state-of-health estimation for li-ion batteries using KPCA and NRBO-optimized transformer-LSTM hybrid model
Xiangcai Luo、Jinwei Chen、Haijiang Zhang、Chunhua Hu、Jinyong Zhao、Fei Xu、Rui Zhen、Chengchen Deng
4. Data-driven and feature-sifting based state-of-health estimation for li-ion batteries using KPCA and NRBO-optimized transformer-LSTM hybrid model
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI；PLOS 正文/PDF |
| 发现来源 | OpenAlex（source_history）；来源 URL 为 DOI 与 PLOS 可打印全文 |
| 期刊/会议/平台 | PLOS ONE 21(10), e0359015；开放获取研究论文 |
| 发表日期 | 2026-10-05；PLOS 正文标注 Published: October 5, 2026 |
| 作者/机构 | Xiangcai Luo、Jinwei Chen、Haijiang Zhang、Chunhua Hu、Jinyong Zhao、Fei Xu、Rui Zhen、Chengchen Deng、Xi Chen；State Grid Neijiang Power Supply Co., Ltd.；China Three Gorges University 电气工程与新能源学院 |
| 通讯作者 | Chengchen Deng、Xi Chen（PLOS 正文列出两位通讯作者及邮箱） |
| 脚本评分/证据等级 | 67；SOH、Transformer/LSTM、NASA/CALCE 等。未见 authority first/corresponding author 加分理由。全文级 |
| 核验路径 | PLOS printable PDF 链接提取成功，取得 23 页全文、摘要、方法、结果、数据声明及作者信息；来源 DOI 与 PLOS 页面一致 |
纳入理由与原文证据
- 主题/边界： 直接研究锂离子电池 SOH 预测，使用老化循环数据和 SOH 误差评估，符合主题；不应误读为 RUL 预测论文。
- 证据： 正文称实验使用 NASA 与 CALCE 电池老化数据；结果按每个电芯前 70% 循环训练、后 30% 测试。PLOS 全文
数据集/电池体系
- 体系/数据： 锂离子电池公开 NASA 与 CALCE 老化数据。文中列出 NASA B0005、B0007、B0029、B0031，以及 CALCE CS2_35、CS2_36，共六个电芯；数据声明指向 NASA Open Data Portal，CALCE 数据链接未在可访问文本中列明。
- 工况/跨域： NASA 电芯包含不同放电电流、截止电压和温度（表列 24°C 与 43°C）；CALCE 描述为 25±2°C。纵向实验按各电芯循环顺序 70/30 切分，另报告六电芯横向比较；未说明独立外部数据集测试。
EOL/RUL/SOH 定义
- 目标/定义： 输出为每循环 SOH 标量；文中以电池容量衰减及健康特征估计 SOH，但未能确认统一的 SOH 标签公式。数据表列出各电芯 EOL 容量阈值，本文未将 RUL 作为预测输出。
- 未来信息风险： 逐电芯顺序留后测试降低了循环随机混分风险；但可访问正文未明确确认标准化、KPCA 拟合和超参数优化是否仅基于训练段。正文讨论“backward contextual information”，需核实是否在预测时引入未来循环上下文。
模型方法
- 流程： 充电阶段 ICA/DVA 曲线 → 峰高、峰位、峰面积及拐点等健康特征 → Pearson 筛选、RBF-KPCA 降维 → Transformer 编码器与 LSTM 时序建模；NRBO 优化注意力头数、学习率和 L2 正则。对照包括 LSTM、Transformer、Transformer-LSTM，以及 GWO/WOA 等。
- 部署： 讨论面向电池管理的应用潜力，但未见实测延迟、设备资源或在线部署验证。
验证设计
- 划分/泛化： 每个电芯前 70% 循环训练、后 30% 测试；另有六电芯横向比较，并与 BP、GPR、ELM 对照。未确认超参选择与全部预处理严格限定于训练段，亦无独立机构外部验证。
- 可信度： 中；全文、数据集和逐电芯时序切分可核验，但样本仅六个电芯，预处理与超参隔离细节仍需复现检查。
指标与结果
- 表 8 纵向比较中，六个电芯 NRBO-Transformer-LSTM 的 MAE 为 0.0053–0.0084、RMSE 为 0.0079–0.0091（SOH 数值尺度）；NASA B0029 最高 RMSE 0.0091，B0007 最低 0.0079。优化器对比表亦显示所提方法优于 GWO/WOA。未报告可确认的 RUL 结果。
泄漏风险、复现性与局限性
- 泄漏风险： 中/信息不足；时序留后划分是正面设计，但 KPCA/标准化拟合边界、NRBO 验证集选择和“backward contextual information”是否触及测试期尚待核验。
- 复现性： 中；NASA 数据公开且全文含特征与模型流程，但尚未确认代码、完整超参、随机种子；CALCE 数据可复用性及数据下载位置需补齐。
- 局限性： 六个电芯规模较小；跨数据集/跨化学泛化未验证；全文表述有局部术语和指标公式排版问题，复现时应以数据与表格逐项核对。
是否值得跟进
- 结论： 跟进。
- 理由与下一步： 全文可读且包含公开数据、具体切分和逐电芯指标，适合作为基线复核。下一步确认训练/测试预处理隔离，复现 B0005–B0031 和 CS2_35/36 的 RMSE，并与不使用未来上下文的因果基线比较。
查看关键词分类依据
- SOH estimation · 摘要包含「soh」
eir capacity, lifespan, and state-of-health (SOH) are susceptible to numerous influencing factors. To improve the accuracy of st - Transformer / attention · 标题包含「transformer」
-ion batteries using KPCA and NRBO-optimized transformer-LSTM hybrid model - LSTM · 标题包含「lstm」
es using KPCA and NRBO-optimized transformer-LSTM hybrid model - Generic neural network / deep learning · 标题包含「data-driven」
Data-driven and feature-sifting based state-of-health estimation for li-ion batteries using - Hybrid model · 标题包含「hybrid」
ing KPCA and NRBO-optimized transformer-LSTM hybrid model - ECM / electrochemical model · 摘要包含「electrochemical」
Electrochemical energy storage technologies, such as lithium-ion batteries, are widely used in - NASA · 摘要包含「nasa」
coefficient. Experimental validation on the NASA and CALCE battery datasets shows that, with 70% of the data used as the trainin - CALCE · 摘要包含「calce」
ent. Experimental validation on the NASA and CALCE battery datasets shows that, with 70% of the data used as the training set, the - Self-built / experimental dataset · 摘要包含「experimental」
ng rates and the regularization coefficient. Experimental validation on the NASA and CALCE battery datasets shows that, with 70% of the d - Li-ion / LIB · 标题包含「li-ion」
sifting based state-of-health estimation for li-ion batteries using KPCA and NRBO-optimized transformer-LSTM hybrid model