Correlation-aware kernel selection for multi-scale feature fusion of convolutional neural networks in multivariate and multi-step time series forecasting: Application to Li-ion battery state of health forecasting
Masoumeh Rostam Niakan Kalhori、Seyed Saeed Madani、Michael Fowler
4. Correlation-aware kernel selection for multi-scale feature fusion of convolutional neural networks in multivariate and multi-step time series forecasting: Application to Li-ion battery state of health forecasting
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI；ScienceDirect文章页；PDF未获取 |
| 发现来源 | Crossref；来源历史：Crossref |
| 期刊 | Journal of Energy Storage 139，文章118860 |
| 发表日期 | DOI题录在线日期2025-10-15；Crossref记录2025-12-01，卷期页面标注2025-12-15，保留online-first/卷期差异 |
| 作者/机构 | M. Rostam Niakan Kalhori（Niroo Research Institute）、Seyed Saeed Madani、Michael Fowler（University of Waterloo） |
| 通讯作者 | DOI题录将M. Rostam Niakan Kalhori列为通讯作者；出版方摘要页未能独立确认邮箱 |
| 脚本评分/证据等级 | 73；摘要级；命中：SOH forecasting、CNN、多尺度特征、Journal of Energy Storage |
| 核验路径 | DOI解析获得摘要与作者题录 → 搜索并匹配ScienceDirect文章/卷期；出版社页面抓取不稳定，全文未取得 |
纳入理由与原文证据
- 主题/边界： 直接进行Li-ion电池SOH多变量、多步预测，属于健康状态预测；不是仅估计SOC。
- 证据： 摘要描述用跨相关选择自适应多尺度卷积核，并在NASA及商业电池测试设施数据上与CNN、LSTM、全连接和CNN-LSTM组合比较；摘要只称误差更低、重复试验更稳健。ScienceDirect文章页
数据集/电池体系
- 体系/数据： NASA公开数据及商业电池测试设施数据；摘要未列具体NASA子集、商业数据型号、电芯数量或化学体系细节。
- 工况/跨域： 统计、时间和频域特征；跨设备/工况覆盖未说明，是否同一商业设施同时供训练和测试未知。
EOL/RUL/SOH 定义
- 目标/定义： SOH多步时间序列预测；SOH归一化口径、容量阈值、预测步长和监督标签构造摘要未说明。
- 未来信息风险： 多步预测需检查归一化及特征选择是否仅在训练集拟合，并确认各步预测未使用未来观测。
模型方法
- 流程： 原始电池序列→统计/时间/频域特征提取与归一化→滤波器和wrapper混合特征选择→按特征互相关自适应确定短/中/长卷积核→多尺度CNN输出多步SOH。摘要未给具体CNN层数及消融数值。
- 部署： 未报告嵌入式部署、在线延迟或功耗。
验证设计
- 划分/泛化： NASA与商业测试设施基准数据、重复试验和多类基线；按电芯拆分、独立测试和随机种子数未能从摘要确认。
- 可信度： 中低；主题与数据来源可确认，量化指标和划分协议未确认。
指标与结果
- 摘要只给“预测误差降低、重复试验更稳健”的定性结论；RMSE/MAE/R²、单位及具体测试集均未能确认，不补写数值。
泄漏风险、复现性与局限性
- 泄漏风险： 信息不足；检查相关性筛选和归一化是否在训练折内完成，以及相邻循环窗口是否跨训练/测试集。
- 复现性： 低至中；摘要披露特征流程和比较模型，数据版本、代码、训练划分及超参未确认。
- 局限性： 本轮无全文；SOH定义及长预测步误差未知；商业设施数据是否可共享未确认。
是否值得跟进
- 结论： 跟进。
- 理由与下一步： 自适应卷积核与跨频域特征值得对照。获取全文后先查cell-wise拆分、逐步预测误差和商业数据可访问性。
查看关键词分类依据
- SOH estimation · 标题包含「state of health」
s forecasting: Application to Li-ion battery state of health forecasting - SOF / health forecasting · 标题包含「health forecasting」
ting: Application to Li-ion battery state of health forecasting - CNN · 标题包含「convolutional」
selection for multi-scale feature fusion of convolutional neural networks in multivariate and multi-step time series forecasting: Applica - Generic neural network / deep learning · 标题包含「neural network」
multi-scale feature fusion of convolutional neural networks in multivariate and multi-step time series forecasting: Application to Li-ion - Hybrid model · 标题包含「fusion」
are kernel selection for multi-scale feature fusion of convolutional neural networks in multivariate and multi-step time series for - Li-ion / LIB · 标题包含「li-ion」
step time series forecasting: Application to Li-ion battery state of health forecasting