From Operation to SOH Estimation: Analysis of Lithium-Ion Capacitors Based on Passive EIS for E-Bus Application
Tarek Ibrahim、Muhammad Usman Tahir、Mohamed Abdel‐Monem、Erik Schaltz、Václav Knap、Daniel‐Ioan Stroe、Tamás Kerekes
论文卡片 3：From Operation to SOH Estimation: Analysis of Lithium-Ion Capacitors Based on Passive EIS for E-Bus Application
基本信息
- 标题：From Operation to SOH Estimation: Analysis of Lithium-Ion Capacitors Based on Passive EIS for E-Bus Application
- 作者：Tarek Ibrahim；Muhammad Usman Tahir；Mohamed Abdel‐Monem；Erik Schaltz；Václav Knap；Daniel‐Ioan Stroe；Tamás Kerekes
- 期刊：Batteries
- 发表日期：2026-06-10
- DOI/URL：https://doi.org/10.3390/batteries12060212；MDPI 页面：https://www.mdpi.com/2313-0105/12/6/212
- 脚本评分：63
- 开放状态：OpenAlex 标记 open access；MDPI 页面搜索可见，但 web_extract 未能抓取。
- 可信度：摘要/元数据级。payload 摘要详细，web_search 确认 MDPI 题名与页面；全文未成功获取。
- 期刊指标核验：未核验具体 JIF/JCI/CiteScore/SJR 数值；脚本期刊层级为“specialized battery journal”。
纳入理由
- 摘要明确研究 online state of health (SOH) estimation，并报告容量衰减相关验证。
- 方法从实际运行电流/电压信号中提取被动 EIS/阻抗点，训练模型估计 SOH，属于在线诊断和电池健康估计。
- 虽对象是 lithium-ion capacitors（LICs）而非传统 Li-ion cells，但属于电化学储能器件健康估计，符合本任务“不限定锂电”的范围。
创新点
- 使用 FFT-based passive impedance extraction，避免传统 EIS 外部激励和专用硬件。
- 从 operational current/voltage 直接提取低频阻抗点和欧姆电阻点，拟合 ECM 参数，再用于 SOH 模型。
- 面向 e-bus/flash-charged electric bus 应用，强调在线部署。
主要内容
- 问题：传统 EIS 用于 onboard diagnostics 成本高、硬件复杂。
- 方法：利用运行过程中的电流/电压信号，通过 FFT 提取被动阻抗，构建 ECM 参数，再用监督学习模型估计 SOH。
- 实验：5 个 LIC cells，在不同 C-rate 和温度下老化。
- 结果：摘要称 SOH prediction errors as low as 2.23%。
模型架构
- 方法类别：被动 EIS + ECM 参数识别 + supervised machine learning。
- 输入：运行电流/电压信号，经 FFT 得到阻抗点；ECM 参数（ohmic resistance、charge-transfer resistance、Warburg diffusion 等）。
- 输出：SOH。
- 模型：Polynomial Regression（PR）、Principal Components Analysis（PCA）相关模型、Random Forest（RF）regression。
- baseline：摘要只列出 PR/PCA/RF；是否与传统 EIS、容量直接测量、EKF/GP 等 baseline 比较未能确认。
数据来源 / 结构 / 电池类型 / 循环协议
- 电池体系：Lithium-ion capacitors（LICs）。
- 样本量：5 个 LIC cells。
- 老化工况：C-rates 1C、4C、7C；温度 35 °C、40 °C、50 °C。
- 数据来源：实验数据；是否公开未知。
- 循环数量/EOL 阈值：未能从可访问内容确认。
结果指标
- 摘要报告 SOH prediction error 最低 2.23%。
- RMSE/MAE/R²、按温度/倍率分层、每个 cell 的误差分布：未能确认。
泄漏风险
- 判断：中等到高，需全文复核。
- 样本量仅 5 个 cells，若随机按样本点切分，很容易出现同一 cell 的相邻老化阶段同时进入训练/测试。
- 需要确认是否 leave-one-cell-out、跨温度/倍率外推，或只是同分布随机 split。
- 还需确认 PCA/归一化是否仅在训练集拟合，避免全数据泄漏。
局限性
- 样本量小，且对象是 LIC，向常规 Li-ion battery、pack-level BMS 迁移需验证。
- 被动 EIS 的信号质量依赖运行激励频谱，真实公交工况下低频信息是否稳定需看全文。
- 摘要未说明代码/数据开放。
复现性
- 判断：信息不足。
- MDPI 通常全文可开放，但本次抓取失败；需后续人工下载 PDF 确认数据表、公式和参数。
启发 / 后续动作
- 适合关注“无额外硬件在线 SOH”方向。
- 后续重点检查：被动 EIS 特征提取窗口、ECM 拟合稳定性、leave-one-cell/leave-one-condition 验证。
查看关键词分类依据
- SOH estimation · 标题包含「soh」
From Operation to SOH Estimation: Analysis of Lithium-Ion Capacitors Based on Passive EIS for E-Bus A - Capacity fade / trajectory prediction · 摘要包含「capacity fade」
showing consistent impedance evolution with capacity fade. Validation of the utilized machine learning models, such as Polynomial Regress - Generic machine learning · 摘要包含「machine learning」
th capacity fade. Validation of the utilized machine learning models, such as Polynomial Regression (PR), principal components analysis (PCA) - Random Forest · 摘要包含「random forest」
R), principal components analysis (PCA), and random forest (RF) regression, achieved SOH prediction errors as low as 2.23% compared to exp - Hybrid model · 摘要包含「fusion」
, charge-transfer resistance, and Warburg diffusion. These parameters are identified through the extraction of impedance points in - ECM / electrochemical model · 摘要包含「equivalent circuit」
voltage signals. From experimental data, the equivalent circuit model (ECM) is developed, as well as its parameters, such as ohmic resistance, - Self-built / experimental dataset · 摘要包含「experimental」
perational current and voltage signals. From experimental data, the equivalent circuit model (ECM) is developed, as well as its parameter - Li-ion / LIB · 标题包含「lithium-ion」
rom Operation to SOH Estimation: Analysis of Lithium-Ion Capacitors Based on Passive EIS for E-Bus Application