Graph attention neural network with domain generalization and test-time adaptation for SOH prediction of lithium-ion batteries under domain shift

1. Graph attention neural network with domain generalization and test-time adaptation for SOH prediction of lithium-ion batteries under domain shift

论文基本信息

标题： Graph attention neural network with domain generalization and test-time adaptation for SOH prediction of lithium-ion batteries under domain shift
DOI/URL： https://doi.org/10.1016/j.est.2026.123507
期刊/会议/预印本平台： Journal of Energy Storage；ISSN 2352-152X / 2352-1538
发表日期： OpenAlex 记录为 2026-07-15；Crossref published/published-print 记录为 2026-11。此处以脚本捕捉日期 2026-07-15 为监测发布日期，并保留 Crossref 元数据差异。
作者和机构： Jinxin Wu（Guangxi University）；Deqiang He（Guangxi University）；Ming Zhao（Guangxi Hydraulic Power Machinery Research Institute）；Zhenzhen Jin（Guangxi University；Guangxi University of Science and Technology）；Haimeng Sun（Guangxi University）；Mi Liang（Guangxi University）。机构来自 OpenAlex 元数据。
通讯作者： Deqiang He；Ming Zhao（OpenAlex is_corresponding=true）。
脚本评分： 68。命中原因：battery/lithium-ion/lithium；SOH；attention/neural；Journal of Energy Storage 被期刊分层表标为 core storage journal / Q1。
期刊指标核验： 未核验 JCR/JIF/JCI/CiteScore/SJR 数值；本报告仅使用脚本内期刊分层标签，不臆测具体指标。
全文获取状态： 已尝试 DOI https://doi.org/10.1016/j.est.2026.123507，web 抽取失败；Crossref 提供 Elsevier text-mining 链接 PII:S2352152X26031713，但 Elsevier API 返回 HTTP 400，ScienceDirect 页面返回 HTTP 403。OpenAlex 显示 is_oa=false、any_repository_has_fulltext=false。因此可信度为摘要/元数据级，全文未开放或未成功获取。

纳入理由

题名明确包含 SOH prediction of lithium-ion batteries，属于电池健康状态预测，是电池寿命预测/RUL/EOL 监测的核心上游任务。
题名还包含 domain shift、domain generalization、test-time adaptation，说明论文关注模型从训练域到测试域的泛化与在线/部署时适配，这与真实 BMS 场景中跨电芯、跨批次、跨工况、跨温度泛化高度相关。
与普通材料合成、储能调度或热管理论文不同，本条目的任务对象是 SOH 预测，不是材料制备或系统调度优化。
命中证据来自 Crossref/OpenAlex 核验到的题名和期刊元数据；未能访问摘要/全文，因此不扩展为未确认的实验结论。

数据集/电池体系

电池体系： 题名确认是 lithium-ion batteries。
数据来源： 未能从可访问内容确认；可能为公开或实验数据，但当前不能判断。
电池数量、循环数量、工况、温度、倍率、老化协议： 未说明/未能从可访问内容确认。
跨域验证： 题名显示关注 domain shift；是否跨电芯、跨工况、跨温度、跨数据集，需全文核验。

EOL/RUL/SOH 定义

SOH 定义： 题名确认预测目标是 SOH；SOH 是容量型、内阻型、能量型或复合型，未能从可访问内容确认。
EOL 阈值： 未说明/未能从可访问内容确认。
RUL 单位： 本文题名未指向 RUL 输出，主要是 SOH prediction；若全文将 SOH 转换到 RUL/EOL，需后续确认。
标签生成方式与泄漏风险： 未能确认。重点需要检查是否用完整退化曲线做归一化/平滑、是否随机切分循环片段导致同一电池泄漏。

模型方法

方法类别： Graph attention neural network（图注意力神经网络）；domain generalization；test-time adaptation。以上均为题名级确认。
模型架构/方法流程： 未能从可访问内容确认具体图构建方式、节点/边定义、attention 机制、域泛化损失、测试时适配目标和更新策略。
输入特征： 未说明/未能确认。需要全文确认是否使用电压/电流/温度曲线、容量序列、ICA/DVA、EIS 或统计健康因子。
输出目标： SOH；具体是容量保持率、归一化容量还是其他健康指标，未能确认。
与基线方法相比的新意： 从题名推断新意在 GAT + 域泛化 + 测试时适配处理 domain shift，但实验基线和消融未能确认。

验证设计

数据划分方式： 未说明/未能从可访问内容确认。
独立测试/外部验证： 未说明。因题名强调 domain shift，应重点核验是否采用跨电池/跨工况/跨数据集外部测试，而不是随机切分。
消融实验/鲁棒性： 未能确认。
不确定性校准： 未能确认。

指标

回归指标： 未能确认是否报告 MAE/RMSE/MAPE/R² 等。
分类/预警指标： 不适用或未能确认。
不确定性指标： 未能确认。
分层报告： 未能确认是否按域、工况、温度、电芯批次分层报告。

Baseline/对比方法

未能从可访问元数据确认。后续需要检查是否对比 LSTM/GRU/Transformer/TCN/GPR/XGBoost、常规 GNN/GAT、domain adaptation/generalization 变体，以及无 test-time adaptation 的 ablation。

泄漏风险

风险判断：信息不足。
需要重点检查：
1. 同一电芯的不同循环片段是否同时进入训练和测试；
2. SOH 标签或特征是否使用预测时不可获得的未来容量；
3. normalization、特征选择、图构建是否在全数据上完成；
4. test-time adaptation 是否使用测试标签或间接标签泄漏；
5. domain shift 是否是真正的未见域，而不是轻微随机扰动。

复现性

代码开源： 未能确认。
数据公开： 未能确认。
模型结构/超参/随机种子/硬件： 未能确认。
复现性判断：信息不足。 当前只掌握题名和元数据；必须获取全文后才能评价。

局限性

当前可访问性局限：ScienceDirect/Elsevier 全文抓取失败，OpenAlex 无摘要，无法确认数据集、指标和实验可信度。
研究本身潜在局限需全文核验：跨域泛化是否覆盖真实 BMS 复杂工况；测试时适配是否部署友好；是否需要足够长的在线历史；是否存在测试时计算成本或稳定性问题。

是否值得跟进

结论：跟进。
理由： 题名聚焦锂电 SOH 预测和 domain shift，这是哥哥研究中从离线 benchmark 走向实际部署时最关键的问题之一；GAT + domain generalization + test-time adaptation 组合也值得纳入跨域泛化方法库。
后续动作：
1. 尝试通过学校/机构访问 ScienceDirect 正文或联系作者索取 accepted manuscript；
2. 获取全文后补充摘要、数据集、电池体系、指标、baseline 和泄漏风险判断；
3. 若方法确有跨数据集/跨工况验证，可加入“SOH/RUL domain generalization”阅读清单；
4. 检查是否有代码仓库或补充材料。