AI-Enhanced Battery Degradation Prediction for Solar Home Systems in Sub-Saharan Deployment Conditions
H C O Unegbu、Danjuma YAWAS
论文卡片 2
基本信息
- 标题：AI-Enhanced Battery Degradation Prediction for Solar Home Systems in Sub-Saharan Deployment Conditions
- DOI/URL：https://doi.org/10.24312/ucp-jeit.04.01.653
- 期刊/会议/预印本平台：UCP Journal of Engineering & Information Technology
- 发表日期：2026-06-30
- 作者和机构：H. C. O. Unegbu、D. S. Yawas；Department of Mechanical Engineering, Ahmadu Bello University, Zaria, Nigeria
- 通讯作者：H. C. O. Unegbu（PDF 标注 Corresponding Author，Email: chidieberehyg@gmail.com）
- 脚本评分：72
- 期刊指标核验：未核验。
纳入理由和命中证据
PDF 摘要明确写明“accurate prediction of battery state of health (SOH)”和 battery degradation prediction；正文引言还称目标包括 predict SOH and estimate RUL of SHS batteries using real-time sensor data。因此属于部署环境下电池健康预测。
创新点
- 面向 Sub-Saharan Africa solar home systems 的高温、DOD、负载变化等实际部署条件。
- 比较 LSTM、XGBoost、Transformer，并用 SHAP 解释温度、DOD、charge rate 影响。
- 在 Raspberry Pi 4 上测试推理，关注低资源边缘部署。
主要内容
文章针对离网 SHS 电池在高温和不规则负载下提前失效的问题，构建数据驱动退化预测框架。其价值在于场景化：不是只做 EV 标准公开集，而是把 SHS 运维和边缘部署纳入分析。
模型架构/方法流程
可访问 PDF 确认三类模型：LSTM、XGBoost、Transformer。流程为合成传感器/运行数据 → 特征变量（温度、DOD、charge rate、噪声等）→ 模型训练评估 → SHAP 解释 → Raspberry Pi 4 推理 benchmark。Transformer 在摘要中被称为表现最好。
输入特征与输出目标
- 输入特征：temperature variability、depth of discharge、charge rate fluctuations、measurement noise；正文还强调 real-time sensor data 和 usage frequency。
- 输出目标：SOH/退化预测；正文目标提到 RUL 估计，但可访问摘要主要报告 SOH。
数据来源/数据结构/电池类型/循环协议
- 数据来源：高分辨率 synthetic dataset。
- 规模：1000 battery cycles。
- 场景：Solar Home Systems in Sub-Saharan Africa；具体电池化学体系未能确认。
- 风险：合成数据是否贴近真实 SHS 长期实测，需要重点审查。
结果指标
摘要确认使用 MAE、RMSE、R²；具体数值除“Transformer 最高准确率/最低误差方差”和 Raspberry Pi 4 sub-300 ms 外，未在抓取片段中确认。
Baseline/对比方法
LSTM、XGBoost、Transformer 三者互为对比；传统物理/经验模型只是背景对照，未确认有定量 baseline。
泄漏风险/局限性/复现性
- 泄漏风险：中等到高。合成 1000 cycles 若按时间点随机 split 可能高估泛化；需要核验是否按电池/场景划分。
- 局限性：synthetic dataset 是主要限制，真实部署数据不足。
- 复现性：PDF 可访问；未能确认代码/数据是否开源。
对哥哥研究/落地的启发和后续动作
- 对边缘端 BMS 有参考价值：模型不仅看误差，也看 latency/memory。
- 后续动作：若要纳入 benchmark，应降低证据权重，优先找真实 SHS/field battery datasets 验证同类方法。
查看关键词分类依据
- SOH estimation · 摘要包含「state of health」
framework for accurate prediction of battery state of health (SOH) using advanced machine learning models under deployment-relevant conditio - Capacity fade / trajectory prediction · 标题包含「degradation prediction」
AI-Enhanced Battery Degradation Prediction for Solar Home Systems in Sub-Saharan Deployment Conditions - Transformer / attention · 摘要包含「transformer」
M), eXtreme Gradient Boosting (XGBoost), and Transformer—were trained and evaluated using a high-resolution synthetic dataset simulating - LSTM · 摘要包含「lstm」
Three architectures—Long Short-Term Memory (LSTM), eXtreme Gradient Boosting (XGBoost), and Transformer—were trained and evaluat - Generic neural network / deep learning · 摘要包含「data-driven」
d unexpected failures. This study presents a data-driven framework for accurate prediction of battery state of health (SOH) using advanc - Generic machine learning · 摘要包含「machine learning」
battery state of health (SOH) using advanced machine learning models under deployment-relevant conditions. Three architectures—Long Short-Ter - XGBoost / boosting · 摘要包含「xgboost」
rm Memory (LSTM), eXtreme Gradient Boosting (XGBoost), and Transformer—were trained and evaluated using a high-resolution synthetic