Long-range battery state-of-health and end-of-life prediction with neural networks and feature engineering

3. Long-range battery state-of-health and end-of-life prediction with neural networks and feature engineering

论文基本信息

字段	内容
DOI/URL/PDF	ScienceDirect出版社摘要页；payload无PDF链接，出版社页显示需机构访问/购买全文。
发现来源	Crossref；source_history=Crossref；query=battery end of life prediction。
期刊	Applied Energy，350卷，文章号121761。
发表日期	2023-11-15，ScienceDirect出版社页；Crossref记录仅为2023-11月级，payload归一日期2023-11-01。
作者/机构	Simona Pepe、Francesco Ciucci；出版社摘要页未显示机构名称。
通讯作者	香港科技大学研究门户将Francesco Ciucci标为该成果通讯作者；见HKUST研究门户。
脚本评分/证据等级	89；题名直指SOH/EOL、Applied Energy和神经网络等为评分依据；引用数不是实验结果；摘要级。
核验路径	payload无PDF；DOI提取失败，随后读取ScienceDirect出版社摘要/章节摘录，并用HKUST研究门户确认通讯作者。

纳入理由与原文证据

• 主题/边界： 直接预测SOH与EOL，且目标包含完整SOH退化曲线而非单次健康监测，明确符合范围。
• 证据： 出版社摘要报告以快充电压曲线特征训练LSTM/GRU，同时回归SOH并预测EOL；ScienceDirect摘要。

数据集/电池体系

• 体系/数据： Severson快充数据：124个石墨/LFP电芯、74种快充条件。充电策略采用两段恒流后接CC-CV，具体各段参数范围见出版社章节摘录；全文切分表和样本分配未能取得。
• 工况/跨域： 覆盖多种快充策略；摘要与章节摘录未确认跨化学体系测试，也未给温度范围和各集合电芯数。

EOL/RUL/SOH 定义

• 目标/定义： 预测SOH轨迹和EOL；作者在摘要报告EOL误差DEOL，但其操作阈值、RUL换算方式及标签生成细节未能从摘要确认。
• 未来信息风险： 出版社介绍称在未见测试电池上评估，方向上支持电芯留出；具体切分、特征选择是否仅在训练集拟合及预测起点是否模拟在线场景仍需全文确认。

模型方法

• 流程： 从充/放电电压曲线提取并插值压缩特征，以LSTM和GRU预测SOH/EOL；设计强调SOH回归并惩罚衰减不合理的损失函数，另有特征重要性分析。
• 部署： 研究讨论压缩输入以降低计算需求，但未确认车载硬件、推理延迟或实时部署数据。

验证设计

• 划分/泛化： 以124个公开快充电芯进行实验，出版社摘要称在未见电池上测试；训练/测试精确比例、多个随机种子及外部数据验证未确认。
• 可信度： 中；公开数据和未见电池测试的描述有价值，但无法复核拆分协议与重复试验。

指标与结果

• LSTM报告SOH平均误差5.49%、EOL平均偏差DEOL为−1.27%；文中摘要称预测覆盖电池寿命约80%的跨度。不同预测窗口的方差、GRU逐窗口结果及绝对RUL误差本次未能确认，故不作横向比较。

泄漏风险、复现性与局限性

• 泄漏风险： 中/信息不足；虽提及未见测试电池，仍需确认完整曲线特征提取、插值及调参是否先于电芯划分；作者也指出方法依赖寿命期间充放电策略保持稳定。
• 复现性： 中低；数据来源和模型类别已知，全文、代码、超参数、随机种子及训练窗口细节未核实。
• 局限性： ①仅见石墨/LFP快充条件；②策略变化下有效性存疑；③出版社摘要不足以核对所有误差定义和切分细节。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： 同时建模SOH轨迹与EOL且报告长预测窗，具备直接参考价值。优先获取全文，核对每个电芯的留出关系、DEOL符号定义、特征工程防泄漏和代码可用性。