Prediction of lithium-ion battery state of health based on physical models and data mining techniques

1. Prediction of lithium-ion battery state of health based on physical models and data mining techniques

论文基本信息

字段	内容
DOI/URL/PDF	DOI/出版社入口；ScienceDirect PDF
发现来源	OpenAlex；DOI；PDF 线索
期刊/会议/平台	Results in Engineering；Elsevier
发表日期	2026-09-23；来自 OpenAlex publication_date，Crossref created 也为 2026-09-23；但 Crossref 的 published/published-print 仅列 2026-12，版本日期存在差异
作者/机构	Crossref DOI 题录列 Hongshuai Ding、Jiahui Wu、Weiqing Wang、Bo Wang、Rui Wang；payload 的 OpenAlex 作者字段重复列 Jiahui Wu 且遗漏 Hongshuai Ding。payload 机构为 Xinjiang University、Wind Power Engineering (Japan)，作者—机构对应关系未说明
通讯作者	Jiahui Wu（OpenAlex corresponding_authors 标记；Crossref 和可访问出版社元数据未能独立确认）
脚本评分/证据等级	64；摘要级。命中电池/Li-ion、SOH、直接目标、neural/hybrid 方法、NASA/CALCE/Oxford 数据集、Results in Engineering 和开放获取
核验路径	pdf_url：ScienceDirect PDF 抓取失败 → url：ScienceDirect HTML 抓取失败 → doi：仅返回 ScienceDirect 落地页；随后 Crossref API 题录成功、Elsevier XML 仅返回题录元数据；以 OpenAlex 结构化摘要核验

纳入理由与原文证据

• 主题/边界： 标题和摘要直接以 lithium-ion battery 的 state of health prediction 为目标，属于 SOH/退化健康预测核心范围。它没有在可访问摘要中直接定义 RUL 或 EOL，因此本报告不把 SOH 结果扩写为寿命终点预测。
• 证据： 摘要指出传统数据驱动方法“lack interpretability”，而物理模型存在“inadequate predictive accuracy”；并称在 Oxford、NASA、CALCE 数据集上获得较低 RMSE/MAE。DOI

数据集/电池体系

• 体系/数据： 论文针对锂离子电池；摘要确认使用 Oxford、NASA battery 和 CALCE 三套数据。流程先建立一阶 Thevenin 等效电路并识别参数，再将处理后的参数作为健康因素输入网络；电芯数量、具体型号、容量/电压采样字段和数据公开版本未说明。
• 工况/跨域： 三个数据源提供了跨数据集检查的迹象，但温度、倍率、SOC 窗口、充放电协议、按电芯/批次的覆盖和训练测试边界未能确认。不能据此断言具有跨化学体系或现场 BMS 泛化能力。

EOL/RUL/SOH 定义

• 目标/定义： 摘要把 SOH 作为 BMS 关键特征并进行 SOH 估计；没有说明 SOH 是容量保持率还是其他定义，也没有给出 EOL 阈值、RUL 单位或标签生成方式，不能自行假定为 80% 容量阈值。
• 未来信息风险： 物理参数、AMAF 去噪和加权健康因素可能依赖完整周期或后验平滑；摘要未说明预测时刻能看到哪些数据。需重点检查完整寿命曲线归一化、滑窗构造和特征提取是否跨过时间切分。

模型方法

• 流程： 电池测量 → 一阶 Thevenin ECM 参数识别 → Adaptive Moving Average Filter（AMAF）去噪 → 参数加权形成健康因素 → BP 神经网络，并由 Multi-Objective Quantum Particle Swarm Optimization（MOQPSO）增强/优化 → 输出 SOH。摘要没有列出明确 baseline、消融或多目标函数细节。
• 部署： 论文将 SOH 与 BMS 联系起来，但未能确认所需传感器、在线更新、嵌入式算力、推理延迟或是否可只用部分充电段运行。

验证设计

• 划分/泛化： 摘要确认 Oxford、NASA、CALCE 三套数据均有实验结果，但没有说明是各自训练测试、跨数据集外部测试，还是混合训练后的随机划分；按电芯、时间、工况和批次是否隔离均未能确认。
• 可信度： 中低、信息不足。多数据集和物理—数据融合是积极信号，但没有正文就无法判断独立测试、基线公平性和跨集合归一化是否可靠。

指标与结果

• 摘要报告 Oxford：RMSE 0.0010、MAE 0.0008；NASA：RMSE 0.0023、MAE 0.0016；CALCE：RMSE 0.0054、MAE 0.0041。单位、是否归一化、测试集范围、样本量和误差聚合方式未说明。
• 目前只有 SOH 点估计数字；没有确认 RUL/EOL、区间预测、置信度、误差分布或与 ECM、普通 BP、其他回归模型的对照结果。脚本评分不是实验结果。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；需检查 MOQPSO 调参是否接触测试集、健康因素是否使用未来周期、同一电芯相邻窗口是否跨集合，以及三个数据集是否分别独立归一化。
• 复现性： 信息不足。数据集名称、ECM 类型、AMAF 和 BP-MOQPSO 主流程已从摘要确认，但特征清单、网络规模、优化超参数、随机种子、代码和数据处理脚本未能确认。
• 局限性： ① 只有摘要/元数据级可访问证据；② SOH 定义、EOL 阈值与时间外推能力未知；③ 三套公开数据并不等于真实车辆或储能场景验证，跨化学体系和现场噪声鲁棒性未说明。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 物理等效电路参数与数据驱动 SOH 估计的组合适合作为可解释 BMS baseline，且三套数据的对照价值较高。下一步优先取得 Elsevier PDF，补齐 SOH/EOL 标签、数据切分、归一化、完整指标表、MOQPSO 配置和代码；若误差确为独立电芯测试结果，再考虑复现并与简单 ECM/GRU/BP 基线比较。