Investigation of battery-aging dynamics for electric vehicle management under real-world driving stress
Chinedu T. Obe、Chika O. Ujah、S Oti、Nnamdi I. Nwulu
1. Investigation of battery-aging dynamics for electric vehicle management under real-world driving stress
论文基本信息
- 标题：Investigation of battery-aging dynamics for electric vehicle management under real-world driving stress
- DOI/URL：https://doi.org/10.1016/j.jpowsour.2026.241071
- 期刊/会议/预印本平台：Journal of Power Sources
- 发表日期：2026-07-25
- 作者和机构：Chinedu T. Obe；Chika O. Ujah；S Oti；Nnamdi I. Nwulu。机构未能从可访问页面确认。
- 通讯作者：未能确认
- 脚本评分：83
- 期刊指标核验：未核验；脚本期刊分层为 core battery journal / Q1，不在本次网页核验中额外确认 JIF/JCI/CiteScore/SJR。
- 访问核验：已尝试打开 DOI
https://doi.org/10.1016/j.jpowsour.2026.241071，web_extract 获取失败；未发现可访问全文页面。本卡片基于脚本从 OpenAlex 获取的题录和摘要，可信度为摘要/元数据级。
纳入理由和命中证据
- 命中主题：摘要明确讨论 lithium-ion batteries 在真实 EV 工况下的 aging dynamics、degradation evolution、SOH/RUL prediction、aging-aware BMS。
- 具体证据：摘要称比较四类 aging models（electrochemical、empirical/semi-empirical、equivalent-circuit、machine learning）在 onboard BMS prediction ability 方面的表现，并提出 Real-World Aging Stress Index（RWASI）。
- 与一般调度/材料论文的区别：重点是退化机理、真实驾驶压力、SOH/RUL 预测和 BMS 健康管理，而非单纯材料合成或电价调度。
创新点
- 把真实驾驶行为的多个压力因素统一为 RWASI：kinematic intensity、DC fast-charging fraction、ambient temperature deviation、SOC variation。
- 将退化路径（SEI、lithium plating、cathode degradation、impedance growth 等）与 BMS 架构、digital twins、cloud diagnostics、SOH/RUL prediction 串联起来。
主要内容
- 综述真实 EV 使用中 aggressive acceleration、regenerative braking、fast charging、temperature variation、high SOC、irregular DOD 对非线性退化的影响。
- 比较电化学、经验/半经验、等效电路、机器学习四类 aging model 对 BMS 预测能力的适配性。
- 讨论 aging-aware BMS，包括自适应充电控制、数字孪生、云诊断和 SOH/RUL 估计。
模型架构/方法流程
- 方法类型：综述/框架型；摘要未显示一个完整可训练模型。
- 流程：真实驾驶压力因素归一化 → 汇总为 RWASI → 用作累计退化描述符 → 对接 aging-aware BMS 和 SOH/RUL prediction。
- 模型细节：未能从可访问内容确认公式、权重学习方式、验证数据或实现细节。
输入特征与输出目标
- 输入特征：运动学强度、快充比例、环境温度偏离、SOC 变化；可能还包括 DOD、充电行为和驾驶压力。
- 输出目标：累计退化压力描述符 RWASI；下游可用于 SOH/RUL 预测。
- 标签定义：未说明/未能从可访问内容确认。
数据来源/数据结构/电池类型/循环协议
- 电池类型：Li-ion EV batteries。
- 数据来源：未能确认是否有新实验数据；摘要表现为 review + framework。
- 工况：真实 EV 服务中的复杂工况，非标准实验室 cycling。
- 循环协议：未说明。
结果指标
- 摘要未报告 MAE/RMSE/R² 或寿命预测误差。
- RWASI 的量化验证、对 SOH/RUL 的增益、外部验证均未能从可访问内容确认。
Baseline/对比方法
- 摘要层面对比四类 aging models：electrochemical、empirical/semi-empirical、equivalent-circuit、machine learning。
- 未能确认是否有定量 baseline。
泄漏风险/局限性/复现性
- 泄漏风险：信息不足；若没有具体预测实验，泄漏问题不适用。
- 局限性：可访问内容不足，无法确认 RWASI 的权重、验证数据、统计显著性和代码。
- 复现性：低/信息不足；未能确认代码、数据或完整公式。
对哥哥研究/落地的启发和后续动作
- 启发：可把 RWASI 类似思想转化为“工况压力向量”，作为 SOH/RUL 模型的 covariates：快充比例、温度偏离、SOC 高位停留、DOD 分布、加减速强度。
- 后续动作：若 ScienceDirect 后续可访问，重点核对 RWASI 公式、权重来源、是否有实车数据验证；若只是 narrative review，则放入背景文献而非方法主线。
- 跟进结论：跟进（偏综述/特征工程参考）。
查看关键词分类依据
- RUL prediction · 摘要包含「remaining useful life」
and estimation for state-of-health (SOH) and remaining useful life (RUL) prediction are discussed, providing an integrated perspective to enhance - SOH estimation · 摘要包含「soh」
nostics, and estimation for state-of-health (SOH) and remaining useful life (RUL) prediction are discussed, providing an integra - Generic machine learning · 摘要包含「machine learning」
rical/semi-empirical, equivalent-circuit and machine learning, are compared in terms of prediction ability for onboard battery management sys - ECM / electrochemical model · 摘要包含「electrochemical」
nt strategies. Four classes of aging models; electrochemical, empirical/semi-empirical, equivalent-circuit and machine learning, are compare - Empirical degradation model · 摘要包含「empirical」
ur classes of aging models; electrochemical, empirical/semi-empirical, equivalent-circuit and machine learning, are compared in terms - Self-built / experimental dataset · 摘要包含「laboratory」
(DOD) patterns, which differ from controlled laboratory cycling. These conditions accelerate nonlinear degradation pathways including s - Li-ion / LIB · 摘要包含「lithium-ion」
The aging characteristics of lithium-ion (Li-ion) batteries under realistic operating conditions significantly affect th