Attention-based deep learning framework for battery charge, health, and lifetime estimation in lithium-ion batteries for electric vehicles
Abdullah Memon、Muhammad Majid Gulzar、Salman Habib、Muhammad Maaruf、Md Shafiullah
2. Attention-based deep learning framework for battery charge, health, and lifetime estimation in lithium-ion batteries for electric vehicles
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI/出版社入口；payload 未提供独立 PDF |
| 发现来源 | OpenAlex；source URL |
| 期刊/会议/平台 | Energy Strategy Reviews；Elsevier |
| 发表日期 | 2026-09-25；日期来自 OpenAlex 结构化题录，DOI/出版社正文未成功获取 |
| 作者/机构 | Abdullah Memon、Muhammad Majid Gulzar、Salman Habib、Muhammad Maaruf、Md Shafiullah；King Fahd University of Petroleum and Minerals、Imperial College London |
| 通讯作者 | Muhammad Majid Gulzar（OpenAlex corresponding_authors；出版社页面未能复核） |
| 脚本评分/证据等级 | 76；摘要级。命中 SOC/SOH/RUL、attention/LSTM、NASA 数据集和开放获取 |
| 核验路径 | pdf_url 未提供 → url DOI 入口 web_extract 失败 → DOI/出版社正文未获取；以 OpenAlex 结构化摘要核验 |
纳入理由与原文证据
- 主题/边界： 文章直接联合估计 SOC、SOH 和 RUL，并面向 EV 电池管理系统，属于寿命预测核心任务。
- 证据： 摘要称采用 hybrid simulation and data-driven approach，并报告 SOC/SOH/RUL 的 RMSE 分别为 0.0091、0.00127、0.00123，随后用 NASA aging dataset 验证。DOI
数据集/电池体系
- 体系/数据： 以 Panasonic NCR18650BD 锂离子电芯开展测试，使用电—热元素生成/处理充放电和退化数据，并以 NASA battery aging dataset 做验证；电芯数量、化学体系细节、采样规模和字段未说明。
- 工况/跨域： 摘要确认有充放电与退化特征以及电热仿真；温度、倍率、SOC 窗口、测试/训练电芯边界和 NASA 数据的跨域方式未能确认。
EOL/RUL/SOH 定义
- 目标/定义： 输出 SOC、SOH、RUL 三类状态参数；EOL 阈值、RUL 单位、SOH 是容量还是其他健康定义、标签生成方式均未说明。
- 未来信息风险： 混合仿真和实验数据容易把完整退化轨迹或后验热状态带入特征；需检查仿真数据生成、归一化和 NASA 验证是否严格按预测时刻切分。
模型方法
- 流程： 电气/热特征与 Python 处理 → LSTM 加 attention 捕获短期和长期依赖 → 联合输出 SOC/SOH/RUL。摘要未说明 baseline、消融、损失权重和是否有物理约束。
- 部署： 论文将框架定位为 scalable predictive BMS solution，但传感器最小输入、嵌入式算力、推理延迟、在线更新和异常处理未能确认。
验证设计
- 划分/泛化： Panasonic 测试数据与 NASA aging dataset 共同出现，具有跨数据源验证迹象；按电芯/时间/工况的隔离方式、是否独立测试和 baseline 公平性未说明。
- 可信度： 中等偏低、信息不足。任务覆盖面完整，但摘要不足以判断高 R² 是否来自仿真数据或窗口泄漏。
指标与结果
- 摘要报告 RMSE：SOC 0.0091、SOH 0.00127、RUL 0.00123；对应 R²：0.9976、0.9998、0.9989。单位、测试集、样本量和是否归一化均未说明。
- 这些是点估计结果；不确定性、区间覆盖率、跨电芯误差分布和实际 NASA 外部验证数字未能确认，不能直接与其他论文的 cycle 误差比较。
泄漏风险、复现性与局限性
- 泄漏风险： 中到高、信息不足；重点核查仿真与实测序列的划分、滑窗相邻样本跨集合、NASA 数据预处理和归一化是否看到测试域。
- 复现性： 信息不足。摘要给出 Panasonic 型号、NASA 数据集和 LSTM-Attention，但未确认代码、完整输入字段、超参数、随机种子和数据下载版本。
- 局限性： ① 摘要级，指标单位与阈值未知；② 单一 Panasonic 型号和 NASA 数据不足以证明 EV 现场泛化；③ 仿真—实验混合流程的误差边界未核验。
是否值得跟进
- 结论： 跟进并核验。
- 理由与下一步： SOC/SOH/RUL 统一预测及 NASA 验证适合作为 BMS baseline，但异常小的误差必须先排除归一化或窗口泄漏。下一步获取全文，核对每个任务的单位、时间切分、真实测试电芯和与简单 LSTM/GRU 的公平比较。
查看关键词分类依据
- RUL prediction · 摘要包含「remaining useful life」
of Charge (SOC), State of Health (SOH), and Remaining Useful Life (RUL) is presented in this research. A Panasonic NCR18650BD Li-ion battery has - SOH estimation · 摘要包含「state of health」
of Li-ion batteries' State of Charge (SOC), State of Health (SOH), and Remaining Useful Life (RUL) is presented in this research. A Panason - Transformer / attention · 标题包含「attention」
Attention-based deep learning framework for battery charge, health, and lifetime estimati - LSTM · 摘要包含「lstm」
processing the simulated data in Python, an LSTM Attention-Augmented network approach has been proposed to capture the short- an - Generic neural network / deep learning · 标题包含「deep learning」
Attention-based deep learning framework for battery charge, health, and lifetime estimation in lithium-ion ba - Hybrid model · 摘要包含「hybrid」
the prediction of their state parameters. A hybrid simulation and data-driven approach for the unified prediction of Li-ion batter - NASA · 摘要包含「nasa」
76, 0.9998, and 0.9989. Validation using the NASA battery aging dataset shows the applicability of the proposed framework to expe - Self-built / experimental dataset · 摘要包含「experimental」
e applicability of the proposed framework to experimentally measured battery data and provides supporting evidence of its potential gener - Li-ion / LIB · 标题包含「lithium-ion」
y charge, health, and lifetime estimation in lithium-ion batteries for electric vehicles