EIS 数据驱动锂离子电池 SoH 与 RUL 估计综述
比利时布鲁塞尔自由大学 MOBI-Electromobility Research Centre 发布综述，系统梳理基于 EIS 的数据驱动 SoH 与 RUL 估计方法。文章先归类从 EIS 谱中提取性能指标的特征工程方法，再对数据驱动估计技术分类并比较不同算法表现，总结常用机器学习与深度学习算法、关键性能指标及与电池健康强相关的直接和间接特征。该综述旨在为后续研究选择建模策略提供参考。
#深度学习
#深度学习
今日 0 条Zenodo · battery 数据与软件AI 评分4040
关键词流·SOX 与寿命预测AI 评分4848 机器学习 SOC 估计的泛化鸿沟：基准精度不等于现场精度
一篇观点文章指出，深度学习 SOC 估计（前馈网络、LSTM 及其变体）报告的精度多在训练同分布的驾驶循环、温度和电芯上测得，而实际 BMS 需面对未见过的电芯、温度与使用模式。文章基于 Kalman 滤波工作、深度学习 SOC 文献及显式测试跨工况性能的迁移学习研究，界定该泛化问题并提出报告与设计实践建议。
关键词流·SOX 与寿命预测AI 评分2424 AI 驱动的锂离子电池健康预测：SOC、SOH 与 RUL 估计技术综述
这篇综述梳理了基于 AI 与深度学习的锂离子电池 SOC、SOH 和 RUL 预测方法，重点覆盖 transformer 网络、自编码器潜变量建模、神经基展开、注意力机制及混合优化框架。文章指出传统电化学与经验方法难以刻画非线性衰减、工况不确定性和动态环境波动，并给出优化辅助框架、混合物理信息学习与可解释 AI（XAI）等未来方向，以支撑可靠的 BMS 方案。
Journal of Energy ChemistryAI 评分3232 用人工智能解锁可充电电池材料：从数据-描述符-模型工作流到闭环发现
Journal of Energy Chemistry 第123卷发表综述，探讨人工智能如何加速可充电电池材料的发现，提出从数据-描述符-模型工作流到闭环发现的路径。作者 Yang Zhao、Mengjun Li、Limin Geng、Weijia Meng、Jiaye Ye 系统梳理了该领域的方法框架。