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。
#SOH/SOC估计
#SOH/SOC估计
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·BMS 与电池智能算法AI 评分3232 NASA 锂电池数据集机器学习 SOH 估计评估设计与报告：开放获取研究的系统性元研究综述
一项针对使用 NASA PCoE 锂电池数据集的机器学习 SOH 估计研究，发布了预注册的系统性元研究综述方案（v1.2，2026年10月14日），审查其评估设计与指标报告。
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。
Renewable and Sustainable Energy ReviewsAI 评分4545 数据驱动 EIS 方法用于锂离子电池 SoH 与 RUL 估计的综合综述
一篇发表于 Renewable and Sustainable Energy Reviews 的综述系统梳理了数据驱动的电化学阻抗谱（EIS）方法在锂离子电池健康状态（SoH）与剩余使用寿命（RUL）估计中的应用。
eTransportationAI 评分4242 缓解锂离子电池基于机器学习的 SOH 估计中的数据依赖影响：挑战、策略与展望
eTransportation 第 29 卷刊发综述，聚焦机器学习用于锂离子电池 SOH 估计时的数据依赖问题，梳理其挑战、应对策略与未来展望。作者为 Ming Jiang、Meng Wang、Mingyang Liu、Fei Gao、Yuefeng Su。