基于 PyBaMM 物理模型与群智能算法的家庭能源管理电池老化建模
西班牙马德里理工大学与埃因霍温理工大学团队提出用 PyBaMM 物理模型结合鲸鱼优化、灰狼优化、粒子群和引力搜索四种群智能算法刻画电池性能，并以 SOH 作为 Pareto 前沿中最优运行方案的选择依据。
#PyBaMM
#PyBaMM
今日 0 条Zenodo · battery 数据与软件AI 评分3838
Zenodo · battery 数据与软件AI 评分4040 基于物理模型分析下一代锂离子电池接入混合储能系统
Bernabeu-Santisteban 等人在 Zenodo 发布 v1 版本论文，用基于物理的分析方法研究下一代锂离子电池接入混合储能系统的问题。全文以 PDF 形式提供，文件 1.9 MB，可在线预览或下载。
Zenodo · battery 数据与软件精选AI 评分5858 面向先进电池电化学模型的半电池开路电位非侵入式辨识
该工作在 Zenodo 发布 v1 版本 PDF，主题为先进电池电化学模型所需半电池开路电位的非侵入式辨识，文件约 3.4 MB 可供下载。材料未提供摘要、方法细节与实验数据。
推荐理由：材料仅给出标题与文件信息，无法确认方法细节与结果，暂不展示推荐理由。
arXiv · battery（physics.app-ph）精选AI 评分6262 PINN 代理建模单粒子模型：三种架构精度与泛化对比
该研究对三种物理信息神经网络（PINN）架构建模电池单粒子模型进行基准对比，包括两种常规 PINN 架构和一种基于 DeepONet 的架构，并在多种电流工况下评估其精度与泛化能力。结果显示 PINN 在电池物理建模上有潜力，但常规 PINN 架构在高动态电流条件下存在局限；其中 Fourier 增强的 DeepONet 泛化性能更优，相比数值求解器带来近 10 倍加速。
推荐理由：对比三种 PINN 架构在单粒子模型上的精度与泛化，给出高动态电流下的适用边界与约 10 倍加速。