NEMO 发布数据驱动与混合老化模型说明材料
NEMO 在 Zenodo 发布 Factsheet 说明材料 NEMO_Factsheet_5.pdf（998.9 kB，版本 v1），介绍其电池管理系统中结合物理信息特征工程与基础模型的 SOH 预测。文件可在该记录页面预览与下载。
#SOH/SOC估计
#SOH/SOC估计
今日 1 条Zenodo · battery 数据与软件AI 评分4242
Energy精选AI 评分6060 物理引导特征协同 Transformer 用于电池 SOH 估计
Huaibin Zhang 等提出物理引导特征协同 Transformer，用于电池健康状态（SOH）估计，论文发表于 Energy 第 367 卷，2026 年 12 月 1 日出版。当前材料仅提供标题与作者信息，摘要未给出数据集、误差指标或对比基线。
关键词流·BMS 与电池智能算法精选AI 评分4747 基于膨胀行为与 Autoformer 的物理信息学习框架用于锂离子电池 SOH 估计
该研究提出一种物理信息学习框架，利用电池膨胀行为并结合 Autoformer 模型估计锂离子电池 SOH。材料仅提供标题，未给出数据集、精度指标或代码获取方式。
关键词流·SOX 与寿命预测AI 评分3838 研究提出基于颜色传感的钒液流电池原位SOC与SOH监测方法
该研究提出一种基于颜色传感的方法，用于钒液流电池运行过程中的荷电状态与健康状态监测。原文仅提供标题，具体传感原理、测量精度与验证结果未给出。
关键词流·BMS 与电池智能算法AI 评分2222 融合先进深度学习架构，利用实验数据实现锂离子电池高精度SOC估计
一项研究将多种先进深度学习架构进行混合，用于锂离子电池荷电状态（SOC）估计，并采用实验数据进行验证。该工作聚焦提升SOC估计精度，摘要未披露具体模型版本、参数规模或benchmark分数。
关键词流·BMS 与电池智能算法AI 评分4040 面向BMS荷电状态估计的电压控制模型机器学习框架性能评估
该研究提出一种面向电池管理系统荷电状态估计的电压控制模型机器学习框架，标题标明其重点为性能评估，摘要与正文暂不可获取。
Journal of Energy StorageAI 评分3838 钒液流电池通过颜色传感实现运行中 SOC 与 SOH 监测
该研究提出用颜色传感在钒液流电池运行过程中监测 SOC 与 SOH，作者包括 Ilia Khristoforov、Nikita Buryak、Maxim Minin 等，发表于 Journal of Energy Storage 第 183 卷第 B 部分，出版日期为 2027 年 1 月 1 日。当前 feed 仅提供标题与作者信息，未给出方法细节与实验数据。
Journal of Energy Storage精选AI 评分5454 基于膨胀行为与 Autoformer 的物理信息 SOH 估计框架
Shu 等人提出一种物理信息学习框架，利用电芯膨胀行为结合 Autoformer 估计锂离子电池 SOH，论文发表于 Journal of Energy Storage 第 183 卷 Part B。材料仅提供题录与作者信息，摘要未给出数据集、电芯体系与误差指标。
推荐理由：该工作把电芯膨胀行为与 Autoformer 结合进物理信息框架做 SOH 估计，为不依赖电学特征的估计路线提供了可迁移思路。
Advanced Energy Materials精选AI 评分7272 机理锚定的锂电池健康管理框架实现跨数据集 SOH 估计与轨迹预测
研究提出一种机理锚定的可泛化健康管理框架，在 LFP/石墨电芯中识别出 3.3–3.4 V 充电窗口作为老化敏感特征，并与增量容量指纹关联。框架结合条件感知软混合专家模型、跨数据集持续学习和自适应无迹卡尔曼滤波，将逐点 SOH 估计转化为可在线更新的老化轨迹，在多应力老化条件下实现稳健 SOH 估计和 100–300 步前向轨迹预测。
推荐理由：该框架把 3.3–3.4 V 充电特征与混合专家模型、UKF 轨迹更新串联，为跨数据集 SOH 估计提供可迁移思路。
关键词流·BMS 与电池智能算法AI 评分1818 一次 EV 电池读数，多个版本：来自 BMS 自身参数设置的 EV 电池健康早期预警
一份概念笔记提出在 BMS 软件内、叠加于现有 AI 健康评估程序之上做简单校验：每次读数时用自身内部参数的 2 至 4 个允许设置重算同一读数，AI 程序不变，通过答案离散度判断健康读数是否稳固。
关键词流·BMS 与电池智能算法精选AI 评分5555 DS-MTNet 双流多任务网络实现锂电热状态与SOH联合预测及预警
作者提出 DS-MTNet 双流多任务网络，用 TCN 捕捉短期热动态、Mamba 建模长期老化趋势，经门控融合后同时预测最高温度、平均温度和 SOH。在 XJTU 数据集动态工况下 SOH 的 MAE 为 0.011、最高温度 MAE 为 0.898 °C；借助 MMD 分布对齐的少样本域适应，在 NASA 数据集跨环境迁移的 SOH MAE 为 0.022。
推荐理由：该工作把温度与SOH放进同一双流网络联合预测，并给出跨数据集迁移与预警提前量的量化结果，可作为多任务电池状态估计的对照方案。
关键词流·SOX 与寿命预测AI 评分4242 分数阶模型结合可用容量反馈实现锂离子电池SOC与SOP估计
北京工业大学团队提出一种分数阶等效电路模型结合快速多新息无迹卡尔曼滤波SOC观测器与慢速容量估计器的SOC/SOP联合估计方法，模型参数由SLPSO辨识。相比二阶RC模型，电压RMSE与MAE分别降低3.45%和5.82%，SLPSO将平均末端电压RMSE从2.215 mV降至1.561 mV。
Journal of The Electrochemical Society精选AI 评分4242 分数阶模型结合可用容量反馈实现锂离子电池SOC与SOP估计
北京工业大学团队提出一种分数阶等效电路模型结合快速多新息无迹卡尔曼滤波SOC观测器与慢速容量估计器的SOC/SOP联合估计方法，模型参数由SLPSO辨识。相比二阶RC模型，分数阶模型将电压RMSE和MAE分别降低3.45%和5.82%，SLPSO将平均末端电压RMSE从2.215 mV降至1.561 mV。
推荐理由：该文将分数阶等效电路模型与容量反馈耦合，在初始SOC失配下把SOC RMSE从4.9%至9.8%降到1%以内，可供做SOC/SOP联合估计的研究者参考。
关键词流·BMS 与电池智能算法AI 评分3535 基于FFRLS与FGO-EKF的船用锂电池联合SOC估计
该研究提出基于FFRLS与FGO-EKF的船用锂电池联合SOC估计方法，标题未披露具体数据集、工况与误差指标。
关键词流·BMS 与电池智能算法精选AI 评分5858 融合极化动力学的物理嵌入脉冲循环神经网络用于电池SOH估计
该研究提出一种物理嵌入的脉冲循环神经网络，将极化动力学融入网络结构，用于电池健康状态（SOH）估计。材料仅提供标题，未给出数据集、误差指标或实验细节。
Journal of Energy Storage精选AI 评分6262 物理嵌入循环脉冲神经网络融合极化动态用于电池SOH估计
Journal of Energy Storage 第183卷B部分刊出研究，提出一种物理嵌入的循环脉冲神经网络，将极化动态融入网络结构用于电池健康状态（SOH）估计。作者为 Yi Wan、Shaoping Wang、Zhongze He、Yixuan Zhao、Di Liu，论文于2027年1月1日出版。
推荐理由：该工作把极化动态嵌入循环脉冲神经网络做SOH估计，为物理信息与脉冲网络结合提供了一条可参考的建模路径。
关键词流·SOX 与寿命预测精选AI 评分5555 预印本检验容量型 SOH 的表征充分性：加入电学信息使未来电阻预测误差降低 56.25%
独立研究者发布预印本，检验容量型 SOH 是否保留独立选定的当前与未来电池目标记录所需信息，使用 Luh–Blank、NASA Ames 和 Stroebl 三个公开锂离子电池老化数据集，结合匹配状态分析与留出预测。
推荐理由：该预印本用三个公开老化数据集检验容量型 SOH 对电压、阻抗等目标的信息充分性，并给出加入电学信息后的预测误差降幅。
EnergyAI 评分3434 面向电动公交车队能量管理的SOC与短期续驶里程联合多步预测
Lou等提出面向电动公交车队能量管理的SOC与短期剩余续驶里程联合多步预测方法，将两者放在同一框架中预测。该研究发表于 Energy 第366卷，作者为 Benxiao Lou、Jinjun Tang、Guobin Gu、Hongxing Chen、Jianqiu Chen，出版日期为2026年11月30日。当前仅见摘要，具体模型与精度指标未披露。
关键词流·SOX 与寿命预测AI 评分3535 面向锂电池SOH预测的退化感知SegRNN方法，采用ASHA优化
该工作提出一种退化感知SegRNN方法，用于锂电池SOH预测，并采用ASHA进行优化。材料仅提供标题，未给出数据集、对比基线或误差结果。
Journal of Energy Storage精选AI 评分5555 物理信息状态空间框架通过电化学状态重构与特征解耦估计电池 SOH
Xianzheng Su 等人在 Journal of Energy Storage 第 183 卷 Part B 提出一种物理信息状态空间框架，通过电化学状态重构与特征解耦实现电池 SOH 估计。该文发表于 2027 年 1 月 1 日，目前仅有摘要信息。
推荐理由：该框架把电化学状态重构与特征解耦结合，为 SOH 估计提供了一条物理信息驱动的状态空间建模思路。
Journal of Energy Chemistry精选AI 评分4242 一种用于动态工况下容量估计的差分时间分析方法
Jiayang Hou、Jun Xu 等人在 Journal of Energy Chemistry 第 124 卷提出一种差分时间分析方法，用于动态运行工况下的电池容量估计。作者包括 Chuanping Lin、Ziwei Ma、Weiqi Wang 与 Xuesong Mei，该文预计 2027 年 1 月出版。
关键词流·BMS 与电池智能算法AI 评分4040 结构化预测重构抑制温度不确定性下锂电池SOC估计的误差累积
该研究针对温度不确定性下的锂电池SOC估计，提出结构化预测重构方法来抑制误差累积。原文仅提供标题，未给出方法细节、实验数据或结果。
关键词流·BMS 与电池智能算法AI 评分2222 基于 LabVIEW 的微电网电池管理器：多电芯锂离子监测、SOC 估计与保护系统
印度 VIT 大学提出基于 LabVIEW 虚拟仪器与 Arduino 平台的微电网电池管理器，对 4 节 18650 串联电池组（14.8 V 标称、2.6 Ah）进行监测。
关键词流·BMS 与电池智能算法AI 评分3636 物理信息状态空间框架通过电化学状态重构与特征解耦估计电池SOH
该工作提出一种物理信息状态空间框架，用于电池健康状态（SOH）估计，核心思路是电化学状态重构与特征解耦。材料仅提供标题，摘要依据标题信息整理，未包含数据集、精度或代码等细节。
Journal of Energy Storage精选AI 评分5050 混合脉冲神经网络-BiLSTM 架构用于快充快放 LFP 电芯 SOH 预测
Shevil K. Mehta 等提出一种混合脉冲神经网络与双向 LSTM（BiLSTM）架构，用于快充和快放工况下 LFP 电芯的 SOH 预测，强调鲁棒性与计算效率。该文发表于 Journal of Energy Storage 第 183 卷 Part B，出版日期为 2027 年 1 月 1 日。目前仅提供摘要信息，具体数据集、误差指标与对比基线未在材料中给出。
推荐理由：面向 LFP 电芯在快充快放工况下的 SOH 预测，该工作把脉冲神经网络与双向 LSTM 组合以兼顾鲁棒性与计算开销。
Journal of Power Sources精选AI 评分6060 基于物理信息神经网络的局部放电段实时SOH估计与在线老化预测
Journal of Power Sources 第699卷刊出Begoña Ispizua等人的研究，提出用物理信息神经网络从电池部分放电数据中实时估计SOH并在线预测老化趋势。当前feed仅提供标题与作者信息，未给出摘要正文，具体方法、数据集与精度指标暂不可知。
推荐理由：材料只给出标题与作者信息，未提供摘要正文，无法据此提炼具体阅读价值。
OpenAlex · battery/lithium 新文献流精选AI 评分5555 利用短放电瞬态快速辨识 2RC 时间常数实现 LFP 电池容量估计与跨电芯迁移
该研究面向光伏储能系统，提出通过短放电瞬态快速辨识 2RC 时间常数来估计 LFP 电池容量，并考察该方法在不同电芯之间的迁移能力。作者为 Fu、Jammes、Sepúlveda-Oviedo、Hernando、Vinassa、Alonso、Corinne，成果以会议论文形式发表，采用绿色开放获取。
推荐理由：该文用短放电瞬态快速辨识 2RC 时间常数来估计 LFP 容量，并检验跨电芯迁移能力，为光伏储能场景提供轻量 SOH 估计思路。
关键词流·SOX 与寿命预测AI 评分4242 混合脉冲神经网络与双向LSTM架构用于快充快放下的LFP电池SOH预测
该研究提出一种混合脉冲神经网络与双向LSTM架构，用于快充和快放工况下LFP电池的SOH预测，标题强调其鲁棒性与计算效率。材料仅提供标题，摘要无法进一步核实数据集、误差指标或代码获取方式。
关键词流·SOX 与寿命预测精选AI 评分6262 基于物理信息神经网络的电池部分放电实时SOH估计与在线老化预测
该研究提出用物理信息神经网络从电池部分放电数据中实时估计SOH，并进行在线老化预测。由于材料仅提供标题，摘要无法补充具体方法细节、数据集或精度指标。
Journal of Energy Storage精选AI 评分5252 考虑SOC依赖的锂离子电池领域自适应SOH估计
Journal of Energy Storage 第183卷Part A刊出Li Wang等人的研究，题为考虑荷电状态依赖的锂离子电池领域自适应健康状态估计。当前仅获取到标题与作者信息，摘要正文未提供。
推荐理由：材料仅给出标题与作者信息，未提供摘要正文，无法据此提炼具体方法细节或可引用的结论。
Journal of Energy StorageAI 评分3838 AGLFormer：紧凑特征选择与参数预算感知的全局局部建模用于锂电池SOH估计
Journal of Energy Storage 第183卷Part A刊出 Jian Ouyang 等人的论文 AGLFormer，提出面向锂电池健康状态（SOH）估计的紧凑特征选择与参数预算感知全局局部建模方法。当前 feed 仅提供标题与作者信息，未给出摘要与实验数据。
Energy Conversion and Management精选AI 评分4747 多物理场增强前馈神经网络实现真实行驶工况下 NCA/Gr.SiOx 电化学模型电池状态估计
Ratnak Sok 与 Jin Kusaka 提出一种多物理场增强前馈神经网络，用于 NCA/Gr.SiOx 电化学模型的电池状态估计，并在真实行驶工况下验证。研究发表于 Energy Conversion and Management 第 372 卷 Part A，出版日期为 2027 年 1 月 15 日。
推荐理由：面向 NCA/Gr.SiOx 电化学模型，在真实行驶工况下用多物理场增强前馈网络做状态估计，可供对比模型与数据混合路线。
关键词流·多物理场模型AI 评分4242 多物理场增强前馈神经网络实现NCA/Gr.SiOx电化学模型在实际行驶工况下的电池状态估计
该研究提出多物理场增强前馈神经网络，用于NCA/Gr.SiOx电化学模型在实际行驶工况下的电池状态估计。材料仅提供标题，未给出具体方法细节、数据集与精度结果。
关键词流·BMS 与电池智能算法精选AI 评分5252 以动态轨道引导的物理启发老化建模用于电池健康预测
该研究提出一种由动态轨道引导的物理启发老化建模方法，用于电池健康预测。材料仅提供标题，未给出电芯体系、数据集、精度指标或代码获取方式。
关键词流·SOX 与寿命预测精选AI 评分5252 考虑SOC依赖的锂离子电池SOH估计域适应方法
该研究提出一种考虑荷电状态依赖的锂离子电池SOH估计域适应方法，针对不同SOC条件下SOH估计的域偏移问题。原文仅提供标题，摘要与实验细节未获取。
关键词流·SOX 与寿命预测AI 评分4242 基于 FiLM Transformer 网络的温度感知电池 SOH 估计
该工作提出基于 FiLM Transformer 网络的温度感知电池 SOH 估计方法，标题显示其将温度因素纳入 Transformer 建模框架。材料仅提供标题，摘要无法进一步展开方法与结果细节。
Journal of Power Sources精选AI 评分5252 FiLM Transformer 网络实现温度感知的电池 SOH 估计
Pang 等人提出基于 FiLM Transformer 网络的温度感知电池 SOH 估计方法，论文发表于 Journal of Power Sources 第 699 卷。作者为 Zheyuan Pang、Lei Gao、Yuheng Gan、Zhengxiang Song，出版日期为 2027 年 1 月 30 日。当前仅提供题录信息，摘要正文未给出具体数据集、误差指标与实验结论。
Journal of Energy Storage精选AI 评分4242 基于表格先验拟合网络的退化信息引导锂离子电池SOH估计
Journal of Energy Storage 第183卷Part A刊出Yao Cheng等人的研究，提出用Tabular Prior-data Fitted Network结合退化信息估计锂离子电池SOH。当前仅提供标题与作者信息，摘要正文未随feed给出。
推荐理由：材料仅给出标题与作者信息，未提供摘要正文，无法提炼具体方法细节或结果，暂不展示推荐理由。
Journal of Energy Storage精选AI 评分5858 动态轨迹引导的物理启发式老化建模用于电池健康预测
Zhu 等人在 Journal of Energy Storage 提出一种由动态轨迹引导的物理启发式老化建模方法，用于电池健康预测。该文发表于 Volume 183 Part A，作者包括 Enrico Zio 等，摘要未给出具体数据集与误差指标。
推荐理由：该工作把动态轨迹引导的物理启发式老化建模用于电池健康预测，为物理信息方法在SOH估计中的落地提供了一条可迁移思路。
关键词流·BMS 与电池智能算法AI 评分4040 基于自适应物理信息神经网络的锂离子电池SOH估计
该研究提出基于自适应物理信息神经网络的锂离子电池SOH估计方法。原文仅提供参考文献列表，未给出数据集、误差指标或实验对比等具体结果，方法细节需查阅论文全文。