BiGRU-TACL：面向鲁棒电池 RUL 预测的多尺度时序学习框架
江南大学等团队提出 BiGRU-TACL 深度多任务学习框架，用于电池剩余使用寿命（RUL）预测。该框架用时序感知对比学习（TACL）按循环数与 RUL 差异构造正负样本，结合在线难例挖掘（OHEM）、区域加权回归损失与边界惩罚，并以同方差不确定性自适应平衡回归、健康阶段分类和对比学习三项任务。在 NASA 与 CALCE 数据集上，R² 至少达 0.96，阶段分类准确率超过 0.93。
#深度学习
#深度学习
今日 1 条关键词流·SOX 与寿命预测AI 评分4242
Energy精选AI 评分5555 注意力引导残差块物理信息神经网络用于锂离子电池可解释SOH估计
Delong Zheng 等人提出一种注意力引导残差块结构的物理信息神经网络，用于锂离子电池健康状态（SOH）的可解释估计，论文发表于 Energy 第 365 卷。作者信息与摘要显示该方法将注意力机制与残差块结合并嵌入物理信息约束，具体精度与实验数据未在 feed 摘要中给出。
推荐理由：提出注意力引导残差块的物理信息神经网络用于SOH估计，为可解释性建模提供了一种结构设计思路。
GitHub·电池与能源 Agent 工具AI 评分2222 基于 NASA 锂电池数据集的 LSTM + 混合检索 RAG 最小 Agent：battery-soh-rag-agent
该项目把 LSTM 时序预测与混合检索 RAG 封装为具备任务规划、工具调用和会话记忆的最小 Agent，基于 NASA B0005 数据以 time_step=5 的 LSTM 预测容量与 SOH，检索侧用 BM25 + FAISS 双路召回并经 BGE CrossEncoder 重排。
Journal of Energy StorageAI 评分4040 面向混合能源系统调度的深度强化学习零样本泛化研究
Journal of Energy Storage 刊发研究，探讨深度强化学习在混合能源系统调度中的零样本泛化能力，作者为 Manuel Sage、Khalil Al Handawi 和 Yaoyao Fiona Zhao。
Journal of Energy Storage精选AI 评分5858 基于注意力特征选择的分频段EIS超快速轻量SOH估计
韩国研究团队提出一种在分频段电化学阻抗谱（Bandwise EIS）内用注意力机制做特征选择的SOH估计方法，主打超快速与轻量化。
推荐理由：针对EIS数据量大、SOH估计耗时的问题，提出基于注意力机制的分频段特征选择方案，可用于评估轻量化在线SOH估计的可行性。
Journal of Energy Storage精选AI 评分5555 物理引导 TimesNet 结合分段约束用于锂离子电池 SOC 估计
Lu Lv 等人提出物理引导的 TimesNet 模型，通过分段约束实现锂离子电池荷电状态（SOC）估计，论文发表于 Journal of Energy Storage 第 182 卷第 E 部分。作者包括 Xintong Xiang、Sheng Gao、Bin Zuo、Chun Chang、Aina Tian、Xinggao Liu、Jiuchun Jiang。
推荐理由：针对 SOC 估计中纯数据模型缺乏物理约束的问题，该工作把分段约束嵌入 TimesNet，可供做物理信息时序建模的读者参考其约束设计。
关键词流·SOX 与寿命预测AI 评分5555 生成式数据增强与稀疏注意力Informer用于锂离子电池跨温度SOH估计
该研究提出生成式数据增强与稀疏注意力Informer相结合的方法，用于锂离子电池跨温度SOH估计。原文仅提供标题，未给出数据集、电芯体系、精度数字或代码获取方式。
关键词流·SOX 与寿命预测AI 评分2929 基于 KPCA 与 NRBO 优化 Transformer-LSTM 混合模型的锂离子电池 SOH 估计
研究提出 KPCA 与 NRBO 优化的 Transformer-LSTM 混合模型，用 ICA/DVA 提取健康特征并经 KPCA 与 Pearson 相关性筛选，NRBO 用于寻优注意力头数、学习率与正则化系数。
Chemical Engineering ScienceAI 评分4242 面向物理引导异常检测与时间序列预测的多模态深度学习框架
研究提出一种多模态深度学习框架，用于物理引导的异常检测与时间序列预测，作者为 Robson W.S. Pessoa、Julien Amblard、Alessandra Russo 和 Idelfonso B.R. Nogueira，成果发表于 Chemical Engineering Science 第 339 卷 Part B。
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。
eTransportation精选AI 评分5858 基于非线性超声与 LSTM 深度学习的锂离子电池在线状态估计
Santhakumar Sampath 等人提出用非线性超声测量结合 LSTM 深度学习模型实现锂离子电池在线状态估计，论文发表于 eTransportation 第 29 卷，出版日期为 2026 年 9 月。作者包括 Tam Van Huynh、Xuesong Yin、Zi Wen Tham、Andrew Ngo、Hoon Sohn 和 Lei Zhang。目前仅提供摘要信息。
推荐理由：该工作把非线性超声测量与 LSTM 结合用于锂离子电池在线状态估计，为电化学之外的状态感知提供了一条可迁移的技术路线。
eTransportation精选AI 评分5858 基于语义嵌入的端到端深度学习用于储能系统现场数据 SOH 估计
Yue Xiang、Ziyou Song、Dipti Srinivasan 在 eTransportation 第 29 卷提出一种语义嵌入的端到端深度学习方法，用于电池储能系统基于现场数据的 SOH 估计。该工作发表于 2026 年 9 月。
推荐理由：面向储能系统现场数据，提出语义嵌入的端到端 SOH 估计框架，为现场数据下的健康状态估计提供一条可迁移思路。
Journal of Energy StorageAI 评分2121 面向可解释与可泛化 SOH 估计的退化感知双向 LSTM 网络
一项发表于 Journal of Energy Storage 的研究提出退化感知双向 LSTM 网络，用于可解释且可泛化的电池 SOH 估计。作者为 Safa Ben Atitallah、Imen Jarraya、Maha Driss 和 Wadii Boulila，该方法将退化信息融入双向 LSTM 建模。
IEEE Trans. Industrial InformaticsAI 评分2626 AST-GNN：面向工业预测的多变量时序动态跨传感器时序依赖建模
针对多变量时序分析中常被忽略的动态跨传感器时序依赖（DCTD），研究者提出自适应时空图神经网络 AST-GNN，通过长程时延图矩阵、空间时延图矩阵、空间演化图矩阵和自适应滑动图卷积机制四项设计，建模跨长时间滞后的时序依赖、不同距离传感器的空间关系及同一传感器对随时间演化的关系。在两个工业 MTS 数据集上，AST-GNN 性能优于现有最先进方法。
arXiv · battery（physics.app-ph）AI 评分2929 硅基物理 Kolmogorov-Arnold 网络实现非线性突触学习，用于锂离子电池动态预测
研究团队在绝缘体上硅器件中实现物理 Kolmogorov-Arnold 网络（KAN），通过训练突触非线性而非线性权重提升任务性能。该器件称为 Synaptic Nonlinear Elements（SYNEs），在室温、微安电流、2 MHz 速度下工作，每次非线性操作约 750 fJ，10^13 次测量及数月时间尺度内未观察到退化。
arXiv · battery（physics.app-ph）AI 评分2525 数据增强机器学习预测钠离子电池生物质硬碳负极性能
研究用四种机器学习模型预测生物质硬碳负极的容量与首次库仑效率（ICE），并借助 TabPFN 数据增强提升小数据条件下的模型稳健性。XGBoost 表现最佳，容量预测 R² 达 0.854、RMSE 为 23.290 mAh g⁻¹，ICE 预测 R² 达 0.868、RMSE 为 3.813%。