跳到正文

#不确定性量化

今日 1 条
10月18日周日
  2. arXiv · battery（eess.SY 系统与控制）34

    面向机场园区停车设施与边缘数据中心的退化感知 V2G 调度协同优化

    该文针对机场园区内长时间停放 EV、机场楼宇与 AI 数据中心共用同一并网点的场景，提出两阶段方法：第一阶段用线性规划调度 EV 充放电以最大化运营商利润，并向车主支付固定日费；第二阶段通过搜索确定返还给车主的节能分成比例。

10月17日周六
  2. 关键词流·SOX 与寿命预测52

    基于深度证据回归的锂离子电池 RUL 预测不确定性量化

    中国矿业大学团队在 XJTU Batch-1 2C 电芯上评估选特征深度证据回归（DER），采用留一电芯验证并保留一个未参与训练的留出电芯，LOBO 缩放后的 DER 在留出电芯上取得 PICP = 0.989、MPIW = 59.17，优于 conformal 与 deep-ensemble 基线，并保留原始 aleatoric 与 epistemic 诊断量。

10月16日周五
  1. eTransportation60

    电芯老化如何聚合到系统层面：串联、并联与串并联锂离子电池模组的实验对比

    Tobias Brehler 等人在 eTransportation 第 30 卷发表研究，通过实验对比串联、并联与串并联锂离子电池模组，考察电芯老化如何聚合到系统层面。材料仅提供摘要，具体模组配置、电芯体系与测量结果未在摘要中给出。

    推荐理由：原文通过串联、并联与串并联模组的实验对比，展示电芯老化差异如何在系统层面聚合，为模组级老化评估提供对照依据。

  2. arXiv · battery（eess.SY 系统与控制）80

    NOCE-Net：用嵌套序列建模学习电池运行工况表征

    作者提出 NOCE-Net，一种深度嵌套序列模型，可直接从原始循环运行或遥测数据学习可用于控制的表征。其数据管线 re-BatteryData 将异构老化数据集统一为以绝对电荷吞吐量定义的全等效循环（FEC），覆盖十个公开数据集约 700 个电池、300 多种运行工况。

    推荐理由：该工作用嵌套序列模型从原始循环数据学习表征，在未见化学体系上做零样本电压预测，并给出隐状态与容量衰减的关联诊断。

  3. OpenAlex · battery/lithium 新文献流31

    基于数据驱动不确定性建模的光储换电站能量共享与运行算法

    研究提出面向多座光伏集成电池充换电站（BCSS）的最优能量管理算法，在满足各站电动汽车充电需求的前提下，通过站间合作能量共享机制最小化系统整体运行成本。针对光伏出力不确定性，基于历史数据构建数据驱动机会约束，并利用对偶理论将其重构为确定性等价形式以提升计算性能。数值实验表明，该算法在降低成本、促进 BCSS 间合作以及不同概率分布不确定性环境下的鲁棒性方面均表现更优。

  7. Applied Energy58

    Token化电池老化：物理信息与不确定性感知的SOH估计框架

    Shan Huang 等人在 Applied Energy 提出一种物理信息且不确定性感知的 SOH 估计框架，将电池老化过程进行 token 化建模。作者为 Jinyang Jiao、Hao Li、Jing Lin，论文发表于 Volume 427 Part D。

    推荐理由：该框架把电池老化信号做 token 化并引入物理约束与不确定性量化，为 SOH 估计提供了一条可迁移的建模思路。

  8. Applied Energy26

    面向微电网调度的决策感知复合风险预测：学习调度相关联合不确定性

    该研究提出一种决策感知的复合风险预测方法，用于学习与调度相关的联合不确定性，服务于微电网调度。方法面向微电网调度场景，将预测与调度决策相关联，以刻画复合风险下的联合不确定性。论文发表于 Applied Energy 第 427 卷 Part D，作者为 Kai Qu、Xianjing Zhong、Qingshu Guan、Dapeng Yan、Hui Cao。

  12. arXiv · battery（eess.SY 系统与控制）60

    滤波增强强化学习实现 SOH 与析锂感知的电池快充

    作者提出基于 TD3 的滤波增强强化学习框架，用于兼顾健康状态的锂电池快充，奖励函数结合 SOH 信息与源自恒流恒压过电位策略的 SOH 相关电压惩罚项。针对车载 SOH 估计噪声，框架在噪声统计未知时用 EMA 滤波、已知时用 Kalman 滤波，并将滤波估计同时嵌入智能体状态与奖励计算。

    推荐理由：在 LG M50 电芯参数化下，该工作把带噪 SOH 估计经 EMA 或 Kalman 滤波后嵌入 TD3 的状态与奖励，量化了噪声对快充寿命收益的影响。

  14. 关键词流·SOX 与寿命预测48

    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。

10月14日周三
  1. 关键词流·SOX 与寿命预测24

    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。

10月12日周一
  1. Journal of Energy Storage58

    频率解耦动态图学习结合老化先验用于锂电池SOH鲁棒估计

    Yiming Wang、Han Liu、Haiqiang Yang 在 Journal of Energy Storage 提出频率解耦动态图学习方法，并引入老化先验，用于锂电池健康状态（SOH）的鲁棒估计。该方法针对工况变化下的估计稳定性设计，论文发表于 Volume 182, Part F。

    推荐理由：针对SOH估计中工况变化导致的精度下降，提出频率解耦动态图学习并引入老化先验，为提升跨工况鲁棒性提供可迁移思路。

  2. Journal of Power Sources62

    面向随机负载的物理信息贝叶斯连续时间 SOH 估计方法

    Yuefeng Liu 等人提出一种物理信息贝叶斯连续时间方法，用于随机负载下锂离子电池的 SOH 估计，论文发表于 Journal of Power Sources 第 698 卷。作者署名为 Yuefeng Liu、Ziyu Yang、Ning Yang，出版日期为 2027 年 1 月 15 日。目前 feed 仅提供摘要信息。

    推荐理由：针对随机负载下 SOH 估计易受工况波动影响的问题，该工作把物理约束与贝叶斯连续时间建模结合，可供做在线估计的研究者参考其不确定性处理思路。

10月11日周日
10月10日周六
  1. arXiv · battery（eess.SY 系统与控制）50

    面向微电网负荷与光伏不确定性的决策聚焦学习用于最优电池调度

    研究提出决策聚焦学习（DFL）框架，用 GRU 预测器直接以两阶段能源管理系统的实时运行成本为训练目标，通过隐式微分将梯度回传至预测器权重。在 Politecnico di Milano 的 MG2Lab 微电网实验平台上，DFL 在正常电网条件下降低运行成本 3.78%，在电网受限条件下降低 30.60%，并几乎消除切负荷事件。

  3. Journal of Energy Storage58

    从短脉冲测试重建长时间电压弛豫以加速电池测试与建模

    Jun Yuan 等人提出从短脉冲测试重建长时间电压弛豫的方法，用于加快电池测试与建模。该工作发表于 Journal of Energy Storage 第 182 卷第 E 部分，作者包括 Shanling Ji、Leon Merker、Leah Nuss、Bojing Zhang、Qiaomin Ke 和 Helge Sören Stein。目前仅见摘要信息。

    推荐理由：原文提出用短脉冲测试重建长时间电压弛豫，为缩短电池测试时长与建模提供了一条可迁移思路。

  6. Applied Energy53

    面向液态金属电池的再生感知碎片化数据在线SOH估计框架

    研究提出一种再生感知的在线SOH估计框架，用于液态金属电池在数据碎片化条件下的健康状态估计。作者为Jiaqi Qu、Mengzhao Fang、Xiaogang Wu等，成果发表于Applied Energy第427卷Part D，出版日期为2027年1月。摘要未提供具体方法与实验数据。

    推荐理由：针对液态金属电池再生导致的数据碎片化问题，提出再生感知的在线SOH估计框架，为特殊体系的状态估计提供可迁移思路。

  7. 关键词流·SOX 与寿命预测42

    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。

10月9日周五
  1. Journal of Power Sources50

    研究提出基于稳健电压-容量特征追踪锂离子电池老化

    Hamid Hamed 等人在 Journal of Power Sources 第 698 卷发表研究，提出用稳健的电压-容量特征追踪锂离子电池老化。作者包括 Albin Conde Reis、Sasan Amini、Inneke Van Nieuwenhuyse 和 Mohammadhosein Safari，论文发表于 2027 年 1 月 15 日。

    推荐理由：材料仅给出标题与作者信息，无法确认方法细节与结果，暂不展示推荐理由。

  2. arXiv · battery（eess.SY 系统与控制）71

    闭环域生成框架提升跨工况电池健康诊断精度

    作者提出闭环域生成框架，用变分自编码器潜在空间外推生成物理约束的跨域样本，并以贝叶斯优化自动标定采样、潜在正则、外推、扰动与生成量等超参数，全程排除目标域后期数据。在四个跨域案例中，正极活性材料损失、负极活性材料损失和锂库存损失的RMSE分别为1.53%、2.15%和2.02%，传统方法误差明显更高甚至完全失效。该框架不依赖下游诊断模型，可用于车载且物理一致的电极级老化诊断。

    推荐理由：该框架用变分自编码器与贝叶斯优化生成跨域样本，四个跨域案例中三类电极老化模式的RMSE均约2%，可迁移到少样本目标域诊断。

10月8日周四