跳到正文

#机器学习

今日 5 条
10月17日周六
  1. 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。

  3. 关键词流·BMS 与电池智能算法38

    集成热管理、状态估计与电芯均衡的电动汽车 BMS 效率框架

    该论文提出一个集成框架，通过协同优化电池热管理策略、SoC/SoH 估计算法与自适应电芯均衡来提升 BMS 效率。作者综述了液冷、混合与 AI 热管理进展，将机器学习增强的 SoC/SoH 估计器与传统观测器对比，并提出分层控制架构以降低辅助能耗。仿真与实验基准显示，集成策略使热管理能耗降低 6–9%，SoC 估计 RMSE 降至 1.5% 以下，pack 级能量吞吐量较规则基线最高提升 8%。

10月16日周五
  1. Advanced Materials22

    大语言模型驱动的闭环固态合成规划用于材料发现（Adv. Mater. 58/2026）

    大语言模型通过检索文献先例并向人类研究者提出实验配方来指导材料合成，形成闭环协作：实验结果返回模型后，模型通过调整合成参数修订后续配方。经过多次试验，可确定能生成目标晶态材料的条件，从而加速材料发现。该封面成果来自 Ju Li、Jin-Sung Park、Sung Beom Cho 等人的研究论文（DOI: 10.1002/adma.74502）。

  4. 关键词流·BMS 与电池智能算法58

    NASA PCoE 锂电池数据集上机器学习 SOH 估计的评测设计与报告方式：开放获取研究的系统性元研究综述数据与代码

    该材料为一项系统性元研究综述配套的数据与代码，综述对象是开放获取研究中基于 NASA PCoE 锂电池数据集的机器学习 SOH 估计，关注其评测设计与报告方式。材料仅提供标题，正文未获取，具体纳入研究数量、编码框架与数据获取方式不明。

  5. 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。

  6. Advanced Energy Materials41

    高浓度电池电解液中阴离子驱动的溶剂降解网络

    研究利用自动反应发现与微观动力学建模（MKM），建立了 LiFSI 和 LiTFSI 还原态阴离子驱动 EC、PC、DMC 和乙腈（AN）分解的反应网络。还原态 F⁻ 与 CF₃ 片段触发完整阴离子无法实现的开环级联反应，其中 PC 产物分布最丰富，AN 则将氟导向 LiF 生成。结果表明 F⁻ 作为快速消耗的驱动力，将产物分布推向热力学稳定的含氟有机物种，阴离子-溶剂配对是电解液设计的重要变量。

  7. GitHub·电池与能源 Agent 工具26

    Databricks 电池储能投资决策智能平台评估：PG&E B-19 与 PGE 调度策略

    基于 Databricks 构建的能源决策智能平台评估了 6 种电池调度策略、540 组敏感性配置，结论是 PG&E B-19 电价下不应购买电池：稳健调度虽在每种规模下均优于无电池（+3,198 至 +37,363 美元/年），但按 NREL ATB 中期成本无规模能在 15 年内回本，最佳情形回本期 30.8 年、NPV 为 −829,491 美元。

  8. 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。

  10. Advanced Energy Materials24

    无负极钠金属电池实现低温快充：电解液溶剂化与集流体界面协同设计

    一篇综述提出电解液溶剂化工程、集流体功能化、预钠化与AI分子模拟四域协同设计框架，以突破无负极钠金属电池在低温快充下的界面动力学瓶颈。该综述指出，追求高能量密度会加剧界面不稳定性，形成"稳定性悖论"，导致钠沉积不均与容量快速衰减。近期软包电芯已实现>200 Wh kg⁻¹，并在−40°C至60°C范围内稳定循环。

  12. Advanced Energy Materials31

    全固态锂电池层状正极多尺度衰减的解码：先进诊断驱动框架

    一篇综述提出 Diagnosis-Mechanism-Mitigation（D-M-M）框架，通过交叉验证从电子结构到电芯级别的多模态诊断证据，解码全固态锂电池层状正极的多尺度衰减。文章将衰减分为界面衰减（化学分解、空间电荷层形成、高阻界面相生长）与正极体相衰减（结构相变、阳离子无序、氧流失、微结构开裂），并评估机器学习与 AI 在解读复杂诊断数据集、指导预测性正极设计方面的作用。

  18. Journal of Energy Storage55

    双Weibull物理启发模型实现扰动响应式在线SOH估计与解析拐点跟踪

    Jiaqi Yu、Yanjie Guo、Wenjie Zhang 在 Journal of Energy Storage 提出双 Weibull 物理启发模型，用于扰动响应式在线锂离子电池 SOH 估计与解析拐点跟踪。该工作将拐点跟踪纳入解析框架，面向扰动工况下的在线估计需求。论文发表于 Volume 182, Part F，出版日期为 2026 年 12 月 30 日。

    推荐理由：提出双Weibull物理启发模型，在扰动工况下同时做在线SOH估计与解析拐点跟踪，可供拐点建模方法参考。

  25. 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。

  26. Applied Energy50

    TinyBatteryNet：面向嵌入式跨电池域RUL预测的紧凑神经网络架构

    Minhhuy Le 等人提出 TinyBatteryNet，一种用于嵌入式电池剩余使用寿命（RUL）预测的紧凑神经网络架构，可在不同电池域之间迁移。该工作发表于 Applied Energy 第 427 卷 Part D，材料仅提供摘要，未给出具体数据集、误差指标与模型参数量。

    推荐理由：面向嵌入式部署的轻量网络跨电池域预测RUL，为资源受限BMS场景提供可参考的架构取舍。

  27. 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。

  30. 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。

  33. 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15日周四
10月14日周三