跳到正文

#机器学习

今日 5 条
10月14日周三
  2. 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13日周二
  1. 关键词流·BMS 与电池智能算法27

    基于酯基相变材料与优化热管理架构的电池系统先进储热与温度均匀性控制

    研究提出 EWOA–EPCM 框架，用酯基相变材料（脂肪酸衍生物加导电填料）配合增强型袋熊优化算法，改善圆柱 18650 电芯的热调节与温度均匀性。MATLAB 三维瞬态热模型显示，峰值温度降至 38.4 °C，最大温差 3.1 °C。与 PSO、GWO、WOA、HHO 对比，EWOA 收敛速度、计算效率和优化稳定性更优。

10月12日周一
  3. 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。

  4. Journal of Energy Storage61

    物理信息学习建模锂离子电池健康感知等效电路参数演化

    Journal of Energy Storage 第 182 卷 Part F 刊出 Tianyi Zhang 等人的研究，提出用物理信息学习刻画锂离子电池健康感知的等效电路参数演化。作者包括 Hang Yu、Yulong Yu、Yifan Wang、Jin Wang、Lei Chen，论文于 2026 年 12 月 30 日出版。

    推荐理由：该工作把物理信息学习用于等效电路参数随健康状态的演化建模，为 SOH 估计提供了一条可迁移的参数跟踪思路。

  5. 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
  1. Advanced Materials34

    凝胶聚合物电解质调控共溶剂化实现 Li+ 快速选择性传输，助力高倍率锂金属电池

    一种双调控弱配位凝胶聚合物电解质（DWGPE）通过匹配聚合物-溶剂共溶剂化状态，实现 Li+ 快速选择性传输。该电解质由含氟聚合物骨架、酰胺功能化交联剂和弱溶剂化己二腈液相组成，Li||DWGPE||LFP 纽扣电池在 6 C 下循环 10000 次后容量保持 65%，单圈衰减仅 0.003%。该电解质还可搭配高压 NCM811 正极并在安时级软包电池中稳定运行。

  5. International Journal of Hydrogen Energy26

    强化学习增强的三层混合 BESS-氢储能：面向可再生能源微电网的自适应可靠性阈值与老化感知

    研究提出一种强化学习增强的三层混合 BESS-氢储能系统，用于可再生能源微电网，并引入自适应可靠性阈值与老化感知机制。该方案将电池储能与氢储能分层协同，通过强化学习优化调度，兼顾供电可靠性与电池老化影响。成果发表于 International Journal of Hydrogen Energy 第 282 卷。

10月10日周六
  1. Energy Storage Materials72

    物理信息数字孪生揭示锂离子电池拐点起始的机理阈值

    Mingyuan Zhao 等人提出一种物理信息数字孪生方法，用于揭示锂离子电池老化拐点起始的机理阈值。该研究发表于 Energy Storage Materials 第 92 卷，作者包括 Binghe Liu、Yongjun Pan、Huizhi Wang 和 Yongzhi Zhang。

    推荐理由：该工作用物理信息数字孪生定位锂离子电池拐点起始的机理阈值，为老化早期预警提供可迁移的建模思路。

  2. 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. Advanced Materials26

    中空钙钛矿氟化物封装于原子Mn嵌入N掺杂碳纤维，用于无负极5V级锂金属电池

    一种封装原子分散Mn-N位点与中空NaMg(Mn)F₃立方体的N掺杂碳大孔纤维（NMMF@Mn/N-CMFs）被设计为无负极锂金属电池的3D轻量化宿主。该宿主在5.0 mA cm⁻²下实现1500次循环平均库仑效率98.9%，与LiNi₀.₅Mn₁.₅O₄正极配对后5V级无负极软包电芯120次循环容量保持率达95.8%。

  5. 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. Journal of Energy Storage62

    物理一致性神经网络实现锂离子电池 SOH 估计的跨域可迁移小样本学习

    Xiaojia Luo、Guangzhong Dong、Ziheng Li、Yunjiang Lou 在 Journal of Energy Storage 第 182 卷第 E 部分提出一种物理一致性神经网络，用于锂离子电池健康状态（SOH）估计的跨域可迁移小样本学习。该工作发表于 2026 年 12 月 30 日，摘要未提供具体数据集、误差指标与代码获取方式。

    推荐理由：该工作把物理一致性约束引入跨域小样本 SOH 估计，为少标注数据下的跨体系迁移提供了一种可借鉴的建模思路。

  12. Journal of Energy Storage41

    锂离子电池组 SOC 与 SOH 协同估计：GRU 增强的自适应双扩展卡尔曼滤波方法

    针对锂离子电池组，研究提出一种由 GRU 增强的自适应双扩展卡尔曼滤波方法，实现荷电状态（SOC）与健康状态（SOH）的协同估计。该方法通过自适应调节机制与 GRU 网络结合，提升双扩展卡尔曼滤波在电池组状态估计中的精度。相关成果发表于 Journal of Energy Storage。

  13. Journal of Energy Storage58

    分层深度强化学习-模型预测控制框架用于膨胀力约束下的锂离子电池快充

    Journal of Energy Storage 第182卷Part F刊出Lei Zhang等人的研究，提出一种分层深度强化学习与模型预测控制相结合的框架，用于膨胀力约束下的锂离子电池快充。作者为Lei Zhang、Tianyou Wang、Shun Tang、Kuijie Li，出版日期为2026年12月30日。

    推荐理由：针对膨胀力约束下的锂离子电池快充，提出分层深度强化学习与模型预测控制结合的框架，可供快充策略研究者参考其约束处理思路。

  16. 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。

  18. 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。