跳到正文

#深度学习

今日 1 条
今天10月30日周五
10月29日周四
  1. 关键词流·SOX 与寿命预测60

    NBD-Net 用非平稳桥接退化网络预测锂电 RUL，留一电芯测试误差最低

    作者提出 NBD-Net，通过 RevIN 逐窗口归一化、局部稳定分支与循环趋势编码器并行，并用注意力记忆 SDMC 和双向交叉注意力桥 LGBI 耦合两路，实现下一循环容量预测。

    推荐理由：在 CALCE、NASA、TJU 共 11 个电芯的留一电芯协议下，该文逐项拆解了归一化与局部稳定分支各自带来的增益。

10月28日周三
  1. eTransportation58

    选择性老化表征网络提升电池老化轨迹预测效率与鲁棒性

    Xuan Liu 等人提出选择性老化表征网络（Selective Degradation Representation Network），用于电池老化轨迹预测，目标是兼顾效率与鲁棒性，突破刚性序列建模的限制。该文发表于 eTransportation，2026 年 10 月 27 日上线，目前仅有摘要信息。

    推荐理由：该工作用选择性老化表征网络做电池老化轨迹预测，强调高效与鲁棒，可供做序列预测方法选型时参考其表征思路。

  2. arXiv · battery（eess.SY 系统与控制）25

    面向充电站的电动汽车调度与碳感知能量分配：SFGH 与 TD3 联合方案

    研究提出无求解器的贪心启发式 SFGH 负责电动汽车动态调度，TD3 控制器负责碳感知能量分配，在满足充电需求的同时平衡电费与碳排放。模型允许光伏与电池向电网售电，并计入售电收益与碳信用。全年仿真显示，SFGH–TD3 在所评估的启发式与多智能体 DRL 配置中取得最低累计服务延迟、能耗成本与碳排放。

  3. 关键词流·BMS 与电池智能算法42

    KIT 提出电动公交电池信息物理框架，融合 DQN 智能充电与 LSTM 数字孪生

    KIT 团队提出面向电动公交电池的信息物理框架，控制层用 DQN 智能体实时执行智能充电与再生制动电流限幅，并与边缘侧 LSTM 数字孪生联动跟踪 SOH。框架还引入基于 SHAP 的 NMPC 策略，映射核心产热并补偿内部热滞后，以应对城市工况下电流冲击带来的局部热应力。该文发表于 Smart Cities 第 9 卷第 11 期，2026 年 10 月 23 日在线发表。

10月26日周一
10月25日周日
  1. GitHub·电池与能源 Agent 工具67

    Volttwin 开源锂电池 SOH 估计基准代码库，含 100 个电芯与 5 种深度学习模型

    Volttwin 发布锂电池 SOH 估计基准代码，覆盖 100 个电芯、CNN/LSTM/GRU/MLP/Attention 5 种深度学习模型、3 种输入类型与 3 种归一化方法，对应论文发表于 Journal of Energy Storage（2024，109884）。

    推荐理由：该代码库把 100 个电芯、5 种深度学习模型与 3 类输入统一到同一命令行接口，便于直接复现 SOH 估计基线。

  2. Journal of Energy Storage50

    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。

10月24日周六
  1. arXiv · battery（eess.SY 系统与控制）58

    物理信息图表示结合约束专属 critic 的安全强化学习用于配电网社区电池协调

    该论文提出物理信息安全深度强化学习框架，用于协调社区电池储能系统，在抑制约束越限的同时降低运行成本。方法构建双层物理信息图表示，由线路阻抗与容量塑造空间信息传播，并用功率平衡、电压分布与潮流重构损失约束隐状态；在此基础上提出 LDCPPO，为奖励与成本分别设置独立 critic，仅在拉格朗日策略更新时合并。

    推荐理由：该工作把线路阻抗与容量嵌入图表示，并用约束专属 critic 处理电压与线路负载两类约束，可供社区储能调度研究参考。

10月23日周五
  1. Zenodo · battery 数据与软件40

    EIS 数据驱动锂离子电池 SoH 与 RUL 估计综述

    比利时布鲁塞尔自由大学 MOBI-Electromobility Research Centre 发布综述，系统梳理基于 EIS 的数据驱动 SoH 与 RUL 估计方法。文章先归类从 EIS 谱中提取性能指标的特征工程方法，再对数据驱动估计技术分类并比较不同算法表现，总结常用机器学习与深度学习算法、关键性能指标及与电池健康强相关的直接和间接特征。该综述旨在为后续研究选择建模策略提供参考。

  2. 关键词流·SOX 与寿命预测38

    广西大学团队提出融合电化学物理信息的双分支 CNN 用于锂电池 RUL 预测

    广西大学团队提出一种基于电化学物理信息的双分支卷积神经网络用于锂电池 RUL 预测，主分支为多尺度时间卷积、辅助分支为残差网络，并设计以退化特征为引导信号的信息引导通道注意力 IGCA。模型还引入融合电化学退化规律与库仑效率的物理约束损失函数，使预测与电池退化的物理演化更一致。实验显示该方法在 CALCE 数据集上 RMSE 为 1.57%–2.12%，在 XJTU 数据集上表现出较好适用性。

10月22日周四
  2. Applied Energy47

    改进深度聚类实现异质工况下动力电池区域感知现场可靠性预测

    Yang Lv 等人提出一种区域感知的现场可靠性预测方法，用改进深度聚类处理异质工况下的动力电池可靠性问题，论文发表于 Applied Energy 第 427 卷 Part E。摘要未给出具体数据集、电芯数量与预测误差指标。

    推荐理由：面向真实车用场景下工况异质的电池可靠性预测，提出区域感知的深度聚类方法，为现场可靠性建模提供可迁移思路。

10月21日周三
  1. Zenodo · battery 数据与软件20

    基于动态时间Petri网与异构多智能体Double DQN的多场景数字孪生人机协作多任务拆解工艺规划

    研究提出数字孪生辅助的多智能体人机协作拆解系统，用动态时间Petri网（TPN）模型表达实时拆解信息与关联关系，并集成多智能体Dueling-Double深度Q网络（MADDQN）算法求解最优拆解序列与任务策略。以蔚来ES8的NEV-P50电池包为案例，验证该算法可基于数字孪生数据优化动态拆解序列与不确定任务分配。

10月20日周二
  2. GitHub·电池与能源 Agent 工具62

    battery-health-agent 开源锂电故障检测与健康分析代码库

    jianghu511321/battery-health-agent 是 Nature Communication 论文《Realistic fault detection of Li-ion battery via dynamical deep learning approach》的官方代码仓库。

    推荐理由：仓库把 DyAD、GDN、AE-SVDD、LSTM-AD 等故障检测模型与 SOH 预测原型放在一起，并给出五折实验的完整运行步骤。

10月19日周一
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. 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。

  5. 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。

  6. 关键词流·BMS 与电池智能算法42

    图引导稀疏注意力VAE结合因果与频谱融合用于车用电池无监督故障检测

    该论文提出图引导稀疏注意力变分自编码器，并融合因果与频谱信息，用于新能源汽车电池的无监督故障检测。方法面向多变量时间序列异常检测，参考文献覆盖电池安全预警、图神经网络与VAE类时序异常检测工作。当前材料仅提供参考文献列表，未给出实验数据、检测指标或代码入口。

  7. 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13日周二
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。

10月11日周日
10月10日周六
  3. 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。