NEMO 项目发布 2023–2026 年成果手册，聚焦下一代 BMS
NEMO 项目（NExt-generation MOdels for advanced battery electronics）发布 2023 至 2026 年成果手册，汇总其在电池状态估计、老化预测、安全监测和嵌入式 BMS 架构方面的进展。
推荐理由：NEMO 项目汇总 2023 至 2026 年在电池状态估计、老化预测与安全监测上的成果，可快速了解欧洲下一代 BMS 的技术路线。
#物理信息
#物理信息
今日 2 条Zenodo · battery 数据与软件精选AI 评分5858 Zenodo · battery 数据与软件AI 评分4242 NEMO 发布数据驱动与混合老化模型说明材料
NEMO 在 Zenodo 发布 Factsheet 说明材料 NEMO_Factsheet_5.pdf（998.9 kB，版本 v1），介绍其电池管理系统中结合物理信息特征工程与基础模型的 SOH 预测。文件可在该记录页面预览与下载。
Energy精选AI 评分6060 物理引导特征协同 Transformer 用于电池 SOH 估计
Huaibin Zhang 等提出物理引导特征协同 Transformer，用于电池健康状态（SOH）估计，论文发表于 Energy 第 367 卷，2026 年 12 月 1 日出版。当前材料仅提供标题与作者信息，摘要未给出数据集、误差指标或对比基线。
关键词流·BMS 与电池智能算法精选AI 评分4747 基于膨胀行为与 Autoformer 的物理信息学习框架用于锂离子电池 SOH 估计
该研究提出一种物理信息学习框架，利用电池膨胀行为并结合 Autoformer 模型估计锂离子电池 SOH。材料仅提供标题，未给出数据集、精度指标或代码获取方式。
Journal of Energy Storage精选AI 评分5454 基于膨胀行为与 Autoformer 的物理信息 SOH 估计框架
Shu 等人提出一种物理信息学习框架，利用电芯膨胀行为结合 Autoformer 估计锂离子电池 SOH，论文发表于 Journal of Energy Storage 第 183 卷 Part B。材料仅提供题录与作者信息，摘要未给出数据集、电芯体系与误差指标。
推荐理由：该工作把电芯膨胀行为与 Autoformer 结合进物理信息框架做 SOH 估计，为不依赖电学特征的估计路线提供了可迁移思路。
Journal of Power Sources精选AI 评分5555 面向锂离子电池多尺度建模的物理一致数值框架
Alessio Lombardo Pontillo 等人在 Journal of Power Sources 第 699 卷提出一个物理一致的多尺度锂离子电池数值建模框架，定位为从理论走向工程。作者包括 Gianluca Boccardo、Daniele Marchisio 与 Ilenia Battiato，论文于 2027 年 1 月 30 日发表。
推荐理由：该框架把多尺度锂离子电池建模从理论推进到工程实现，读者可关注其物理一致性约束如何组织跨尺度耦合。
Advanced Energy MaterialsAI 评分3838 Li─P─F─O 键合拓扑调控富锂正极氧氧化还原与界面稳定性
研究通过机械化学氟磷酸化在富锂锰基氧化物（LRMO）表面构建 Li─P─F─O 键合拓扑，抑制氧释放与界面阻抗增长。DFT 筛选显示磷酸根是最有效的稳定表面氧的氧阴离子基元，改性正极在 0.1 C、25°C 下给出 248.5 mAh g−1，60°C 下 268 mAh g−1，10 C 循环 2000 次容量保持 85%，并运行至 16000 次循环。
Advanced MaterialsAI 评分3030 熵稳定富锂层状氧化物纳米颗粒用于先进高压正极
研究采用激光诱导碳热还原法合成高熵掺杂富锂层状氧化物纳米颗粒，粒径仅83.08 nm，在2.5–4.8 V电压窗口下稳定运行，1 C下功率密度达877.9 Wh kg⁻¹。高熵掺杂与颗粒细化共同抑制氧流失并稳定过渡金属骨架，所组装全电池与纤维电池在高压循环中展现出实用可行性。
Journal of Power Sources精选AI 评分5555 研究提出物理约束生成式 AI 逆向设计锂离子电池微结构
Journal of Power Sources 第 699 卷刊出 Azamat Zhaksylykov 等人的研究，题为用物理约束生成式 AI 逆向设计锂离子电池微结构，论文发表于 2027 年 1 月 30 日。当前仅获取到标题与作者信息，摘要正文未提供。
推荐理由：材料只给出标题与作者信息，无法确认方法细节与验证结果，阅读价值暂无法具体呈现。
关键词流·BMS 与电池智能算法精选AI 评分5858 融合极化动力学的物理嵌入脉冲循环神经网络用于电池SOH估计
该研究提出一种物理嵌入的脉冲循环神经网络，将极化动力学融入网络结构，用于电池健康状态（SOH）估计。材料仅提供标题，未给出数据集、误差指标或实验细节。
Energy Storage Materials精选AI 评分6262 物理引导虚拟探针实现无目标标签仿真到现实的负极电位估计
Shu Xiong 等人提出一种物理引导的虚拟探针方法，通过无目标标签的仿真到现实迁移来估计负极电位。该方法面向负极电位这一析锂风险关键量，相关成果发表于 Energy Storage Materials 第 92 卷。
推荐理由：该工作用物理引导的无标签仿真到现实迁移估计负极电位，为快充析锂风险监测提供了一条不依赖实测标签的思路。
Journal of Energy Storage精选AI 评分6262 物理嵌入循环脉冲神经网络融合极化动态用于电池SOH估计
Journal of Energy Storage 第183卷B部分刊出研究，提出一种物理嵌入的循环脉冲神经网络，将极化动态融入网络结构用于电池健康状态（SOH）估计。作者为 Yi Wan、Shaoping Wang、Zhongze He、Yixuan Zhao、Di Liu，论文于2027年1月1日出版。
推荐理由：该工作把极化动态嵌入循环脉冲神经网络做SOH估计，为物理信息与脉冲网络结合提供了一条可参考的建模路径。
Journal of Energy Storage精选AI 评分5555 物理信息状态空间框架通过电化学状态重构与特征解耦估计电池 SOH
Xianzheng Su 等人在 Journal of Energy Storage 第 183 卷 Part B 提出一种物理信息状态空间框架，通过电化学状态重构与特征解耦实现电池 SOH 估计。该文发表于 2027 年 1 月 1 日，目前仅有摘要信息。
推荐理由：该框架把电化学状态重构与特征解耦结合，为 SOH 估计提供了一条物理信息驱动的状态空间建模思路。
EnergyAI 评分2222 基于物理信息图代理模型的数据中心热安全约束冷却能耗优化
研究提出一种物理信息图代理模型，用于在热安全约束下优化数据中心冷却能耗。该方法以物理信息与图结构代理建模相结合，在保证热安全的前提下降低冷却能耗。作者包括 Xinyao Wang、Wenfei Peng、Zaibo Liu 等，成果发表于 Energy 第 366 卷。
关键词流·BMS 与电池智能算法精选AI 评分6565 牛津布鲁克斯大学发布赛车电池数字孪生配套模型与数据包
牛津布鲁克斯大学在Zenodo发布赛车电池数字孪生论文的配套资源包，含12个训练好的模型（PINN-KP、PINN-LP和NN，分别预测电压与温度，基于两类工况曲线训练）、验证结果与LG M50T电芯实验数据、模型与推理代码，以及可逐点运行模型的网页界面。
推荐理由：牛津布鲁克斯大学公开赛车电池数字孪生配套的12个PINN与NN模型、验证结果和LG M50T实验数据，可直接复现。
关键词流·BMS 与电池智能算法AI 评分3636 物理信息状态空间框架通过电化学状态重构与特征解耦估计电池SOH
该工作提出一种物理信息状态空间框架，用于电池健康状态（SOH）估计，核心思路是电化学状态重构与特征解耦。材料仅提供标题，摘要依据标题信息整理，未包含数据集、精度或代码等细节。
Zenodo · battery 数据与软件精选AI 评分5858 物理引导学习用精简特征预测电池热失控的代码发布
Zenodo 发布研究《Physics-guided learning predicts battery thermal runaway from parsimonious features》的源代码，版本 v1，以 6.8 MB 的 zip 包提供下载。该记录只包含代码文件，未在描述中给出数据集、模型细节或预测结果。
推荐理由：该记录公开了热失控预测研究的完整源码，便于读者复现其物理引导学习流程与特征选择方案。
Zenodo · battery 数据与软件精选AI 评分6262 牛津布鲁克斯发布赛车电池数字孪生资源包：PINN求解SPMe模型
牛津布鲁克斯大学在Zenodo发布赛车电池数字孪生资源包，对应论文《Motorsport battery digital twin: physics-informed neural networks solving the Single Particle Model with Electrolyte》。
推荐理由：牛津布鲁克斯团队公开了赛车电池数字孪生的12个训练模型、验证结果与LG M50T实验数据，并附带可逐点推理的网页界面。
Journal of Power Sources精选AI 评分6060 基于物理信息神经网络的局部放电段实时SOH估计与在线老化预测
Journal of Power Sources 第699卷刊出Begoña Ispizua等人的研究，提出用物理信息神经网络从电池部分放电数据中实时估计SOH并在线预测老化趋势。当前feed仅提供标题与作者信息，未给出摘要正文，具体方法、数据集与精度指标暂不可知。
推荐理由：材料只给出标题与作者信息，未提供摘要正文，无法据此提炼具体阅读价值。
Energy Storage Materials精选AI 评分5858 研究揭示硅石墨复合负极热-电化学耦合的机理不对称性
Moonseong Kim 等人在 Energy Storage Materials 发表研究，探讨硅石墨复合负极中的热-电化学相互作用，并提出机理不对称性这一概念。论文于 2026 年 10 月 23 日在线发表，作者包括 Bairav S. Vishnugopi、George J. Nelson、Partha P. Mukherjee 等，目前仅有摘要信息。
推荐理由：文章聚焦硅石墨复合负极中热与电化学过程的耦合不对称性，为理解该体系的产热与衰减机理提供建模视角。
arXiv · battery（eess.SY 系统与控制）精选AI 评分5858 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。
关键词流·SOX 与寿命预测精选AI 评分6262 基于物理信息神经网络的电池部分放电实时SOH估计与在线老化预测
该研究提出用物理信息神经网络从电池部分放电数据中实时估计SOH，并进行在线老化预测。由于材料仅提供标题，摘要无法补充具体方法细节、数据集或精度指标。
Advanced Materials精选AI 评分5858 机器学习势揭示反钙钛矿固态电解质晶界非晶度与离子输运的火山关系
研究用主动学习的机器学习原子间势（MLIP）驱动分子动力学模拟，在氧卤化物反钙钛矿固态电解质中发现晶界非晶度与离子输运之间存在火山关系。Cl 富集的晶界过于有序，Br 富集则无序过度并阻碍迁移，中间 Cl⁻/Br⁻ 比例的适度非晶晶界使 Li 离子输运最大化。作者据此通过选择性卤素调控设计阴离子工程晶界，提出受控阴离子偏析作为降低界面电阻的策略。
推荐理由：该工作用主动学习的机器学习势函数做大规模MD，把晶界非晶度与离子输运的火山关系量化出来，为界面无序调控提供可迁移的设计思路。
Journal of Power SourcesAI 评分3838 数据与物理协同引导的水系锌与液流电池电解液发现
Xianglin Wang 等人在 Journal of Power Sources 第 699 卷发表研究，提出数据与物理协同引导的液态电解液发现方法，面向水系锌电池与氧化还原液流电池。该文于 2027 年 1 月 30 日刊出，作者包括 Yingnan Ai、Nan He、Qicheng Chen、Binjian Nie。
Computers & Chemical EngineeringAI 评分2323 物理信息符号回归实现数据高效的动力学模型发现
研究提出物理信息符号回归方法，用于从有限数据中发现动力学模型。该方法面向数据高效场景，可在样本受限条件下完成动力学模型辨识。相关成果发表于 Computers & Chemical Engineering，作者包括 Miguel Ángel de Carvalho Servia、Ammar Ali、Ilya Orson Sandoval 等。
关键词流·多物理场模型AI 评分4242 多物理场增强前馈神经网络实现NCA/Gr.SiOx电化学模型在实际行驶工况下的电池状态估计
该研究提出多物理场增强前馈神经网络，用于NCA/Gr.SiOx电化学模型在实际行驶工况下的电池状态估计。材料仅提供标题，未给出具体方法细节、数据集与精度结果。
关键词流·BMS 与电池智能算法精选AI 评分5252 以动态轨道引导的物理启发老化建模用于电池健康预测
该研究提出一种由动态轨道引导的物理启发老化建模方法，用于电池健康预测。材料仅提供标题，未给出电芯体系、数据集、精度指标或代码获取方式。
关键词流·SOX 与寿命预测AI 评分3838 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。
Journal of Energy Storage精选AI 评分5858 动态轨迹引导的物理启发式老化建模用于电池健康预测
Zhu 等人在 Journal of Energy Storage 提出一种由动态轨迹引导的物理启发式老化建模方法，用于电池健康预测。该文发表于 Volume 183 Part A，作者包括 Enrico Zio 等，摘要未给出具体数据集与误差指标。
推荐理由：该工作把动态轨迹引导的物理启发式老化建模用于电池健康预测，为物理信息方法在SOH估计中的落地提供了一条可迁移思路。
Energy精选AI 评分4040 基于物理老化模型的分时电价下V2G运行与经济性分析
韩国团队在 Energy 第366卷发表研究，将基于物理的电池老化模型与分时电价下的车辆到电网（V2G）运行经济性分析结合，评估老化成本对V2G收益的影响。作者为 Hyeon-Gyu Lee、Seong-Taek Ryu、Sanghyun Kim、Yoon-Cheol Ha、Kyu-Jin Lee、Jung-Il Choi，论文于2026年11月30日出版，目前仅公开摘要。
推荐理由：该研究把物理老化模型与分时电价下的V2G经济性放在同一框架里，可看老化成本如何改变V2G收益判断。
关键词流·BMS 与电池智能算法AI 评分4040 基于自适应物理信息神经网络的锂离子电池SOH估计
该研究提出基于自适应物理信息神经网络的锂离子电池SOH估计方法。原文仅提供参考文献列表，未给出数据集、误差指标或实验对比等具体结果，方法细节需查阅论文全文。
arXiv · battery（physics.app-ph）精选AI 评分7272 电子扩散介导的SEI生长模型在LFP/石墨电芯多工况下验证一致
作者提出并验证了电子扩散介导的SEI生长模型，通过负极电位对电子浓度的影响内在地刻画老化对SOC的依赖，并显式考虑电解液盐、负极材料、温度和循环倍率的变化。模型在LFP/石墨电芯实验老化数据上验证，覆盖受限SOC窗口、LiFSI与LiPF6、AGC与AGD人造石墨、40-70°C和C/20-1C，全部实验用同一套参数模拟容量衰减而无需重新标定。
推荐理由：该模型用电子扩散机制解释SEI生长的SOC依赖性，并以单套参数跨电解液盐、石墨类型、温度和倍率验证，可供老化建模参考。
关键词流·BMS 与电池智能算法精选AI 评分6060 HBTU 发布锂电管理AI方法对比的数据与代码
印度 Harcourt Butler Technical University 的 Adarsh Kumar Arya 在 Zenodo 发布一套数据与代码，用于对比数据驱动、物理信息与迁移或预训练模型在锂离子电池管理中的表现。
推荐理由：该数据集公开了133篇纳入研究的编码表与31个SOH误差值，便于复现数据驱动、物理信息与预训练模型的横向对比。
Computers & Chemical EngineeringAI 评分3838 结合正交配点的物理信息神经网络用于化学动力学模拟
Pu 等人提出将正交配点与物理信息神经网络结合的化学动力学模拟方法，论文发表于 Computers & Chemical Engineering 第 216 卷，作者包括 Xiaodong Hong、Zuwei Liao、Jingdai Wang 与 Yongrong Yang。目前仅有题录与作者信息，摘要未给出具体算例与精度结果。
Journal of Energy Storage精选AI 评分5858 物理约束长时程SOH预测方法引入显式恢复校正
Journal of Energy Storage 第183卷Part A刊出Hongtao Pu等的研究，提出一种物理约束的长时程锂离子电池SOH预测方法，并加入显式恢复校正环节。当前仅见标题与作者信息，摘要正文未提供，方法细节与验证结果尚不可知。
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实验结论，暂不展示推荐理由。
Zenodo · battery 数据与软件AI 评分4040 基于物理模型分析下一代锂离子电池接入混合储能系统
Bernabeu-Santisteban 等人在 Zenodo 发布 v1 版本论文，用基于物理的分析方法研究下一代锂离子电池接入混合储能系统的问题。全文以 PDF 形式提供，文件 1.9 MB，可在线预览或下载。
arXiv · battery（eess.SY 系统与控制）精选AI 评分5252 基于李对称群的精确模型降阶方法及其在电池相场模型中的应用
Hamed Taghavian 提出一种基于李群理论的模型降阶方法，适用于由代数方程、常微分方程和偏微分方程描述、输入输出与常数参数数量任意的工程模型，可在不改变输入输出映射的前提下缩减参数空间。作者将该方法应用于电化学中用于高保真仿真的相场模型，以加速金属离子电池的分析与设计。论文发布于 arXiv，编号 arXiv:2610.26767。
推荐理由：该方法用李群对称性在不改变输入输出映射的前提下压缩参数空间，并用于电化学相场模型加速金属离子电池分析。
Journal of Energy Storage精选AI 评分6060 基于分数阶单粒子模型的物理引导学习框架用于电池SOH预测
Liping Chen 等人在 Journal of Energy Storage 提出一种基于分数阶单粒子模型的物理引导学习框架，用于电池健康状态（SOH）预测。该框架将分数阶单粒子模型与学习算法结合，具体精度与验证数据在摘要中未给出。
推荐理由：该工作把分数阶单粒子模型嵌入学习框架做SOH预测，为物理约束与数据驱动结合提供了一条可迁移的建模思路。
Energy精选AI 评分5252 面向BMS的计算高效降阶电化学模型纳入扩散诱导应力
Hongyu Zhao 等人在 Energy 第 366 卷发表研究，提出一种面向锂离子电池管理系统（BMS）的计算高效降阶电化学模型，并在模型中纳入扩散诱导应力。
推荐理由：面向BMS的降阶电化学模型把扩散诱导应力纳入计算，为应力与电化学耦合的实时估计提供了一条低算力路径。
Applied Energy精选AI 评分5858 基于物理模型协同优化锂离子电池在能源市场中的收益与寿命衰减
Couto 等人提出用物理模型协同优化锂离子电池在能源市场中的收益与寿命衰减，研究发表于 Applied Energy 第 427 卷 Part D。
推荐理由：该研究把物理模型接入电力市场收益优化，读者可了解寿命衰减成本如何进入调度决策。