面向能量密度、寿命、快充与成本权衡的锂离子电池伪二维老化模型
该研究提出一种伪二维老化模型，用于分析锂离子电池在能量密度、寿命、快充与成本之间的权衡关系。原文仅提供标题，摘要与正文内容未获取。
机器学习方法
全部主题电池领域的机器学习：特征表示、小样本与迁移、不确定性量化、大模型与文献挖掘。
最新精选
第 161–176 条 · 共 176 条Journal of The Electrochemical Society精选AI 评分6262 Energy Storage Materials精选AI 评分6262 机械信号解码锂沉积孔隙率，用于实用锂金属电池失效分析与早期预警
Can Wang、Renjie Wang、Yuxuan Zhang、Jianming Li、Quanqing Yu 在 Energy Storage Materials 第 91 卷发表研究，提出用机械信号解码锂沉积孔隙率，用于实用锂金属电池的失效分析与早期预警。该文刊于 2026 年 10 月。
推荐理由：面向实用锂金属电池，用机械信号解码锂沉积孔隙率，为失效分析与早期预警提供了一条可迁移的在线监测思路。
eTransportation精选AI 评分5050 基于超声传感的锂离子电池跨域迁移学习框架
Junyi Li 等人在 eTransportation 第 30 卷发表题为 Ultrasonic sensing-based cross-domain transfer learning framework for lithium-ion battery 的研究，提出面向锂离子电池的超声传感跨域迁移学习框架。
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。
eTransportation精选AI 评分5050 可扩展多源老化耦合框架用于锂离子电池高保真电化学与热建模
Haoran Lu 等提出一种可扩展的多源老化耦合框架，用于锂离子电池的高保真电化学与热建模。该框架将多源老化信息与电化学、热模型耦合，论文发表于 eTransportation 第 30 卷，作者为 Haoran Lu、Lance Zhao、Luke Hu、Zhe Li。
推荐理由：该框架把多源老化数据与电化学热模型耦合，为高保真电池建模提供可扩展路径。
Journal of Energy Storage精选AI 评分6060 物理引导 Transformer 用于真实电动汽车 SOH 鲁棒估计
Journal of Energy Storage 第 182 卷 Part D 刊出 Lijin Guo、Yuhang Li、Wanting Zhang 的研究，提出一种物理引导 Transformer，用于真实电动汽车场景下的 SOH 鲁棒估计。该文发表于 2026 年 12 月 30 日，目前仅提供摘要信息。
推荐理由：面向真实电动汽车工况的 SOH 估计，物理引导与 Transformer 结合，可关注其在实车数据上的鲁棒性设计。
PyBaMM Releases精选AI 评分7878 PyBaMM 26.9.0.0 发布：Symbol 改用 slots、新增非结构网格 DFN 与模型库
PyBaMM 发布 26.9.0.0，Symbol 改用 slots，第三方 Symbol 子类必须声明 __slots__，模型检查改由 BaseModel.variables_matching_keys 比较变量身份，并要求 pybammsolvers>=0.10.0，CasADi 固定版本从 3.7.2 升至 3.8.1。
推荐理由：PyBaMM 26.9.0.0 的破坏性变更与迁移指引集中在一处，便于依赖该库的建模与仿真工作评估升级成本。
Advanced Materials精选AI 评分6262 脱溶剂动力学主导石墨负极中碳酸丙烯酯共嵌入
研究通过系统筛选商用石墨、PC 基电解液与聚合物粘结剂，表明石墨中的溶剂共嵌入是恒流极化下常规 Li+ 嵌入与溶剂辅助嵌入竞争的系统级动力学结果。作者提出最低可达电位 P_LA 这一半定量操作描述符，用于刻画石墨-电解液体系在给定测试条件下被极化到 PC 共嵌入占主导之前的程度。
推荐理由：原文提出最低可达电位描述符，把溶剂化、界面化学与工况统一到同一动力学框架中解释 PC 共嵌入。
arXiv · battery（eess.SY 系统与控制）精选AI 评分6060 RFSR-MI-MPC：面向可重构电池组实时控制的排序前缀可行集限制
作者提出 RFSR-MI-MPC，一种基于排序前缀的可行集限制方法，用于带单体旁路开关的串联可重构电池组实时混合整数模型预测控制。每个采样时刻按单步目标相关的适配度分数对电芯排序，将投入变量限制为该排序的前缀，使每步可行投入模式数从组合级降为与电芯数线性，同时不改变模型、目标函数与物理约束。
推荐理由：针对可重构电池组实时混合整数MPC的组合爆炸问题，提出按排序前缀限制可行集，在20电芯WLTC工况下求解时间与SOC一致性均有量化改善。
arXiv · battery（eess.SY 系统与控制）精选AI 评分6060 面向退化感知电池调度的安全滚动时域混合整数可微预测控制
作者提出一种面向住宅电池储能调度的安全滚动时域混合整数可微预测控制方法，结合神经网络速度与递归可行性保证，并引入实时 SOC 反馈与正弦时刻条件，实现每个时间步闭环重规划而无需重解混合整数规划。
推荐理由：面向住宅储能调度的退化感知控制方法，用可微雨流计数层把循环老化物理嵌入策略训练，并给出递归可行性保证。
arXiv · battery（eess.SY 系统与控制）精选AI 评分6262 基于充电信号估计放电增量容量特征的锂离子电池老化监测框架
该论文提出一种神经网络框架，直接从充电信号预测放电增量容量（IC）特征，从而免去低电流放电测量。模型在 53 个电芯、多种快充协议的数据集上训练，能在未见过的电池数据上估计老化指标；在评估的多种架构中，LSTM 在预测精度与计算效率之间取得最佳平衡。作者称该方法可实时集成到 BMS，在不干扰电池正常运行的条件下增强老化监测。
推荐理由：该工作用充电信号预测放电 IC 特征，省去低电流放电测量，为快充场景下的在线老化监测提供了一条可迁移思路。
arXiv · battery（eess.SY 系统与控制）精选AI 评分6161 R2D：从异构多时间尺度时序直接学习电池能量管理控制策略
该论文提出 Representation-to-Decision（R2D）端到端模仿学习框架，通过模块化 Temporal Feature Extractors（TFEs）与共享隐表示，将异构多时间尺度时序输入直接映射为电池控制决策，无需显式的负荷与光伏预测步骤，控制最优性由老化感知的 MILP 专家经行为克隆锚定。
推荐理由：该工作把电池能量管理从先预测后优化改为直接从多时间尺度时序决策，并在五个工业站点上与六种控制器对比，可供做控制策略选型时参考。
arXiv · battery（physics.app-ph）精选AI 评分6262 Artiphy 代理加速的 SPMe 物理模型参数反演框架
作者提出基于单粒子模型加电解液动力学（SPMe）的代理加速反演框架，前向映射用其 Artiphy 代理框架快速可微地计算电压与部分内部状态。去除结构冗余后，反演非冗余的传输、动力学与容量参数组，包括浓度相关的固相与电解液扩散系数。
推荐理由：该工作用 Artiphy 代理加速 SPMe 参数反演，并以 DFN 合成数据给出已知参考参数下的误差与可辨识性分析，可供做参数辨识的研究者参考其框架与敏感性结论。
arXiv · battery（physics.app-ph）精选AI 评分6262 将多尺度力学耦合引入锂离子电池模型
作者推导了一个降阶的电化学-力学耦合模型，把锂化膨胀在活性颗粒、非活性基体、电极和电芯堆叠中产生的应力纳入考虑。模型将电极视为嵌入均匀化弹性非活性基体中的球形活性颗粒周期阵列，利用非活性基体刚度远小于活性材料以及颗粒、电极与电芯之间的尺度分离，得到对活性颗粒化学势和过电位的有效力学修正，该修正取决于颗粒膨胀、电极尺度应变以及夹持或外加压力等宏观边界条件。
推荐理由：该工作把颗粒、电极与电芯堆叠的多尺度力学耦合降阶为对化学势和过电位的修正项，可直接嵌入 DFN、SPMe 与 SPM 框架。
arXiv · battery（physics.app-ph）精选AI 评分5858 物理信息学习加速电化学器件建模：面向实时控制的框架与展望
文章评估了 PINN、PIDeepONet 和 PINO 三种物理信息机器学习框架在电化学器件实时控制中的潜力，从训练成本、推理速度和泛化能力三方面进行对比。PINN 适合固定问题但参数变化需重新训练，PIDeepONet 支持跨工况算子学习且无需网格，PINO 在规则网格上性能更优、外推能力最强。
推荐理由：文章对比 PINN、PIDeepONet 与 PINO 三种物理信息学习框架的训练成本、推理速度与外推能力，为电化学器件实时控制选型提供依据。
arXiv · battery（physics.app-ph）精选AI 评分6262 PINN 代理建模单粒子模型：三种架构精度与泛化对比
该研究对三种物理信息神经网络（PINN）架构建模电池单粒子模型进行基准对比，包括两种常规 PINN 架构和一种基于 DeepONet 的架构，并在多种电流工况下评估其精度与泛化能力。结果显示 PINN 在电池物理建模上有潜力，但常规 PINN 架构在高动态电流条件下存在局限；其中 Fourier 增强的 DeepONet 泛化性能更优，相比数值求解器带来近 10 倍加速。
推荐理由：对比三种 PINN 架构在单粒子模型上的精度与泛化，给出高动态电流下的适用边界与约 10 倍加速。
arXiv · battery（physics.app-ph）精选AI 评分5858 用数值复分析稳健解读电化学阻抗谱
该工作提出一种基于复分析基本原理的数学方法，从 EIS 数据中提取关键特征，用于判断电路模型中是否存在电感与常相位元件，并回答等效电路模型的可辨识性与唯一性问题。在仅含电阻和电容的模型中，作者能够枚举所有可能的电路模型族，并将该框架应用于真实电化学系统，以锂离子纽扣电池的阻抗测量结果进行展示。
推荐理由：该工作用复分析从 EIS 数据中提取特征，并讨论等效电路模型的唯一性与可辨识性，为电路模型选择提供数学依据。