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。
物理信息方法
全部主题物理与数据的融合：PINN、物理约束损失、机理模型与数据驱动混合、数字孪生。
最新精选
第 1–20 条 · 共 52 条Zenodo · battery 数据与软件精选AI 评分5858
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。
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。
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。
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。
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。
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。