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。
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。
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。
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。
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。
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。
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。
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。
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。
Chunhao Yuan 等人提出一种由机理建模提供信息的富镍全固态电池可解释老化预测模型，发表于 Applied Energy 第 427 卷 Part D。摘要未给出具体数据集、误差指标与代码获取方式。
推荐理由：该工作用机理模型为富镍全固态电池老化预测提供可解释输入，读者可参考其机理与数据融合的建模思路。
Yuqian Fan 等人提出一种物理约束状态空间建模方法，利用嵌入式光纤多物理传感实现电池 SOC 估计，论文发表于 Applied Energy 第 427 卷第 E 部分。材料仅提供标题与作者信息，摘要未给出具体精度指标、电芯体系与实验条件。
推荐理由：该工作把嵌入式光纤多物理传感与物理约束状态空间模型结合，为SOC估计提供了一条引入内部测量量的建模路径。
该研究提出一种物理约束状态空间建模方法，利用嵌入式光纤多物理场传感数据进行电池SOC估计。材料仅提供标题，摘要依据标题信息整理。
JES 刊出对称锂电芯中刚性离子输运的物理信息神经网络策略系统基准研究，对多种 PINN 策略进行系统对比评测。材料仅提供标题，摘要无法进一步展开。
Jiaqi Yu、Yanjie Guo、Wenjie Zhang 在 Journal of Energy Storage 提出双 Weibull 物理启发模型，用于扰动响应式在线锂离子电池 SOH 估计与解析拐点跟踪。该工作将拐点跟踪纳入解析框架，面向扰动工况下的在线估计需求。论文发表于 Volume 182, Part F，出版日期为 2026 年 12 月 30 日。
推荐理由：提出双Weibull物理启发模型，在扰动工况下同时做在线SOH估计与解析拐点跟踪，可供拐点建模方法参考。
Shan Huang 等人在 Applied Energy 提出一种物理信息且不确定性感知的 SOH 估计框架，将电池老化过程进行 token 化建模。作者为 Jinyang Jiao、Hao Li、Jing Lin，论文发表于 Volume 427 Part D。
推荐理由：该框架把电池老化信号做 token 化并引入物理约束与不确定性量化，为 SOH 估计提供了一条可迁移的建模思路。
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。
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。
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。
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。
Delong Zheng 等人提出一种注意力引导残差块结构的物理信息神经网络，用于锂离子电池健康状态（SOH）的可解释估计，论文发表于 Energy 第 365 卷。作者信息与摘要显示该方法将注意力机制与残差块结合并嵌入物理信息约束，具体精度与实验数据未在 feed 摘要中给出。
推荐理由：提出注意力引导残差块的物理信息神经网络用于SOH估计，为可解释性建模提供了一种结构设计思路。
Lu Lv 等人提出物理引导的 TimesNet 模型，通过分段约束实现锂离子电池荷电状态（SOC）估计，论文发表于 Journal of Energy Storage 第 182 卷第 E 部分。作者包括 Xintong Xiang、Sheng Gao、Bin Zuo、Chun Chang、Aina Tian、Xinggao Liu、Jiuchun Jiang。
推荐理由：针对 SOC 估计中纯数据模型缺乏物理约束的问题，该工作把分段约束嵌入 TimesNet，可供做物理信息时序建模的读者参考其约束设计。