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。
论文
全部主题值得读的研究论文与预印本：方法、数据与结论的精选解读。
最新精选
第 41–60 条 · 共 99 条Applied Energy精选AI 评分4747
Journal of Energy Storage精选AI 评分4747 多域电化学-热模型揭示圆柱形锂离子电池内部产热与温度分布
Yang Liu 等人在 Journal of Energy Storage 发表研究，采用多域电化学-热模型分析圆柱形锂离子电池的空间产热与温度分布。材料仅提供标题与作者信息，未给出具体电芯型号、建模方法与定量结果。
Journal of The Electrochemical Society精选AI 评分6262 基于颗粒的一维模型用于锂离子电池电极优化
作者提出一种基于颗粒的一维模型，将三维第一性原理模型中颗粒尺度的固相扩散降为0D描述，用形貌相关的形状函数刻画表面浓度演化，多孔电极层则用均匀化有效输运参数。模型参数全部来自µ-CT重构与GITT、EIS、PGSE-NMR、van der Pauw等实验，无需经验拟合。
推荐理由：作者把三维第一性原理模型降阶为基于真实颗粒形貌的一维模型，并用石墨半电池实测验证其电压预测精度。
关键词流·热失控与热安全精选AI 评分6262 锂离子电池过充诱发热失控过程中有效热物性参数的动态演化
该研究关注锂离子电池在过充诱发热失控过程中有效热物性参数的动态演化，标题指向对热失控阶段热物性参数变化规律的刻画。材料仅提供标题，摘要依据有限。
Zenodo · battery 数据与软件精选AI 评分5050 面向 NMC 锂离子电池模型开发的实验数据粒度研究
Zenodo 发布 NMC 锂离子电池模型开发相关的实验数据粒度研究文件，版本为 v1，主体为一份 1.1 MB 的 PDF，可预览与下载。材料未给出电芯数量、测试协议与测量量的具体说明。
Zenodo · battery 数据与软件精选AI 评分5858 面向先进电池电化学模型的半电池开路电位非侵入式辨识
该工作在 Zenodo 发布 v1 版本 PDF，主题为先进电池电化学模型所需半电池开路电位的非侵入式辨识，文件约 3.4 MB 可供下载。材料未提供摘要、方法细节与实验数据。
推荐理由：材料仅给出标题与文件信息，无法确认方法细节与结果，暂不展示推荐理由。
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。
Journal of Energy Chemistry精选AI 评分4242 基于 Transformer 与自适应输入的正极电压预测框架，面向多离子电池体系
Xingshou Zhang、Haiyuan Chen、Xiaobin Niu 提出一种基于 Transformer 的正极电压预测框架，采用自适应输入，面向多离子电池体系。该工作发表于 Journal of Energy Chemistry 第 124 卷，出版日期为 2027 年 1 月。目前仅见摘要信息，具体数据集、误差指标与代码获取方式尚未披露。
推荐理由：该工作把 Transformer 与自适应输入结合，用于多离子电池体系的正极电压预测，可作为跨体系建模思路的参考。
Journal of Power Sources精选AI 评分6262 先验引导学习实现变协议下部分充电观测的有序电池老化轨迹预测
Yongjiang Yu 等人提出先验引导学习方法，可从变协议下的部分充电观测预测有序电池老化轨迹，论文发表于 Journal of Power Sources 第 698 卷。摘要未给出数据集、电芯体系与误差指标等具体信息。
推荐理由：该工作用先验引导学习从部分充电片段预测有序老化轨迹，为变协议下的在线老化评估提供可迁移思路。
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。
PyBaMM Releases精选AI 评分5858 PyBaMM 发布 v26.10.1.1，修复 set_initial_state 的迟滞初始状态处理
PyBaMM 发布 v26.10.1.1 修复 set_initial_state 在未指定 direction 时会把用户设定的电极初始迟滞状态重置为 0 的问题。
推荐理由：该版本修复了迟滞模型初始状态被重置的问题，使用迟滞模型并自定义初始迟滞状态的用户可据此判断是否升级。
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。
Applied Energy精选AI 评分5858 机理建模驱动的富镍全固态电池可解释老化预测模型
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。
Zenodo · battery 数据与软件精选AI 评分5858 格拉茨工业大学提出机械约束锂离子电池压缩力预测模型
格拉茨工业大学等机构提出一个电化学与力学耦合模型，可在不依赖实时力传感器的情况下预测机械约束下锂离子电池的压缩力。在初始外压 0.201 MPa 条件下，模型预测与实验结果相比，1C 放电时 MAPE 为 4.48%，多阶段驾驶循环工况下为 7.02%。该框架针对受约束电池压缩力预测的空白，可用于电池模组的实时受力监测与安全评估。
推荐理由：该模型无需力传感器即可预测受约束电芯的压缩力演化，为电池模组安全评估提供了一条可复现的建模路径。
关键词流·SOX 与寿命预测精选AI 评分7575 AI-Enabled Battery Management 数据集发布：94 条 BMS 经验参数与六项公开数据基准
该数据集整理了来自 23 篇 Battery University 文章的 94 条从业者 BMS 参数和 12 张参考表，涵盖 SOC/SOH 估计限值、均衡与保护阈值、充放电温度窗口、按化学体系的热失控起始温度等。
推荐理由：该数据集把 94 条从业者 BMS 经验参数与公开实测数据并排对照，并附六项 AI-for-BMS 实验的可复现代码。
关键词流·SOX 与寿命预测精选AI 评分5555 先验引导学习实现变协议下基于部分充电观测的有序电池老化轨迹预测
该研究提出一种先验引导学习方法，用于在充电协议变化、仅有部分充电观测的条件下预测有序的电池老化轨迹。原文未提供摘要与正文，电芯体系、数据集与量化结果均无法确认。
关键词流·SOX 与寿命预测精选AI 评分5858 面向跨数据集 SOH 预测的抗噪差分热伏安特征
该研究提出面向跨数据集锂离子电池 SOH 预测的抗噪差分热伏安特征，标题指向以差分热伏安特征提升跨数据集 SOH 预测的噪声鲁棒性。材料仅提供标题，摘要依据标题信息，未涉及具体数据集、误差数字或代码获取方式。
eTransportation精选AI 评分6060 电芯老化如何聚合到系统层面：串联、并联与串并联锂离子电池模组的实验对比
Tobias Brehler 等人在 eTransportation 第 30 卷发表研究，通过实验对比串联、并联与串并联锂离子电池模组，考察电芯老化如何聚合到系统层面。材料仅提供摘要，具体模组配置、电芯体系与测量结果未在摘要中给出。
推荐理由：原文通过串联、并联与串并联模组的实验对比，展示电芯老化差异如何在系统层面聚合，为模组级老化评估提供对照依据。
arXiv · battery（eess.SY 系统与控制）精选AI 评分8080 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。