SOH/SOC 估计

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。

推荐理由：该仓库公开了六套公开数据集上的代理特征泄漏审计代码与结果，便于复现等预算模型对比和 PINN4SOH 审计。

推荐理由：该框架把 3.3–3.4 V 充电特征与混合专家模型、UKF 轨迹更新串联，为跨数据集 SOH 估计提供可迁移思路。

推荐理由：该工作把温度与SOH放进同一双流网络联合预测，并给出跨数据集迁移与预警提前量的量化结果，可作为多任务电池状态估计的对照方案。

推荐理由：该文将分数阶等效电路模型与容量反馈耦合，在初始SOC失配下把SOC RMSE从4.9%至9.8%降到1%以内，可供做SOC/SOP联合估计的研究者参考。

推荐理由：该分析工件公开了分层加权保形预测的预注册协议、运行日志与124电芯队列重建表，便于复现其SOH监测流程。

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。

推荐理由：作者公开了按电池留一验证的 SOH 评估结果，并说明旧模型依赖电池 ID 导致指标虚高，可作为测量式 SOH 估计的对照参考。

推荐理由：该预印本用三个公开老化数据集检验容量型 SOH 对电压、阻抗等目标的信息充分性，并给出加入电学信息后的预测误差降幅。

推荐理由：该代码库把 100 个电芯、5 种深度学习模型与 3 类输入统一到同一命令行接口，便于直接复现 SOH 估计基线。

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。

推荐理由：面向 LFP 电芯在快充快放工况下的 SOH 预测，该工作把脉冲神经网络与双向 LSTM 组合以兼顾鲁棒性与计算开销。

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。

推荐理由：该文用短放电瞬态快速辨识 2RC 时间常数来估计 LFP 容量，并检验跨电芯迁移能力，为光伏储能场景提供轻量 SOH 估计思路。

推荐理由：材料仅给出标题与作者信息，未提供摘要正文，无法据此提炼具体方法细节或可引用的结论。