基于语义嵌入的端到端深度学习用于储能系统现场数据 SOH 估计
Yue Xiang、Ziyou Song、Dipti Srinivasan 在 eTransportation 第 29 卷提出一种语义嵌入的端到端深度学习方法，用于电池储能系统基于现场数据的 SOH 估计。该工作发表于 2026 年 9 月。
推荐理由：面向储能系统现场数据，提出语义嵌入的端到端 SOH 估计框架，为现场数据下的健康状态估计提供一条可迁移思路。
SOH/SOC 估计
全部主题健康状态与荷电状态估计：特征工程、在线估计算法、BMS 可部署方案。
最新精选
第 61–63 条 · 共 63 条eTransportation精选AI 评分5858 Journal of Energy Chemistry精选AI 评分5757 双流物理信息神经网络-迁移学习框架用于少样本场景下的电池 SOC 鲁棒估计
Longxing Wu 等人在 Journal of Energy Chemistry 第 124 卷提出双流物理信息神经网络-迁移学习框架，用于少样本数据场景下的电池 SOC 鲁棒估计。该工作将物理信息神经网络与迁移学习结合，以应对训练数据不足时的估计精度问题。论文发表于 2027 年 1 月。
推荐理由：针对少样本工况下 SOC 估计精度下降的问题，该框架把物理信息神经网络与迁移学习结合，可供做小样本估计的研究者参考其双流结构设计。
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。