Intelligent Degradation Monitoring in Lithium-ion Batteries via Discharge Incremental Capacity Feature Estimation
Amirkabir University of Technology（阿米尔卡比尔理工大学）
针对传统IC分析需低电流放电的局限，本文提出基于神经网络的框架，从充电信号直接预测放电IC特征，在53个电池数据集上验证，LSTM模型平衡精度与效率，支持实时BMS集成，实现智能电池退化监测。
2026-09-22 cs.LG cs.SY eess.SP
Predicting Li-ion Battery Cycle Life with LSTM RNN
University of California, Los Angeles（加州大学洛杉矶分校）
高效准确的剩余使用寿命预测是锂离子电池可靠安全使用的关键因素。这项工作训练一个长短期记忆递归神经网络模型，学习在不同的周期和电压下的放电容量的顺序数据，并作为一个循环寿命预测在不同的条件下循环的电池。使用前60 - 80个循环的实验数据，我们的模型在大约80个样本的测试集上实现了有希望的预测精度。
2022-07-08 cs.LG eess.SP
A multi-scale lithium-ion battery capacity prediction using mixture of experts and patch-based MLP
College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息与电子工程学院）
本文提出多尺度锂离子电池容量预测模型MSPMLP，结合专家混合架构与分块MLP提取多尺度特征，在NASA数据集上MAE达0.0078，较现有方法提升41.8%。
2025-03-26 cs.LG cs.SY eess.SP
State of health estimation for lithium-ion battery by combining incremental capacity analysis with Gaussian process regression
锂电池的健康状态是保证电池储能系统可靠性和安全性的必要条件。准确预测电池的健康状态对保证安全和最大限度地降低维护成本起着极其重要的作用。然而，电池降解的复杂物理化学特性无法直接获得。提出了一种基于部分容量增量曲线的高斯过程回归模型。首先，应用改进的高斯滤波方法获得平滑的容量增量曲线。然后从部分增量容量曲线中提取健康指标作为模型的输入特征。另外，所提出的方法的均值和协方差函数分别用于预测电池的健康状态和模型的不确定性。采用NASA数据库中的四个老化数据集验证了该方法的预测能力和有效性。此外，不同的初始健康状态的测试电池，以验证所提出的方法的鲁棒性和可靠性。结果表明，该方法可以提供准确和鲁棒的健康状态估计。
2019-03-31 eess.SP
A Neural-Network-Embedded Equivalent Circuit Model for Lithium-ion Battery State Estimation
本文提出将神经网络作为虚拟电子元件嵌入经典等效电路模型以提升非线性拟合能力，并设计迭代离线训练策略，在真实数据集上使电池SOC估计误差降低29%-64%。
2024-07-24 eess.SP
Invariant learning based multi-stage identification for Lithium-ion battery performance degradation
Singapore University of Technology and Design（新加坡科技设计大学）；National University of Singapore（新加坡国立大学）
通过告知准确的性能（例如，容量），健康状态管理在保护电池及其供电系统方面起着重要作用。虽然目前大多数方法主要基于数据驱动的方法，但缺乏对电池性能退化机制的深入分析可能会降低其性能。针对数据驱动的电池性能退化分析的研究空白，提出了一种基于不变学习的电池性能退化分析方法。首先，为了揭示循环电池数据的隐藏动态，在相位子空间中重构测量值。其次，提出了一种新的多阶段划分策略来判断多个退化行为的存在。然后将整个老化过程按顺序划分为若干段，在同一阶段分配具有一致退化速度的循环数据。在一个著名的基准上的仿真验证了所提出的多阶段识别策略的有效性。所提出的方法不仅可以从数据的角度了解退化机制，而且将有助于相关主题，如健康阶段。
2020-08-12 cs.LG eess.SP
The State of Lithium-Ion Battery Health Prognostics in the CPS Era
San Jose State University（圣何塞州立大学）；Thapar Institute of Engineering & Technology（塔帕尔工程技术学院）；Manipal Institute of Technology（马尼帕尔理工学院）；University of Denver（丹佛大学）
本文综述了CPS时代锂离子电池健康预测的最新进展，重点分析了RUL预测方法从传统模型到深度学习架构的范式转变，并探讨了PHM在电池系统中的多学科集成与实际应用。
2024-03-28 cs.LG eess.SP
Gaussian Process Regression-Based Lithium-Ion Battery End-of-Life Prediction Model under Various Operating Conditions
本文提出仅以充电C倍率、温度和放电深度为输入的高斯过程回归模型，通过定制核函数预测锂离子电池标称寿命终止，预测误差较传统核函数降低46.62%。
2024-10-25 eess.SP
Survival Analysis with Machine Learning for Predicting Li-ion Battery Remaining Useful Life
Ontario Knowledge Intelligence Centre (OKIC), Canada（加拿大安大略知识智能中心）；Canadian Institute of Interscience (CIoI), Canada（加拿大跨学科科学研究所）；DeepCox Intelligence, Canada（加拿大DeepCox智能公司）
本文提出一种混合生存分析框架，通过路径签名将电池电压时间序列转换为时间到故障数据，结合生存模型学习和概率估计，有效预测电池剩余寿命，实验表明方法在时间依赖AUC和C-指数上表现优异。
2026-07-27 cs.AI cs.LG eess.SP
Transformer-based Capacity Prediction for Lithium-ion Batteries with Data Augmentation
Texas Tech University（德克萨斯理工大学）
针对电池老化长期依赖性建模不足与数据稀缺问题，提出基于Transformer并结合数据增强的电池容量预测方法，有效提升了预测的准确性与鲁棒性。
2024-07-22 cs.LG eess.SP
Techno-economic model of a second-life energy storage system for utility-scale solar power considering li-ion calendar and cycle aging
虽然储能与电网规模光伏电站相结合的使用继续增长，但鉴于目前的锂离子电池价格，这些太阳能+储能项目的盈利能力仍存在不确定性。与此同时，电动汽车的快速普及正在创造一个由数百万个锂离子电池组成的车队，一旦它们达到原始容量的80%，就将被认为不适合运输行业。如果经济性得到证明，将这些电池重新利用和部署为固定储能系统提供了降低太阳能+储能系统成本的机会。我们提出了一个加州太阳能加二次寿命储能项目的技术经济模型，包括一个基于数据的锂镍锰钴氧化物电池退化模型，以预测其容量随时间的衰减，并将其与使用新锂离子电池的项目进行比较。通过设置某些控制策略限制，以最大限度地减少循环老化，我们表明，SOC限制在65%至15%范围内的系统将项目寿命延长至16年以上，假设电池在其原始容量的60%时达到其寿命终止。在这些条件下，二次电池项目比使用新电池和85%至20% SOC限制的项目在经济上更有利，因为二次电池成本低于新电池的80%。同样的系统达到收支平衡和盈利能力的第二次寿命电池成本不到60%的新电池。我们的模型显示，使用当前太阳能+储能系统的资本和运营维护成本的基准数据，以及基于半经验数据的退化模型，电动汽车制造商有可能以低于原价60%的价格向有利可图的太阳能+储能项目的开发商出售二次电池。
2020-03-04 eess.SP physics.soc-ph
Predictive Modeling of Charge Levels for Battery Electric Vehicles using CNN EfficientNet and IGTD Algorithm
Institute of Transportation Studies（交通研究学院）；University of California, Davis（加州大学戴维斯分校）
卷积神经网络（CNN）是理解大量图像数据集的良好解决方案。随着配备电池的电动汽车数量的增加在全球范围内蓬勃发展，人们已经进行了大量研究，以了解电动汽车驾驶员会选择何种充电水平来充电，以在没有任何预防的情况下到达目的地。我们实施了深度学习方法来分析表格数据集，以了解它们的充电状态以及它们将选择的充电水平。此外，我们还实现了表格数据集图像生成器算法，利用表格数据集作为图像数据集来训练卷积神经网络。此外，我们集成了其他CNN架构，如EfficientNet，以证明CNN是一个很好的学习者，可以从表格数据集转换的图像中读取信息，并能够预测配备电池的电动汽车的充电水平。我们还评估了几种优化方法，以提高模型的学习率，并检查了进一步的分析，以改善模型架构。
2022-06-07 cs.AI cs.CV cs.LG
Lithium-ion Battery State of Health Estimation based on Cycle Synchronization using Dynamic Time Warping
The Singapore University of Technology and Design（新加坡科技设计大学）；National University of Singapore（新加坡国立大学）
健康状态（SOH）估计在电池供电的应用中起着至关重要的作用，以避免由于电池容量衰减而导致的意外故障。然而，很少有研究关注退化周期长度不均匀的问题，简单地采用人工操作或留给高级机器学习模型的自动处理机制，如长短期记忆（LSTM）。因此，这会导致信息丢失，并限制数据驱动的SOH估计模型的全部能力。为了解决这一问题，本文提出了一种新的周期同步方法，利用动态时间规整改变现有的坐标系，不仅可以实现估计模型的等长输入，而且可以保留所有信息。通过利用时间序列的时间信息，所提出的方法嵌入的时间指标和原始测量到一个新的指标，以反映电池的退化状态，它可以有相同的长度在周期内。采用LSTM作为基本估计模型，基于周期同步的SOH模型与传统LSTM相比，预测精度可显著提高30%以上。
2021-09-28 cs.LG eess.SP
