Battery Asset Management with Cycle Life Prognosis
电池资产管理问题确定了一组并联运行的电池资产中每个单独资产的最小成本更换计划。电池循环寿命在不同的操作条件下变化，包括温度、放电深度、充电速率等，并且电池由于使用而劣化，这不能由当前的资产管理模型来处理。本文介绍了电池循环寿命预测及其与并行资产管理的集成，以降低电池储能系统（BESS）的生命周期成本。一个非线性容量衰减模型被纳入到并行资产管理模型，以更新电池容量。已进行参数研究，以探讨不同模型输入（例如使用率、电池单位容量、操作条件和定期需求）对五年时间范围的影响。实验结果验证了该框架的合理性，并表明电池寿命的增加导致生命周期成本的降低。
2020-11-30 cs.SY eess.SY
Event-Driven Real-Time Multi-Objective Charging Schedule Optimization For Electric Vehicle Fleets
针对电动汽车车队充电调度，提出一种事件驱动的实时多目标优化方法，在降低充电成本、减少电池容量衰减和最大化出行可用性之间取得平衡，实验显示成本节省53.2%，容量衰减降低16%。
2024-09-19 cs.SY eess.SY
Battery Capacity Knee-Onset Identification and Early Prediction Using Degradation Curvature
本文提出基于退化曲率波动行为的容量拐点及其起始识别新方法，无需完整容量衰减曲线即可实现在线识别，并在多种电池数据上验证了其优于现有方法，且拐点及拐点起始与寿命终止具有强相关性。
2024-04-26 cs.SY eess.SP eess.SY
Battery Valuation and Management for Battery Swapping Station with an Intertemporal Framework
电池交换作为一种电池储能的商业模式，在未来的低碳能源和交通系统中具有巨大的潜力。然而，频繁的电池更换将不可避免地加速电池退化，从而缩短电池寿命。为了模拟BES在能源和交通应用之间的权衡，再加上电池交换，我们开发了一个生命周期决策模型，协调电池充电和交换。该模型是基于改进的跨期决策框架，确定BES的最优边际退化成本（MDC），以最大限度地提高BES的效益跨时间和应用。所提出的框架和模型应用于管理电池交换站，同时提供电池交换服务的电动汽车客户，并提供灵活的服务，电网，包括能源套利和储备。案例研究表明，虽然BES的物理寿命的结束发生更快的电池更换，经济寿命变得相当长。结果还表明，最佳MDC取决于在每个应用程序中的电池值，我们分析了电池交换价格如何影响最佳MDC和电池寿命。该框架和模型还可以为电池交易、租赁和二次利用等BES按需服务提供决策支持。
2023-02-28 cs.SY eess.SY
Strategies for Resilience and Battery Life Extension in the Face of Communication Losses for Isolated Microgrids
本研究针对现代电网能源短缺与高影响低概率事件挑战，提出融合电池储能系统的滑动模型预测控制方法及通信中断缓解方案，可延长电池寿命、保障关键负荷，提升隔离微电网韧性与可持续性。
2024-07-14 cs.SY eess.SY
Modeling Degradation for Second-life Battery: Preliminary Results
本文提出了一种新的电池建模框架的基础上，增强的单粒子模型（ESPM）考虑到二次电池的退化机制。在考虑电池固体和电解质相中的运输和电化学现象的同时，对主导的阳极相关老化机制，即固体电解质界面（SEI）层生长和锂电镀进行建模。第一次，活性材料的损失（LAM），它描述了阳极和阴极的趋势，随着时间的推移，以减少可用于嵌入和脱嵌的电极材料，被引入到ESPM。此外，老化模式与LAM动力学的耦合提供了一个全面的框架，可以用于预测线性和非线性容量衰减，这对评估二次寿命电池至关重要。因此，依赖于从[18]借用的数据，进行模型参数识别和全面的敏感性分析，以证明建模方法的有效性。
2021-08-18 cs.SY eess.SY
Life cycle economic viability analysis of battery storage in electricity market
本文将电池退化成本纳入运行仿真，结合聚类与典型日方法降低计算负担，利用IRR对NCM和LFP电池储能进行全生命周期经济可行性分析，并通过敏感性分析识别关键因素，为投资组合提供指导。
2023-05-28 cs.SY eess.SY
Economic Optimal Power Management of Second-Life Battery Energy Storage Systems
本文提出一种针对二次生命电池储能系统（SL-BESS）的经济最优功率管理方法，通过加权平均安时吞吐量老化模型量化退化成本，在确保安全与供需平衡的前提下实现成本最小化运行。
2024-08-29 cs.SY eess.SY
Integrated Power and Thermal Management for Enhancing Energy Efficiency and Battery Life in Connected and Automated Electric Vehicles
本文提出基于多时域模型预测控制的集成功率与热管理策略，通过优化老化项和多时域优化，显著降低能耗、冷却能耗及电池退化，提升CAEVs能效与电池寿命。
2024-11-08 cs.SY eess.SY
Fast data augmentation for battery degradation prediction
提出一种无需侵入式表征、由有限电池数据合成容量衰减曲线的增强方法，可在多化学体系和真实条件下将电芯测试工作量降低至少50%。
2025-03-16 cs.SY eess.SY
Lead-acid battery lifetime extension in solar home systems under different operating conditions
针对太阳能家用系统中铅酸电池易因腐蚀等机制提前失效的问题，本研究基于实地数据建模分析不同使用场景的老化机制，提出自适应电压控制方案，实现电池寿命提升25%且不影响用户供电。
2023-11-23 cs.SY eess.SY
Optimal Eco-driving Control of Autonomous and Electric Trucks in Adaptation to Highway Topography: Energy Minimization and Battery Life Extension
在本文中，我们开发了一个模型来规划节能的速度轨迹的电动卡车在实时考虑到地形和交通信息的车辆。在此实时控制模型中，首先开发了一种新的状态空间模型来捕获车辆的速度，加速度和充电状态。然后，我们制定了一个能量最小化问题，并解决它的交替方向的乘法器（ADMM）的方法，利用问题的结构。一个模型预测控制框架，然后采用实时处理地形和交通的不确定性。实证研究所提出的生态驾驶算法的性能及其对电池退化的影响。实验结果表明，通过使用所开发的方法的能源消耗降低了高达5.05%，电池寿命延长高达35.35%，相比基准解决方案。
2021-12-23 cs.SY eess.SY
Robust Optimal Task Planning to Maximize Battery Life
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对自主移动机器人需兼顾任务完成与电池寿命延长的需求，提出基于McCormick包络线性化的双线性优化方法及带松弛约束的鲁棒规划算法，可高效处理参数不确定性，在满足任务要求的同时减少电池衰减。
2025-06-12 cs.RO cs.SY eess.SY
Hybrid Cathode Lithium Battery Discharge Simulation for Implantable Cardioverter Defibrillators Using a Coupled Electro-Thermal Dynamic Model
通过电热耦合动态模型仿真研究了植入式心律转复除颤器（ICD）负载对其锂电池电源的影响。ICD是可显著改善致命性心律失常（心律异常）疾病患者生存率的有效治疗方法之一。使用锂电池电源，这个救生设备发送电击或脉冲来调节心跳。ICD的使用寿命和可靠性主要由其电池的寿命和性能表示。在本文中，我们调查的终端电压，放电深度（DOD）和温度动力学的植入式锂电池的组合阴极材料，即一氟化碳和银钒氧化物（Li/CFx-SVO）。对植入式电池特性进行建模是文献中一个成熟的主题;然而，据作者所知，高能电击（除颤）和低能器械电源（内务管理）对ICD电池运行的影响相对较少。我们的分析表明，电池端电压主要受uA范围内的小但连续的内务放电电流的影响，而不是几安培范围内的间歇性高除颤电流需求。研究结果可用于改进器械设计控制和操作，从而延长患者使用寿命，减少侵入性置换手术的需要。
2023-01-31 cs.SY eess.SY
Estimating the Health and State of Charge of Each Cell in a Second-Life Battery System from Field Data
Technical University of Munich（慕尼黑工业大学）；STABL Energy GmbH（STABL能源有限公司）
本研究针对梯次利用电池系统，提出基于现场数据结合高斯过程回归重构OCV曲线的框架，可联合估算电池SOH与SOC，发现了电池异质性、SOC不平衡及故障电池，且验证了其优于集中模组模型的估算精度。
2026-09-07 cs.SY eess.SY
Bayesian hierarchical modelling for battery lifetime early prediction
University of Oxford（牛津大学）
准确预测电池健康状况对于现实世界的系统管理和基于实验室的实验设计至关重要。然而，从不同的循环条件下建立寿命预测模型仍然是一个挑战。循环条件和初始制造可变性都会导致较大的寿命可变性，这一点-以及通常可用于每个循环条件的有限实验资源-使得数据驱动的寿命预测具有挑战性。在这里，提出了一种分层贝叶斯线性模型用于电池寿命预测，将单个电池特征（反映制造可变性）与群体特征（反映循环条件对群体平均值的影响）相结合。个体特征是从前100个数据循环中收集的，这大约是寿命的5-10%。该模型能够预测寿命结束，均方根误差为3.2天，平均绝对百分比误差为8.6%，通过5倍交叉验证测量，超过基线（非分层）模型约12- 13%。
2022-11-23 cs.LG cs.SY eess.SY
Optimal Charging Method for Effective Li-ion Battery Life Extension Based on Reinforcement Learning
提出了一种基于强化学习的锂离子电池最优充电策略，以延长电池寿命并确保终端用户的便利性。与大多数以前的研究没有很好地反映现实世界的情况不同，在这项工作中，最终用户可以根据自己的情况灵活地设置充电时间，而不是尽可能地减少充电时间;这可以通过使用软演员-评论家（SAC）来实现，这是最先进的强化学习算法之一。通过这种方式，电池更有可能延长其寿命，而不会干扰最终用户。基于精确的电化学电池模型定量计算老化量，在SAC的优化过程中直接最小化。SAC不仅可以处理灵活的充电时间，而且一旦离线学习完成，电池模型的参数变化引起的老化，这是不是以前的研究的情况下，在以前的研究中，耗时的优化必须实现每个电池模型与一定的一组参数值。验证结果表明，该方法能有效延长电池的使用寿命，并保证终端用户的使用便利性。
2020-05-18 cs.SY eess.SP eess.SY
From Laboratory Aging Studies to Field Predictions: Quantifying Uncertainty in Battery Storage Lifetime Predictions
Technical University of Munich（慕尼黑工业大学）；RWTH Aachen University（亚琛工业大学）；Kempten University of Applied Sciences（凯姆森应用科学大学）
本研究提出开源概率退化框架，结合单元到系统近似，量化住宅电池储能寿命预测的不确定性，误差减半，预测与现场数据一致，并识别不确定性来源，为老化研究设计提供建议。
2026-09-10 cs.SY eess.SY
Lifelong reinforcement learning for health-aware fast charging of lithium-ion batteries
本文提出一种基于TD3强化学习的健康感知快速充电策略，通过阳极过电位与SoH的映射约束终端充电电压，在PyBaMM仿真中验证其相比CC-CV等方法能降低退化并保持快速充电。
2025-07-06 cs.SY eess.SY
Assessing Modeling Fidelity for Long-Term Battery Energy Storage Planning: Operation, Degradation, and Temporal Representation
University of Houston（休斯顿大学）
本研究评估长期电池储能规划中不同建模保真度对生命周期结论的影响，发现保真度需求因指标而异，需根据目标结果选择合适模型。
2026-10-01 cs.SY eess.SY
Interpretable Battery Cycle Life Range Prediction Using Early Degradation Data at Cell Level
Volvo Group Trucks Technology（沃尔沃集团卡车技术公司）；Chalmers University of Technology（查尔姆斯理工大学）；INRAE（法国国家农业食品与环境研究院）；UVSQ（凡尔赛大学）；Université Paris-Saclay（巴黎萨克雷大学）；NTNU（挪威科技大学）
针对电池早期循环寿命预测缺乏不确定性量化与可解释性的问题，提出经alpha-logistic加权准则校准的QRF区间预测模型，并用排列重要性和偏依赖图解释其精度来源。
2023-04-23 cs.LG cs.SY eess.SY
Battery Second Life : A Review of Experimental Studies
Université Gustave Eiffel（巴黎-塞纳-圣但尼大学）；ENTPE（国立土木工程学院）；Universite Claude Bernard Lyon 1（里昂第一大学）；Ampère（安培研究所）；INSA Lyon（里昂国立应用科学学院）；Ecole Centrale de Lyon（里昂中央理工学院）；CNRS（法国国家科学研究中心）
本文针对电动汽车退役电池再利用领域，通过分析150余篇实验研究，提出新术语体系、评估健康状态与离散性，总结老化与安全性，为未来研究提供方向。
2026-10-09 cs.SY eess.SY
Improve in-situ life prediction and classification performance by capturing both the present state and evolution rate of battery aging
College of Mechanical and Vehicle Engineering, Chongqing University（重庆大学机械与车辆工程学院）
本研究提出结合电池老化状态与退化速率特征的高斯过程机器学习方法，仅需少量采样或循环数据，即可大幅提升电池寿命预测精度与分类准确率，助力退役电池高效重组。
2023-08-27 cs.LG cs.SY eess.SY
Effects of eco-driving on energy consumption and battery degradation for electric vehicles at signalized intersections
本文利用动态规划构建融合电池退化模型的生态驾驶算法，优化网联电动汽车通过双信号交叉口的速度轨迹，并通过参数分析与实地手机应用测试验证其节能、延寿及最高49%的成本收益。
2024-10-02 cs.SY eess.SY
Exploring Different Time-series-Transformer (TST) Architectures: A Case Study in Battery Life Prediction for Electric Vehicles (EVs)
Texas A&M University（德克萨斯农工大学）
本文针对电动汽车电池寿命预测问题，探索并提出了编码器TST+解码器LSTM及混合TST-LSTM等新型时间序列Transformer架构，利用BMW i3实际驾驶数据融合环境、电池、驾驶与加热电路多源信息，以准确预测未来SOC和电池温度。
2023-08-07 cs.LG cs.SY eess.SY
A Stackelberg-Bayesian Capacity-Market Game of Carbon Regulation and Second-Life Battery Investment under AI Data-Center Load Growth
University of Michigan–Dearborn（密歇根大学迪尔伯恩分校）
针对AI数据中心负荷增长带来的成本与碳排放问题，构建三级斯塔克尔伯格-贝叶斯博弈模型，量化碳税等政策对SLB储能投资及碳减排的影响。
2026-08-05 cs.SY eess.SY
Flying Capacitor Cell Equalization for Li-ion Automotive Battery Stacks
针对锂离子汽车电池组因单体差异导致容量衰减、寿命缩短的问题，提出基于飞跨电容的主动电荷均衡方案，并通过12节串并联电池组的MATLAB仿真验证了方法有效性。
2023-08-22 cs.SY eess.SY
Learning Li-ion battery health and degradation modes from data with aging-aware circuit models
提出老化感知等效电路模型结合高斯过程回归，从运行数据估计锂离子电池健康状态，在两个数据集上容量RMSE低于1%、MAPE低于2%，并揭示开路电压函数对电阻推断的影响。
2025-06-30 cs.SY eess.SY
Toward a Robust Biomimetic Hybrid Battery: Bridging Biology, Electrochemistry and Data-Driven Control
本文提出受生物启发的 SwiftPulse 混合电池，结合钠离子与氧化铌电芯、脉冲充电及轮换休息管理，并通过模型和仿真验证其高能量密度、长寿命与快充潜力。
2025-09-28 cs.SY eess.SY
Battery Lifetime Prediction using Data-driven Modeling Approaches
North Carolina State University（北卡罗来纳州立大学）
本研究利用数据驱动建模方法，通过特征工程和神经网络模型预测锂离子电池寿命，证明了神经网络在处理高维数据方面的有效性。
2026-03-01 cs.CE cs.SY eess.SY
Embedding Lithium-ion Battery Scrapping Criterion and Degradation Model in Optimal Operation of Peak-shaving Energy Storage
锂离子电池系统已被用于实际的电力系统中，用于调峰、需求响应和频率调节。然而，锂离子电池在循环时会退化，并且当容量降低到某个阈值（例如80%）时将被废弃。这种报废标准可能无法探索电池存储的最大利益。在本文中，我们提出了一种新的报废标准的基础上，电池效率，分时电价，和套利收益的调峰储能。然后，使用该标准推导出一个新的电池寿命模型与报废参数。嵌入寿命模型，提出了一种调峰储能系统的优化运行方法。算例分析结果表明，该运行方式在延缓蓄电池劣化的同时，能够最大限度地发挥调峰储能的效益。与传统的基于80%容量的报废标准相比，基于效率的报废标准可以显著提高电池的寿命效益。
2020-06-14 cs.SY eess.SP eess.SY
Piecewise-linear modelling with feature selection for Li-ion battery end of life prognosis
University of Oxford（牛津大学）
锂离子电池退化的复杂性质导致文献中提出了许多基于机器学习的健康预测方法。然而，机器学习可能是计算密集型的。线性方法更快，但以前过于灵活，无法成功预后。对于这两种技术，输入的选择和质量是性能的限制因素。分段线性模型与自动特征选择相结合，提供了一种快速灵活的替代方案，而不像机器学习那样需要大量的计算。在这里，将电池健康预测的分段线性方法与高斯过程回归工具进行了比较，并发现其表现同样出色。输入特征选择过程证明了限制输入之间的相关性的好处。进一步的试验发现，分段线性方法对不断变化的输入大小和训练数据的可用性具有鲁棒性。
2021-07-30 cs.LG cs.SY eess.SY
Predicting battery end of life from solar off-grid system field data using machine learning
数亿人用不上电。分散式太阳能电池系统是解决这一问题的关键，同时避免了碳排放和空气污染，但由于成本相对较高，而且位于农村地区，因此无法及时进行预防性维护。根据运行数据准确诊断电池健康状况并预测寿命终止，可改善用户体验并降低成本。但缺乏受控的验证测试和可变的数据质量意味着现有的基于实验室的技术无法工作。我们应用可扩展的概率机器学习方法来诊断1027个太阳能连接的铅酸电池的健康状况，每个电池运行400-760天，总计6.2亿个数据行。我们展示了73%的寿命终止预测准确率，提前八周，在故障点上升到82%。这项工作突出表明，有机会利用“大数据”技术，在不增加设备的情况下，从现有的测量数据中估计健康状况，从而延长使用寿命并提高实际应用的性能。
2021-07-29 cs.LG cs.SY eess.SY
Promise and Challenges of a Data-Driven Approach for Battery Lifetime Prognostics
最近的数据驱动的方法已经显示出巨大的潜力，在早期预测电池的循环寿命，利用放电电压曲线的功能。然而，这些研究警告说，数据驱动的方法必须与特定的实验设计相结合，以限制老化条件的范围，因为锂离子电池的预期寿命是各种老化因素的复杂函数。在这项工作中，我们研究了数据驱动方法在各种老化条件下循环的锂离子电池的电池寿命动力学的性能，以确定何时可以成功应用数据驱动方法。结果表明，在宽范围的充电/放电C率和工作温度下老化的电池的放电容量差和寿命结束的方差之间的相关性。尽管使用了不同的条件，但这不仅用于循环电池，而且还用于获得特征：特征直接从循环数据计算，而没有在受控温度下单独的缓慢表征循环。然而，当用于特征提取的电压数据窗口减小时，或者当使用来自充电电压曲线而不是放电的特征时，相关性显著减弱。由于深恒流放电在实践中很少发生，这对在现实世界的系统中应用这种方法提出了新的挑战。
2020-10-15 cs.SY eess.SY stat.AP
A novel linear battery energy storage system (BESS) life loss calculation model for BESS-integrated wind farm in scheduled power tracking
近年来，电池技术的快速发展使得可再生能源发电与电池储能系统（BESS）的集成成为可能。对于不同的BESS应用场景，考虑BESS寿命损失是经济上必须的。提出了一种新的线性BESS寿命损耗计算模型，用于含BESS风电场的计划功率跟踪。首先，基于寿命周期时间-放电深度（DOD）关系曲线，直接由寿命周期时间-放电深度关系曲线拟合函数确定不同荷电状态下单位吞吐量能量的BESS寿命损失系数。其次，考虑SOC在单个时间步长内的单向变化，通过对寿命损失系数-SOC关系函数的积分，可以计算BESS寿命损失。通过对寿命损失系数-SOC关系函数的原函数进行自优化分段线性化，建立了线性BESS寿命损失计算模型。第三，将所提出的寿命损耗计算模型应用于集成BESS的风电场计划功率跟踪优化。算例表明，该方法能有效地将BESS寿命损耗项纳入优化模型，能更全面地确定和优化含BESS风电场的计划功率跟踪成本。
2019-10-27 cs.SY eess.SP eess.SY
Extending life of Lithium-ion battery systems by embracing heterogeneities via an optimal control-based active balancing strategy
针对采用主动平衡电路的锂离子电池模块，提出了一种多目标快速充电-最小退化最优控制问题（OCP）。模块中的电池经受由制造缺陷和不均匀的操作条件引起的异质性。每个电池表示通过耦合的非线性电化学，热，老化模型和直接配置的方法被转录成一个非线性规划问题（NLP）的OCP。提出的OCP是在两种不同的充电操作方案下制定的：（i）相同充电时间（OCP-SCT）和（ii）不同充电时间（OCP-DCT）。前者假设所有电池同时充电，而不管它们的初始条件如何，而后者允许电池的不同充电时间以考虑异质初始条件。对于具有两个串联电池的模块，该问题得到了解决，其中电池在充电状态和健康状态方面具有内在的异质性。结果表明，OCP-DCT方案提供了更大的灵活性，以处理异质性，拥有较低的温度上升，充电电流幅度，和退化。最后，与恒流（CC）充电的长期循环操作的共同实践的比较表明，有前途的节省，在保留容量方面，是可以实现的控制（OCP-SCT和OCP-DCT）计划。
2022-09-02 cs.SY eess.SY
Cycle Life Prediction for Lithium-ion Batteries: Machine Learning and More
Technische Universität Darmstadt（达姆施塔特工业大学）；University of Pavia（帕维亚大学）；Massachusetts Institute of Technology（麻省理工学院）；Technische Universität München（慕尼黑工业大学）
本教程概述了第一性原理、机器学习与混合电池模型，展示了利用实验室数据预测电池循环寿命的可解释ML流程，并强调了引入物理机制的混合建模对破译电池老化轨迹的重要性及未来研究方向。
2024-04-05 cs.LG cs.SY eess.SY
Towards Integrating Formal Verification of Autonomous Robots with Battery Prognostics and Health Management
Heriot-Watt University（赫瑞-瓦特大学）；University of Liverpool（利物浦大学）
电池是自主机器人的关键部件。它的性能限制了机器人的安全性和可靠性。与液体燃料不同，电池作为一种化学装置，具有复杂的特征，包括（i）连续充电时容量衰减;（ii）在给定功率需求下，随着荷电状态（SOC）下降，放电率增加。现有的形式化验证研究的自主机器人，考虑能源的限制，形式化的能源组成部分，在一个通用的方式，这样的电池功能被忽略。在本文中，我们建立了一个无人机（UAV）检查任务的风电场和通过概率模型检验在PRISM显示（i）如何电池的功能可能会影响验证结果显着在实际情况下;和（ii）如何电池的功能，连同动态环境和电池安全策略，共同影响验证结果。潜在的解决方案，明确集成电池性能和健康管理（PHM）与自主机器人的形式化验证也进行了讨论，以激励未来的工作。
2019-08-22 cs.AI cs.RO cs.SY
Towards a BMS2 Design Framework: Adaptive Data-driven State-of-health Estimation for Second-Life Batteries with BIBO Stability Guarantees
针对退役电动汽车二次利用电池历史数据缺失、健康状态难准确估计的问题，提出具备BIBO稳定性的在线自适应数据驱动估计方法，仅用实时运行数据且增益动态适配单体特性，经实验验证有效，可用于BMS2。
2024-07-15 cs.SY eess.SY
Meta-analysis of Life Cycle Assessments for Li-Ion Batteries Production Emissions
本文通过元分析量化锂离子电池生产排放，发现电力结构主要影响电芯和正极材料加工环节，并证实扩大生产规模的学习效应及全供应链清洁能源对减排的重要性。
2025-06-05 cs.SY eess.SY
Electrode SOC and SOH estimation with electrode-level ECMs
针对传统等效电路模型无法预测电池老化相关变量的问题，提出基于电极级ECM的电极级SOC与SOH估计方法，可估计双电极锂化状态、更新健康参数并获取衰减模式信息，经仿真与实验验证有效。
2024-10-22 cs.SY eess.SY
Degradation-Aware Lifecycle Planning of Microgrids with Second-Life Batteries through Reliability-Guided Refinement
University of Houston（休斯顿大学）
本文提出一种考虑退化的迭代优化框架，用于长期微电网规划，整合光伏效率衰减、电池容量和效率退化以及退役电池特性，通过多年优化模型和逐年验证模型评估可靠性，减少停电风险并降低成本。
2026-08-11 cs.SY eess.SY
A Physics-Informed Reinforcement Learning Approach for Degradation-Aware Long-Term Charging Optimization in Batteries
针对电池老化问题，提出一种结合PyBamm和PPO的物理信息强化学习框架，通过估计活性材料损失动态调整CCCV充电电流，显著提升了长期充电优化的健康感知能力。
2025-10-13 cs.SY eess.SY
Robust Model Predictive Control of Fast Lithium-ion Battery Pretreatment for Safe Recycling
针对退役电动汽车电池预处理放电的效率与安全问题，提出融合电热模型、温度约束及模型失配补偿的鲁棒MPC框架，仿真表明其较CC-CV和CC-CT可在安全约束下显著缩短放电时间。
2025-03-14 cs.SY eess.SY
Closed-loop domain generation enhances battery health diagnosis
Central South University（中南大学）；Chalmers University of Technology（查尔姆斯理工大学）；Aalborg University（奥尔堡大学）；Chongqing University（重庆大学）；Massachusetts Institute of Technology（麻省理工学院）
该研究针对电池跨域健康诊断难题，提出闭环域生成框架，结合变分自编码器与贝叶斯优化生成符合物理规律的跨域样本，在三类电极退化指标上误差显著低于传统方法，为车载诊断提供通用方案。
2026-10-12 cs.SY eess.SY
Deep Reinforcement Learning-Based Optimization of Second-Life Battery Utilization in Electric Vehicles Charging Stations
University of Michigan – Dearborn（密歇根大学迪尔伯恩分校）；Laval University（拉瓦尔大学）
本文针对含二次利用电池和储能系统的电动汽车充电站运行优化问题，提出基于深度强化学习软演员-评论家（SAC）的规划框架，利用全年数据离线训练并在不确定性下实现实时优化。
2025-02-05 cs.LG cs.SY eess.SY
Remaining Useful Life Prediction for Batteries Utilizing an Explainable AI Approach with a Predictive Application for Decision-Making
Nepal Engineering College, Pokhara University（博卡拉大学尼泊尔工程学院）；University of Delaware（特拉华大学）；Delft University of Technology（代尔夫特理工大学）；The Hague University of Applied Science（海牙应用科学大学）；Institute of Engineering, Pulchowk Campus, Tribhuvan University（特里布文大学工程学院普尔乔克校区）
本研究提出两层集成学习（TLE）框架和CNN+MLP混合模型预测电池剩余使用寿命（RUL），结合SHAP提升可解释性，并开发Tkinter GUI实现实时预测，支持数据驱动的可持续电池管理决策。
2025-01-30 cs.AI cs.LG cs.SY
Discovery Learning accelerates battery design evaluation
University of Michigan（密歇根大学）；National University of Singapore（新加坡国立大学）；Farasis Energy USA, Inc.（法拉西斯能源美国公司）
提出发现式学习（DL）范式，融合主动、物理引导和零样本学习，仅用公共数据训练即实现电池寿命预测误差7.2%，节省98%时间和95%能源，加速电池设计评估。
2025-09-25 cs.CE cs.LG cs.SY
DIICAN: Dual Time-scale State-Coupled Co-estimation of SOC, SOH and RUL for Lithium-Ion Batteries
School of Electrical Engineering, Xi’an Jiaotong University（西安交通大学电气工程学院）
电池状态的准确共同估计，例如充电状态（SOC）、健康状态（SOH）和剩余使用寿命（RUL），对于电池管理系统确保安全可靠的管理至关重要。虽然电池的外部性能随着老化程度的变化而变化，但电池的劣化机理具有相似的演化规律。由于电池是复杂的化学系统，这些状态与复杂的电化学过程高度耦合。提出了一种基于状态耦合的SOC、SOH和RUL估计方法--深度周期内和周期间注意力网络（DIICAN），将电池测量数据组织到周期内和周期间的时间尺度上。为了自动提取退化相关特征，并适应实际工况，采用了卷积神经网络。状态劣化关注单元用于提取电池状态演化模式并评估电池劣化程度。为了考虑电池老化对SOC估计的影响，将电池劣化相关状态并入SOC估计中以用于容量校准。DIICAN方法在牛津电池数据集上进行了验证。实验结果表明，该方法能够实现高精度的SOH和RUL联合估计，有效提高整个生命周期内SOC估计精度。
2022-10-20 cs.LG cs.SY eess.SY
Lithium-ion battery degradation: Introducing the concept of reservoirs to design for lifetime
Imperial College London（帝国理工学院）；The Faraday Institution（法拉第研究所）
本文提出基于库容概念的锂离子电池设计框架，通过优化库容相互作用提升电池寿命，同时考虑退化机制与使用条件的协同优化。
2025-12-17 cond-mat.mtrl-sci cs.SY eess.SY
Wireless BMS Architecture for Secure Readout in Vehicle and Second life Applications
本文提出一种基于 NFC 的无线 BMS 统一架构，兼顾车内主动使用与外部二次寿命应用，通过高级安全分析与唤醒过程设计，有效防范无线威胁并将存储电池组每日功耗降至微瓦级。
2023-11-20 cs.AR cs.CR cs.SY
Life-Add: Lifetime Adjustable Design for WiFi Networks with Heterogeneous Energy Supplies
The Ohio State University（俄亥俄州立大学）
本文提出Life-Add设计，通过控制设备睡眠周期提升WiFi网络的生命周期、吞吐量和公平性，同时缓解近-远效应和隐藏终端问题。
2013-05-22 cs.IT cs.NI cs.SY
