Implementation of Linear Parameter Varying System to Investigate the Impact of Varying Flow Rate on the Lithium-ion Batteries Thermal Management System Performance
针对锂离子电池热管理中 LTI 模型只能处理恒定冷却液流量的局限，本文构建含三个调度参数的 LPV 降阶模型，在变流量条件下保持接近 CFD 的精度，并获得更平滑的温度分布。
2024-03-02 cs.SY eess.SY
Data-Enabled Predictive Control for Fast Charging of Lithium-Ion Batteries with Constraint Handling
本文提出一种基于行为系统理论的数据驱动预测控制（DeePC）方法，直接利用电池输入输出数据实现带约束的锂离子电池安全快速充电，并通过主成分分析降维提升计算效率。
2023-04-17 cs.SY eess.SY
Modeling and Analysis on Efficiency Degradation of Lithium-ion Batteries
随着可再生能源发电在电网上变得越来越普遍，电池储能系统（BESS）的效率变得越来越重要。因此，有必要研究锂离子电池的能量效率，这是典型的使用在BESS。本研究的目的是提出效率状态（SOE）作为衡量电池传输能量效率的一个指标，并分析在电池的整个寿命期间影响电池SOE的因素。使用NASA的数据集，我们通过计算放电和充电阶段产生和消耗的能量比率来测量镍钴铝（NCA）锂离子电池的SOE。在SOE轨迹中观察到线性趋势，这由Mann-Kendall（MK）趋势检验证实。在此基础上，提出了一个线性的SOE降解模型。进一步的分析表明，环境温度，放电电流和截止电压都以不同的方式影响SOE。使用本研究中观察到的SOE及其行为，电池管理系统（BMS）可以通过调整操作条件或开发更好的管理策略来提高电池的能源效率。
2023-03-19 cs.SY eess.SY physics.data-an
Observability analysis and state estimation of lithium-ion batteries in the presence of sensor biases
University of Oxford（牛津大学）
本文研究了锂离子电池常用等效电路模型的可观测性，并提出在存在传感器偏置时的状态估计方法，强调可观测性分析对选择合适状态估计算法的重要性。通过微分几何方法推导出非线性等效电路模型的可观测性条件，并通过非线性卡尔曼滤波器估计测量偏置。
2016-03-11 cs.SY eess.SY
Improving optimal control of grid-connected lithium-ion batteries through more accurate battery and degradation modelling
University of Oxford（牛津大学）；EnergyVille（能源城）；VITO（弗拉芒技术研究所）
本文通过更精确的电池和退化模型，改进电网连接锂离子电池的最优控制，发现更准确的模型能显著提高收益并减少退化，证明简单模型可能低估商业案例。
2018-01-17 cs.SY eess.SY
Capacity Estimation of Lithium-ion Batteries Using Invariance Property in Open Circuit Voltage Relationship
本文提出一种利用开路电压与荷电状态关系在老化循环中的不变性，仅需一次OCV测试建模并可从部分充放电或动态放电数据中估计锂离子电池容量的方法，仿真平均绝对相对误差为0.85%。
2025-11-10 cs.SY eess.SY
Performance Analysis of Empirical Open-Circuit Voltage Modeling in Lithium Ion Batteries, Part-2: Data Collection Procedure
本文是锂离子电池OCV建模系列论文的第二部分，详细定义了考虑实验时间的低速率OCV数据采集流程，包括不同C-Rates下的充电方法、充电后OCV表征及电阻估计曲线，为后续OCV-SOC关系表征与不确定性建模提供数据基础。
2023-06-28 cs.SY eess.SY
Enhancing accuracy of finite-dimensional models for lithium-ion batteries, observer design and experimental validation
本文提出对有限维电化学模型的锂浓度进行阶数无关的渐近校正，使其匹配原始PDE，并基于新状态空间模型设计经Lyapunov分析保证全局鲁棒收敛的观测器，数值与实验均验证估计精度提升。
2023-08-17 cs.SY eess.SY
A Control-Oriented Simplified Single Particle Model with Grouped Parameter and Sensitivity Analysis for Lithium-Ion Batteries
本文提出一种面向控制的锂离子电池简化单粒子模型，通过参数分组将17个参数减至9个，再经Sobol灵敏度分析降至6个关键参数，在保持精度的同时加快收敛，提升BMS状态估计与控制效率。
2025-05-26 cs.SY eess.SY
Off-grid solar energy storage system with hybrid lithium iron phosphate (LFP) and lead-acid batteries in high mountains: a case report of Jiujiu Cabins in Taiwan
台湾九九小屋采用混合磷酸铁锂与铅酸电池的无电网太阳能储能系统，经历系统故障后通过修复和升级实现稳定供电，提升绿色能源应用。
2026-06-05 cs.SY eess.SY
Spectral Analysis of Approximated Capacity Fade Curvature for Lithium-Ion Batteries
本文在真实驾驶数据集上验证了基于曲率的电池退化拐点识别方法，并对近似容量衰减曲率进行谱分析，发现其与退化模式和相变点偏移相关，且仅需容量数据即可应用于电网储能系统。
2025-04-28 cs.SY eess.SY
Bias-Compensated State of Charge and State of Health Joint Estimation for Lithium Iron Phosphate Batteries
针对磷酸铁锂电池因开路电压曲线平坦易受电压测量偏置影响、状态估计精度低的问题，提出结合双扩展卡尔曼滤波与偏置补偿的SOC-SOH联合估计算法，在多种工况下均能保持低误差与鲁棒性。
2024-03-12 cs.SY eess.SY
Integrating Electrochemical Modeling with Machine Learning for Lithium-Ion Batteries
University of Kansas（堪萨斯大学）；University of California, Berkeley（加州大学伯克利分校）
锂离子电池（LiBs）的数学建模是先进电池管理的核心挑战。本文提出了一种新的方法，将基于物理的模型与机器学习相结合，以实现LiB的高精度建模。这种方法独特地提出将物理模型的动态状态通知机器学习模型，从而实现物理学和机器学习之间的深度集成。我们提出了两个混合物理机器学习模型的基础上的方法，它混合了一个单粒子模型与热动力学（SPMT）与前馈神经网络（FNN）进行物理知情的学习LiB的动态行为。所提出的模型是相对简约的结构，可以提供相当大的预测精度，即使在高C率，如广泛的模拟。
2021-07-23 cs.LG cs.SY eess.SY
Forecast-based charging strategy to prolong the lifetime of lithium-ion batteries in standalone PV battery systems in Sub-Saharan Africa
针对撒哈拉以南非洲独立光伏电池系统，提出基于预测的充电策略，通过降低平均荷电状态约20%来延长锂离子电池寿命，且不引起停电。
2023-05-15 cs.SY eess.SY
A Control Oriented Fractional-Order Model of Lithium-ion Batteries Based on Caputo Definition
本研究提出基于Caputo定义的锂离子电池分数阶模型，推导闭式时域解得到低内存占用的递归形式，经40.2Ah NCM622电芯实验验证，其一阶模型精度与二阶整数阶模型相当，兼顾精度与计算效率，适用于实时BMS。
2025-05-19 cs.SY eess.SY
Advancing state estimation for lithium-ion batteries with hysteresis: systematic extended Kalman filter tuning
本文针对锂离子电池SOC估计问题，提出迟滞降阶模型参数化框架与自适应扩展卡尔曼滤波调优方法，在NMC811电池上实现电压误差降低50%、SOC估计误差降低85%。
2023-11-28 cs.SY eess.SY
Combined film and pulse heating of lithium ion batteries to improve performance in low ambient temperature
针对低温下锂离子电池性能下降与老化问题，提出结合外部电阻薄膜加热与双向脉冲加热的预热方案，通过强化学习协同优化参数，实现快速均匀预热并降低辅助电源功率需求。
2024-05-18 cs.SY eess.SY
Modified Gaussian Process Regression Models for Cyclic Capacity Prediction of Lithium-ion Batteries
The University of Warwick（华威大学）
本文介绍了机器学习支持的数据驱动模型的开发，用于不同循环条件下锂离子电池的有效容量预测。为了实现这一目标，首先提出了一个模型结构，考虑电池老化趋势和相应的工作温度和放电深度。然后基于对高斯过程回归中协方差函数的系统理解，开发了两个相关的数据驱动模型。具体地，通过用自动相关性确定结构修改各向同性平方指数核，“模型A”可以提取用于容量预测的高度相关的输入特征。通过将阿克里尼乌斯定律和多项式方程耦合到组成核中，“模型B”能够考虑电池退化的电化学和经验知识。所开发的模型进行了验证和比较的镍锰钴氧化物（NMC）锂离子电池与各种循环模式。实验结果表明，改进的高斯过程回归模型考虑电池电化学和经验老化签名优于其他同行，能够取得令人满意的结果，无论是一步和多步预测。所提出的技术是有前途的各种循环情况下的电池容量预测。
2020-12-31 cs.LG cs.SY eess.SY
Hybrid low-dimensional limiting state of charge estimator for multi-cell lithium-ion batteries
针对多电池锂离子电池组计算资源有限且极值SOC电池随时间变化的问题，提出基于类切换逻辑机制的低维混合极限SOC估计器，利用非光滑混合Lyapunov技术证明了其实用指数稳定性，保证了准确估计。
2024-03-25 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
Core-shell enhanced single particle model for LiFePO$_4$ batteries
提出了一种新的LiFePO $_4$电池单元的电化学模型，该模型考虑了正极颗粒嵌锂和脱嵌动力学。从增强的单颗粒模型出发，引入质量传输和平衡方程以及合适的边界条件来模拟正极材料中锂化和脱锂过程中的相变现象。贫锂相和富锂相使用核-壳原理建模，其中核组合物用壳组合物包封。用有限差分法离散描述相变的耦合偏微分方程，得到状态空间表示的常微分方程组。最后，模型参数识别进行实验数据从49 Ah LFP袋电池。
2022-05-20 cs.SY eess.SY
Accuracy and robust early detection of short-circuit faults in single-cell lithium battery
本文提出一种利用电流变化、荷电状态和电阻描绘电压微分包络曲线的方法，实现单体锂电池早期内部短路故障的准确鲁棒检测，准确率达100%，优于信号处理和神经网络方法。
2024-12-23 cs.SY eess.SY
Core-shell enhanced single particle model for lithium iron phosphate batteries: model formulation and analysis of numerical solutions
在本文中，一个核-壳增强的单颗粒模型的铁磷酸盐电池的制定，实施和验证。从正负电极的电荷和质量传输动力学的描述，正电极的嵌入和脱嵌现象和相关的相变描述与核壳模型范式。假设在正极中形成两个相，一个富含锂，一个缺乏锂，制定了核心收缩问题，并通过覆盖核心的壳相来模拟相变。提出了耦合偏微分方程的仔细离散化，并用于将模型转换为常微分方程系统。为了确保控制方程的鲁棒性和准确的数值解，进行数值解的灵敏度分析，并在新开发的概率框架中确定求解器公差、固相浓度离散化点和输入电流采样时间方面的最佳设置。最后，在不同的C率的情况下，未知的模型参数进行了识别，并对实验数据的模型进行了验证。
2022-08-16 cs.SY eess.SY
Integrated Optimal Fast Charging and Active Thermal Management of Lithium-Ion Batteries in Extreme Ambient Temperatures
本研究针对极端环境温度下的锂离子电池，提出集成最优快速充电与主动热管理的控制策略，构建热-NDC电池模型，分别设计状态反馈及带扩展卡尔曼滤波的输出反馈模型预测控制算法，实现充电速度与电池健康的平衡，经数值实验验证有效。
2024-10-07 cs.SY eess.SY math.OC
A fast solver for the pseudo-two-dimensional model of lithium-ion batteries
伪二维（P2D）模型是一种复杂的数学模型，可以捕获锂离子电池中的电化学过程。然而，该模型也带来了沉重的计算负担。在文献中已经引入了对模型的许多简化以降低复杂性。我们提出了一种快速计算的P2D模型，可以使用时，简化是不够准确的方法。通过重新安排计算，我们降低了线性代数问题的复杂性。我们还采用了自动微分，使用开源包JAX的鲁棒性，同时也允许轻松实现系数表达式的变化。该方法在不影响精度的情况下消除了P2D模型中的计算瓶颈。
2021-11-17 cs.SY eess.SY physics.app-ph
A Comparison of Baseline Models and a Transformer Network for SOC Prediction in Lithium-Ion Batteries
University of Leeds（利兹大学）
本文比较了多种数据驱动方法在锂离子电池SOC预测中的表现，发现决策树在BMW i3自然驾驶循环数据上优于包括带自注意力和位置编码的Transformer在内的所有对比模型。
2024-10-22 cs.AI cs.LG cs.SY
Advancing Measurement Capabilities in Lithium-Ion Batteries: Exploring the Potential of Fiber Optic Sensors for Thermal Monitoring of Battery Cells
RWTH Aachen University（亚琛工业大学）；Fraunhofer Institute for Silicon Technology (ISIT)（弗劳恩霍夫硅技术研究所）
本文探讨了光纤传感器在锂离子电池热监测中的应用，通过OFDR技术实现空间分辨温度测量，展示了其在电池内部条件监测中的优势。
2025-02-19 cs.SY eess.SY physics.app-ph
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
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
State-of-Health Prediction for EV Lithium-Ion Batteries via DLinear and Robust Explainable Feature Selection
Department of Chemical Engineering（化学工程系）；Massachusetts Institute of Technology（麻省理工学院）；Department of Chemical and Biomolecular Engineering（化学与生物分子工程系）；Yonsei University（延世大学）；Department of Battery Engineering（电池工程系）
本文提出一种基于DLinear和鲁棒可解释特征选择的数据驱动框架，通过提取并筛选20个电池特征，在降低计算成本的同时实现了高精度的SOH预测，有效捕捉电池单体差异性。
2025-09-16 cs.LG cs.SY eess.SY
Integrating Physics-Based Modeling with Machine Learning for Lithium-Ion Batteries
University of Kansas（堪萨斯大学）；University of California, Berkeley（加利福尼亚大学伯克利分校）；Mitsubishi Electric Research Laboratories（三菱电机研究所）
本文提出两种将基于物理的模型与机器学习深度集成的新框架，通过结合电化学或等效电路模型与神经网络构建混合模型，实现了锂离子电池在宽C倍率范围和全寿命周期内的高精度电压预测。
2024-08-22 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
