Data-Driven Nonlinear Identification of Li-Ion Battery Based on a Frequency Domain Nonparametric Analysis
Vrije Universiteit Brussel (VUB)（布鲁塞尔自由大学）
本文提出了一种数据驱动的多项式非线性状态空间模型，用于电池在线性与非线性区域临界点的运行点识别，通过频率域非参数分析量化电池在不同荷电状态下的线性和非线性行为。
2018-05-17 cs.SY eess.SY
Reformulating Parallel-Connected Lithium-Ion Battery Pack Dynamics with Interconnection Resistances as Ordinary Differential Equations
本研究针对含互联电阻的并联锂离子电池组提出电流分布解析解，将其动态特性的微分-代数方程重构为常微分方程并推导电流均匀分配条件，经实验验证有效，可支持电池组优化设计与控制。
2025-08-20 cs.SY eess.SY
State estimation of an electrochemical lithium-ion battery model: improved observer performance by hybrid redesign
针对锂离子电池电化学模型状态估计中观测器难以兼顾收敛速度与精度的问题，提出采用混合多观测器改进现有观测器性能，并通过标准参数仿真验证了估计性能的提升。
2023-04-19 cs.SY eess.SY
Low computational cost method for online parameter identification of Li-ion battery in battery management systems using matrix condition number
监测锂离子电池的健康状态在电池管理系统（BMS）中至关重要，它可以帮助最终用户高效安全地使用电池。可以通过使用各种算法识别电池模型的参数来监测电池健康状态。由于BMS的计算能力较低，且参数时变，因此开发一种低计算成本的在线算法非常重要。在各种方法中，基于等效电路模型（ECM）的递归最小二乘（RLS）参数辨识非常适合于这种困难的BMS环境。然而，RLS的一个众所周知的关键问题是，它很可能是数值不稳定的，除非测量的输入使电池模型足够的激励。本文针对锂离子电池参数辨识问题，提出了一种新的RLS算法--条件记忆递归最小二乘（CMRLS），以解决此类问题，同时根据条件数改变遗忘因子，充分利用RLS的优点。在CMRLS中，使用RLS变量之间的递归关系，通过简单的计算来监控精确的条件数。通过对锂离子电池的仿真，比较了CMRLS和原RLS的性能。结果表明，CMRLS识别锂离子电池参数的平均绝对误差约100倍，比RLS准确。
2020-01-10 cs.SY eess.SP 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 High-efficient Battery Charging System for Electric Vehicle
本文针对电动汽车锂离子电池充电效率问题，提出多阶段恒流充电及反射充电方法，在双有源桥DC-DC变换器系统上验证，相比传统CC-CV方法可显著缩短充电时间并降低电池损耗。
2023-08-09 cs.SY eess.SY
Electrochemical Parameter Identification for Lithium-ion Battery Sources in Self-Sustained Transportation Energy Systems
锂离子电池（LIB）在自我维持的交通能源系统中发挥了重要作用，并在过去几年中得到了广泛的应用。为了实现蓄电池的可靠维护，需要对其电化学参数进行辨识。然而，电池模型包含许多参数，而可测量的状态只有电流和电压，导致识别固有的病态问题。提出了一种参数辨识方法，包括实验、模型和算法。电化学参数首先根据物理性质手动分组，并分配给两个顺序测试进行识别。两个测试，即准静态测试和动态测试，被压缩的时间，以实际实施。适当的优化模型和灵敏度为导向的逐步（SSO）优化算法的开发，以有效地搜索最优参数。通常，Sobol方法用于进行敏感性分析。基于灵敏度指标，SSO算法可以解耦辨识过程中不同参数的混合影响。为了验证，在一个典型的NCM 811电池在不同的寿命阶段进行了数值实验。所提出的方法节省了大约一半的时间找到合适的参数值。与电池退化相关的关键参数的识别准确率可超过95%。算例结果表明，辨识出的参数不仅可以提高电池模型的精度，而且可以作为电池SOH的指标。
2023-03-14 cs.SY eess.SY
Online SOC Estimation of Lithium-ion Battery Based on Improved Adaptive H Infinity Extended Kalman Filter
本文提出遗忘因子递归最小二乘法与改进自适应H无穷扩展卡尔曼滤波的联合算法，用于锂离子电池在线参数辨识和SOC估计，并在两种工况下验证了其优于对比方法的精度与稳定性。
2023-04-16 cs.SY eess.SY
Direct Continuous-Time LPV System Identification of Li-ion Batteries via L1-Regularized Least Squares
针对锂离子电池参数随SOC变化及OCV非线性依赖问题，提出连续时间LPV辨识方法，用B样条建模参数变化，联合辨识参数与OCV-SOC映射，实验验证优于传统RLS方法。
2025-09-25 cs.SY eess.SY
Continuous-Time System Identification and OCV Reconstruction of Li-ion Batteries via Regularized Least Squares
本文提出一种连续时间正则化最小二乘方法，直接从采样数据辨识锂离子电池参数，并联合估计OCV-SOC曲线，避免离散化误差，无需离线测试，仿真和实测验证有效。
2025-09-25 cs.SY eess.SY
Optimal Sensor Placement in Lithium-Ion Battery Pack for Fault Detection and Isolation
用于运输和电网应用以及未来用于航空应用的储能系统需要提供准确诊断的能力，以确保系统的可用性和可靠性。在这样的应用中，电池组可以由数百或数千个互连的电池单元以及相关联的电气/电子硬件组成。本文提出了一种系统的方法，用于接近电池组设计的某些方面，特别是了解系统中可用于诊断策略的分析冗余度（AR）。首先，确定电池系统中固有的AR程度。然后，使用结构分析工具来研究不同的测量（电流、电压和温度）如何可以提高电池系统的监测和诊断能力。可能的传感器放置策略，使诊断个别传感器故障和个别电池故障，不同的电池组拓扑结构进行了分析。本文介绍的工作说明了如何使用最小或最优的传感器组实现所需的故障检测和隔离（FDI）功能，这是大型电池组设计中的关键步骤。
2021-02-19 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
Machine Learning-Driven Prediction of Lithium-Ion Battery Power Capability for eVTOL Aircraft
针对 eVTOL 高倍率放电下的电池功率极限预测，本文融合物理机理与机器学习预测电压温度及剩余放电时间，并加速最大功率搜索。
2025-10-03 cs.SY eess.SY
Economic controls co-design of hybrid microgrids with tidal/PV generation and lithium ion/flow battery storage
由可再生能源供电的孤岛微电网由于不可控的发电机而需要昂贵的储能系统。当负荷和发电在每小时、每月或季节的时间尺度上不一致时，储能需求会被放大。负荷和发电量的多样化可以消除这种不匹配。消除剩余发电不足的理想电池类型将取决于能量存储的持续时间。本研究提出了一种控制协同设计方法来设计一个孤岛微电网，显示了潮汐和太阳能发电的混合和锂离子和液流电池储能的混合的好处。首先在网格搜索切片中研究了微电网的能量均衡成本的优化，以了解凸性和平滑性，然后提出了粒子群优化算法，并用于研究混杂系统配置对组件成本变化的敏感性。该研究强调了控制协同设计的好处，对电池过早失效进行建模的必要性，以及使用适用于能量存储持续时间数量级变化的电池成本模型的重要性。结果表明，这种混合微电网目前的发电成本是柴油发电成本的五倍，但液流电池创新可以使成本接近柴油发电成本的两倍，同时使用100%可再生能源。
2021-02-10 cs.SY eess.SY
Comparing Mass-Preserving Numerical Methods for the Lithium-Ion Battery Single Particle Model
本文比较了单颗粒模型的两种保质量数值方案（有限体积法和控制体积法），在独立校准后通过数值模拟发现精度与计算时间存在权衡，为电池建模与仿真的数值方案选择提供了见解。
2024-10-10 cs.SY eess.SY
Efficient Fault Diagnosis in Lithium-Ion Battery Packs: A Structural Approach with Moving Horizon Estimation
本文提出一种利用电池组结构特性的分层滑窗估计（MHE）方法，用于估计内外短路及传感器故障，在保证有效性的同时显著降低了计算复杂度与传感器需求。
2025-03-01 cs.SY eess.SY
On-line Capacity Estimation for Lithium-ion Battery Cells via an Electrochemical Model-based Adaptive Interconnected Observer
电池老化是一个自然的过程，会导致容量和功率衰减，导致性能随着时间和使用而逐渐下降。由于缺乏直接测量，老化电池的充电状态（SOC）和健康状态（SOH）监测对电池管理系统（BMS）提出了挑战性的任务。基于电化学模型的估计算法考虑了老化对物理电池参数的影响，可以提供关于电池可用寿命内锂浓度和电池容量的准确信息。温度依赖的电化学模型，增强的单粒子模型（ESPM），形成了自适应互连观测器的合成的基础，该观测器利用容量和功率衰减之间的关系，由于固体电解质界面层（SEI）的生长，为了实现状态的组合估计（两个电极中的锂浓度和电池容量）和老化敏感的传输参数（阳极扩散系数和SEI层离子电导率）。利用李雅普诺夫理论推导了自适应观测器的实用稳定性条件。对实验数据的验证结果表明，有界容量估计误差在其真实值的2%以内。此外，容量估计的有效性进行了测试，为两个细胞在不同阶段的老化。研究了容量估计在测量噪声和传感器偏差下的鲁棒性。
2021-06-24 cs.SY eess.SY
The Sequential Algorithm for Combined State of Charge and State of Health Estimation of Lithium Ion Battery based on Active Current Injection
针对锂离子电池同时估计荷电状态、健康状态及参数时精度难保证的问题，提出基于主动电流注入和频率尺度分离的序贯算法，通过分频注入电流独立估计参数后再联合估计容量与状态，显著提升了精度并降低计算成本。
2019-07-15 cs.SY eess.SY
A Local Polynomial Approach to Nonparametric Estimation of the Best Linear Approximation of Lithium-Ion Battery From Multiple Datasets
Vrije Universiteit Brussel（布鲁塞尔自由大学）；Agoria
本文提出局部多项式方法，用于从多个数据集非参数估计锂离子电池在不同非线性失真水平下的最佳线性近似，以解决实验数据获取受限的问题。
2018-05-16 cs.SY eess.SY
Leveraging Adaptive Model Predictive Controller for Active Cell Balancing in Li-ion Battery
North Carolina State University（北卡罗来纳州立大学）；University of Tehran（德黑兰大学）；University of Denver（丹佛大学）
本文提出自适应模型预测控制器用于锂离子电池串并联电路中的主动细胞平衡，通过递归最小二乘法预测未来电压，提升电池组电压均衡性。
2017-06-18 cs.SY eess.SY
State-of-charge Estimation of a Li-ion Battery using Deep Learning and Stochastic Optimization
本文提出了一种新的经验研究，用于估计锂离子电池的荷电状态（SOC），该研究使用具有三个隐藏层的深度学习模型。我们模拟了一系列的十个车辆驱动循环，应用于松下18650PF锂离子电池。我们的研究结果表明，优化算法的选择影响模型的性能。所提出的模型是能够实现的误差小于1.0%，在所有的驱动周期。
2020-11-18 cs.SY eess.SP eess.SY
Active Cell Balancing for Extended Operational Time of Lithium-Ion Battery Systems in Energy Storage Applications
本文提出一种基于分数阶模型和粒子群-遗传算法的优化驱动主动均衡方法，在独立与差分两种拓扑下延长锂离子电池储能系统运行时间3.2%。
2024-05-02 cs.SY eess.SY
Resolving Kirchhoff's laws for state-estimator design of Li-ion battery packs connected in parallel
介绍了一种锂离子电池组的状态空间模型。该模型的主要特点是一个明确的解决方案，基尔霍夫定律的并联连接包，它表示的分支电流直接在模型的状态，施加的电流和细胞电阻。这避免了数值求解这些方程的需要。为了说明所提出的模型包级控制和估计的潜力，状态估计器的非线性并行包模型。通过利用基尔霍夫定律解中的系统结构，得到了观测器增益的代数条件，保证了估计器误差的收敛性。误差收敛证明通过一个参数的基础上Aizerman的猜想。人们希望，这个模型制定带来的洞察力将允许开发的结果的财富串联连接包被应用到那些与并联连接。
2020-10-30 cs.SY eess.SY
Lithium-ion battery thermal-electrochemical model-based state estimation using orthogonal collocation and a modified extended Kalman filter
University of Oxford（牛津大学）
本文提出基于伪二维模型和改进扩展卡尔曼滤波器的状态估计方法，通过正交格点离散化偏微分代数方程，实现高精度电池状态估计，误差低于1%。
2015-06-29 cs.SY eess.SY
Model-based Stochastic Fault Detection and Diagnosis for Lithium-ion Batteries
本研究提出一种基于锂离子电池第一性原理模型的两步随机故障检测与诊断算法，通过迭代优化校正模型并结合不确定性提供故障概率描述，在单个和同时故障检测率上优于Monte Carlo模拟。
2019-01-09 cs.SY eess.SY
Joint Parameterization of Hybrid Physics-Based and Machine Learning Li-Ion Battery Model
本文提出一种通过差异函数显式建模系统不确定性并结合下采样的混合电池模型参数估计框架，仿真显示其平均参数估计误差较传统最小二乘法低一个数量级。
2025-05-10 cs.SY eess.SY
System Identification of Lithium-Ion Battery Equivalent Circuit Models Using Ensemble Kalman Inversion
University of Kansas（堪萨斯大学）；Michigan State University（密歇根州立大学）
本文采用集成卡尔曼反演方法，通过迭代局部高斯逼近和蒙特卡洛采样，对具有电热耦合的等效电路模型进行参数估计，实现了快速收敛的准确系统辨识。
2026-05-24 cs.SY eess.SY
A simplified electro-chemical lithium-ion battery model applicable for in situ monitoring and online control
锂离子电池在交通、能源和通信系统中的渗透率正在迅速增加。为弥补研究与应用之间的差距，需要建立一个精确的现场监测和方便的在线控制模型。本文提出了一个简化的电化学模型及其离散时间状态空间实现从伪二维模型。捕获的溶液相迁移和固相扩散动力学与不同的参数和严格的数学表达式的反应速率分布和终端电压。设计了一个包含初始化、稳定和闭环校正方案的低计算量仿真框架。对不同类型的电池在不同的操作场景进行了数值实验进行验证。
2022-03-19 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
Identifiability of Low Frequency Li-ion Battery Parameters in Time Domain
École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
提出一种基于时域低频测量的电池等效电路模型参数辨识框架，通过高阶RC网络近似分数阶CPE，并采用约束非凸最小二乘方法，在典型BMS噪声下实现平均误差低于1%的准确估计。
2026-05-27 cs.SY eess.SY
Impact of Physics-Informed Features on Neural Network Complexity for Li-ion Battery Voltage Prediction in Electric Vertical Takeoff and Landing Aircrafts
Virtual Vehicle Research GmbH（虚拟车辆研究有限公司）；Graz University of Technology（格拉茨工业大学）
本文研究了将物理信息整合到数据驱动模型中对锂离子电池电压预测神经网络复杂度的影响，发现物理信息模型在保持精度的同时显著降低了计算开销。
2026-02-09 cs.SY eess.SY
Li-ion Battery Fault Detection in Large Packs Using Force and Gas Sensors
内部短路是电池热失控的主要原因，因此是电动汽车的主要安全问题。低电阻的内部短路称为硬内部短路，它会导致高内部电流，导致温度极快上升，气体产生，电池膨胀，最终导致电池破裂和故障。因此，在这些故障被触发后立即检测它们是至关重要的。在具有许多并联电池的大型电池组中，由于并联连接的其他健康电池对来自故障电池的电压信号的抑制，使用电压来检测内部短路事件是困难的。相比之下，分析电池组外壳中的气体成分可以提供稳健的单电池故障检测方法。在高温下，电池材料的分解导致气体产生和电池膨胀。单元结构设计成在临界气体压力下破裂并排出积聚的$CO_2$气体，以防止爆炸力。在本文中，我们扩展了我们以前的工作相结合的细胞热动力学模型，溶胀，和$CO_2$气体生成。特别是，我们开发了一种快速和高置信度的检测方法的硬内部短路事件的电池组通过测量电池膨胀力和监测$CO_2$浓度包外壳。
2020-10-22 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
State-of-Charge Estimation of a Li-Ion Battery using Deep Forward Neural Networks
Polytechnic School of the University of São Paulo（圣保罗大学工学院）
本文介绍了两个分别具有两个和四个隐藏层的深度前向网络，它们使用K折交叉验证方法在给定温度下对Panasonic 18650 PF锂离子（Li-ion）电池的驱动循环进行建模，以估计电池的荷电状态（SOC）。驾驶循环功率曲线是针对具有针对单个18650 PF电池缩放的35 kWh电池组的电动卡车计算的。我们提出了一种机器学习工作流程，在开发用于SOC估计的深度学习模型时能够对抗过拟合。这项工作的贡献是提出了一种为锂离子电池构建深度前向网络及其性能评估的方法，该方法遵循机器学习的最佳实践。
2020-09-20 cs.LG cs.SY eess.SP
Koopman Spectral Analysis of Lithium-Ion Battery Dynamics: State of Charge as a Marginally Stable Observable
Dynamical Systems and Signals Lab (DSSL), Department of Mechanical Engineering, South Dakota State University（南达科他州立大学机械工程系动力系统与信号实验室）
研究锂离子电池SOC估计难题，提出基于柯普曼理论、数据驱动的框架，用DMDc结合汉克尔时延嵌入，直接从测量数据重建动态状态空间，通过谱分解揭示内在动力学，将SOC动力学作为边际稳定模式，其模态坐标用作SOC敏感可观测量。
2026-07-10 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
Optimal Design of Experiment for Electrochemical Parameter Identification of Li-ion Battery via Deep Reinforcement Learning
本文提出结合深度强化学习与最优实验设计的方法，利用TD3算法优化激励，以提升锂离子电池电化学参数辨识的精度和效率，相比NMPC和常规测试具有更高信息量和更低误差。
2025-06-23 cs.SY eess.SY
Latent Function Decomposition for Forecasting Li-ion Battery Cells Capacity: A Multi-Output Convolved Gaussian Process Approach
University of Michigan-Dearborn（密歇根大学迪尔伯恩分校）；University of Central Florida（中佛罗里达大学）
提出了一种基于潜函数分解的锂离子电池容量预测方法。该方法使用多输出高斯过程，这是一种用于多任务和迁移学习的生成式机器学习框架。MCGP将来自多个电池单元的可用容量趋势分解为潜在函数。然后在核平滑器上卷积潜在函数以重构和/或预测电池单元的容量趋势。该方法不仅具有较高的预测精度，还能提供预测的不确定性信息，并能捕捉不同电池单元容量趋势之间的非平凡互相关性。这两个优点使得所提出的MCGP成为使用电池组的应用的非常可靠和实用的解决方案。MCGP的推导和比较基准方法的实验锂离子电池数据。结果表明了该方法的有效性。
2019-07-19 cs.LG cs.SY eess.SP
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
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
DRT-based modelling framework for Li-ion cells
正确评估电池状态对于最大限度地提高电池组性能同时确保可靠和安全运行至关重要。本文介绍了一种基于弛豫时间分布（DRT）的新型锂离子电池建模框架EIS 2 MOD。从电化学阻抗谱（EIS）和开路电压（OCV）测量出发，开发了基于物理的电路模型（ECM）。应用DRT对EIS中的电化学现象进行反卷积。所提出的方法是基于：i）从EIS的DRT计算，ii）DRT分析ECM配置和iii）模型参数提取和拟合。所提出的框架适用于大型锂离子软包电池，在整个充电状态（SoC）范围和宽温度范围（-10 ° C至35°C）内进行测试。已经测试了不同的电流曲线以验证模型，显示出其在再现电池单元行为方面的高精度（例如，对于可变温度和SoC下的驾驶循环模拟，电池端子电压的RMSE低于1.50%）。EIS 2 MOD的另一个优点是其计算负载轻，从而为电池管理系统的实现提供了一个有吸引力的框架。
2022-03-16 cs.SY 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
A Framework for Health-informed RUL-constrained Optimal Power Flow with Li-ion Batteries
电池储能系统被广泛应用于并网应用中，以减轻间歇性可再生能源发电的影响并增强电力系统的弹性。电池在使用期间的退化是部署中的主要问题之一，严重影响长期寿命。除了环境因素外，电池的这种固有特性还取决于日常工作条件。因此，基于电池的当前状态最佳地进行电池的日常操作以满足所需的剩余使用寿命成为实际且苛刻的需求。为了解决这个问题，本文提出了一个健康知情的规则约束最优潮流框架来表征相应的最优可行操作空间。如果电池的工作条件被限制在该可行域内，则实现目标服务寿命。然后构造等效箱约束，以提高求解优化问题的计算效率。在这个框架中，一个基于蒙特卡洛的数据驱动的方法和健康指标（HI）代表电池的当前状态。所提出的方法的性能与IEEE 39节点系统说明。
2020-11-29 cs.SY eess.SY
Model-free fast charging of lithium-ion batteries by online gradient descent
KTH Royal Institute of Technology（皇家理工学院）
针对带多重安全与老化约束的锂离子电池快速充电问题，提出一种无需精细电池模型和全充电训练的在线梯度下降数据驱动方法，优化充电电流，理论收敛性获证且经多类电池模型数值验证。
2024-05-17 cs.SY eess.SY
Data-driven nonparametric Li-ion battery ageing model aiming at learning from real operation data -- Part A: Storage operation
Ikerlan Technology Research Centre, Basque Research and Technology Alliance (BRTA)（伊克兰兰技术研究中心，巴斯克研究与技术联盟）；Department of Systems Engineering & Control, University of the Basque Country (UPV/EHU)（巴斯克国立大学系统工程与控制系）；WMG, University of Warwick（华威大学WMG学院）；ESTIA Research, Ecole Supérieur des Technologies Industrielles Avancées (ESTIA)（高级工业技术学院研究部）
本文提出基于高斯过程框架的数据驱动锂离子电池老化模型，通过分析真实运行数据，实现更准确的老化预测。
2026-01-25 cs.SY eess.SY
Reinforcement Learning for Robust Ageing-Aware Control of Li-ion Battery Systems with Data-Driven Formal Verification
Delft University of Technology（代尔夫特理工大学）；Delft Center for Systems and Control（代尔夫特系统与控制中心）；Radiation Science and Technology（辐射科学与技术）
针对锂离子电池充电速度与老化权衡问题，提出结合强化学习与数据驱动形式化验证的混合控制策略，实现鲁棒老化感知控制并提供概率性性能保证。
2025-09-06 cs.AI 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
Thermal Analysis of PEM Fuel Cell and Lithium Ion Battery Pack in Confined Space
混合储能系统（HESS）在行业中占据了一席之地。HESS提高了系统效率，降低了整体成本，延长了系统的使用寿命。质子交换膜（PEM）燃料电池与锂离子电池（LIB）混合用于车辆应用、机器人应用等。在具有几何空间约束的应用中，能量存储元件的温度受对流热传递的影响。本文利用COMSOL Multiphysics软件包对不同放电率（C率）的锂离子电池和不同电压的质子交换膜-锂离子电池混杂系统的几何结构进行了热分析。当与PEM电池紧密接近放置时，LIB包的温度的额外升高在4 ℃下在0.03-0.6 $^0$ ℃的范围内。锂离子电池组的电池温度随着C速率的增加和PEM电池电压的降低而增加。
2020-11-30 cs.SY eess.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
Long-term usage of the off-grid photovoltaic system with lithium-ion battery-based energy storage system on high mountains: A case study in Payiun Lodge on Mt. Jade in Taiwan
本文以台湾玉山排云山庄运行逾7年的离网光伏锂离子储能系统为案例，分析700余万条能源数据与电池健康状态，并通过成本模型证明锂离子电池在高山长期使用中可比肩铅酸电池。
2024-06-04 cs.SY eess.IV eess.SP
Global Sensitivity Methods for Design of Experiments in Lithium-ion Battery Context
电池管理系统可以依赖于数学模型来提供比标准充电协议更高的性能。电化学模型使我们能够捕捉锂离子电池内部发生的现象，因此可能是最好的模型选择。然而，为了具有实用价值，它们需要可靠的模型参数。不确定性量化和最佳实验设计概念是精确识别系统和估计参数的重要工具。不确定性量化中的近似误差导致次优实验设计，从而导致信息量较少的数据和较高的参数不可靠性。在这项工作中，我们提出了一个高效的实验设计方法的基础上的全局参数灵敏度。这个新的概念被应用到单粒子模型与电解质和热动力学（SPMeT），一个众所周知的电化学模型的锂离子电池。所提出的方法避免了输出参数线性化的简化假设（即，局部参数灵敏度），用于传统的Fisher信息矩阵为基础的实验设计策略。因此，优化的电流输入曲线导致更高信息含量的实验数据，进而导致更精确的参数估计。
2020-05-09 cs.CE cs.SY eess.SY
Comprehensive Analysis of Thermal Dissipation in Lithium-Ion Battery Packs
针对无人机等应用中锂离子电池组的热管理挑战，本研究通过优化冷却气流配置并集成相变材料（PCMs），结合3D模拟分析16节电芯组的热性能，为轻量化应用提供高效冷却策略设计基础。
2025-02-10 cs.SY eess.SY hep-ph
ABatRe-Sim: A Comprehensive Framework for Automated Battery Recycling Simulation
Michigan State University（密歇根州立大学）；National University of Singapore（新加坡国立大学）
随着电动汽车（EV）数量的快速增长，预计废旧锂离子（Li-ion）电池的数量也将爆炸性增长。废电池组包含有价值的金属和材料，应该回收，回收和再利用。然而，由于技术、物流和监管方面的诸多挑战，目前只有不到5%的锂离子电池被回收利用。现有的电池回收是手动进行的，这可能会对操作人员造成一系列风险，因为剩余的高电压和化学危害。因此，迫切需要开发自动化电池回收系统。在本文中，我们提出了ABatRe-sim，一个开源的机器人电池回收模拟器，以促进研究和开发在高效和有效的电池回收自动化。具体来说，我们开发了一个详细的CAD模型的电池组（螺丝，电线和电池模块），导入到Gazebo，使机器人操作系统（ROS）环境中的机器人对象交互。它还允许模拟各种老化条件的电池组。此外，感知，规划和控制算法的开发，以建立基准来演示界面和实现进一步的用户定制的基本功能。讨论了模拟器的使用和未来的扩展。
2023-03-14 cs.RO 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
