Current imbalance in dissimilar parallel-connected batteries and the fate of degradation convergence
本文提出一个分析框架，研究并联电池中初始容量和电阻差异如何影响老化过程中的电流与SOC不平衡，并证明电流不平衡可导致退化收敛，而SOC不平衡可能导致发散，且不同化学体系影响系统行为。
2023-10-16 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
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
Degradation-Aware Fast-Charging of Li-Ion Batteries Using Joint Electrical and Thermal Model Predictive Control
TNO Mobility and Built Environment（荷兰应用科学研究组织交通与环境部）；Eindhoven University of Technology, Department of Electrical Engineering（埃因霍温理工大学电气工程系）；National University of Science and Technology Politehnica Bucharest, Faculty of Electronics, Telecommunications and Information Technology（布加勒斯特国立理工大学电子、电信与信息技术学院）
提出一种协调充电电流与主动热管理的控制框架，采用联合电热模型预测控制，在满足电化学退化与热安全约束下最小化充电时间，相比制造商推荐充电时间减少42.2%。
2026-05-24 cs.SY eess.SY
A Physics-Informed Reinforcement Learning Approach for Degradation-Aware Long-Term Charging Optimization in Batteries
General Motors Research & Development（通用汽车研发部）；The Pennsylvania State University（宾夕法尼亚州立大学）
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
Reducing Combinatorial Redundancy in Mixed-Integer MPC via Ranking-Based Feasible-Set Restriction for Reconfigurable Batteries
Chalmers University of Technology（查尔姆斯理工大学）
针对混合整数模型预测控制中相似单元选择的组合爆炸问题，提出基于排序的可行集限制，使选择数量线性增长，在20单元可重构电池仿真中实现100%最优性证明，求解时间降低13.4倍，荷电状态均衡度提升8.7倍。
2026-09-29 cs.SY eess.SY
Unlocking Extra Value from Grid Batteries Using Advanced Models
锂离子电池越来越多地被部署在自由化的电力系统中，在特定的市场环境下，它们的使用是由经济优化驱动的。然而，电池退化强烈地取决于操作简档，并且这在能量交易应用中特别可变。在这里，我们介绍了一个为期一年的实验结果，其中对电池进行了循环，通过解决批发能源交易的经济优化问题计算出配置文件，包括物理驱动的退化模型作为约束。结果证实了先前模拟的结论，并表明与现有方法相比，这种方法可以增加20%的收入，同时减少30%的退化。对数据的分析表明，传统方法无法增加电池在其寿命期间可以管理的循环次数，但基于物理的方法在年数和循环次数以及每年的收入方面都增加了寿命，将可能的寿命收入增加了70%。最后，结果表明模型不准确的经济影响，表明基于物理的模型可以将整体业务案例的差异从170%减少到13%。有可能使用控制工程结合电池老化的物理模型来解锁显着的额外性能。
2021-03-12 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
Challenges and Opportunities for Second-life Batteries: A Review of Key Technologies and Economy
本文综述了二次寿命电池的关键技术与经济性，涵盖退化模型适用性、快速筛选与重组标准、经济性分析及电力电子技术，为退役锂离子电池的安全高效再利用提供系统参考。
2023-08-13 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
Dual-Port Dynamically Reconfigurable Battery with Semi-Controlled and Fully-Controlled Outputs
针对可重构电池忽略需隔离辅助负载的问题，提出双端口拓扑与控制器，在不增加有源开关的情况下同时提供半控主端口和全控隔离辅助端口，并经仿真与实验验证。
2022-06-03 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
A Simplified Model for the Battery Ageing Potential Under Highly Rippled Load for Battery Management and Active Degradation Control
而在典型的标准化测试中，电池几乎完全加载恒定电流或相对缓慢变化的周期，实际应用涉及快速负载纹波，这对净能量没有贡献。减少滤波电容器甚至动态可重构电池的趋势进一步增加了纹波。因此，纹波负载对锂电池的影响越来越受到关注。根据最近的研究，加速老化在很大程度上取决于纹波的频率。我们使用电化学模型来推导出一个高度简化的回归模型，该模型捕获渐近行为，并允许对特定电池进行参数识别和校准。该模型允许定量监测由于电池管理系统中的纹波电流而引起的额外老化。此外，它能够通过影响现代电池系统（如可重构电池）中的频率内容来主动控制老化潜力。
2022-09-19 cond-mat.mtrl-sci cs.SY eess.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
Reinforcement Learning-based Home Energy Management with Heterogeneous Batteries and Stochastic EV Behaviour
Victoria University of Wellington（惠灵顿维多利亚大学）；Chalmers University of Technology（查尔姆斯理工大学）；The University of Melbourne（墨尔本大学）；RMIT University（皇家墨尔本理工大学）
本文提出基于深度强化学习的家庭能源管理框架，考虑异质电池退化和随机电动车行为，通过约束马尔可夫决策过程和SAC算法实现优化，有效降低运行成本和电池退化。
2026-02-04 cs.SY eess.SY
Forecasting battery capacity and power degradation with multi-task learning
锂离子电池由于使用和暴露于环境条件而退化，这影响了它们存储能量和供电的能力。由于固有的制造差异和耦合的非线性老化机制，准确预测锂离子电池单元的容量和功率衰减具有挑战性。在本文中，我们提出了一个数据驱动的预测框架，同时预测容量和功率衰减与多任务学习。该模型能够准确地预测电池早期容量和内阻的退化轨迹，以及拐点和寿命终止点。验证结果表明，预测容量衰减和电阻上升的平均百分比误差分别为2.37%和1.24%。该模型在容量和阻力估计误差的情况下准确预测退化的能力，进一步证明了该模型的鲁棒性和可推广性。与单任务学习模型相比，该模型在预测容量和功率退化方面表现出显著的预测精度提高和计算成本降低。本工作提出了多任务学习在锂离子电池退化动力学的亮点。
2021-12-23 cs.SY eess.SY
Multivariable Fractional Polynomials for lithium-ion batteries degradation models under dynamic conditions
University of Oslo（奥斯陆大学）；DNV GL Group Technology and Research（DNV GL集团技术与研究）
锂离子电池的使用寿命和安全性通过电池工作条件的有效监测和调节而得到促进。因此，在电池管理系统上实现快速准确的健康状态（SoH）监控算法至关重要。由于导致电池退化的因素的复杂性和众多性，特别是因为不同的退化过程发生在不同的时间尺度上，并且它们的相互作用起着重要的作用，因此这项任务具有挑战性。数据驱动的方法通过用统计或机器学习模型来近似复杂的过程，从而绕过了这个问题。本文提出了一种数据驱动的方法，尽管它简单且易于计算，但在电池退化的背景下尚未得到充分研究：多变量分数多项式（MFP）回归。模型从一个耗尽的电池的历史数据训练，并用于预测其他电池的SoH。这些数据的特点是通过模拟动态运行条件的变化负载。两个假设的情况下被认为是：一个假设，最近的容量测量是已知的，另一个是只基于标称容量。结果表明，受检电池的退化行为受其历史数据的影响，这得到了低预测误差的支持（考虑到电池寿命终止时的数据，均方根均方误差为1.2%至7.22%）。此外，我们还提供了一个多因素的视角，分析了每个不同因素的影响程度。最后，我们比较了长短期记忆神经网络和其他作品从文献上相同的数据集。我们的结论是，MFP回归是有效的和有竞争力的当代作品，并提供了一些额外的优势，例如在可解释性，概括性和可实施性方面。
2021-11-29 cs.LG cs.SY eess.SY
Hierarchical Deep Learning Model for Degradation Prediction per Look-Ahead Scheduled Battery Usage Profile
本文提出分层深度学习电池退化量化模型HDL-BDQ，通过两个顺序深度神经网络根据BESS运行曲线准确估计退化，并采用学习与优化解耦算法将其用于微电网前瞻调度，性能优于现有退化模型。
2024-10-22 cs.SY eess.SY
An Algorithmic Safety VEST For Li-ion Batteries During Fast Charging
锂离子电池的快速充电对于提高消费者的需求至关重要，从而加速电动汽车的采用。缩短充电时间的一个主要障碍是电池在较高充电速率下的加速老化，这可能是由锂电镀、由于升高的温度而增加的固体电解质界面生长以及由于机械应力而导致的颗粒破裂所驱动的。锂电镀取决于负极的过电位，机械应力取决于浓度梯度，两者都不能直接测量。为此，已经开发了基于电池的基于物理的模型和最优控制算法的技术。虽然这些方法在减少退化方面显示出希望，但它们的优化算法的复杂性可能限制它们的实现。在本文中，我们提出了一种方法的基础上，恒流恒压（CC-CV）充电计划，称为CC-CV $ησ$ T（VEST）。新的方法更容易实现，可以与任何模型一起使用，对与退化相关的变量施加不同程度的约束，例如电镀电位和机械应力。我们证明了新的CC-CV $ησ$ T充电使用的电化学模型，包括机械和热效应。此外，我们讨论了如何不确定性可以考虑安全裕度的电镀和应力约束。
2021-08-17 cs.SY eess.SY
Reconfigurable Battery Systems for Enhanced Fast Charging in Electric Vehicles
本文提出一种可重构电池系统，通过动态调整电池单元排列优化充电性能，仿真表明串联更多电池可显著缩短电动汽车充电时间且保持安全性。
2025-07-15 cs.SY eess.SY
Equivalent-Circuit Thermal Model for Batteries with One-Shot Parameter Identification
针对电池温度估计中测量法噪声大、电化学模型计算昂贵的问题，提出可用单次循环数据辨识的等效电路电热模型，并在NASA、MIT和Oxford数据集上验证其稳健精度。
2025-03-16 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
Quality Analysis of Battery Degradation Models with Real Battery Aging Experiment Data
近年来，储能系统，特别是电池储能系统（BESS）的装机容量显著增加，由于BESS的快速响应和高往返能量效率，主要用于缓解可再生能源（RES）引起的波动。大部分电池储能系统的主要组件为锂离子电池，锂离子电池会在电池储能系统的日常运作中退化。启发式电池退化模型，提出考虑电池退化的能源系统的操作，以优化调度。然而，这些启发式模型没有评估或证明与真正的电池退化数据。因此，本文将使用真实的电池老化实验数据对流行的启发式电池退化模型进行质量分析，以评估其性能。基于实验数据的平均循环值，提出了一个基准模型来表示真实的电池退化值。
2022-11-22 cs.SY eess.SY
Enhanced Battery Degradation-Aware Scheduling for Distribution Network with Electric Vehicle Load
该研究针对电池退化对配电网的影响问题，构建兼顾成本与电网性能的多目标调度框架，提出基于ε-约束和模糊逻辑的Bach方法，经IEEE 33节点网络验证可实现多目标优化且具备定制灵活性。
2024-07-09 cs.SY eess.SY
Constrained Optimal Planning to Minimize Battery Degradation of Autonomous Mobile Robots
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电池退化问题，提出兼顾循环退化与日历老化、保障任务完成的约束最优规划优化框架，通过矩形分段线性近似线性化双线性问题，案例验证其可实现最优路径规划并减少电池老化。
2025-06-16 cs.RO cs.SY eess.SY
An Alternative Method for Solving Security-Constrained Unit Commitment with Neural Network Based Battery Degradation Model
电池储能系统（BESS）可以有效缓解可再生能源发电量变化的不确定性，并提供灵活的辅助服务。然而，降解是可再充电电池（例如最广泛使用的锂离子电池）的关键问题。基于神经网络的电池退化（NNBD）模型可以准确地量化电池退化。将NNBD模型与安全约束机组组合（SCUC）相结合，建立了一种基于电池退化的SCUC（BD-SCUC）模型，该模型能够精确地考虑等效电池退化成本。然而，由于NNBD模型的高度非线性，BD-SCUC可能无法直接求解。为了解决这个问题，通过将每个神经元处的非线性激活函数转换为线性约束来线性化NNBD模型，这使得BD-SCUC成为线性化BD-SCUC（L-BD-SCUC）模型。算例分析表明，所提出的L-BD-SCUC模型能有效求解多BESS节点电力系统日前调度问题，并使总费用（包括等效降级费用和正常运行费用）最低.
2022-07-13 cs.SY eess.SY
Performance-Aware Control of Modular Batteries For Fast Frequency Response
本文提出一种性能感知的模块化电池调度方法，通过MIQCP模型优化损耗与老化成本，实现快速频率响应，显著降低功率损耗和电池老化成本并增强SoC平衡。
2025-04-04 cs.SY eess.SY
Accounting for the Effects of Probabilistic Uncertainty During Fast Charging of Lithium-ion Batteries
本文提出一种基于非侵入式多项式混沌展开和蒙特卡洛模拟的不确定性量化方法，用于分析环境温度及模型参数不确定性对锂离子电池恒流-恒压快速充电的影响，并通过调整约束概率有效制定兼顾安全与效率的快速充电协议。
2024-05-02 cs.SY eess.SY
Robust Parametric Microgrid Dispatch Under Endogenous Uncertainty of Operation- and Temperature-Dependent Battery Degradation
State Key Laboratory of Environmental Adaptability for Industrial Products, China National Electric Apparatus Research Institute Co., Ltd.（工业产品环境适应性国家重点实验室，中国电器科学研究院有限公司）；Department of Mechanical and Automation Engineering, The Chinese University of Hong Kong（香港中文大学机械与自动化工程学系）
本文提出了一种基于XGBoost的概率退化模型和参数MPC框架，用于在考虑电池退化内生不确定性的情况下，实现微grid调度的鲁棒且经济有效的策略。
2026-03-12 cs.SY eess.SY
Partition-based Unscented Kalman Filter for Reconfigurable Battery Pack State Estimation using an Electrochemical Model
School of Engineering of the Université Libre de Bruxelles（布鲁塞尔自由大学工程学院）
本文提出基于电化学模型的可重构电池组状态估计方法，利用无迹卡尔曼滤波器实现分布式状态估计，通过局部滤波器与邻近节点信息融合，提升计算效率并降低均方误差。
2017-09-22 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
Data-driven charging strategies for grid-beneficial, customer-oriented and battery-preserving electric mobility
电动汽车（EV）的普及和可再生能源使能源供应，车辆用户和移动部门之间产生协同效应。然而，汽车制造商也出现了新的问题：在EV电池的充电和放电期间，发生与整个EV的价值贬值相关的劣化（电池老化）。由于电动汽车用户的满意度取决于可靠和价值稳定的产品，汽车制造商通过考虑个人客户需求和电池老化，为简化和可持续的电动汽车使用提供充电助手。量化电池老化的Hierarchy模型由于复杂的执行而具有有限的实用性。数据驱动的方法为SOH估计提供了可行的替代方案。然而，现有的方法几乎不使用与用户相关的数据。通过线性和神经网络回归模型，我们首先估计能源消耗的驾驶考虑个人驾驶风格和环境条件。在接下来的工作中，在没有退化的电池的数据上训练的消耗模型可以用于估计具有老化电池的电动汽车的能量消耗。估计和实际消耗之间的差异表明电池老化是由内部损耗增加引起的。然后，我们的目标是评估充电策略对电池退化的影响。
2019-10-14 cs.OH cs.SY eess.SP
Degradation-aware data-enabled predictive control of energy hubs
本文研究数据驱动预测控制（DeePC）在多区域建筑及含热泵和电池的能源枢纽中的应用，证明其在满足舒适性约束的同时不增加电网功耗，并使电池年退化降低两倍。
2023-07-04 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
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
Decentralized Control for Heterogeneous Battery Energy Storage System
本文针对异构电池储能系统提出一种分散控制方法，通过单一广播信号实现各电池自主运行，并证明跟踪误差渐近稳定，仿真验证了故障脱离下的鲁棒功率跟踪及无通信荷电状态均衡。
2024-04-16 cs.SY eess.SY
Bayesian Changepoint Detection for Smart Sensing of Battery Degradation: Cycle-Level Health Indicators and PyMC Implementation
AGH University of Krakow（克拉科夫AGH科技大学）
提出基于充放电时间比的循环级健康指标，利用贝叶斯单变点模型检测锂电池加速退化起始点，在PyMC中实现并验证了有效性。
2026-06-26 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
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
State of health prediction of lithium-ion batteries for driving conditions based on full parameter domain sparrow search algorithm and dual-module bidirectional gated recurrent unit
针对电动汽车锂离子电池健康状态预测，提出融合全参数域麻雀搜索算法与双模块双向门控循环单元的模型，基于牛津数据集和真实行驶数据实现高精度、强鲁棒性的SOH预测。
2025-05-23 cs.SY eess.SY
Fast Charging of Lithium-Ion Batteries Using Deep Bayesian Optimization with Recurrent Neural Network
针对电动汽车锂离子电池安全快速充电优化问题，提出基于贝叶斯循环神经网络（BRNN）代理模型和组合采集函数（EI+UCB）的深度贝叶斯优化方法，实现了更精确的寿命预测并有效探索出延长电池寿命的最优充电协议。
2023-04-09 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
Automated feature extraction and selection for data-driven models of rapid battery capacity fade and end of life
锂离子电池在使用寿命后期可能会经历快速退化，特别是在更极端的使用协议下。快速退化的开始被称为“拐点”，预测它对于电池的安全和经济可行的使用是重要的。我们提出了一种数据驱动的方法，该方法使用自动特征选择来为高斯过程回归模型生成输入，该模型估计电池健康状况的变化，从中可以预测整个容量衰减轨迹，拐点和寿命结束。特征选择过程灵活地适应不同的输入，并优先考虑那些影响退化的输入。对于所考虑的数据集，发现日历时间和在特定电压区域花费的时间对降解速率有很大影响。该方法对容量估计的中位均方根误差小于1%，对拐点和寿命终点的中位预测误差分别为2.6%和1.3%。
2021-08-18 cs.SY eess.SY
A Smart Adaptively Reconfigurable DC Battery for Higher Efficiency of Electric Vehicle Drive Trains
本文提出了一种驱动训练拓扑结构与动态可重构直流电池，打破硬连线电池成更小的子单元。它可以快速控制输出电压，甚至有助于逆变器的电压整形。基于近年来低压晶体管和模块化电路拓扑的快速发展，所提出的技术使用最新的48 V电力电子器件来实现更高的电压输出，并降低电动汽车（EV）传动系统的损耗。低压场效应晶体管（FET）的快速开关能力和低损耗允许与主驱动逆变器共享调制。因此，逆变器的较慢的绝缘栅双极晶体管（IGBT）可以以理想的占空比和积极减少的开关操作，而自适应直流电池提供可调电压和在直流链路处具有较低损耗的所有共模贡献。最多可避免主逆变器开关量的2/3。在高驱动速度和大调制指数下，与单独使用逆变器相比，所提出的转换器将总损耗减半;在较低速度和较小调制指数下，由于动态降低的直流链路电压，优势更加突出。此外，它可以大大减少失真，特别是在较低的调制指数，例如，与传统的空间矢量调制相比下降到1/2，对于具有硬连线电池的不连续脉宽调制甚至下降到1/3。其他好处包括减轻电机绕组的绝缘应力，主动电池平衡，并消除大型硬接线电池组对弱电池的脆弱性。我们演示了建议的电机驱动器上的3千瓦的设置与8个电池模块。
2023-01-18 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
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
Deep Koopman Operator-based degradation modelling
本文扩展了Deep Koopman Operator方法，提出Koopman-Inspired Degradation Model，将退化与控制影响解耦，在CNC刀具和锂电池剩余寿命预测中表现优异。
2023-08-03 cs.SY eess.SY
Modeling of Non-linear Dynamics of Lithium-ion Batteries via Delay-Embedded Dynamic Mode Decomposition
South Dakota State University（南达科他州立大学）
本文提出了一种基于延迟嵌入动态模式分解的数据驱动模型，用于高效建模锂离子电池的非线性动力学，通过仅利用电压和电流数据预测不同荷电状态和老化水平下的端电压。
2026-01-29 cs.SY eess.SY
Domain knowledge-guided machine learning framework for state of health estimation in Lithium-ion batteries
Stanford University（斯坦福大学）；Politecnico di Torino（都灵理工大学）
提出五个可在线提取的电池健康指标并开发机器学习方法，用于估计电动汽车锂离子电池健康状态，在部分数据缺失下实现了1.5%至2.5%的低误差容量估计。
2024-09-22 cs.LG cs.SY eess.SY
A low cost small reconfigurable autonomous vehicle for research, testing and teaching of guidance, control and positioning systems
我们提出了一个小型的自动驾驶汽车，目的是帮助教师和研究人员轻松地部署不同的方法来指导，控制和定位系统，而不必麻烦地开发这种努力所需的整个模块。该设计主要是为了实现非常小的成本，以及所使用的部件的容易获得。使用低成本部件的主要问题之一是难以对其动态进行建模，这主要是因为它们缺乏适当的文档，并且还因为其特性的时变性质，这是由于使用引起的退化。同时，对车辆物理设计的任何更改都必须反映在数学模型中。我们开发了一种易于重新配置车辆的方法，能够获得系统的详细动态数学模型，以及实施随机方法（如卡尔曼滤波）时所需的统计模型。提供了引导、控制和定位系统的基线示例实现。孔系统是自主的和自包含的，并在一个低成本的嵌入式系统中进行了测试。
2020-02-14 cs.SY eess.SY
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
City-wide modeling of Vehicle-to-Grid Economics to Understand Effects of Battery Performance
车辆到电网（V2G）是解决可再生能源引起的电网级间歇性供需不匹配问题的一种很有前途的方法，因为它使用现有的电动汽车（EV）电池作为能量存储介质。电动汽车电池设计以及参与电动汽车车主的盈利能力是V2G成功的关键。为了更好地了解哪些电池设备参数对V2G采用最重要，我们在现实条件下对V2G过程的经济性进行了建模。大多数以前的研究进行V2G经济分析，假设理想的驾驶条件，使用线性电池退化模型，或只考虑V2G的辅助服务。我们的模型考虑了现实的电池退化，经验充电效率，通勤行为的随机性，以及美国六个城市的历史每小时电价。我们使用贝叶斯优化对用户行为进行建模，为V2G提供最佳场景。在所有城市中，我们发现充电率和效率是决定电动汽车用户利润的最重要因素。令人惊讶的是，电动汽车电池成本以及由于循环而导致的退化几乎没有影响。这些发现应该有助于将研究重点放在更好地反映电池在V2G经济中的实际使用情况的优点上。
2021-08-12 cs.SY eess.SY stat.AP
A Quantum Neural Network Regression for Modeling Lithium-ion Battery Capacity Degradation
North Carolina A&T State University（北卡罗来纳农工州立大学）；Arizona State University（亚利桑那州立大学）
由于锂离子电池具有高功率密度、低放电速率和低成本等优点，锂离子电池在电网级储能系统、电动汽车和移动设备等领域有着广泛的应用。开发一个框架来准确地建模锂离子电池的非线性退化过程，这确实是一个监督学习问题成为一个重要的研究课题。本文提出了一种经典-量子混合机器学习方法来捕获LiB退化模型，该模型可以从操作配置文件中评估电池寿命损失。我们的工作受到量子计算机的最新进展以及神经网络和量子电路之间的相似性的推动。类似于调整传统神经网络中的权重参数，量子电路的参数，即量子位自由度，可以被调谐以监督学习方式学习非线性函数。作为概念证明文件，我们使用NASA提供的电池数据集获得的数值结果证明了量子神经网络在建模退化容量和操作周期之间的非线性关系方面的能力。我们还讨论了量子方法与经典计算机中的传统神经网络相比在处理海量数据方面的潜在优势，特别是在未来电动汽车和能源存储渗透的背景下。
2023-02-06 cs.LG cs.SY eess.SY
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
