Health feature extraction from battery energy storage system field fault data
University of Michigan（密歇根大学）；LG Energy Solution（LG新能源）
提出一种从运行数据中提取和校准电池模组健康特征的框架，通过统计评估发现组级容量、容量退化率和dV/dQ峰值高度能显著区分故障并联组，而内阻不能，挑战了依赖电阻进行故障检测的常规做法。
2026-06-26 cs.SY eess.SY
Parallel-Connected Battery Current Imbalance Dynamics
在这项工作中，我们推导出解析表达式管理状态的充电和电流不平衡动态两个并联连接的电池。该模型，基于等效电路和仿射开路电压关系，描述了一个完整的充电和放电周期的过程中的充电状态和电流不平衡的演变。使用这个框架，我们确定的条件下，一个老化的电池将经历一个更高的电流大小和充电状态的偏差接近充电或放电周期的结束。这项工作能够定量地了解电池容量和电阻的不匹配如何影响并联电池系统中的不平衡动态，有助于为异构电池系统中的电池退化建模铺平道路。
2022-11-09 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 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
Diagnostic-free onboard battery health assessment
Massachusetts Institute of Technology（麻省理工学院）；Stanford University（斯坦福大学）；SLAC National Accelerator Laboratory（SLAC国家加速器实验室）；Technical University of Darmstadt（达姆施塔特工业大学）
本文提出一种结合可解释机器学习与机理约束的免诊断测试车载电池健康诊断与预测方法，无需离线测试和历史数据，并在422个电池数据集上验证了其通用性。
2025-03-10 cs.LG cs.SY eess.SY
Driving behavior-guided battery health monitoring for electric vehicles using machine learning
National University of Singapore（新加坡国立大学）；Farasis Energy USA, Inc.（孚能科技（美国）有限公司）
针对电池健康监测中特征冗余与实际场景特征难获取的问题，提出结合真实驾驶条件下特征获取概率评估的机器学习流水线，通过机理分析、多数据集筛选及场景融合方法，平衡健康指标的性能与实用性。
2023-09-25 cs.LG cs.SY eess.SY
Computationally Efficient Machine-Learning-Based Online Battery State of Health Estimation
针对商用BMS低成本微控制器难以运行复杂AI/ML模型的问题，本文提出一种基于四频率在线阻抗特征和线性回归的计算高效、数据轻量的SoH估计方法，并在两个实验数据集上验证了MAE低于2%的准确性。
2024-06-10 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
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
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
Battery State of Health Estimation and Incremental Capacity Analysis under Dynamic Charging Profile Using Neural Networks
本文提出基于动态充电配置的电池状态健康估计方法，利用神经网络构建虚拟增量容量和虚拟微分电压曲线，实现更广泛的电池退化监控。
2026-01-09 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
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
Relax, Estimate, and Track: a Simple Battery State-of-charge and State-of-health Estimation Method
本文提出一种通过充电中短暂置零电流来估计电池SOC和SOH的简单方法，无需超参数微调且速度快数百倍，实验验证SOH RMSE约3%、SOC RMSE约1.5%。
2025-06-06 cs.SY eess.SY
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
Individual Cell Fault Detection for Parallel-Connected Battery Cells Based on the Statistical Model and Analysis
故障诊断对锂离子电池的安全运行至关重要。为了避免严重的安全问题（例如，热失控），应及时发现并解决初始故障。在本文中，我们考虑并联连接的电池只有一个电压和一个电流传感器。缺乏独立的电流传感器使得难以检测单个电池的退化。为此，基于电池的高频响应，推导出面向故障检测的简化模型，并通过物理信息电池模型进行验证。电池串的电阻，这是显着影响的故障电池，估计和使用作为健康指标。首先分析了电池组电阻的统计分布，考虑了新电池和老化电池的分布。提出了一种故障诊断算法，2个标准差区间）。蒙特卡罗仿真结果表明，该算法能够很好地平衡虚警和漏报。此外，它是验证所提出的算法是强大的均匀参数变化的单个电池。
2020-04-26 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
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
Estimation of Cell-to-Cell Variation and State of Health for Battery Modules with Parallel-Connected Cells
University of Michigan（密歇根大学）
本文提出一种统一框架，利用模块级信息准确估计电池模块的细胞间变异性及健康状态，通过增量容量分析和微分电压分析提取数据，实现两者的解耦处理，具有高灵活性和通用性。
2026-04-22 cs.SY eess.SY
Experimental Characterization Data for Battery Modules with Parallel-Connected Cells across Diverse Module-Level State of Health and Cell-to-Cell Variations
University of Michigan（密歇根大学）
本数据集提供由三个并联不均匀电池组成的锂离子电池模块在模块级健康状态和电池间差异下的特性数据，支持退化监测研究。
2026-06-18 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
PhyMamba: Physics-Modulated Mamba for Robust Battery Health Prognostics
Singapore Institute of Technology（新加坡理工学院）；National University of Singapore（新加坡国立大学）；Institute of High Performance Computing (IHPC), Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局高性能计算研究所）；Nanyang Technological University (NTU)（南洋理工大学）
PhyMamba是一种两阶段物理调制Mamba框架，将电化学老化融入序列建模，在三个公共数据集上使电池健康预测整体平均误差降低31.8%，实现最优聚合性能与精度效率权衡，支持实际部署。
2026-08-31 cs.LG cs.SY eess.SY
Current and temperature imbalances in parallel-connected grid storage battery modules
University of Oxford（牛津大学）；Brill Power Limited（布里尔电力有限公司）
研究并联连接电网存储电池模块中电流和温度不平衡的成因及影响，提出通过敏感性分析定义安全阈值，并探讨不同应用下鲁棒性指标的优化方法。
2026-02-07 cs.SY eess.SY
Bridging battery design and health assessment through virtual sensing and physics-informed learning
研究针对锂离子电池健康监测与设计脱节问题，提出基于虚拟传感和物理信息学习的框架，能推断设计参数，嵌入机制降低预测误差，虚拟传感减少相关误差，建立反馈回路，助力电池设计与评估。
2026-07-21 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
EVBattery: A Large-Scale Electric Vehicle Dataset for Battery Health and Capacity Estimation
Tsinghua University（清华大学）；Tsinghua IIIS（清华大学交叉信息研究院）；Circue Energy Technology Co., Ltd.（Circue能源科技有限公司）；Beihang University（北京航空航天大学）；Peking University（北京大学）
本文发布EVBattery真实大规模电动汽车电池数据集，覆盖三家厂商数百辆车和两类估计标签，并提出利用电池系统结构的定制算法以提升性能。
2023-11-02 cs.LG cs.SY eess.SY
State of Charge Estimation of Parallel Connected Battery Cells via Descriptor System Theory
这篇手稿提出了一种算法，用于单个锂离子（Li离子）电池的充电状态（SOC）估计时，多个电池并联连接，仅使用端电压和总电流测量。对于由数千个电池组成的电池组，期望通过仅监测总电流来估计各个SOC，以便降低感测成本。在数学上，串联连接的电池在经典的全电压感测下产生由常微分方程给出的动态。相比之下，并联连接的电池显然更具挑战性，因为动态由非线性广义系统控制，包括由电池之间的电压和电流平衡引起的微分方程和代数方程。线性输出误差注入的观测器制定，其中单个电池SOC和本地电流是本地可观察的总电流和电压测量。通过考虑系统非线性项的局部Lipschitz连续性，建立了微分状态和代数状态的渐近收敛性。对LiNiMnCoO $_2$ /Graphite（NMC）电池的模拟结果说明了SOC、局部电流和端子电压的收敛。
2020-03-17 cs.SY eess.SY
Analyzing cell-to-cell heterogeneities and cell configurations in parallel-connected battery modules using physics-based modeling
本研究使用实验验证的电化学模型模拟数百种四电池并联配置，通过统计分析发现电极活性材料体积分数异质性是影响模块容量、电流及热梯度的主要因素，优化电池排列可使热梯度降低51.8%、长期能量损失减少5.2%。
2025-04-01 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
State of Health Estimation of Lithium-Ion Batteries in Vehicle-to-Grid Applications Using Recurrent Neural Networks for Learning the Impact of Degradation Stress Factors
这项工作提出了一种有效的健康状态指示器，用于指示锂离子电池的退化，该指示器基于长短期记忆（LSTM）递归神经网络（RNN）和滑动窗口。开发的LSTM RNN能够捕获退化电池容量对电池退化应力因素的潜在长期依赖性。当有足够的训练数据时，学习性能是稳健的，如果提供超过1.15年的数据用于训练，则误差< 5%。
2022-05-16 cs.SY eess.SY
A Hybrid Probabilistic Battery Health Management Approach for Robust Inspection Drone Operations
Mondragon（蒙德拉贡）
本文提出结合物理放电模型与概率误差校正模型的混合方法，用于预测巡检无人机 Li-Po 电池 EOD 电压并量化两类不确定性，实测概率准确率较最佳方法提升14.8%。
2024-12-20 cs.AI cs.LG cs.SY
Prescribing Optimal Health-Aware Operation for Urban Air Mobility with Deep Reinforcement Learning
针对城市空中交通中电池老化带来的任务规划难题，本文提出深度强化学习算法，结合电池健康状态优化运行参数与路径规划，在不确定性场景下实现接近最优的飞行性能。
2024-04-12 cs.SY eess.SY
Conformalized Transfer Learning for Li-ion Battery State of Health Forecasting under Manufacturing and Usage Variability
本文提出一种不确定性感知的迁移学习框架，结合LSTM模型与MMD域适应和CP不确定性量化，提升电池健康状态预测的泛化性和可信度。
2026-03-25 cs.LG cs.SY eess.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
Fast State-of-Health Estimation Method for Lithium-ion Battery using Sparse Identification of Nonlinear Dynamics
Korea Advanced Institute of Science and Technology（韩国科学技术院）；Chungbuk National University（忠北国立大学）
本文提出一种基于SINDy与相关性分析的锂离子电池快速SOH估计方法，以低数据量构建可解释的数据驱动退化模型，并通过与多种机器学习算法比较验证其估计精度和计算效率。
2024-10-22 cs.RO cs.SY eess.SY
Fleet-Level Battery-Health-Aware Scheduling for Autonomous Mobile Robots
University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出一种多机器人调度方法，考虑电池退化成本，优化任务分配、服务顺序、充电决策和充电模式，平衡车队退化。通过线性化非线性退化项，结合实例数据改进松弛，采用分层启发式方法提升可扩展性。
2026-03-24 cs.RO cs.SY eess.SY
Federated Battery Diagnosis and Prognosis
Wayne State University（韦恩州立大学）；Oklahoma State University（俄克拉荷马州立大学）；Argonne National Laboratory（阿贡国家实验室）
针对电池诊断与预后中数据集中处理带来的隐私和通信挑战，提出联邦电池预后模型，仅交换模型参数以保护隐私并降低通信负载，实现分布式剩余寿命预测。
2023-10-14 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
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
Gaussian process-based online health monitoring and fault analysis of lithium-ion battery systems from field data
TU Darmstadt（达姆施塔特工业大学）；Massachusetts Institute of Technology（麻省理工学院）
本研究针对锂离子电池系统健康监测需求，基于高斯过程电阻模型与递归时空高斯过程，利用29套保修电池的现场数据实现高效在线故障检测，揭示串联电芯薄弱环节失效规律，并将开源代码与数据集。
2024-10-30 cs.AI cs.LG cs.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
Operator-Theoretic Joint Estimation of Aging-Aware State of Charge and Control-Informed State of Health
本文提出基于算子理论的联合估计框架，用于考虑老化因素的状态电量和基于控制信息的状态健康估计，通过端到端训练实现稳定且准确的容量预测。
2025-12-17 cs.SY eess.SY
Prognosis Of Lithium-Ion Battery Health with Hybrid EKF-CNN+LSTM Model Using Differential Capacity
Universiti Putra Malaysia（马来西亚博特拉大学）；Gulf University of Science & Technology（海湾科技大学）；Universiti Teknikal Malaysia Melaka（马来西亚马六甲技术大学）
本研究提出一种混合EKF-CNN+LSTM模型，结合差分容量分析，预测锂离子电池健康状态，发现LiFePO4电池在多种充放电倍率下性能更稳健。
2025-04-16 cs.LG 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
State estimation for parallel-connected batteries via inverse dynamic modeling
本文针对并联电池组状态估计中微分代数方程带来的可观测性分析与计算可扩展性难题，提出通过逆动力学建模打破代数环，并给出通用可观测性条件、电池分组方法及计算高效的状态估计器，仿真验证了其计算优势。
2024-09-28 cs.SY eess.SY
Analysis of potential lifetime extension through dynamic battery reconfiguration
该研究通过模拟分析动态电池重构对寿命的延长潜力，发现串联配置下延寿效果优于并联，并联受等效全循环离散度等因素影响，串联元件数量会放大相关效应。
2023-07-21 cs.SY eess.SY
Approximate Dynamic Programming for Degradation-aware Market Participation of Battery Energy Storage Systems: Bridging Market and Degradation Timescales
Massachusetts Institute of Technology（麻省理工学院）
本文提出一种近似动态规划框架，用于设计考虑退化因素的电池储能系统市场参与策略，通过分离长期退化动态与短期市场动态，提升计算可行性。
2026-03-22 cs.SY eess.SY math.OC
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
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
Dynamic Power Management in Modular Reconfigurable Battery Systems with Energy and Power Modules
提出一种带耦合电感的交流电池模块化可重构拓扑，动态管理能量与功率模块间的能量分配，并采用前馈-反馈控制策略解决并联电池循环电流问题，确保系统在正常及重载下稳定高效运行。
2024-12-23 cs.SY eess.SY
Incremental capacity-based multi-feature fusion model for predicting state-of-health of lithium-ion batteries
本文提出PSO-BiLSTM-AdaBoost融合模型，利用增量容量分析提取健康指标，结合双向长短期记忆网络与自适应提升算法，实现锂离子电池健康状态的高精度预测，并在CALCE数据集上验证了其优越性。
2025-03-31 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
Differential Voltage Analysis and Patterns in Parallel-Connected Pairs of Imbalanced Cells
本文提出一种仅用电压和电流测量，通过差分电压曲线峰特征识别并联电池对容量与电阻不均衡乘积的新方法，为电池组故障检测奠定基础。
2024-05-28 cs.SY eess.SY
Improving Energy Management of Hybrid Electric Vehicles by Considering Battery Electric-Thermal Model
提出了一种用于并联式混合动力汽车的离线能量管理系统。在电动机（EM）和内燃机（ICE）之间分配扭矩需要合适的EMS。电池对混合动力汽车至关重要，并显著影响整体车辆成本和性能。高温和高电池荷电状态（SOC）是加速电池老化的主要因素。SOC是EMS中最关键的状态变量，在以往的研究中通常被认为是唯一的动态变量。为了简单起见，通常假设电池温度恒定，而EMS对温度变化的影响被忽略。在本文中，我们首先应用动态规划（DP）的PHEV不考虑电池温度的变化。然后，通过对冷却系统进行建模来改进电池模型，以考虑温度变化，并显示在EMS中忽略电池的热动力学是不切实际的。最后，通过将电池温度作为状态变量集成到优化问题中，提出了一种新的EMS来控制电池温度和SOC变化。仿真结果表明，该方法能够有效地控制蓄电池的充电和温度。所提出的EMS方法防止电池温度的不受控制的波动，并降低其劣化率。
2023-02-25 cs.SY eess.SY
