A User-centric Game for Balancing V2G Benefits with Battery Degradation of Electric Vehicles
该研究提出以用户为中心的V2G框架，支持电动汽车用户依据个人偏好信号平衡V2G经济收益与电池健康退化。
2025-07-25 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
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
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
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
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
Optimal Battery Control Under Cycle Aging Mechanisms in Pay for Performance Settings
University of Washington（华盛顿大学）
本文研究在支付绩效环境下电池储能的最优控制，提出考虑电池循环老化机制的联合优化方法，通过建立电化学准确的雨流循环模型，证明退化成本的凸性，并提出具有简单阈值结构的在线控制策略，实现近最优性能。
2018-07-30 cs.SY eess.SY math.OC
SOC-Boundary and Battery Aging Aware Hierarchical Coordination of Multiple EV Aggregates Among Multi-stakeholders with Multi-Agent Constrained Deep Reinforcement Learning
本研究提出一种基于安全多智能体约束深度强化学习和权益证明算法的分层多利益相关者V2G协调策略，旨在优化DSO、EVA和EV用户的收益，同时增强可再生能源整合、减轻负荷波动并降低充电成本和电池退化。
2024-07-14 cs.SY eess.SY
Energy Consumption and Battery Aging Minimization Using a Q-learning Strategy for a Battery/Ultracapacitor Electric Vehicle
Clemson University（克莱姆森大学）；University of California, Berkeley（加州大学伯克利分校）；Hunan University（湖南大学）；University of Michigan（密歇根大学）
推进系统电气化革命一直在汽车工业中进行。电气化推进系统提高了能源效率，减少了对化石燃料的依赖。然而，电动车辆的电池在车辆运行期间经历劣化过程。考虑电池/超级电容器电动汽车中电池退化和能量消耗的研究仍然缺乏。该研究提出了一种基于Q学习的策略，以最大限度地减少电池退化和能耗。在Q学习的基础上，提出了两种启发式能量管理方法，并利用粒子群优化算法对其进行了优化。首先建立了车辆动力系统模型，其中考虑了严重因子电池退化模型，并利用遗传算法进行了实验验证。在结果分析中，首先用学习后的最优策略图来解释Q学习。然后，以不带超级电容器的车辆为基准，与带超级电容器的车辆采用Q学习的结果进行比较，并以两种启发式方法作为能量管理策略。在学习和验证驾驶循环中，结果表明，与没有超级电容器的基线车辆相比，Q学习策略将电池退化减缓了13-20%，并将车辆续航里程增加了1.5-2%。
2020-10-27 cs.LG cs.SY eess.SY
Why we need a standardized state of health definition for electric vehicle battery packs -- a proposal for energy- and capacity-based metrics
本文针对电动汽车整车层面电池健康状态缺乏标准化测量方法的问题，提出利用车载充电的容量与能量健康状态标准测量程序，并展示差分电压分析在整车电池老化诊断中的应用。
2025-08-21 cs.SY eess.SY
A Semi Empirical Approach to a Physically Based Aging Model for Home Energy Management Systems
随着电动汽车和建筑物中储能系统的利用率越来越高，人们对锂离子电池中老化相关现象的研究越来越感兴趣，因为它们是与可再生能源配对的固定能源。本文提出了一种混合退化模型的方法，结合了半经验的方法与基于物理的模型的好处。这使得能够容易地校准不同的电池化学成分，在必要时能够外推，并且计算效率足够高，可以与实时运行的控制系统相结合。为了证明所提出的方法的有效性，在智能家居能源管理系统中的两种不同的控制策略的效果证明了对磷酸铁锂（LFP）电池的老化。
2022-06-13 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
Bayesian Analysis of Interpretable Aging across Thousands of Lithium-ion Battery Cycles
本研究针对锂离子电池老化问题，基于DFN模型采用贝叶斯方法（MCMC）估计95个特斯拉Model 3电池的电极参数，揭示了阴阳极参数的可识别性规律及对SOH的幂律贡献，为电池老化诊断提供了新方法。
2025-04-14 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
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
World Model for Battery Degradation Prediction Under Non-Stationary Aging
Independent Researcher（独立研究者）
本文提出一种世界模型用于非平稳老化条件下电池退化预测，通过编码原始信号并学习动态转换生成未来轨迹，结合电化学知识约束提升预测精度。
2026-03-11 cs.LG cs.SY eess.SY
Optimal battery thermal management for electric vehicles with battery degradation minimization
本文针对电动汽车电池冷却优化问题，利用动态规划提取规则，提出一种近最优在线冷却策略，在降低电池退化的同时改善行驶经济性。
2023-08-06 cs.SY eess.SY
Optimizing Software Defined Battery Systems for Transformer Protection
本文针对住宅电动汽车充电导致的变压器过载问题，提出基于虚拟化的电池共享优化方案，在保持房主控制权的同时实现成本最优，实验表明可降低56%电费和48%变压器老化。
2025-06-05 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
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
Cell Balancing Paradigms: Advanced Types, Algorithms, and Optimization Frameworks
本文综述电池均衡的先进类型、算法及优化框架，分析各方案优缺点并提供选择指南，旨在提升电池管理系统性能与电池组运行效率。
2024-11-08 cs.SY eess.SY
Online Aging-Aware Energy Optimization for Vehicle-Home-Grid Integration
Chalmers University of Technology（查尔姆斯理工大学）；Polestar Performance AB
本文提出一种在线优化算法，通过车辆到家庭(V2H)和车辆到电网(V2G)实现车家电网整合，利用混合LSTM网络和非线性电池老化模型，实现在实时环境下的经济优化，结果表明年收益可达3046.81欧元。
2026-04-22 cs.SY eess.SY math.OC
Cell Balancing for the Transportation Sector: Techniques, Challenges, and Future Research Directions
本文综述交通领域电池均衡技术，比较被动与主动方法，分析应用与挑战，指出未来研究方向。
2024-04-22 cs.SY eess.SY
Data-Driven Thermal Anomaly Detection in Large Battery Packs
早期检测和跟踪电池组中的异常操作对于提高性能和确保安全至关重要。本文提出了一种数据驱动的方法，使用来自多个锂离子电池单元的实时电压和温度数据进行电池组中的在线异常检测。为细胞组生成基于平均值的残差，并使用主成分分析进行评估。然后使用累积和控制图对评估的残差进行阈值化，以检测异常。在电压信号中检测到与电池单元平衡相关联的轻微外部短路，并且在平衡之后需要电压再训练。温度残差被证明是至关重要的，能够在14分钟内检测到模块平衡事件的异常，而这些事件是从电压残差中无法观察到的。所提出的方法进行统计测试的实验数据从电池电力机车注入基于模型的异常。所提出的异常检测方法具有较低的误报率，并准确地检测和跟踪的合成电压和温度异常。与基于均值的残差的直接阈值处理相比，所提出的方法的性能显示了56%的检测时间快，42%的假阴性少，60%的遗漏异常少，同时保持了相当的假阳性率。
2023-01-20 cs.SY eess.SY
Aging States Estimation and Monitoring Strategies of Li-Ion Batteries Using Incremental Capacity Analysis and Gaussian Process Regression
HTWG University of Applied Sciences（康斯坦茨应用科学大学）
本文基于增量容量分析和高斯过程回归，研究了未见过的锂离子电池的健康状态和剩余寿命估计，通过公开的牛津电池老化数据集，提出多模型高斯过程回归方法，实现高精度的健康状态估计和稀疏诊断的寿命监控策略。
2026-03-27 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
Extra Throughput versus Days Lost in load-shifting V2G services: Influence of dominant degradation mechanism
本文提出TvD指标并结合NMC电池数字孪生寿命模拟，证明日历老化占主导时负荷转移型V2G更具收益，且决策关键在于电芯化学体系与停放温度。
2024-08-04 cs.SY 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
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
Balancing SoC in Battery Cells using Safe Action Perturbations
Indian Institute of Technology, Ropar（印度罗帕尔理工学院）
本文提出在深度强化学习智能体上叠加安全层，通过扰动充电动作避免危险状态，并学习可跨电池配置泛化的鲁棒充电策略，从而减少安全违规。
2025-03-11 cs.AI cs.LG cs.SY
A Physics-Aware Attention LSTM Autoencoder for Early Fault Diagnosis of Battery Systems
Xi'an Jiaotong University（西安交通大学）
本文提出一种结合物理规律的注意力LSTM自编码器，用于提高电池系统早期故障诊断的准确性和召回率。
2025-12-07 cs.LG 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
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
Design of an embedded hardware platform for cell-level diagnostics in commercial battery modules
Stanford University（斯坦福大学）；Politecnico di Milano（米兰理工大学）；Volkswagen Group of America Inc.（大众美国集团公司）
本文设计了一种硬件平台，用于在不拆解模块的情况下监测和控制电池模块内的细胞，实现准确的非侵入式健康状态评估，并提供模块内部异质性的量化信息。
2026-04-02 cs.SY eess.SP 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
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
Privacy-Preserving Distributed Control for a Networked Battery Energy Storage System
University of Virginia（弗吉尼亚大学）
本文提出了一种隐私保护的分布式控制算法，用于实现联网电池储能系统的SoC平衡，通过隐私保护的估计器确保安全的功率分配和状态平衡。
2026-02-05 cs.SY eess.SY
Depreciation Cost is a Poor Proxy for Revenue Lost to Aging in Grid Storage Optimization
针对电网储能套利调度中折旧成本无法准确反映老化收入损失的问题，揭示目标函数成本选取原理，提出移动平均滤波法估算退化成本，可更好捕捉峰值收入。
2024-03-15 cs.SY eess.SY math.OC
A Stochastic Hybrid Automaton for Smartphone Battery Dynamics: Electro-Thermal Coupling and First-Passage Time-to-Empty Estimation
本文提出一种随机混合自动机模型，结合等效电路模型与热模型，用于预测智能手机电池剩余时间，考虑电热耦合和用户行为影响，通过蒙特卡洛模拟量化电池提前终止风险。
2026-05-10 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
A Machine Learning-based Digital Twin for Electric Vehicle Battery Modeling
Politecnico di Torino（都灵理工大学）
电动车辆（EV）的广泛采用受限于它们对电池的依赖，与液体燃料相比，电池目前具有低能量和功率密度，并且随着时间的推移会老化和性能劣化。出于这个原因，在EV寿命期间监测电池充电状态（SOC）和健康状态（SOH）是一个非常相关的问题。这项工作提出了一种电池数字孪生结构，旨在准确地反映电池动态的运行时间。为了确保非线性现象的高度正确性，数字孪生依赖于根据电池随时间演变的痕迹进行训练的数据驱动模型：SOH模型，重复执行以估计最大电池容量的退化，以及SOC模型，定期重新训练以反映老化的影响。所提出的数字孪生结构将在公共数据集上举例说明，以激励其采用并证明其有效性，具有高准确性以及与板载执行兼容的推理和再训练时间。
2022-06-16 cs.AI cs.LG cs.NA
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
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
HiL Demonstration of Online Battery Capacity and Impedance Estimation with Minimal a Priori Parametrization Effort
本文提出一种结合联合扩展卡尔曼滤波与递推最小二乘法的在线电池容量和内阻估计方法，无需完整先验电池模型，并通过离线仿真与硬件在环实验验证了其在真实驾驶场景下的实时参数更新能力。
2024-11-23 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
Koopman Mode-Based Detection of Internal Short Circuits in Lithium-ion Battery Pack
本文提出一种无模型的Koopman模态算法，利用模块级电压测量检测锂离子电池组内部短路，无需电池模型或历史数据，仿真验证了其敏感性和鲁棒性。
2024-12-17 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
Hierarchical Bayesian Model for Probabilistic Analysis of Electric Vehicle Battery Degradation
本文提出了一种分层贝叶斯模型的电动汽车电池容量衰减的概率估计。由于电池老化因素如温度、电流和荷电状态不是固定的，并且它们在不同的时间、位置和由不同的用户改变，具有恒定参数的确定性模型不能准确地评估电池容量衰减。因此，包括变量的测量或观测的不确定性的容量衰减的概率表示可以是适当的解决方案。针对电动汽车电池容量衰减问题，提出了一种考虑多个外部变量的分层贝叶斯网络模型。该模型的数学表达式是基于贝叶斯定理提取的，所有变量的概率分布和它们的依赖关系是仔细选择的，其中应用Metropolis Hastings马尔可夫链蒙特卡罗抽样方法来生成后验分布。该模型使用85%的实验数据进行训练，以获得其不可见的参数，并使用其他15%的数据进行测试，以证明其准确性。此外，三个案例研究不同的驱动程序，不同的网格服务频率，和不同的气候进行了探讨，以显示模型的灵活性与不同的输入数据。所开发的模型需要在不同的条件下进行参数整定的训练数据。然而，经过训练，它在估计电池容量衰减百分比方面的准确率超过95%。
2019-11-04 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
Real-Time Physics-Aware Battery Health Monitoring from Partial Charging Profiles via Physics-Informed Neural Networks
National University of Singapore（新加坡国立大学）；University of Michigan（密歇根大学）；Farasis Energy USA, Inc.（孚能科技美国公司）
本文提出一种参数化物理信息神经网络，用于实时监测电池健康，通过高效捕捉内部电池信息，提升电池状态估计精度，实现47倍速度提升。
2025-11-15 cs.SY eess.SY
Resilient Voltage Estimation for Battery Packs Using Self-Learning Koopman Operator
Texas Tech University（德克萨斯理工大学）
本文提出一种基于自学习Koopman算子的两阶段误差校正方案，用于在传感器攻击下实现大容量电池组的高精度实时电压估计。
2026-08-18 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
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
Balancing-Aware Charging Strategy For Series-Connected Lithium-Ion Cells: A Nonlinear Model Predictive Control Approach
University of Pavia（帕维亚大学）
本文提出了一种基于非线性模型预测控制的平衡意识优化充电策略，通过定制的电化学模型实现对系列连接锂离子电池的平衡控制，并在商用电池上验证了其有效性。
2019-02-06 cs.SY eess.SY
