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
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
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
Influence of Cell Position on the Capacity of Retired Batteries: Experimental and Statistical Studies
本文通过实验与ANOVA统计分析退役电池模组,发现36个电芯平均容量健康状态达95%但存在2.4%离散度,且性能与模组内位置无关,从而强调二次利用电池需评估离散度并开发热管理与均衡系统。
2025-07-18 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 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
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
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
Frequency domain parametric estimation of fractional order impedance models for Li-ion batteries
针对锂离子电池阻抗估计问题,提出基于分数阶等效电路模型的频域参数估计方法,可在任意感兴趣频率计算、适配多种激励信号,经仿真和商用Samsung 48X电芯测量验证有效。
2023-05-25 cs.SY eess.SY
Health-Aware Fast Charging Using Homogenized Model with Heterogeneous Internal State Reconstruction
TNO(荷兰应用组织);Stanford University(斯坦福大学);Politecnico di Torino(都灵理工大学);Eindhoven University of Technology(埃因霍温理工大学)
本文提出一种基于均质模型与PID控制器的无沉积快速充电策略,通过重建三维电化学变量分布,非侵入性估计异质阴极电位,实现安全、降解感知和高效锂离子电池快速充电。
2026-05-15 cs.SY eess.SY
Lite-Sparse Hierarchical Partial Power Processing for Second-Use Battery Energy Storage Systems
电动汽车(EV)的爆炸性增长导致退役EV电池激增,尽管有近80%的可用容量,但这些电池通常被回收利用。将汽车电池重新用于二次使用电池储能系统(2-BESS)具有经济和环境效益。二次使用电池面临的挑战是其健康状况的异质性。本文介绍了一种新的策略,以优化2-BESS的性能,尽管个别电池的异质性,同时降低成本的电源转换。在本文中,在电池供应的功率异质性的统计分布被用来优化选择的功率转换器和设计的电池储能系统(BESS)内的功率流,以优化功率容量。通过利用一种新的精简稀疏分层部分功率处理(LS-HiPPP)方法,我们研究了部分功率处理(PPP)中的层次结构如何划分功率转换器,以显著降低转换器额定值,处理更少的功率以实现更低成本(更低效率)的转换器的高系统效率,并通过仅需要最少数量的相同转换器来利用规模经济。我们的研究结果表明,LS-HiPPP架构提供了电池利用率和转换器成本之间的最佳权衡,并在所有情况下具有比传统的部分功率处理(C-PPP)更高的系统效率。
2022-09-09 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
Performance Analysis of Empirical Open-Circuit Voltage Modeling in Lithium Ion Batteries, Part-3: Experimental Results
本文基于28次OCV表征实验数据,计算并分析了电池间差异、循环倍率误差和曲线拟合误差三种不确定性指标,确立了C-Rate与OCV-SOC模型不确定性的关系,有助于电池研究人员权衡测试时间与建模不确定性,并准确表征电池管理功能中的不确定性。
2023-06-28 cs.SY eess.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
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
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
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
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
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
Temperature-Controlled Smart Charging for Electric Vehicles in Cold Climates
本文提出温控智能充电技术,通过分析电池热惯性和动态充电模型优化加热与充电协调,并设计加速算法,实现太阳能充电站成本降低12.5%--18.4%。
2025-01-02 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
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
Comprehensive performance comparison among different types of features in data-driven battery state of health estimation
该研究构建物理信息引导的高斯过程回归模型用于电池健康状态估计,基于大量电池循环数据对比不同特征与机器学习方法性能,验证了物理特征结合合适机器学习方法在估计精度、鲁棒性及跨电池知识迁移上的优越性。
2023-08-27 cs.SY eess.SY
When voltage sensors fail: Electrochemically constrained fault-tolerant state estimation for flat-plateau LFP batteries
Institute for Materials Research (IUMAT), Hasselt University(哈瑟尔特大学材料研究所);Water and Energy Transition, VITO(VITO水与能源转型部门);EnergyVille, Thor Park 8310, Genk, 3600(EnergyVille)
针对磷酸铁锂电池平坦电压平台导致SOC估计困难的问题,提出电化学约束的残差偏差补偿双扩展卡尔曼滤波器,通过不确定初始化调试与电压偏差容纳,显著降低SOC估计误差,实现容错状态估计。
2026-10-06 cs.SY eess.SP 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
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
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
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
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
Impact of Thermal Variability on SOC Estimation Algorithms
本文旨在研究不同温度下锂离子电池的SOC估算问题,通过比较扩展卡尔曼滤波算法与库仑计数法,发现SOC与温度呈非线性相关,且石墨烯电池在最佳温度下SOC最高。
2023-02-25 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
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
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
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
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
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
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
Enhancing In-Situ Structural Health Monitoring through RF Energy-Powered Sensor Nodes and Mobile Platform
本研究提出嵌入混凝土的射频能量供电传感器节点(RF-SNs),结合主动ZigBee与被动方波啁啾反向散射通信,解决原位结构健康监测的供电与信号衰减问题,实现低信噪比下的有效数据传输。
2023-08-20 cs.NI 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
Weather-Driven Priority Charging for Battery Storage Systems in Hybrid Renewable Energy Grids
针对可再生能源波动及电池储能分配次优、退化加速等问题,本文提出融合实时天气与负荷监测的两级优先充电算法,以提升储能系统效率、寿命及电网韧性。
2025-02-19 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
Lie Generator Networks Extract EIS-Grade Battery Diagnostics from Pulse Relaxation Data
University of Southern California(南加州大学)
本文提出利用李生成网络从脉冲弛豫数据中提取电池诊断信息,无需传统EIS设备,实现了高精度的电池健康监测与寿命预测。
2026-05-14 cs.SY eess.SY
Public Battery Field Data
Astrolabe Analytics, Inc.(星盘分析公司)
本文整理并发布了来自16个研究团队的22个公共电池现场数据集,涵盖多种应用,包含223 GB数据及293个故障,旨在为电池现场诊断、故障检测和健康估计提供平台,并促进电气化发展。
2026-10-19 cs.SY eess.SY