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
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
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
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
Battery State of Health Estimation and Incremental Capacity Analysis under Dynamic Charging Profile Using Neural Networks
University of Michigan（密歇根大学）；Ford Motor Company（福特汽车公司）
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
Separating multiscale Battery dynamics and predicting multi-step ahead voltage simultaneously through a data-driven approach
提出一种基于序列到序列编码器-解码器的健康感知电池模型，通过无监督推断缓慢变化的退化与荷电状态，实现快速动态分离与多步超前电压预测，并在真实驾驶工况数据集上验证。
2023-10-22 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
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
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 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
Battery Cloud with Advanced Algorithms
Gotion Inc（国轩高科股份有限公司）
电池云或云电池管理系统利用云计算能力和数据存储来提高电池的安全性、性能和经济性。这项工作将展示电池云，它收集来自电动汽车和储能系统的测量电池数据。应用先进的算法来提高电池性能。使用远程车辆数据，我们训练和验证的人工神经网络估计包SOC在车辆充电。然后在车辆上测试该策略。此外，高精度和车载电池的健康状态估计方法的基础上的差分电压（DVA）和增量容量分析（ICA）的电动汽车。使用不同温度下电池的循环数据，我们提取充电周期并计算DVA和ICA曲线，从中提取，分析并最终用于估计健康状态。针对电池安全问题，提出了一种数据驱动的热异常检测方法。该方法可以在非常早期的阶段检测到不可预见的异常，例如热失控。随着物联网的进一步发展，将有越来越多的电池数据可用。电池云的潜在应用还包括电池制造、回收和电动汽车电池交换等领域。
2022-05-12 cs.AI 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
State of Health Estimation for Battery Modules with Parallel-Connected Cells Under Cell-to-Cell Variations
针对并联单体差异下仅有模组测量时的SOH估计难题，提出基于信息论特征选择与RVR的ICA/DVA方法，实现高精度、带可信区间且适合车载部署的稀疏估计。
2024-05-19 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
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
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
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
User-centric Vehicle-to-Grid Optimization with an Input Convex Neural Network-based Battery Degradation Model
Delft Center for Systems and Control (DCSC), Department of Mechanical Engineering, Delft University of Technology (TU Delft)（代尔夫特系统与控制中心（DCSC）、机械工程系、代尔夫特理工大学）
提出一种基于输入凸神经网络（ICNN）电池退化模型和用户偏好的多目标优化V2G方法论，在保证计算效率的同时有效平衡V2G经济收益与电池健康退化。
2025-05-16 cs.LG cs.SY eess.SY
Learning battery model parameter dynamics from data with recursive Gaussian process regression
University of Oxford（牛津大学）；RWTH Aachen University（亚琛工业大学）
本文提出结合模型与数据驱动的递归高斯过程回归方法，构建统一的联合状态–参数估计器，以在变化工况和数据缺口下准确估计并预测电池容量与内阻。
2023-04-26 cs.LG cs.SY eess.SY
Adaptive Extended Kalman Filtering for Battery State of Charge Estimation on STM32
本文提出一种基于最大似然估计协方差自适应的AEKF方法用于电池SoC估计，并通过优化窗口大小在STM32上实现了高精度、低计算量的嵌入式部署。
2025-04-08 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
A Computationally Informed Realisation Algorithm for Lithium-Ion Batteries Implemented with LiiBRA.jl
随着电池电动汽车（BEV）的采用迅速增加，实时电池建模的进步已迅速成为一种要求。在本文中，一个开源的，改进的离散实现算法，实现在朱莉娅的降阶，实时能力的物理模型的创建和仿真。这项工作将Doyle-Fuller-Newman电化学模型简化为连续形式的传递函数，并引入了一种计算上知情的离散实现算法（CI-REALIZATION）来生成降阶模型。获得了常规离线模型创建的进一步改进，以及实现了基于ARM的计算架构的车载模型创建。此外，灵敏度分析所得到的计算时间完成，以及实验验证的全球统一的轻型车辆测试程序（WLTP）的LG化学。M50 21700参数化。与传统的Matlab实现的离散实现算法（MATLAB）的性能比较完成展示了88%的平均计算时间的改善。最后，基于ARM的编译进行了研究，用于车载模型生成，与x86实现相比，性能降低了43%，但仍能在5.5秒内生成准确的模型。
2022-03-31 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
Sizing of Battery Considering Renewable Energy Bidding Strategy with Reinforcement Learning
University of Hyogo（兵库大学）
本文提出一种基于强化学习的算法，用于在考虑可再生能源竞价策略时优化电池储能系统的容量设计。
2026-02-23 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
A Lightweight Energy Management Method for Hybrid PV/Battery/Load Systems
针对混合光伏/电池/负载系统，提出计算轻量级、价格响应快且无需强硬件的能量管理算法，其运行时间仅为MPC的千分之一，成本较SCM低3.2%，提供电网服务时与MPC成本差异更小。
2025-02-13 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
Online energy management system for a fuel cell/battery hybrid system with multiple fuel cell stacks
本文提出一种基于混合整数二次规划的多燃料电池堆混合动力系统在线能量管理方法，通过独立控制各电堆，实现比动态规划快2243倍的计算速度并显著降低总成本与部件退化。
2025-06-23 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
Predicting BESS Degradation with Uncertainty Quantification: A Probabilistic Framework for Battery Energy Storage Systems
Technical University of Munich（慕尼黑工业大学）；Kempten University of Applied Sciences（凯姆滕应用科学大学）
研究针对电池储能系统退化预测问题，引入基于深度学习的概率框架，利用压力因素生成容量损失预测分布，通过随机轨迹传播不确定性，可扩展至全系统数据，经现场数据测试能有效模拟退化行为，为能源系统资产管理提供实用工具。
2026-07-16 cs.SY eess.SY
