FrancescoRSS
每日分析 / 2026.06.17

2026.06.17 · 电池研究日报

1 份报告 · 5 篇已关联论文。首次分析与当日补充分析分别计数。

本日论文

论文期刊 / 分析日期证据等级研究工具
Battery Management System in Electric Vehicles Using Deep Learning: A Hybrid LSTM-CNN Framework for Enhanced State Estimation and Predictive MaintenanceRUL prediction · SOH estimationIconic Research and Engineering Journals · 2026.06.14Iconic Research and Engineering Journals2026.06.14摘要
A novel framework with dynamic spatiotemporal graph modeling and adaptive optimization for lithium-ion battery remaining useful life predictionRUL predictionApplied Energy · 2026.06.15Applied Energy2026.06.15元数据
A hybrid multi-head attention and Harris Hawks optimized Long Short-Term Memory model for high-precision lithium-ion battery remaining useful life predictionRUL predictionApplications in Energy and Combustion Science · 2026.06.17Applications in Energy and Combustion Science2026.06.17摘要
A self-supervised framework with Gramian angular field for few-shot battery state of health predictionSOH estimationJournal of Energy Storage · 2026.06.17Journal of Energy Storage2026.06.17元数据
A mutual information-boosted multi-head self-attention network for high-precision prediction of lithium-ion battery health status任务未确认Engineering Applications of Artificial Intelligence · 2026.06.17Engineering Applications of Artificial Intelligence2026.06.17元数据
2026-06-17-battery-life-research

电池寿命预测论文每日监测报告（2026-06-17）

今日结论

  • 新增合格论文数：5 篇（脚本阈值 min_score=55；本次全部来自 OpenAlex）。
  • 最值得跟进 1-2 篇：
    1. A novel framework with dynamic spatiotemporal graph modeling and adaptive optimization for lithium-ion battery remaining useful life prediction（Applied Energy，score 66）：期刊质量高，题名直指锂电 RUL，若能获取全文应优先看其动态图/拓扑建模是否真正做了跨电池泛化。
    2. A self-supervised framework with Gramian angular field for few-shot battery state of health prediction（Journal of Energy Storage，score 64）：少样本 SOH 是落地方向痛点，GAF 图像化 + 自监督值得跟进。
  • **总体判断：**今天新增条目集中在深度学习 RUL/SOH 预测，方法包括 CNN-LSTM、multi-head attention、动态图建模、自监督 GAF、互信息增强注意力。除第一篇 PDF 可访问并提供较多方法/指标细节外，其余 Elsevier/ScienceDirect 条目 DOI 页面抓取失败，只能依据 OpenAlex 元数据与搜索结果摘要核验为“摘要/元数据级”。因此本报告优先给出纳入判断与复现风险，不编造全文细节。

论文总览表

# 标题 期刊/来源 日期 评分 任务 模型/方法 数据集 指标 链接 可信度
1 Battery Management System in Electric Vehicles Using Deep Learning: A Hybrid LSTM-CNN Framework for Enhanced State Estimation and Predictive Maintenance Iconic Research and Engineering Journals 2026-06-12 76 SoC/SoH/RUL 多任务预测 CNN + BiLSTM/attention，多任务头，边缘部署 NASA Ames、CALCE；UDDS/US06 工况 SoH RMSE <1.15%，RUL ±18.7 cycles，38 ms latency，0.9 mJ DOI / PDF PDF/正文摘要级，PDF 成功抓取
2 A hybrid multi-head attention and Harris Hawks optimized Long Short-Term Memory model for high-precision lithium-ion battery remaining useful life prediction Applications in Energy and Combustion Science 2026-06-12 73 Li-ion RUL Multi-head self-attention + LSTM + HHO 超参优化 HNEI NMC-LCO 18650 数据集 MAE 0.8265，RMSE 1.3924，R² 0.9997 DOI 摘要/元数据级；DOI 和 ScienceDirect 抓取失败，搜索结果命中 ScienceDirect
3 A novel framework with dynamic spatiotemporal graph modeling and adaptive optimization for lithium-ion battery remaining useful life prediction Applied Energy 2026-06-13 66 Li-ion RUL 动态时空图建模 + 自适应/生物启发优化 + 降维（搜索摘要） 未能从可访问内容确认 未能从可访问内容确认 DOI 摘要/元数据级；DOI/ScienceDirect 抓取失败，仅搜索结果摘要可用
4 A self-supervised framework with Gramian angular field for few-shot battery state of health prediction Journal of Energy Storage 2026-06-15 64 少样本 SOH 预测 自监督 + Gramian Angular Field 时间序列图像化 未能从可访问内容确认 未能从可访问内容确认 DOI 摘要/元数据级；DOI/ScienceDirect 抓取失败，仅搜索结果摘要可用
5 A mutual information-boosted multi-head self-attention network for high-precision prediction of lithium-ion battery health status Engineering Applications of Artificial Intelligence 2026-06-14 60 LIB 容量/RUL/健康状态预测 mutual information-boosted multi-head self-attention 未能从可访问内容确认 未能从可访问内容确认 DOI 摘要/元数据级；DOI/ScienceDirect 抓取失败，仅搜索结果摘要可用

论文卡片 1

基本信息

  • **标题：**Battery Management System in Electric Vehicles Using Deep Learning: A Hybrid LSTM-CNN Framework for Enhanced State Estimation and Predictive Maintenance
  • **作者：**Khushbu；Dr. Vipin
  • **期刊/来源：**Iconic Research and Engineering Journals
  • **日期：**2026-06-12
  • **DOI：**https://doi.org/10.64388/irev9i12-1718891
  • **URL：**https://doi.org/10.64388/irev9i12-1718891
  • **PDF：**https://www.irejournals.com/formatedpaper/1718891.pdf
  • **开放状态：**open access=true；PDF 成功抓取
  • **评分：**76
  • **评分理由：**battery/lithium-ion 命中；RUL/SOH/degradation 命中；attention/LSTM/CNN/deep learning 命中；NASA/CALCE 数据集命中；开放获取。
  • **期刊 tier/ISSN：**ISSN 2456-8880；脚本未给出高 tier；期刊指标未核验。

纳入理由和命中证据

该文明确属于电池寿命/健康预测：题名与摘要均包含 BMS、SoH、RUL、predictive maintenance、battery aging trajectories。PDF 抓取内容显示其将 CNN 用于电压-电流-温度矩阵特征学习，将 LSTM/attention 用于长期退化依赖建模，并以多任务学习同时预测 SoC、SoH、RUL。

创新点

  • CNN 提取 V-I-T 矩阵空间/局部特征。
  • BiLSTM/attention 捕捉长期老化轨迹。
  • 多任务学习同时输出 SoC、SoH、RUL。
  • 声称面向边缘部署：TensorRT/ONNX、INT8 量化、剪枝。

主要内容

研究目标是构建 EV 场景的深度学习 BMS，在动态工况与老化条件下替代或增强 ECM/EKF/启发式传统算法。可访问内容强调传统方法在温度依赖、历史依赖与非线性退化下容易漂移。

模型架构/方法流程

可访问内容显示：输入 V-I-T 多维矩阵 → CNN/可能含 squeeze-and-excitation 提取空间特征 → BiLSTM + attention 建模时序退化 → 多任务输出头预测 SoC、SoH、RUL → TensorRT/ONNX/INT8/pruning 做边缘优化。

输入特征与输出目标

  • **输入特征：**电压、电流、温度矩阵；UDDS、US06 驾驶循环下的时序数据。
  • **输出目标：**SoC、SoH、RUL。

数据来源/数据结构/电池类型/循环协议

  • **电池类型：**锂离子电池/EV 电池。
  • **数据来源：**NASA Ames Prognostics Center、CALCE benchmark；摘要声称 1,150+ cycles。
  • **循环协议/工况：**UDDS、US06；具体电池数量、倍率、温度分层、train/test split 未能从抓取内容完整确认。

结果指标

  • SoC 估计 RMSE/MAE 相比传统方法降低约 71%（可访问摘录）。
  • SoH RMSE < 1.15%。
  • RUL 预测误差约 ±18.7 cycles。
  • 边缘部署：38 ms latency，0.9 mJ energy consumption。

Baseline/对比方法

可访问内容提到 ECM、EKF、heuristic algorithms、传统 LSTM/可能的单任务 ML 作为对照背景；具体 baseline 表格与统计显著性未能完整确认。

泄漏风险、局限性、复现性

  • **泄漏风险：中-高。**NASA/CALCE 小数据集常见风险包括按循环片段随机切分、同一电池进入 train/test、全局归一化泄漏；可访问内容未确认按电池外推划分。
  • **局限性：**期刊可信度一般；方法指标很高但需核验实验划分；EV 工况与公开实验室数据之间有 domain gap。
  • **复现性：低-中。**PDF 可访问，但未从抓取内容确认开源代码、完整超参、随机种子。

对哥哥研究/落地的启发和后续动作

  • 可借鉴多任务 SoC/SoH/RUL 共享表征，但需要强制按电池/按工况外推验证。
  • 后续动作：下载 PDF 全文，核验数据划分；若无代码，仅提取架构作为 baseline，不直接采信 ±18.7 cycles 指标。

数据集/电池体系

见上：锂离子 EV 电池；NASA/CALCE；UDDS/US06；更多细节需全文核验。

EOL/RUL/SOH 定义

  • RUL 单位以 cycles 报告。
  • SOH 似乎为容量/健康状态估计；EOL 阈值未能从抓取内容确认。

模型方法

CNN + LSTM/attention + multi-task learning + edge optimization。

验证设计

声称在 NASA/CALCE benchmark 与驾驶循环下验证；具体 split、外部验证、消融设计未能从可访问内容确认。

指标

RMSE、MAE、RUL cycle error、latency、energy consumption。

泄漏风险

中-高；重点核查同一电池是否跨训练/测试。

复现性

低-中；PDF 可访问但未确认代码开放。

局限性

期刊质量、数据划分、实际 BMS 泛化需审慎。

是否值得跟进

**跟进。**主题高度相关，但作为工程启发/低优先级 benchmark 参考，不作为强证据论文。

论文卡片 2

基本信息

  • **标题：**A hybrid multi-head attention and Harris Hawks optimized Long Short-Term Memory model for high-precision lithium-ion battery remaining useful life prediction
  • **作者：**V. Ashok Gajapathi Raju；Janmenjoy Nayak；Pandit Byomakesha Dash；Manohar Mishra
  • **期刊：**Applications in Energy and Combustion Science
  • **日期：**2026-06-12
  • **DOI：**https://doi.org/10.1016/j.jaecs.2026.100527
  • **URL：**https://doi.org/10.1016/j.jaecs.2026.100527
  • **PDF：**未发现可访问 PDF
  • **开放状态：**open access=true（OpenAlex）；但本次 DOI/ScienceDirect 抓取失败
  • **评分：**73
  • **评分理由：**lithium-ion/RUL/degradation/multi-head attention/LSTM/HHO/dataset/open access 命中。
  • **期刊 tier/ISSN：**ISSN 2666-352X；期刊指标未核验。

纳入理由和命中证据

题名明确为锂离子电池 RUL 预测；摘要元数据说明该方法针对 LIB 退化非线性与时间依赖，提出 MHA_LSTM_HHO 预测 RUL。搜索结果确认 ScienceDirect 页面存在（PII S2666352X26000725），但页面抓取失败。

创新点

  • Multi-head self-attention 与 LSTM 结合。
  • Harris Hawks Optimization 自动优化关键超参。
  • 面向高精度 RUL 预测而非单纯状态估计。

主要内容

该文关注 LIB degradation 的非线性和时序依赖，试图通过 attention 捕捉长期依赖，通过 HHO 提升收敛稳定性与鲁棒性。

模型架构/方法流程

可访问摘要级信息：充放电退化模式/健康特征 → multi-head self-attention 特征学习 → LSTM 时序建模 → HHO 超参搜索 → RUL 输出。

输入特征与输出目标

  • **输入特征：**充放电模式中的退化敏感特征；具体特征列表未能确认。
  • **输出目标：**RUL（cycle 数或等价剩余寿命；单位未能确认）。

数据来源/数据结构/电池类型/循环协议

  • **数据集：**HNEI NMC-LCO 18650 lithium-ion battery degradation dataset。
  • **电池体系：**NMC-LCO 18650 Li-ion。
  • **循环协议/样本数：**未能从可访问内容确认。

结果指标

摘要元数据给出：MAE 0.8265、RMSE 1.3924、R² 0.9997；传统 LSTM MAE 1.4621、RMSE 4.1854；声称 RMSE 降低 62.1%。

Baseline/对比方法

传统 LSTM、attention-based LSTM、其他优化辅助模型、SHA_LSTM_HHO。具体 baseline 配置未能确认。

泄漏风险、局限性、复现性

  • **泄漏风险：中。**单一 HNEI 数据集且 R² 0.9997 偏高，需要核查是否按电池划分、是否使用未来窗口/全局归一化。
  • **局限性：**未获取全文，无法确认外部验证与消融完整性。
  • **复现性：信息不足。**未确认代码/超参范围/随机种子。

对哥哥研究/落地的启发和后续动作

  • 可以把 HHO 优化 LSTM/attention 作为 baseline 或超参搜索对比。
  • 后续动作：获取 ScienceDirect 正文，重点查 split、HNEI 电池数量、窗口构造和是否跨工况验证。

数据集/电池体系

HNEI NMC-LCO 18650 Li-ion degradation dataset。

EOL/RUL/SOH 定义

RUL 预测；EOL 阈值和标签生成方式未能确认。

模型方法

MHA + LSTM + HHO。

验证设计

摘要称在 HNEI 数据和多种 aging conditions 下测试；具体划分未知。

指标

MAE、RMSE、R²。

泄漏风险

中；高 R² 需要严查数据泄漏。

复现性

信息不足。

局限性

单数据集、可访问性不足、外部泛化未知。

是否值得跟进

**跟进。**与 RUL 直接相关，指标完整，但需全文核验。

论文卡片 3

基本信息

  • **标题：**A novel framework with dynamic spatiotemporal graph modeling and adaptive optimization for lithium-ion battery remaining useful life prediction
  • **作者：**T Liu；Weiwei Li；Z K Li；Shangbo Wu；Weiwei Huo
  • **期刊：**Applied Energy
  • **日期：**2026-06-13
  • **DOI：**https://doi.org/10.1016/j.apenergy.2026.128211
  • **URL：**https://doi.org/10.1016/j.apenergy.2026.128211
  • **PDF：**未发现开放 PDF
  • **开放状态：**open access=false
  • **评分：**66
  • **评分理由：**lithium-ion/RUL/life prediction 命中；Applied Energy Q1/core energy systems journal tier 加分。
  • **期刊 tier/ISSN：**core energy systems journal / Q1；ISSN 0306-2619、1872-9118。

纳入理由和命中证据

题名明确为锂离子电池 RUL 预测。搜索结果显示 ScienceDirect 条目存在（PII S0306261926008652），摘要片段称该方法结合 bio-inspired optimization、topological dependency modeling 与 mathematical dimensionality reduction，用于 RUL 评估。DOI 与 ScienceDirect 页面均未能抓取正文。

创新点

  • 可能从电池/特征之间的拓扑依赖构建动态时空图。
  • 引入自适应或生物启发优化。
  • 可能结合降维提升 RUL 评估稳定性。

主要内容

元数据级判断：该文面向锂电 RUL，重点是动态图/时空依赖建模；相比普通 LSTM/attention，可能更关注多变量或多电池之间的结构关系。

模型架构/方法流程

未能从可访问内容确认完整架构。可确认关键词为 dynamic spatiotemporal graph modeling、adaptive optimization、topological dependency modeling、dimensionality reduction。

输入特征与输出目标

  • **输入特征：**未说明/未能从可访问内容确认。
  • **输出目标：**锂电 RUL。

数据来源/数据结构/电池类型/循环协议

  • **电池体系：**Li-ion。
  • **数据来源、循环协议、样本数：**未能从可访问内容确认。

结果指标

未能从可访问内容确认 MAE/RMSE/MAPE/R²/cycle error 等指标。

Baseline/对比方法

未能从可访问内容确认。

泄漏风险、局限性、复现性

  • **泄漏风险：信息不足。**图模型可能在构图时引入全数据统计或测试集拓扑信息，需要重点核查。
  • **局限性：**全文不可访问，无法评估结果可信度。
  • **复现性：信息不足。**未确认代码和数据。

对哥哥研究/落地的启发和后续动作

  • Applied Energy 质量较高，值得优先通过机构/图书馆获取全文。
  • 后续重点：动态图节点/边定义、是否按电池外推、构图是否只使用训练信息。

数据集/电池体系

Li-ion；具体数据集未知。

EOL/RUL/SOH 定义

RUL；EOL 阈值未知。

模型方法

动态时空图建模 + 自适应优化（摘要/元数据级）。

验证设计

未知。

指标

未知。

泄漏风险

信息不足；重点核查图构造泄漏。

复现性

信息不足。

局限性

全文不可访问；方法细节和指标未知。

是否值得跟进

**强烈跟进。**期刊与主题均强，但必须获取全文后再评估。

论文卡片 4

基本信息

  • **标题：**A self-supervised framework with Gramian angular field for few-shot battery state of health prediction
  • **作者：**H X Xu；Yunxiao Shan；Yuxin Cui；Wei Zhang；Minghua Chen；S Li
  • **期刊：**Journal of Energy Storage
  • **日期：**2026-06-15
  • **DOI：**https://doi.org/10.1016/j.est.2026.123210
  • **URL：**https://doi.org/10.1016/j.est.2026.123210
  • **PDF：**未发现开放 PDF
  • **开放状态：**open access=false
  • **评分：**64
  • **评分理由：**battery/SOH/health prediction 命中；Journal of Energy Storage Q1/core storage journal tier 加分。
  • **期刊 tier/ISSN：**core storage journal / Q1；ISSN 2352-152X、2352-1538。

纳入理由和命中证据

题名明确为 battery SOH prediction，并且强调 few-shot。搜索结果显示 ScienceDirect 条目存在（PII S2352152X26028744），摘要片段称该框架通过 imaging 提升特征表达并解决小样本 SOH 预测挑战。

创新点

  • Gramian Angular Field 将时间序列转换为图像表达。
  • 自监督学习用于少样本 SOH 预测。
  • 关注小样本条件，比常规大数据深度模型更贴近实际 BMS 数据稀缺场景。

主要内容

元数据级判断：该研究将电池健康时序转为 GAF 图像，并用自监督预训练/表征学习缓解少样本 SOH 标签不足。

模型架构/方法流程

未能从可访问内容确认完整流程。可确认方向为时间序列 → GAF 图像化 → 自监督表征学习 → few-shot SOH prediction。

输入特征与输出目标

  • **输入特征：**可能为电压/容量/充放电曲线等时间序列；具体未知。
  • **输出目标：**SOH。

数据来源/数据结构/电池类型/循环协议

未能从可访问内容确认。需全文核验是否使用 NASA/CALCE/Oxford/HUST 等公开数据或自建数据。

结果指标

未能从可访问内容确认。

Baseline/对比方法

未能从可访问内容确认。

泄漏风险、局限性、复现性

  • **泄漏风险：中。**自监督预训练若使用测试电池未标注循环，可能构成 transductive 泄漏；GAF 转换若归一化使用全生命周期信息也有风险。
  • **局限性：**全文不可访问；few-shot 设置的真实性需核验。
  • **复现性：信息不足。**未确认代码、预训练任务和采样策略。

对哥哥研究/落地的启发和后续动作

  • 适合作为“少样本 SOH/跨电池迁移”方向跟进。
  • 后续动作：获取全文，检查 few-shot episode 划分、预训练是否跨测试电池、GAF 归一化边界。

数据集/电池体系

未知。

EOL/RUL/SOH 定义

SOH；具体容量型/内阻型定义未知。

模型方法

Self-supervised learning + Gramian Angular Field。

验证设计

未知；需核查 few-shot 协议。

指标

未知。

泄漏风险

中；重点关注自监督预训练数据边界。

复现性

信息不足。

局限性

全文不可访问；数据与指标未知。

是否值得跟进

**强烈跟进。**少样本 SOH 对落地很有价值。

论文卡片 5

基本信息

  • **标题：**A mutual information-boosted multi-head self-attention network for high-precision prediction of lithium-ion battery health status
  • **作者：**Xin Zhang；Tian Hu；Zefang Li；Jiaxu Wang
  • **期刊：**Engineering Applications of Artificial Intelligence
  • **日期：**2026-06-14
  • **DOI：**https://doi.org/10.1016/j.engappai.2026.115446
  • **URL：**https://doi.org/10.1016/j.engappai.2026.115446
  • **PDF：**未发现开放 PDF
  • **开放状态：**open access=false
  • **评分：**60
  • **评分理由：**battery/lithium-ion/battery health/attention 命中；Engineering Applications of Artificial Intelligence Q1 AI applications journal tier 加分。
  • **期刊 tier/ISSN：**AI applications journal / Q1；ISSN 0952-1976、1873-6769。

纳入理由和命中证据

题名指向 lithium-ion battery health status prediction。搜索结果的 ScienceDirect 摘要片段进一步显示研究提出 LIB capacity and RUL prediction 方法，基于 mutual information-boosted multi-head self-attention。

创新点

  • 用 mutual information 增强特征选择或注意力权重。
  • Multi-head self-attention 建模长期依赖/多维健康特征。
  • 同时关注容量与 RUL（来自搜索摘要片段）。

主要内容

元数据级判断：该文面向 LIB 健康状态高精度预测，可能通过互信息选择退化敏感特征，再用多头自注意力预测容量或 RUL。

模型架构/方法流程

未能从可访问内容确认。可确认关键词为 mutual information-boosted、multi-head self-attention、capacity/RUL prediction。

输入特征与输出目标

  • **输入特征：**未说明/未能从可访问内容确认。
  • **输出目标：**battery health status；搜索摘要指 capacity and RUL。

数据来源/数据结构/电池类型/循环协议

未能从可访问内容确认。

结果指标

未能从可访问内容确认。

Baseline/对比方法

未能从可访问内容确认。

泄漏风险、局限性、复现性

  • **泄漏风险：中。**互信息特征选择若在全数据上计算，可能泄漏测试集统计；attention 模型也需按电池划分验证。
  • **局限性：**无全文，无法确认指标与外部验证。
  • **复现性：信息不足。**代码/数据未知。

对哥哥研究/落地的启发和后续动作

  • 可关注互信息用于筛选早期循环健康特征的做法。
  • 后续动作：获取全文，重点核查互信息计算是否 train-only、是否提供不确定性/跨工况验证。

数据集/电池体系

Li-ion；具体数据集未知。

EOL/RUL/SOH 定义

health status/capacity/RUL；具体 SOH/EOL 定义未知。

模型方法

Mutual information-boosted multi-head self-attention。

验证设计

未知。

指标

未知。

泄漏风险

中；尤其关注全数据互信息特征选择。

复现性

信息不足。

局限性

全文不可访问；数据集、指标、baseline 未知。

是否值得跟进

**跟进。**主题相关，方法可借鉴，但优先级低于 Applied Energy/JES 两篇。

后续追踪清单

  1. 优先获取 Applied Energy 动态时空图 RUL 论文全文，核查图构造、外推划分、指标和代码。
  2. 获取 Journal of Energy Storage 自监督 GAF few-shot SOH 全文，核查 few-shot 协议与预训练泄漏。
  3. 对 MHA_LSTM_HHO 论文核验 HNEI 数据划分；若按随机循环片段划分，则降权。
  4. 对互信息增强注意力论文核验 MI 特征选择是否只在训练集计算。
  5. 将本次 5 篇加入文献库待读；除第一篇可下载 PDF 外，其余尝试通过机构/ScienceDirect/作者主页获取。
  6. 若后续确认 Iconic Research and Engineering Journals 条目实验不可复现或疑似模板化，可加入 gold label 低可信/false-positive 规则，降低此类期刊权重。