2026.07.03 · 电池研究日报

2026-07-03 电池寿命预测论文每日监测

今日结论

• 今日新增合格论文：5 篇，均属于电池 SOH/RUL/寿命/退化轨迹预测范围。
• 最值得跟进：
  1. State of Health and Remaining Useful Life Prediction for Lithium-Ion and Sodium-Ion Batteries Based on Segmental Incremental Capacity Features（ACS Applied Energy Materials）：同时覆盖锂离子与钠离子，使用局部充电段 ICA 特征做 SOH/RUL 联合预测，工程落地性较强。
  2. Uncertainty-Aware Early Battery Life Prediction with Composite-Kernel Gaussian Process Regression and Conformalized Adaptive Intervals（Algorithms）：重点在早期寿命预测的不确定性校准，适合作为哥哥后续 RUL 可信区间/风险预警模块的参考。
• 总体判断：本批以数据驱动与物理约束混合方法为主，XGBoost、GPR+conformal、Transformer/LSTM、PINN 都出现；但部分文章只能核验到摘要/元数据，报告中已标注可信度，避免编造全文细节。

论文总览表

论文卡片 1

基本信息

• 标题：State of Health and Remaining Useful Life Prediction for Lithium-Ion and Sodium-Ion Batteries Based on Segmental Incremental Capacity Features
• DOI/URL：https://doi.org/10.1021/acsaem.6c01374
• 期刊/会议/预印本平台：ACS Applied Energy Materials
• 发表日期：2026-06-30
• 作者和机构：Hong Qian、Zhong Tang、Yuhao Liu、Xiangyang Liu、Haoyang Cui；机构未能从可访问内容确认
• 通讯作者：未能确认
• 脚本评分：77
• 期刊指标核验：未核验；脚本标注为 energy materials journal / Q1，但本报告未独立查询 JCR/JIF/CiteScore/SJR。

纳入理由和命中证据

题名与摘要均直接命中 SOH 与 RUL prediction；摘要写明针对 partial data conditions，利用 partial charging data 中的 incremental capacity（dQ/dV）特征，同时估计 SOH 与 RUL。主题明确属于电池寿命预测，不是普通材料合成或储能调度。

创新点

• 将 segment-based / voltage-binned dQ/dV 特征与统计描述符结合，处理不完整充电数据。
• 多输出 XGBoost 同时预测 SOH 与 RUL。
• 覆盖锂离子与钠离子电池，强调跨化学体系泛化。
• 使用 SHAP 解释特征贡献，摘要指出 voltage kurtosis 与 mid-range dQ/dV 特征重要。

主要内容

文章提出面向 BMS 的局部充电段退化信息提取框架，解决完整充电循环不可得时的健康估计问题。摘要声称模型在多个锂离子和钠离子数据集上验证，并具备实时推理潜力。

模型架构/方法流程

可访问内容确认的方法流程为：partial charging data → dQ/dV 曲线/电压分箱特征与统计 descriptors → 数据过滤、voltage binning、超参数优化 → XGBoost multi-output regression → SOH/RUL 输出 → SHAP 解释。更具体的特征维度、分箱宽度、训练划分未能确认。

输入特征与输出目标

• 输入特征：局部充电数据提取的 dQ/dV features、voltage-binned dQ/dV、统计描述符；摘要特别提到 voltage kurtosis。
• 输出目标：SOH 与 RUL。

数据来源/数据结构/电池类型/循环协议

• 电池类型：Lithium-ion 与 Sodium-ion batteries。
• 数据来源：多个数据集，但名称、样本数、循环协议、温度/倍率未能从可访问页面确认。
• 跨域验证：摘要称 generalization capability across different battery chemistries。

结果指标

摘要报告：SOH MAE 0.219%、R² 0.985；RUL RMSE as low as 0.888 cycles；平均推理时间 6 ms。

Baseline/对比方法

摘要只提到 ablation studies；具体 baseline 名称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。若多个数据集/同一电芯的循环片段随机切分，需要检查是否按电芯/批次划分。
• 局限性：全文未开放/抓取失败，无法核验数据划分、外部验证细节和完整 baseline。
• 复现性：信息不足；未能确认代码和数据链接。

对哥哥研究/落地的启发和后续动作

• 值得跟进 partial-charge ICA 特征，尤其适合现实 BMS 无完整循环场景。
• 后续动作：尝试通过 ACS 页面/机构访问下载全文；重点核验数据集名称、跨 Li/Na 泛化设置和是否存在同电芯泄漏。

论文卡片 2

基本信息

• 标题：AI-Enhanced Battery Degradation Prediction for Solar Home Systems in Sub-Saharan Deployment Conditions
• DOI/URL：https://doi.org/10.24312/ucp-jeit.04.01.653
• 期刊/会议/预印本平台：UCP Journal of Engineering & Information Technology
• 发表日期：2026-06-30
• 作者和机构：H. C. O. Unegbu、D. S. Yawas；Department of Mechanical Engineering, Ahmadu Bello University, Zaria, Nigeria
• 通讯作者：H. C. O. Unegbu（PDF 标注 Corresponding Author，Email: chidieberehyg@gmail.com）
• 脚本评分：72
• 期刊指标核验：未核验。

纳入理由和命中证据

PDF 摘要明确写明“accurate prediction of battery state of health (SOH)”和 battery degradation prediction；正文引言还称目标包括 predict SOH and estimate RUL of SHS batteries using real-time sensor data。因此属于部署环境下电池健康预测。

创新点

• 面向 Sub-Saharan Africa solar home systems 的高温、DOD、负载变化等实际部署条件。
• 比较 LSTM、XGBoost、Transformer，并用 SHAP 解释温度、DOD、charge rate 影响。
• 在 Raspberry Pi 4 上测试推理，关注低资源边缘部署。

主要内容

文章针对离网 SHS 电池在高温和不规则负载下提前失效的问题，构建数据驱动退化预测框架。其价值在于场景化：不是只做 EV 标准公开集，而是把 SHS 运维和边缘部署纳入分析。

模型架构/方法流程

可访问 PDF 确认三类模型：LSTM、XGBoost、Transformer。流程为合成传感器/运行数据 → 特征变量（温度、DOD、charge rate、噪声等）→ 模型训练评估 → SHAP 解释 → Raspberry Pi 4 推理 benchmark。Transformer 在摘要中被称为表现最好。

输入特征与输出目标

• 输入特征：temperature variability、depth of discharge、charge rate fluctuations、measurement noise；正文还强调 real-time sensor data 和 usage frequency。
• 输出目标：SOH/退化预测；正文目标提到 RUL 估计，但可访问摘要主要报告 SOH。

数据来源/数据结构/电池类型/循环协议

• 数据来源：高分辨率 synthetic dataset。
• 规模：1000 battery cycles。
• 场景：Solar Home Systems in Sub-Saharan Africa；具体电池化学体系未能确认。
• 风险：合成数据是否贴近真实 SHS 长期实测，需要重点审查。

结果指标

摘要确认使用 MAE、RMSE、R²；具体数值除“Transformer 最高准确率/最低误差方差”和 Raspberry Pi 4 sub-300 ms 外，未在抓取片段中确认。

Baseline/对比方法

LSTM、XGBoost、Transformer 三者互为对比；传统物理/经验模型只是背景对照，未确认有定量 baseline。

泄漏风险/局限性/复现性

• 泄漏风险：中等到高。合成 1000 cycles 若按时间点随机 split 可能高估泛化；需要核验是否按电池/场景划分。
• 局限性：synthetic dataset 是主要限制，真实部署数据不足。
• 复现性：PDF 可访问；未能确认代码/数据是否开源。

对哥哥研究/落地的启发和后续动作

• 对边缘端 BMS 有参考价值：模型不仅看误差，也看 latency/memory。
• 后续动作：若要纳入 benchmark，应降低证据权重，优先找真实 SHS/field battery datasets 验证同类方法。

论文卡片 3

基本信息

• 标题：Uncertainty-Aware Early Battery Life Prediction with Composite-Kernel Gaussian Process Regression and Conformalized Adaptive Intervals
• DOI/URL：https://doi.org/10.3390/a19070535
• 期刊/会议/预印本平台：Algorithms
• 发表日期：2026-07-01
• 作者和机构：Kunchang Wu、Xiaomin Wu、Hua Shi、Miao He；机构未能从可访问内容确认
• 通讯作者：未能确认
• 脚本评分：71
• 期刊指标核验：未核验。

纳入理由和命中证据

题名与摘要直接写明 early battery life prediction、early-cycle battery RUL prediction、uncertainty quantification。使用 MIT-Stanford battery dataset 的 124 cells 做早期 RUL/UQ 评估，主题高度匹配。

创新点

• 不只做点预测，而是系统评估 10 种不确定性配置。
• composite-kernel GPR 结合 RBF 与 white noise kernel。
• 比较 Bayesian native UQ、split conformal prediction、jackknife+、bootstrap、Conformalized Adaptive Intervals。
• 在一年后 distribution-shifted Secondary test set 上报告经验鲁棒性。

主要内容

文章围绕早期循环信号弱、训练数据少时如何给出可靠预测区间展开，核心价值是 RUL 可信区间校准而不是单纯追求 RMSE。

模型架构/方法流程

可访问摘要确认：早期特征 → GPR-CK(RBF + W) 核心预测器 → 多种 UQ/校准方法 → Primary test 与一年后 Secondary test 上评估 coverage 与 interval sharpness。具体特征名和训练细节未能确认。

输入特征与输出目标

• 输入特征：早期循环特征；摘要称 feature dimensionality analysis，未列出具体特征。
• 输出目标：RUL/寿命点预测与 prediction intervals。

数据来源/数据结构/电池类型/循环协议

• 数据集：MIT-Stanford dataset of 124 cells。
• 测试设计：Primary test set + distribution-shifted Secondary test set collected one year later。
• 电池体系：Lithium-ion batteries；具体循环协议未能从可访问内容确认。

结果指标

摘要报告：Primary test 在 95% nominal level 下 GPR variants 达到 100% prediction-interval coverage；CAI 产生 sharpest coverage-valid intervals；Secondary shift 下 GPR-CK(RBF + W) empirically retains 97.5% coverage；leave-one-out calibration factor δ=1.39 with white noise kernel vs δ=3.43 without it。

Baseline/对比方法

UQ baseline 包括 Bayesian native UQ、split conformal、jackknife+、bootstrap；点预测 baseline 未能确认。

泄漏风险/局限性/复现性

• 泄漏风险：中等。MIT-Stanford 公开集常见风险是特征选择/归一化是否跨全数据；需全文核验。
• 局限性：摘要级核验，具体 early-cycle 特征、split 规则和 interval width 未能确认。
• 复现性：信息不足；未能确认代码开源。

对哥哥研究/落地的启发和后续动作

• 强烈建议跟进：conformalized adaptive intervals 可用于哥哥项目中的“给出 RUL 置信带/风险阈值”模块。
• 后续动作：再次尝试 MDPI 全文抓取或手动下载 PDF；提取 UQ 指标和 split 代码细节。

论文卡片 4

基本信息

• 标题：Early-Cycle Lifetime Prediction of Lithium-Ion Batteries with Ultra-Short Cycle Life Using Transferable Statistical Features
• DOI/URL：https://doi.org/10.3390/batteries12070236
• 期刊/会议/预印本平台：Batteries
• 发表日期：2026-06-29
• 作者和机构：Yuxiang Kuang、Dongxu Guo、Yuejiu Zheng；School of Mechanical Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China
• 通讯作者：Dongxu Guo（MDPI 页面星号标注 Author to whom correspondence should be addressed，Email: guodongxu@usst.edu.cn）
• 脚本评分：68
• 期刊指标核验：未核验；脚本标注为 specialized battery journal。

纳入理由和命中证据

题名明确为 early-cycle lifetime prediction；摘要说明“early cycle-life prediction”“capacity fade”“degradation signals”，直接属于电池寿命预测。

创新点

• 只用第 10 与第 3 循环之间的 discharge capacity-difference profiles 提取早期退化电压形貌。
• 提出 EDVM-based framework，包含两个统计特征和一个 degradation mode voltage signature（DMVS）。
• 用 DMVS 解释早期退化异质性，并聚类出三类退化行为。

主要内容

文章面向超短循环寿命电芯的快速筛选、开发与制造质控，强调在初期容量衰减非常有限时提取弱退化信号。MDPI 页面图注确认有 degradation trajectories/lifespan distribution、XGBoost 与 GPR/Elastic Net 对比、SHAP feature attribution、DMVS clustering。

模型架构/方法流程

流程为：提取第 10 与第 3 循环 discharge capacity-difference profiles → 构建 EDVM 统计特征与 DMVS → XGBoost 预测 cycle life → 与 GPR、Elastic Net 比较 → SHAP 解释 → 分析 DMVS 聚类与寿命分布。

输入特征与输出目标

• 输入特征：两个 statistical features + 一个 DMVS feature；来自早期 discharge capacity-difference profiles。
• 输出目标：cycle life / lifetime。

数据来源/数据结构/电池类型/循环协议

• 电池类型：commercial NCM811 cylindrical cells。
• 样本数：138 cells。
• 使用窗口：first 10 cycles。
• 循环协议细节：需继续阅读全文表格确认；当前抓取片段未完整覆盖。

结果指标

摘要报告：使用前 10 cycles 达到 MAPE 12.29%。图注显示用 predicted vs true cycle life scatter 和 error distribution box plots 展示性能。

Baseline/对比方法

MDPI 图注确认 baseline 包括 GPR 与 Elastic Net；XGBoost 为主框架。

泄漏风险/局限性/复现性

• 泄漏风险：中等。需确认 138 电芯是否按 cell-level split，是否在全体上进行特征筛选/调参。
• 局限性：只在 NCM811 圆柱电芯上验证，跨化学体系/跨制造批次泛化仍需外部验证。
• 复现性：全文页面可访问；代码/原始数据开源状态未在当前抓取片段确认。

对哥哥研究/落地的启发和后续动作

• 可借鉴“极早期差分曲线 + 低维统计/物理可解释特征”的思路，适合制造质检和快速筛选。
• 后续动作：下载全文并抽取 EDVM/DMVS 的数学定义，加入早期寿命预测特征库。

论文卡片 5

基本信息

• 标题：Taylor polynomial-constrained physics-informed neural network for battery degradation modeling and SOH estimation
• DOI/URL：https://doi.org/10.1088/1361-6501/ae83d4
• 期刊/会议/预印本平台：Measurement Science and Technology
• 发表日期：2026-06-29（Accepted Manuscript online）
• 作者和机构：Wenlan Xu；Chongqing University, No. 55, South University Town Road, Chongqing High-Tech Zone, Chongqing, 400044, China
• 通讯作者：Wenlan Xu（IOP 页面列出 Email: 20230025@stu.cqu.edu.cn；单作者文章，通讯角色未以“corresponding author”明示，但可联系邮箱为其本人）
• 脚本评分：61
• 期刊指标核验：未核验。

纳入理由和命中证据

摘要明确写明 SOH estimation、battery degradation modeling、battery degradation dynamics，并提出 Taylor-PINN 用于 SOH 估计。主题符合电池健康预测。

创新点

• 将 Taylor polynomial 嵌入 PINN，用 Taylor residual 约束相邻循环间的平滑退化动力学。
• 引入 monotonicity constraint 抑制不物理的容量回弹。
• 用 parallel LSTM 分别从 CC voltage data 与 CV current data 提取健康特征。
• 在 XJTU 数据集与 TJU 数据集上验证，强调跨化学体系/工况泛化。

主要内容

IOP accepted manuscript 页面和摘要显示，该研究试图把物理一致性约束与深度学习结合，解决纯数据驱动缺乏物理解释、物理模型依赖先验参数的问题。

模型架构/方法流程

流程为：charging process health feature selection → P-LSTM 从 CC 电压和 CV 电流提取 HFs → Taylor-PINN degradation model → Taylor residual constraint + monotonicity constraint + data fitting joint loss → SOH 输出。完整网络层数、超参和训练细节未能从可访问页面确认。

输入特征与输出目标

• 输入特征：constant-current voltage data、constant-voltage current data 中的健康特征。
• 输出目标：SOH / degradation trajectory。

数据来源/数据结构/电池类型/循环协议

• 数据集：XJTU dataset；TJU battery dataset。
• 电池类型：Lithium-ion batteries；摘要称跨 cathode chemistries and operating conditions。
• 具体电芯数量、温度/倍率/协议：未能从摘要页面确认。

结果指标

摘要称 Taylor-PINN 在不同 batteries 与 charge-discharge protocols 下取得 lowest MAE and RMSE，并有 ablation studies；具体数值未能确认。

Baseline/对比方法

摘要只称 outperform other SOTA models；具体 baseline 名称未能从可访问页面确认。

泄漏风险/局限性/复现性

• 泄漏风险：中等。SOH 估计论文常见风险是循环片段随机切分和归一化泄漏；需全文确认。
• 局限性：IOP 页面提示当前访问未订阅 Version of Record，只能看到 accepted manuscript 摘要级信息。
• 复现性：信息不足；未确认代码/数据链接。

对哥哥研究/落地的启发和后续动作

• 可跟进 Taylor residual + monotonicity constraint，作为容量轨迹模型的正则项。
• 后续动作：如果需要 PINN 方向，优先核验其数学形式和 ablation 贡献，避免只停留在“物理约束”概念层。

数据集/电池体系

• ACS Applied Energy Materials：多数据集，锂离子 + 钠离子；具体样本数和循环协议需全文确认。
• UCP JEIT：Solar Home Systems 场景，1000 cycles synthetic dataset，包含温度、DOD、充电倍率和噪声。
• Algorithms：MIT-Stanford 124 cells，Primary test set 与一年后 Secondary distribution-shift set。
• Batteries：138 个商用 NCM811 圆柱锂离子电芯，使用前 10 cycles 的早期特征。
• Measurement Science and Technology：XJTU 与 TJU battery datasets，锂离子，跨 cathode chemistries/operating conditions 的摘要级验证。

EOL/RUL/SOH 定义

• SOH：本批多以容量型健康状态为主；ACS 与 UCP 明确 SOH，Taylor-PINN 明确 SOH estimation。
• RUL/lifetime/cycle life：ACS 直接预测 RUL；Algorithms 预测 early-cycle RUL/life 并给预测区间；Batteries 预测 total cycle life。
• EOL 阈值：本次可访问内容未明确各文使用的 EOL 阈值，需全文核验。
• 标签泄漏提醒：所有涉及 early-cycle split、公开数据集和合成数据的论文都需检查是否按电芯划分、是否在全数据上归一化/调参。

模型方法

• 树模型：ACS 与 Batteries 均使用 XGBoost；ACS 为 multi-output SOH/RUL，Batteries 为 EDVM/DMVS 特征到 cycle life。
• 深度学习：UCP 对比 LSTM/Transformer，Taylor-PINN 使用 P-LSTM 提取 HFs。
• 不确定性：Algorithms 使用 composite-kernel GPR、Bayesian UQ、conformal、jackknife+、bootstrap、CAI。
• 物理约束：Taylor-PINN 引入 Taylor residual 和 monotonicity constraint。

验证设计

• 明确外部/迁移验证：ACS 摘要称跨 Li-ion/Na-ion 数据集泛化；Algorithms 有一年后 Secondary shift set；Taylor-PINN 有 XJTU/TJU 双数据集验证。
• 边缘部署验证：UCP 在 Raspberry Pi 4 上做推理时间/资源 benchmark。
• 需要继续核验：各文 cell-level split、外部测试集大小、baseline 强度、代码/数据公开性。

是否值得跟进

• 强烈跟进：ACS 的 partial-charge ICA SOH/RUL 联合预测；Algorithms 的 conformal/UQ early RUL。
• 跟进：Batteries 的 EDVM/DMVS 早期寿命特征；Taylor-PINN 的 Taylor residual 与单调约束。
• 观望：UCP SHS 文章因合成数据占主导，适合作为应用场景与边缘部署参考，不宜直接作为高可信 benchmark。

后续追踪清单

1. 下载/机构访问 ACS 文章全文，核验 Li-ion/Na-ion 数据集、split 与 baseline。
2. 重新抓取 Algorithms/MDPI 全文，提取 UQ 评价指标、prediction interval width、代码/数据开源状态。
3. 从 Batteries 文章提取 EDVM/DMVS 数学定义，加入早期寿命预测特征库。
4. 对 UCP SHS 文章降低证据权重：优先查是否有真实 SHS field data；若只有合成数据，不宜作为强 benchmark。
5. 对 Taylor-PINN 提取 Taylor residual 与 monotonicity loss 公式，评估能否作为哥哥容量轨迹预测模型的正则项。