FrancescoRSS
每日分析 / 2026.07.10

2026.07.10 · 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
A review of deep learning-based methods for lithium-ion battery remaining useful life predictionRUL prediction期刊未确认 · 2026.07.10期刊未确认2026.07.10未确认
A machine learning–based optimal charging strategy for PV-assisted electric vehicle systems incorporating second-life batteries under degradation constraints任务未确认Scientific Reports · 2026.07.10Scientific Reports2026.07.10全文
GNN-Based Degradation Model Development for an NMC Li-Ion BatterySOH estimationEnergies · 2026.07.10Energies2026.07.10未确认
Lithium-Ion Battery SOH Estimation Driven by Multi-Level Features from Adaptive Optimal Intervals and HISSA-BiLSTMSOH estimationJournal of The Electrochemical Society · 2026.07.10Journal of The Electrochemical Society2026.07.10未确认
A large multimodal foundation model for unified state-of-health and remaining useful life estimation of lithium-ion batteriesRUL predictionJournal of Energy Storage · 2026.07.10Journal of Energy Storage2026.07.10未确认
2026-07-10-battery-life-research

2026-07-10 电池寿命预测论文每日监测

今日结论

  • 本次脚本捕捉到 papers[] 新增 5 篇，其中 3 篇与 SOH/RUL 直接相关，1 篇为综述，1 篇为“退化约束/健康感知充电控制”边缘相关。
  • 最值得跟进：
    1. A large multimodal foundation model for unified state-of-health and remaining useful life estimation of lithium-ion batteries（Journal of Energy Storage）：题名直指统一 SOH/RUL，可能是大模型/多模态方向的新线索，但全文未开放，当前只能摘要/元数据级核验。
    2. GNN-Based Degradation Model Development for an NMC Li-Ion Battery（Energies）：GNN + CNN/LSTM 预测 NMC 电池 SOH，摘要给出 R²=0.989。
  • 总体判断：今天的直接寿命预测增量质量中等偏高；ScienceDirect/MDPI/SPIE 页面有 403 或抓取失败，需后续用机构网络或手工下载补全文。

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
A machine learning–based optimal charging strategy for PV-assisted electric vehicle systems incorporating second-life batteries under degradation constraints Scientific Reports 2026-07-07 73 健康感知充电控制；非显式寿命预测 XGBoost OCDC、SHAP、PV-EMS Kaggle EV charging telemetry + 24h PV/ESS 仿真 CV acc 0.995、F1 0.994、PV utilization 22.62%、TSI 4.57 °C·h https://doi.org/10.1038/s41598-026-60510-0 全文级
GNN-Based Degradation Model Development for an NMC Li-Ion Battery Energies 2026-07-08 71 NMC Li-ion SOH prediction GraphSAGE + CNN + LSTM 自建 16 个 NMC cell aging dataset（网页摘要/搜索片段确认） R² 0.989、MSE 3.23e-6 https://doi.org/10.3390/en19143228 摘要/元数据级，页面 403
Lithium-Ion Battery SOH Estimation Driven by Multi-Level Features from Adaptive Optimal Intervals and HISSA-BiLSTM Journal of The Electrochemical Society 2026-07-07 66 Li-ion SOH estimation adaptive interval + MHEI + 16D features + HISSA-BiLSTM selected NASA cells feature correlation +8.3%、data length -50%；具体 SOH 误差未能确认 https://doi.org/10.1149/1945-7111/ae8724 摘要/页面级，全文需订阅
A large multimodal foundation model for unified state-of-health and remaining useful life estimation of lithium-ion batteries Journal of Energy Storage 2026-07-08 64 unified SOH + RUL estimation large multimodal foundation model 未能从可访问内容确认 未能从可访问内容确认 https://doi.org/10.1016/j.est.2026.123418 摘要/元数据级，ScienceDirect 403
A review of deep learning-based methods for lithium-ion battery remaining useful life prediction SPIE proceedings / DOI 10.1117 2026-07-07 55 Li-ion RUL prediction review RNN/LSTM/CNN/Transformer 综述 文献综述 未报告新实验指标 https://doi.org/10.1117/12.3117177 摘要/元数据级，SPIE 403

论文卡片 1

基本信息

  • 标题：A machine learning–based optimal charging strategy for PV-assisted electric vehicle systems incorporating second-life batteries under degradation constraints
  • DOI/URL：https://doi.org/10.1038/s41598-026-60510-0
  • 期刊/会议/预印本平台：Scientific Reports
  • 发表日期：2026-07-07
  • 作者和机构：Ahmed Ezzat（Alexandria University）, Ayman S. Abdel-Khalik（Sultan Qaboos University）, Ragi A. Hamdy（Alexandria University）, Mostafa S. Hamad（Arab Academy for Science, Technology and Maritime Transport）
  • 通讯作者：Ahmed Ezzat；Ayman S. Abdel-Khalik（PDF correspondence 明示）
  • 脚本评分：73
  • 期刊指标核验：未核验

纳入理由和命中证据

  • 题名与摘要包含 second-life batteries、degradation constraints、battery health；全文明确将温度、SOC、充电倍率等退化压力因子纳入 EMS 控制。
  • 但这篇不是严格的 SOH/RUL/EOL 预测论文：作者在全文中明确说明“battery degradation is not directly predicted as a standalone output”，而是通过代理变量间接降低退化风险。因此作为边缘相关/应用控制论文纳入，优先级低于直接 SOH/RUL 论文。

创新点

  • 将 XGBoost 的 Optimal Charging Duration Class（OCDC）嵌入 PV-assisted EV/second-life ESS 的闭环 EMS。
  • 用 SHAP 解释 degradation rate、efficiency、SOC、temperature 等特征贡献。
  • 相比 immediate charging 和 PV-surplus rule baseline，强调热压力指数下降。

主要内容

  • 第一阶段比较 Naive Bayes、Random Forest、SVM、XGBoost。
  • 第二阶段将 XGBoost OCDC 控制器接入 24 小时 PV/ESS 仿真，每 15–30 min 根据 PV surplus、SOC、温度等更新充电强度。

模型架构/方法流程

  • 输入连续变量，不使用显式二值阈值 flag，训练 OCDC 三分类（Short/Medium/Long）。
  • OCDC 输出映射为充电功率倍率：Short 保护、Medium 平衡、Long 更积极利用 PV。
  • 加入 SOC ≥95% 或温度过高时停止充电的硬约束。

输入特征与输出目标

  • 输入：SOC、battery temperature、ambient temperature、PV surplus、voltage/current、degradation rate、efficiency 等。
  • 输出：Optimal Charging Duration Class；不是 SOH/RUL/退化轨迹。

数据来源/数据结构/电池类型/循环协议

  • 数据来源：Kaggle EV battery charging dataset；全文称包含 EV charging session records、SOC、电压、电流、温度、charging power、efficiency、battery type、cycle count 等。
  • 电池类型：Li-ion 与 LiFePO₄ 在图表中被比较；second-life ESS 场景为仿真。
  • 循环协议：非标准寿命循环实验；主要是充电会话与 24h 系统仿真。

结果指标

  • XGBoost CV accuracy 0.995、CV F1 0.994；Random Forest 0.999/0.998。
  • 高噪声下 XGBoost accuracy 0.965。
  • Proposed EMS PV utilization 22.62%，peak grid draw 4.68 kW，Thermal Stress Index 4.57 °C·h；相比 immediate charging TSI 降低 77.7%，相比 PV rule 的 6.58 °C·h 降低约 30.5%。

Baseline/对比方法

  • 算法：Naive Bayes、Random Forest、SVM。
  • 控制：Immediate Charging、PV-Surplus Rule-Based Controller。

泄漏风险/局限性/复现性

  • 泄漏风险：中。OCDC 标签本身由 SOC、温度、PV surplus 阈值合成，模型可能学习近似规则；作者声称未编码二值阈值 flag，但标签生成仍是规则驱动。
  • 局限性：未显式建模寿命、SOH 或循环老化；系统验证主要是仿真，未做 HIL/实物测试。
  • 复现性：中。全文可访问，数据声称为公开 Kaggle，代码未确认开放。

对哥哥研究/落地的启发和后续动作

  • 可作为“寿命预测结果如何进入 EMS 控制”的应用参考，而不是寿命预测 benchmark。
  • 后续动作：若做 BMS 落地，可借鉴 TSI、PV utilization、peak grid draw 等系统级指标；不建议加入核心 RUL/SOH 模型对比表。

论文卡片 2

基本信息

  • 标题：GNN-Based Degradation Model Development for an NMC Li-Ion Battery
  • DOI/URL：https://doi.org/10.3390/en19143228
  • 期刊/会议/预印本平台：Energies
  • 发表日期：2026-07-08
  • 作者和机构：Diego del Barrio González, Alex Roig Fornes, Maitane Berecibar, Md Sazzad Hosen；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

  • 摘要明确：“Accurate state-of-health (SoH) prediction is vital…”；提出 graph neural network-based deep learning framework 预测 commercial NMC lithium-ion technology 的 SoH。
  • 检索结果片段进一步显示 developed model trained/evaluated using data from 16 individual NMC cells。

创新点

  • 将 GraphSAGE 形式的图神经网络与 CNN/LSTM 模块结合，试图同时捕捉局部结构关系和时间退化模式。

主要内容

  • 使用 in-house experimental aging dataset 提取 health indicators。
  • 训练/验证跨 diverse operating conditions 的 SOH 预测模型。

模型架构/方法流程

  • Graph neural network / GraphSAGE + CNN + LSTM 混合架构。
  • 具体图构造方式、节点/边定义、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：health indicators（具体维度未能确认）。
  • 输出：SOH。

数据来源/数据结构/电池类型/循环协议

  • 电池体系：NMC Li-ion。
  • 数据来源：自建实验老化数据集；搜索片段显示 16 individual NMC cells。
  • 循环协议/温度/倍率：未能从可访问内容确认。

结果指标

  • R² = 0.989；MSE = 3.23 × 10^-6。

Baseline/对比方法

  • 未能从可访问摘要/元数据确认。

泄漏风险/局限性/复现性

  • 泄漏风险：信息不足。需看全文确认是否按 cell split、工况 split 或随机片段 split。
  • 局限性：MDPI 页面和 DOI 抓取失败/403，当前无法确认数据规模、协议、baseline 与外部验证。
  • 复现性：信息不足；代码/数据开放情况未确认。

对哥哥研究/落地的启发和后续动作

  • 建议优先补全文，重点看图构造是否真正利用电池间/循环间拓扑信息，还是把时序特征包装成图。
  • 若有跨工况验证，可加入 GNN 类 SOH 预测候选方法库。

论文卡片 3

基本信息

  • 标题：Lithium-Ion Battery SOH Estimation Driven by Multi-Level Features from Adaptive Optimal Intervals and HISSA-BiLSTM
  • DOI/URL：https://doi.org/10.1149/1945-7111/ae8724
  • 期刊/会议/预印本平台：Journal of The Electrochemical Society（Accepted Manuscript）
  • 发表日期：2026-07-07
  • 作者和机构：Yuan Jiang（Hubei University of Technology）, Xinlei Qiao（State Grid Shanghai Municipal Electric Power Company）, Lu Lv（Hubei University of Technology）, Lujun Wang（Powerchina Equipment Research Institute Co., Ltd.）
  • 通讯作者：Lujun Wang（IOP 页面列出 EMAIL 于最后作者 affiliation 下；但邮箱被保护，姓名基于页面顺序判断）
  • 脚本评分：66
  • 期刊指标核验：未核验

纳入理由和命中证据

  • 摘要明确：“Accurate State of Health (SOH) estimation for lithium-ion batteries”；提出 SOH estimation framework。
  • 命中 adaptive optimal interval selection、多层 health feature extraction、HISSA-assisted BiLSTM。

创新点

  • 用 Multi-dimensional Hybrid Evaluation Index（MHEI）驱动 adaptive interval search，减少冗余采样。
  • 从 local charging intervals、full-curve charging behavior、discharge/IC-curve electrochemical properties 提取多层特征。
  • 用 Pearson-Spearman 双相关筛选，再用 HISSA 做 BiLSTM 超参优化。

主要内容

  • 提取 16 维 health features，相关性筛选保留 13 个强相关特征。
  • 在 NASA selected cells 上测试，强调在受控实验室循环下 SOH 估计准确。

模型架构/方法流程

  1. MHEI 自适应寻找最优片段。
  2. 从局部/全曲线/IC 曲线提取 16D 健康特征。
  3. Pearson-Spearman 筛选。
  4. HISSA 优化 BiLSTM。
  5. 输出 SOH。

输入特征与输出目标

  • 输入：充电局部区间特征、完整充电曲线行为、放电/IC 曲线电化学特征。
  • 输出：SOH。

数据来源/数据结构/电池类型/循环协议

  • 数据：selected NASA cells。
  • 电池体系：Li-ion。
  • 具体 cell 编号、循环工况、温度/倍率：未能从可访问摘要确认。

结果指标

  • adaptive optimal intervals 使 feature correlation 提升 8.3%，数据长度减少超过 50%。
  • 具体 MAE/RMSE/R² 未能从可访问页面确认。

Baseline/对比方法

  • 摘要提到与 traditional full-interval features 对比；其他 baseline 未能确认。

泄漏风险/局限性/复现性

  • 泄漏风险：中。NASA 小样本常见随机切分/同电池泄漏风险，需要全文确认 split。
  • 局限性：作者承认需要在不同化学体系、更大数据集和真实工况上验证。
  • 复现性：中低。摘要细节较完整，但全文/PDF需订阅，代码未确认。

对哥哥研究/落地的启发和后续动作

  • 关注“自适应最优片段”是否可替代固定电压窗口/固定 SOC 窗口，对在线 BMS 减少采样长度有价值。
  • 后续动作：补全文，记录具体 NASA cells、split、baseline、误差指标。

论文卡片 4

基本信息

  • 标题：A large multimodal foundation model for unified state-of-health and remaining useful life estimation of lithium-ion batteries
  • DOI/URL：https://doi.org/10.1016/j.est.2026.123418
  • 期刊/会议/预印本平台：Journal of Energy Storage
  • 发表日期：2026-07-08
  • 作者和机构：Wending Zhu, Xiang Li, Zihan Gong, Mamdouh Abdelsalam, Wei Zhang, Shaojie Yang；机构未能从可访问内容确认
  • 通讯作者：未能确认
  • 脚本评分：64
  • 期刊指标核验：未核验

纳入理由和命中证据

  • 题名直接命中 unified state-of-health and remaining useful life estimation of lithium-ion batteries。
  • ScienceDirect 搜索片段说明该文提出 large multimodal foundation model for unified SOH and RUL estimation。

创新点

  • 可能将多模态电池数据统一到 foundation model 框架，同时处理 SOH 与 RUL；但具体模态、预训练任务和模型结构未能确认。

主要内容

  • 当前只能确认题名与元数据，ScienceDirect 页面和 DOI 抓取失败/403。

模型架构/方法流程

  • large multimodal foundation model；具体架构未说明/未能从可访问内容确认。

输入特征与输出目标

  • 输入：多模态电池数据（具体模态未能确认）。
  • 输出：SOH 和 RUL。

数据来源/数据结构/电池类型/循环协议

  • 电池体系：Li-ion。
  • 数据集、循环协议、跨数据集验证：未能确认。

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：信息不足；foundation model 类文章尤其需要核验预训练/测试数据是否重叠。
  • 局限性：全文不可访问，不能确认方法是否真实“foundation”或仅为大网络命名。
  • 复现性：信息不足。

对哥哥研究/落地的启发和后续动作

  • 强烈建议补全文：重点看数据规模、模态、预训练目标、zero/few-shot 设定和跨工况外推。
  • 如果验证扎实，可作为电池寿命预测大模型方向重点文献。

论文卡片 5

基本信息

  • 标题：A review of deep learning-based methods for lithium-ion battery remaining useful life prediction
  • DOI/URL：https://doi.org/10.1117/12.3117177
  • 期刊/会议/预印本平台：SPIE proceedings / DOI 10.1117
  • 发表日期：2026-07-07
  • 作者和机构：Guoji Yang, Youhang Zhou, Lingang Shao, Jianxuan Qin, Yuancong He, Xuan Tang, Zhongxuan Wei；机构未能从可访问内容确认
  • 通讯作者：未能确认
  • 脚本评分：55
  • 期刊指标核验：未核验

纳入理由和命中证据

  • 摘要明确 Remaining Useful Life (RUL) prediction 是核心；综述 RNN、LSTM、CNN、Transformer 在 Li-ion RUL 预测中的进展。

创新点

  • 综述型文章，主要价值在整理深度学习方法、应用场景、局限性和研究方向；非新模型实证。

主要内容

  • 对比传统机理模型/浅层 ML 与深度学习方法。
  • 指出黑箱可解释性不足、缺少电化学机制支撑。
  • 建议机理与深度学习融合、模型轻量化。

模型架构/方法流程

  • 涵盖 RNN、LSTM、CNN、Transformer；无单一新架构。

输入特征与输出目标

  • 综述未从可访问摘要中给出统一输入特征；输出目标为 RUL。

数据来源/数据结构/电池类型/循环协议

  • 文献综述；未报告新实验数据集。

结果指标

  • 未报告新实验指标。

Baseline/对比方法

  • 综述性比较传统机理、浅层 ML、深度学习。

泄漏风险/局限性/复现性

  • 泄漏风险：不适用/信息不足。
  • 局限性：综述深度、覆盖范围和检索系统性需全文确认；当前 SPIE 页面 403。
  • 复现性：不适用。

对哥哥研究/落地的启发和后续动作

  • 可作为入门/背景材料；不建议作为核心方法论文优先复现。
  • 后续动作：若全文可获得，检查是否有系统性表格可补充到方法综述库。

数据集/电池体系

  • 今日 5 篇覆盖：Li-ion/NMC、LiFePO₄/second-life ESS、NASA Li-ion cells，以及 Li-ion RUL 综述。
  • 明确公开/可得数据：Scientific Reports 使用 Kaggle EV charging dataset；JES 使用 selected NASA cells。
  • 未能确认完整数据结构：Energies GNN、Journal of Energy Storage foundation model、SPIE review 的全文页面均未成功抓取。

EOL/RUL/SOH 定义

  • SOH：Energies 与 JES 论文均以 SOH/容量健康状态为预测目标，但具体 SOH 公式需全文进一步核验。
  • RUL：Journal of Energy Storage foundation model 与 SPIE review 明确涉及 RUL；RUL 单位、EOL 阈值暂未能确认。
  • 非显式定义：Scientific Reports 论文不输出 SOH/RUL/EOL，而是使用 SOC、温度、TSI 等退化压力代理指标进行健康感知控制。

模型方法

  • 树模型控制：XGBoost OCDC 用于 PV-assisted second-life battery smart charging。
  • 图/时序深度学习：GraphSAGE + CNN + LSTM 用于 NMC SOH prediction。
  • 特征工程 + 时序模型：adaptive optimal interval + MHEI + HISSA-BiLSTM 用于 Li-ion SOH estimation。
  • 大模型方向：large multimodal foundation model 统一 SOH/RUL，但需补全文确认具体架构。
  • 综述方向：RNN/LSTM/CNN/Transformer for Li-ion RUL prediction。

验证设计

  • Scientific Reports：80/20 split、stratified CV、噪声鲁棒性、24h EMS 仿真、baseline 控制器对比；但标签为规则合成，寿命改善为间接推断。
  • Energies：摘要给出自建 aging dataset 与 R²/MSE；split 和 baseline 未能确认。
  • JES：selected NASA cells，摘要给出与 full-interval features 对比；跨化学体系/真实工况验证不足由作者承认。
  • Journal of Energy Storage / SPIE：全文不可访问，验证设计未能确认。

是否值得跟进

  • 强烈跟进：Journal of Energy Storage foundation model（先补全文）。
  • 跟进：Energies GNN SOH；JES HISSA-BiLSTM adaptive interval。
  • 观望：Scientific Reports health-aware charging control；SPIE RUL review。

后续追踪清单

  1. 用机构网络补下 ScienceDirect 10.1016/j.est.2026.123418 全文，确认 foundation model 的数据规模、模态、预训练/迁移设定和指标。
  2. 补下 MDPI Energies 10.3390/en19143228 全文，重点核验 GraphSAGE 图构建、16 cell 切分方式、baseline 和代码/数据可用性。
  3. 补下 SPIE 10.1117/12.3117177，判断是否值得纳入综述库。
  4. 对 10.1038/s41598-026-60510-0 增加弱相关标签：健康感知控制/非显式寿命预测，避免后续与直接 RUL/SOH 模型混淆。