2026.07.24 · 电池研究日报

2026-07-24 电池寿命预测研究监测报告

今日结论

• 今日新增并通过 Hermes 核验的论文/线索：3 篇。
• 最值得跟进：
  1. Cross-cycle Health Indicators Construction and SOH Prediction of Lithium-ion Batteries by Cross Recurrence Quantification Analysis：直接做锂电 SOH 预测，给出 CRQA 跨循环特征 + CNN 预测 ΔSOH，并在 NASA 数据集报告 MAE/RMSE。
  2. Mechanical-information-assisted state of health estimation for large-format prismatic lithium iron phosphate cells：Applied Energy RSS 新线索，题名直接指向大尺寸方形 LFP 电芯 SOH 估计，可能比常见小圆柱公开集更接近工程场景；但 ScienceDirect 页面未能成功抓取全文，需后续手动下载/机构访问核验。
• 总体判断：今天 3 篇中，1 篇是明确算法型 SOH 预测论文，1 篇是工程上有价值的机械信息辅助 SOH 估计线索，1 篇偏二次利用筛选/健康评估而非 RUL 预测，适合作为第二生命筛选规则和多指标健康定义参考。

论文总览表

数据集/电池体系

• 本次新增覆盖 3 类证据强度：退役 EV 大容量锂离子电芯全文级实验数据、NASA 公开锂离子电池数据集摘要级算法论文、Applied Energy 大尺寸方形 LFP 电芯 RSS/元数据级线索。
• 电池体系以锂离子为主；Applied Energy 线索明确为 lithium iron phosphate cells。

EOL/RUL/SOH 定义

• 今日新增中没有直接 EOL/RUL 连续预测论文；核心是 SOH 估计和健康筛选。
• Batteries 论文采用容量型 SoH，并用 90%、80–90%、60–80%、<60% 等分层进行二次利用路径映射；文中提到汽车 EOL 通常约为 70–80% 容量保持率。
• IOP 论文将两循环之间的 ΔSOH 作为预测目标，间接估计 SOH。
• Applied Energy 线索只确认 SOH estimation，SOH 公式/标签生成方式未能确认。

模型方法

• Batteries：标准化充放电实验、时间序列健康指标提取、规则型多指标分类；非机器学习预测模型。
• IOP：CRQA 跨循环特征 + CNN 预测 ΔSOH。
• Applied Energy：机械信息辅助 SOH 估计；具体模型未能从可访问页面确认。

是否值得跟进

• 强跟进：IOP CRQA+CNN SOH 预测；需要核查全文和数据划分。
• 跟进：Applied Energy 机械信息辅助 LFP SOH 估计；需手动获取全文。
• 观望/作为工程背景：Batteries 二次利用多指标健康筛选；适合决策层参考，不作为核心 RUL 模型。

单篇论文卡片

1. Experimental Multi-Metric Health Assessment of Second-Life Electric Vehicle Batteries for Reuse Pathway Classification

基本信息

• 标题：Experimental Multi-Metric Health Assessment of Second-Life Electric Vehicle Batteries for Reuse Pathway Classification
• DOI/URL：https://doi.org/10.3390/batteries12070265
• 期刊/会议/预印本平台：Batteries, 12(7), 265
• 发表日期：2026-07-21
• 作者和机构：Md Sabbir Hossen、Gobbi Ramasamy、Ngu Eng Eng（Faculty of AI and Engineering, Multimedia University, Malaysia）；Marran Al Qwaid（Shaqra University, Saudi Arabia）
• 通讯作者：Gobbi Ramasamy（页面以星号标出，Author to whom correspondence should be addressed）
• 脚本评分：67
• 期刊指标核验：未核验；脚本期刊层级为 specialized battery journal / Batteries。

纳入理由和命中证据

• 命中主题：second-life EV batteries、battery health assessment、state of health、degradation behavior、reuse pathway classification。
• 可访问正文明确写到：91 个退役 EV 锂离子电芯通过标准化充放电测试提取 SoH、放电容量、往返能量效率和电压/电流时间序列，并把健康指标映射到 grid-support、residential storage、backup、recycling 等路径。
• 与算法型 RUL 论文不同：作者明确说明“rather than proposing a new predictive model or learning-based algorithm”，贡献是多指标健康评估和工程筛选决策。故纳入为健康评估/二次寿命筛选参考，不作为核心 RUL 预测模型论文。

创新点

• 用 SoH + discharge capacity + round-trip energy efficiency 的多指标框架替代单一容量保持率判断。
• 在真实退役 EV 电芯群体上做统计和交叉分类，强调同等 SoH 下能量效率可能差异显著。
• 规则可解释，适合工业筛选流程的初筛，而非黑盒模型。

主要内容 / 方法流程

1. 退役 EV 电芯标准恒流充放电测试。
2. 记录电压、电流、容量、能量等 1 s 时间序列。
3. 预处理：剔除中断/异常记录，移动平均平滑，分割充电/放电/静置段。
4. 计算放电容量、SoH、充放电能量、往返能量效率、平均放电电压、放电时长等指标。
5. 以 SoH 阈值和效率阈值交叉分类，映射到 grid-support、residential storage、backup、recycling。

输入特征与输出目标

• 输入特征：电压、电流、容量、能量时间序列；衍生的放电容量、SoH、能量效率、平均放电电压、放电时长。
• 输出目标：不是 RUL/EOL 连续预测；输出为电芯健康等级与二次利用路径类别。

数据来源/电池类型/循环协议

• 数据来源：与电池 repurposing partner 的 academic–industry collaboration；车辆品牌、平台、历史工况因保密未公开。
• 电池类型：退役 EV lithium-ion cells，额定容量 180 Ah。
• 样本量：91 个电芯。
• 测试条件：实验室标准充放电；Neware BTS；电压约 2.8–3.65 V；电流约 ±14.4 A；1 s 采样；单次完整测试约 1.5–3 h。

结果指标

• SoH 范围约 22%–96%，均值 63.6%，标准差 16.3%。
• 往返能量效率平均约 83.7%；少量计算值超过 100%，作者归因于测量/积分/分割误差。
• SoH 与效率中等正相关，r≈0.64；说明容量保持率不能完全替代效率退化。
• 超过一半电芯低于 60% SoH，被归入 end-of-life/recycling 类。

Baseline/对比方法

• 主要对比是与单指标 SoH/容量筛选思路的概念和统计对比，不是机器学习 baseline。
• 未报告强预测基线、外部验证或动态应用工况下的部署验证。

泄漏风险/局限性/复现性

• 泄漏风险：低；本研究不是训练预测模型。
• 局限性：车辆历史、厂商、具体化学体系细节不可公开；没有 EIS/DCIR/post-mortem；二次利用路径是工程推断，未做应用级长周期验证；效率 >100% 的异常值需要谨慎。
• 复现性：中等偏低；方法和阈值清晰，但原始工业退役电芯数据不可公开。

对哥哥研究/落地的启发和后续动作

• 可把 SoH + energy efficiency + voltage stability 作为 RUL/SOH 模型之外的 deployment decision layer。
• 后续若做二次利用或 pack 分选，不要只用容量型 SoH；加入效率/内阻代理指标可减少误分。
• 建议加入“二次利用健康筛选”文献库，但不要作为核心寿命预测算法 baseline。

2. Cross-cycle Health Indicators Construction and SOH Prediction of Lithium-ion Batteries by Cross Recurrence Quantification Analysis

基本信息

• 标题：Cross-cycle Health Indicators Construction and SOH Prediction of Lithium-ion Batteries by Cross Recurrence Quantification Analysis
• DOI/URL：https://doi.org/10.1088/3050-2454/ae8dd1
• 期刊/会议/预印本平台：Journal of Reliability Science and Engineering，Accepted Manuscript，IOPscience
• 发表日期：Accepted Manuscript online 2026-07-21；received 2026-04-28，accepted 2026-07-20
• 作者和机构：Le Wang、Shuaijie Chen、Weiyan Liu、Zhenggeng Ye（Zhengzhou University）；Zhiqiang Cai（Northwestern Polytechnical University）
• 通讯作者：Zhenggeng Ye（IOP 页面列出 email: yezhenggeng@zzu.edu.cn）
• 脚本评分：64
• 期刊指标核验：未核验；脚本期刊层级为 Journal of Reliability Science and Engineering。

纳入理由和命中证据

• 题名和摘要直接包含 SOH Prediction、Lithium-ion Batteries。
• 摘要写明：SOH 是 lithium-ion battery degradation 的关键指标；提出 cross-cycle features 来估计 SOH；用 CNN 预测 ΔSOH；NASA battery dataset 验证。
• 该文属于明确的电池健康状态预测任务，优先级高于一般健康评估/储能调度论文。

创新点

• 不只从单个或相邻循环提特征，而是用 cross-recurrence quantification analysis（CRQA）比较不同循环信号，构建跨循环差异特征矩阵族。
• 将任意两循环之间的 ΔSOH 作为预测目标，再由间接方式估计 SOH。
• CNN 结合 time-series cross-validation，试图保留 ΔSOH 的时间依赖。

主要内容 / 方法流程

1. 从电池监测信号中选取跨循环比较对象。
2. 通过 CRQA 生成反映不同循环之间变化的指标矩阵。
3. 以两循环之间的 ΔSOH 作为监督标签。
4. 训练 CNN 预测 ΔSOH。
5. 在 NASA 电池数据集上评估，并与可访问摘要中提到的比较方法对比；具体 baseline 名称未能从页面确认。

输入特征与输出目标

• 输入特征：跨循环 CRQA 指标矩阵；原始信号类型页面摘要未完全展开，推测来自电池循环监测信号，但报告中不作超出摘要的断言。
• 输出目标：ΔSOH；通过 ΔSOH 间接估计 SOH。

数据来源/数据结构/电池类型/循环协议

• 数据来源：NASA battery dataset。
• 电池类型：锂离子电池。
• 电池数量、温度、倍率、循环协议：可访问页面摘要未说明，需下载 PDF 后确认。
• 验证方式：摘要称 time series cross-validation；是否按电池隔离、是否跨工况/跨数据集外部验证未能确认。

结果指标

• MAE：0.2965%。
• RMSE：0.4156%。
• 其他指标、分电池结果、置信区间：未能从可访问页面确认。

Baseline/对比方法

• 页面摘要称 evaluated and compared，但未列出 baseline 名称。
• 需 PDF/正式版本确认是否与 LSTM、CNN、GRU、SVR、GPR、Transformer 等强基线比较。

泄漏风险/局限性/复现性

• 泄漏风险：中等/信息不足。CRQA 构造任意两循环的 ΔSOH，若同一电池的循环对随机进入训练/测试，可能有同电池信息泄漏；摘要只说明 time-series cross-validation，需确认是否严格按电池或时间外推划分。
• 局限性：目前只确认 NASA 数据集；NASA 样本规模小、工况有限，泛化到大容量动力电芯/实际 BMS 仍需验证。
• 复现性：信息不足；页面未显示代码、超参数、完整架构细节。

对哥哥研究/落地的启发和后续动作

• 值得跟进：CRQA 跨循环差异特征可以作为小样本 SOH 特征工程方向，尤其适合对比“单循环/相邻循环特征”的增益。
• 后续动作：下载 IOP PDF 或等待 Version of Record；重点核查数据划分是否按电池隔离、CRQA 指标定义、CNN 输入尺寸、baseline 与代码可用性。

3. Mechanical-information-assisted state of health estimation for large-format prismatic lithium iron phosphate cells

基本信息

• 标题：Mechanical-information-assisted state of health estimation for large-format prismatic lithium iron phosphate cells
• DOI/URL：https://www.sciencedirect.com/science/article/pii/S0306261926011529?dgcid=rss_sd_all
• 期刊/会议/预印本平台：Applied Energy，Volume 425，ScienceDirect RSS/Web 线索
• 发表日期：RSS 显示 Publication date: December 2026；具体 online date 未能确认
• 作者和机构：Zhice Niu、Shan Zhang、Yong Xia；机构未能确认
• 通讯作者：未能确认
• 脚本评分：62
• 期刊指标核验：未核验；脚本期刊层级为 core energy systems journal / Q1; Applied Energy。

纳入理由和命中证据

• 题名直接命中 state of health estimation、large-format prismatic lithium iron phosphate cells。
• RSS 摘要/元数据确认其来源为 Applied Energy，并给出作者、卷期和 ScienceDirect PII。
• web_search 对同一题名返回 ScienceDirect 页面，描述称研究 large-format prismatic LFP batteries under different operating conditions。ScienceDirect 正文/摘要抓取失败，因此全文细节不可确认。

创新点

• 从题名看，重点可能是把 mechanical information 引入 SOH 估计；这与常见电压/电流/温度或 ICA/DVA 特征不同。
• 大尺寸方形 LFP 电芯比 NASA 小圆柱公开集更接近储能/车用工程应用。
• 由于全文不可访问，具体机械信号类型、传感器、模型和贡献边界未能确认。

主要内容 / 模型架构/方法流程

• 未能从可访问内容确认完整方法流程。
• 可确认任务是 SOH estimation；方法为 mechanical-information-assisted。
• 模型架构、输入处理、训练策略、部署假设：未说明/未能从可访问内容确认。

输入特征与输出目标

• 输入特征：机械信息 + 可能的电化学/运行数据；机械量具体是膨胀、压力、应变、厚度变化还是力学响应，未能确认。
• 输出目标：SOH。

数据来源/数据结构/电池类型/循环协议

• 电池类型：large-format prismatic lithium iron phosphate cells。
• 数据来源、样本数量、循环数、倍率、温度、工况：未能确认。

结果指标

• MAE/RMSE/R2、误差分布、跨工况表现：未能确认。

Baseline/对比方法

• 未能确认。

泄漏风险/局限性/复现性

• 泄漏风险：信息不足；需全文确认是否按电芯/工况隔离。
• 局限性：当前仅摘要/元数据级核验；ScienceDirect 访问失败，无法判断是否有强验证设计。
• 复现性：信息不足。

对哥哥研究/落地的启发和后续动作

• 值得手动跟进：如果文章确实使用膨胀/压力/应变等机械信号做 SOH，在 LFP 平台上可能有较强工程价值。
• 后续动作：通过机构权限或手动打开 ScienceDirect 页面下载 PDF；重点记录机械传感器类型、特征构造、与电压/电流-only baseline 的增益、跨工况验证方式。

后续追踪清单

1. 手动下载 Applied Energy 机械信息辅助 SOH 论文，补齐 DOI、通讯作者、机构、模型、数据和指标。
2. 对 IOP CRQA+CNN 论文核查 PDF：是否按电池隔离验证、CRQA 特征是否使用未来循环、baseline 是否充分。
3. 将 BatteryLake 保留为 benchmark/数据工程观察项，后续若平台可用可单独评估。
4. 检查 scoring：Batteries 二次利用健康评估容易触发但非 RUL 预测，未来可对“reuse pathway classification / decision-support”降权或进入健康评估子类。