2026.07.26 · 电池研究日报

2026-07-26 电池寿命预测论文监测日报

今日结论

• 今日脚本捕捉到 papers[] 新增 5 条，经 Hermes 逐条尝试核验 PDF/URL/DOI 后，纳入 4 篇与电池健康/寿命预测相关论文或综述；1 篇 OCV/SoC 估计论文暂列为排除项，不作为寿命预测新增。
• 最值得哥哥优先跟进：
  1. Bayesian neural networks with physics-based priors for robust battery health assessment：物理先验 + BNN，把电化学仿真先验并入 KL 正则，重点是不确定性校准和跨 cell/pack 健康预测。
  2. Transfer learning-based SOH estimation from partial charging data with polarization-aware modeling：全文可访问，细节最完整；用电压预测预训练 LSTM，再迁移到部分充电片段 SOH 估计，实验指标清楚。
• 总体判断：今天新增中有两篇 Scientific Reports 可开放核验，方法与哥哥的“有限片段/机理引导/不确定性健康估计”方向高度相关；Journal of Energy Storage 文章题名高度匹配但正文未能打开；WEVJ 综述偏 HESS/能量管理，仅作为背景综述保留。

论文总览表

论文卡片

1. Bayesian neural networks with physics-based priors for robust battery health assessment

• 标题：Bayesian neural networks with physics-based priors for robust battery health assessment
• DOI/URL：https://doi.org/10.1038/s41598-026-63104-y
• 期刊/会议/预印本平台：Scientific Reports
• 发表日期：2026-07-23
• 作者和机构：Jokin Alcibar、Aitor Aguirre-Ortuzar（Mondragon University）；Ekhi Zugasti、Jose I. Aizpurua（University of the Basque Country/UPV/EHU，Aizpurua 亦属 Ikerbasque）；Chetan S. Kulkarni（KBR, NASA Ames Research Center）；Juan Fernandez（Quantia Ingeniería y Consultoría S.L.）。
• 通讯作者：Jokin Alcibar（Nature 页面明确 correspondence to Jokin Alcibar）
• 脚本评分：83

纳入理由和命中证据：题目和摘要均明确指向 lithium-ion batteries 的 health assessment / prognostics；摘要称方法用于可靠、uncertainty-aware 的电池健康预测，并在 NASA 与 Wenzhou pack degradation 数据上评估。

创新点：把电化学仿真得到的物理先验嵌入 Bayesian Neural Network 的变分推断目标，通过 KL divergence 项实现物理一致性正则；重点不是单纯点预测，而是 posterior predictive distribution 与不确定性量化。

主要内容：面向数据驱动模型缺少解释性/可靠不确定性、物理模型依赖精确参数且泛化有限的问题，提出物理先验 BNN 框架，在 cell 与 pack 两类尺度数据上验证健康预测能力。

模型架构/方法流程：可访问页面确认是 Bayesian Neural Network，物理先验来自 electrochemical battery simulations，并通过 variational objective 中的 KL divergence 项注入。具体网络层数、输入窗口、训练细节未能从已抓取页面确认。

输入特征与输出目标：未能从可访问内容确认具体输入特征；输出为 battery health prognostics/health assessment 的预测分布。

数据来源/数据结构/电池类型/循环协议：NASA battery dataset；Wenzhou Pack Degradation dataset。摘要称覆盖 diverse discharge profiles、operating conditions、battery scales；具体电池化学体系和循环协议未能从可访问内容完全确认。

结果指标：摘要称在预测准确性、概率校准、鲁棒性上相对 standard BNN conventional priors 和 state-of-the-art physics-guided Bayesian approaches 有持续改进；具体 MAE/RMSE/校准指标数值未在已抓取内容中确认。

Baseline/对比方法：standard BNNs with conventional priors；state-of-the-art physics-guided Bayesian approaches。

泄漏风险/局限性/复现性：页面可确认开放获取与补充材料链接，但抓取到的主体主要为摘要/作者信息，缺少训练/切分细节；需要下载 PDF/补充材料后核验是否存在同电池跨周期随机切分、是否有跨 pack 外推测试，以及物理先验是否由目标测试条件间接生成。

对哥哥研究/落地的启发和后续动作：适合借鉴“物理先验作为 Bayesian regularizer”思路，用在哥哥现有 SOH/RUL 模型的不确定性校准；建议后续重点复核指标表、先验生成流程和代码/补充材料。

2. Remaining useful life prediction and dynamic early warning for new energy vehicle batteries based on a PINN enhanced by explicit physical guidance

• 标题：Remaining useful life prediction and dynamic early warning for new energy vehicle batteries based on a PINN enhanced by explicit physical guidance
• DOI/URL：https://doi.org/10.1016/j.est.2026.123648
• 期刊/会议/预印本平台：Journal of Energy Storage
• 发表日期：2026-07-23
• 作者和机构：Yongqin Zhang、Wei Zhang、Wenhai Zhou、X S Chen、Yanhong Song、Caizhi Hu；机构未能从 DOI/ScienceDirect 页面抓取确认。
• 通讯作者：未能确认
• 脚本评分：64

纳入理由和命中证据：题名直接包含 remaining useful life prediction、dynamic early warning、new energy vehicle batteries、PINN、explicit physical guidance，属于电池 RUL 预测核心范围；Journal of Energy Storage 为核心储能期刊。

创新点：从题名看，可能是显式物理指导增强的 PINN，同时输出 RUL 与动态早期预警；但具体物理约束、损失项和预警阈值未能从可访问内容确认。

主要内容：未能获取摘要/全文；只能确认元数据和题名。

模型架构/方法流程：PINN enhanced by explicit physical guidance；具体网络结构、物理方程、边界/初始约束、损失权重未说明/未能确认。

输入特征与输出目标：输出目标为 RUL prediction 和 dynamic early warning；输入特征未能确认。

数据来源/数据结构/电池类型/循环协议：未能确认。

结果指标：未能确认。

Baseline/对比方法：未能确认。

泄漏风险/局限性/复现性：全文不可抓取，无法核验是否存在数据泄漏、同车/同电池切分问题、是否具备开放数据与代码；可信度仅为摘要/元数据级。

对哥哥研究/落地的启发和后续动作：因题名高度相关，建议后续通过学校/机构 ScienceDirect 权限或 DOI 页面手动打开，优先查物理指导项如何设计、早期预警是否是概率阈值还是规则阈值。

3. Transfer learning-based SOH estimation from partial charging data with polarization-aware modeling

• 标题：Transfer learning-based SOH estimation from partial charging data with polarization-aware modeling
• DOI/URL：https://doi.org/10.1038/s41598-026-48906-4
• 期刊/会议/预印本平台：Scientific Reports
• 发表日期：2026-07-23
• 作者和机构：Yongxu Li（College of Arts and Information Engineering, Dalian Polytechnic University）；Yuanyuan Gao、Xianbao Wang、Cui Wang、Zhenyi Wang、Chuxiong Wu、Jiali Wang（School of Mechanical and Electrical Engineering, Qingdao City University）。注意脚本元数据作者名与 Nature 页面略有出入，报告以 Nature 页面为准。
• 通讯作者：Yongxu Li；Jiali Wang（Nature 页面明确 Correspondence to Yongxu Li or Jiali Wang）
• 脚本评分：60

纳入理由和命中证据：全文明确 SOH estimation from incomplete/partial charging data；SOH 定义为当前可充容量与额定容量比值；电池为 lithium-ion，任务直接对应健康状态估计与寿命管理。

创新点：不是直接用 LSTM 从片段回归 SOH，而是先用电压预测任务进行密集监督预训练，迫使 LSTM hidden/cell state 学到极化动态与近期历史，再替换输出头微调用于 SOH 回归。

主要内容：针对实际 EV/储能中充电片段起止 SOC 不固定、历史极化未知导致 SOH 估计不稳的问题，提出 polarization-aware transfer learning。作者强调 source task 不是泛泛迁移，而是与短时电压演化/内部极化状态物理相关。

模型架构/方法流程：LSTM 网络；预训练阶段以 current、voltage、capacity-step 序列预测下一步电压，训练 50 epochs；迁移阶段保留 recurrent parameters，更换输出头进行 SOH regression，再训练 50 epochs。在线测试阶段用 fine-tuned model 从部分充电片段估计 SOH。

输入特征与输出目标：输入为观测的电流、电压、容量步长/容量区间片段；预训练输出为未来 7% nominal capacity 窗口内电压/下一步电压；下游输出为 cycle-level SOH。

数据来源/数据结构/电池类型/循环协议：Severson et al. fast-charging 数据集，124 个商用 LFP/graphite cells，额定容量 1.1 Ah；EOL 定义 80% nominal capacity；充电通常两段 CC 到 3.6 V cutoff 后 CC/CV 到 80% capacity，放电 4C 到 2.0 V；30 °C；cycle life 约 150–2300 cycles。排除一个异常短寿命 outlier，99 个训练 cell、24 个测试 cell。每 cycle 生成 20% nominal capacity 观测窗口，起点从 0% 到 50% 以 1% 滑动。

结果指标：电压预测预训练 MAE 4.3 mV、RMSE 10.2 mV；SOH 估计 MAE 0.91%、RMSE 1.30%。

Baseline/对比方法：直接训练 LSTM：MAE 1.75%、RMSE 2.35%；1D CNN：MAE 0.99%、RMSE 1.41%；Random Forest：MAE 1.80%、RMSE 2.50%。作者也提醒跨论文比较因数据切分、目标、窗口定义不同，不宜直接 apples-to-apples。

泄漏风险/局限性/复现性：单一公开数据集；温度影响未显式建模；固定 train/test split，缺少重复交叉验证；大量同一 cycle/cell 片段样本可能提高近邻相关性，需要确认训练/测试严格按 cell 分离（页面写 99/24 cell split，是积极信号）。未来需要跨化学体系、温度、真实车辆片段验证。

对哥哥研究/落地的启发和后续动作：这篇很适合复现：把“辅助任务密集监督预训练”嵌入现有 SOH/RUL 管线；可以尝试用电压预测、dV/dQ 重建或 relaxation prediction 作为 pretext task，再比较 downstream SOH/RUL 泛化。

4. AI-Driven Hybrid Battery–Supercapacitor Systems for Electric Vehicles: Performance Analysis and Opportunities

• 标题：AI-Driven Hybrid Battery–Supercapacitor Systems for Electric Vehicles: Performance Analysis and Opportunities
• DOI/URL：https://doi.org/10.3390/wevj17070380
• 期刊/会议/预印本平台：World Electric Vehicle Journal
• 发表日期：2026-07-22
• 作者和机构：Stella N. Arinze（Department of Electrical and Electronic Engineering, Enugu State University of Science and Technology, Nigeria）；Augustine O. Nwajana（School of Engineering, University of Greenwich, UK）。
• 通讯作者：Stella N. Arinze（MDPI 页面标注 1,*，Author to whom correspondence should be addressed）
• 脚本评分：58

纳入理由和命中证据：全文为 open access review，覆盖 hybrid battery-supercapacitor systems、AI energy management、battery state estimation、diagnostics、prognostics、battery lifetime、digital twins 等主题。它不是新的寿命预测算法，但可作为 HESS/EV 侧寿命保护和 AI 诊断综述背景。

创新点：整合 181 篇 2020–2026 文献，试图把 HESS 架构、AI energy management、state estimation、diagnostics/prognostics、thermal management、V2G、edge intelligence、federated learning 放在一个系统层框架内比较。

主要内容：先综述 lithium-ion、LFP、solid-state battery 与 supercapacitor 技术，再介绍 passive/semi-active/active HESS 架构，随后讨论传统与 AI 能量管理、状态估计、诊断和预后。

模型架构/方法流程：综述文章，无单一模型；涉及 machine learning、deep learning、reinforcement learning、digital twin、federated learning、edge intelligence 等方向。

输入特征与输出目标：综述性总结，未提出统一输入/输出；相关任务包括 SOC/SOH/RUL、故障诊断、热管理、功率分配和寿命保护。

数据来源/数据结构/电池类型/循环协议：文献收集来自 IEEE Xplore、ScienceDirect、SpringerLink、Web of Science、Scopus、MDPI、Wiley、SAGE、Google Scholar 等；筛选 181 篇 2020–2026 文献。

结果指标：无新增实验指标；讨论 battery lifetime、power density、energy efficiency、thermal performance、regenerative braking recovery、driving-cycle behavior 等性能维度。

Baseline/对比方法：与既有 HESS/AI/energy management 综述做主题覆盖比较。

泄漏风险/局限性/复现性：非 PRISMA 严格系统综述；可能存在文献选择主观性；不提供可直接复现的预测模型。主题偏能量管理/系统层，不应和原始 SOH/RUL 模型论文等权对待。

对哥哥研究/落地的启发和后续动作：可用来梳理 EV HESS 中“通过功率平滑降低电池老化”的系统级约束；若哥哥做寿命预测 + 控制闭环，可从其 AI energy management 和 digital twin 小节提炼约束变量。

数据集/电池体系

• BNN physics priors：NASA battery dataset；Wenzhou Pack Degradation dataset；锂离子电池，覆盖 cell-to-pack 验证场景，具体化学体系和循环协议待 PDF 进一步确认。
• Journal of Energy Storage PINN RUL：数据集/电池体系未能从可访问元数据确认。
• Partial charging transfer learning：Severson fast-charging 公开数据集，124 个商用 LFP/graphite cells，1.1 Ah，30 °C，多快充协议，放电 4C 到 2.0 V。
• WEVJ HESS 综述：覆盖 lithium-ion、LFP、solid-state batteries 与 supercapacitors；非单一实验数据集。

EOL/RUL/SOH 定义

• Partial charging transfer learning：SOH 明确定义为 current chargeable capacity / nominal capacity；Severson 数据中 EOL 为 80% nominal capacity。
• BNN physics priors：页面使用 health assessment/prognostics，具体 SOH/EOL 阈值定义未能从可访问内容确认。
• Journal of Energy Storage PINN RUL：题名明确 RUL prediction，但 RUL/EOL 阈值定义未能确认。
• WEVJ HESS 综述：讨论 battery lifetime、state estimation、diagnostics/prognostics；不提出统一 SOH/RUL 定义。

模型方法

• BNN physics priors：Bayesian Neural Network + electrochemical simulations derived physics-based priors；通过 variational objective 的 KL divergence 项约束后验预测分布。
• Journal of Energy Storage PINN RUL：题名显示 PINN enhanced by explicit physical guidance；具体物理方程、损失和网络未能确认。
• Partial charging transfer learning：LSTM voltage-prediction pretraining + SOH regression fine-tuning；用部分充电 current-voltage-capacity 序列学习极化相关隐状态。
• WEVJ HESS 综述：系统综述 ML/DL/RL/digital twin/federated learning/edge intelligence 等 HESS/EV AI 方法。

验证设计

• BNN physics priors：在 NASA 与 Wenzhou Pack Degradation 数据上评估；摘要称比较 standard BNN conventional priors 与 physics-guided Bayesian baselines，具体切分未确认。
• Journal of Energy Storage PINN RUL：验证设计未能确认。
• Partial charging transfer learning：99 training cells / 24 test cells；20% nominal capacity 观测窗口，起点 0%–50% 每 1% 滑动；与 direct LSTM、1D CNN、Random Forest 在相同 split 和输入构造下比较。
• WEVJ HESS 综述：181 篇 2020–2026 文献的结构化 literature survey；非实验验证。

是否值得跟进

• 强烈跟进：Partial charging transfer learning；可复现性和指标最清楚，适合哥哥的片段 SOH/RUL 管线。
• 强烈跟进：BNN physics priors；物理先验 + Bayesian uncertainty 与健康预测落地方向契合，但需补齐 PDF 中指标与实现细节。
• 条件跟进：Journal of Energy Storage PINN RUL；题名高度相关，但当前仅元数据级，待手动获取全文后再决定优先级。
• 背景阅读：WEVJ HESS 综述；适合系统层寿命保护和 HESS 控制背景，不作为核心模型论文。

后续追踪清单

1. 对 Journal of Energy Storage PINN RUL 文章手动打开 ScienceDirect，补齐摘要、数据集、指标、物理损失项、通讯作者。
2. 对 BNN physics priors 下载 PDF/补充材料，核验具体输入特征、指标表、校准指标和代码/数据开放情况。
3. 优先复现 partial charging + voltage pretraining LSTM：先用 Severson 99/24 cell split 跑 direct LSTM vs pretrained LSTM，再替换为 Transformer/TCN pretext task。
4. 将 OCV/SoC 类论文加入本地 false-positive 审计候选：若无 SOH/RUL 输出，后续降低通知优先级。

核验后排除说明

• Estimation of battery open-circuit voltage using pulse injection aided machine learning coupled with equivalent circuit model：题目和摘要核心是 OCV/SoC 估计，虽然摘要提到生成数据覆盖 SoH 条件，但输出目标为 OCV 与 SoC；未展示 EOL/RUL/SOH/lifetime prediction，故不作为今日寿命预测新增纳入。可信度：摘要/元数据级，ScienceDirect PDF/页面未成功抓取。