2026.08.03 · 电池研究日报

2026-08-03 电池寿命预测研究监测报告

今日结论

• 脚本捕捉到新增候选 3 篇；经 Hermes 核验后，正式纳入 2 篇，剔除 1 篇储能交易/调度论文。
• 最值得跟进：PiDDM: Physics-Informed Differentiable Degradation Modeling for Lithium-Ion Battery State-of-Health Prediction。它有可访问全文，问题定义、数据划分、输入特征、baseline 和指标都比较清楚，直接针对 SOH 退化轨迹预测。
• 需要谨慎跟进：Machine Learning-Based Intelligent Prediction of Electric Vehicle Battery Health for Enhanced Per-formance and Lifetime Estimation。Zenodo 页面只提供摘要/元数据级信息，PDF 抽取失败；主题相关，但数据来源、划分方式、数值结果和复现细节未能确认。
• 总体判断：今天真正与电池寿命/SOH/RUL 预测直接相关的新增项偏少，PiDDM 对“物理约束 + 长期外推 + 避免非物理容量回升”的方向有较高参考价值。

论文总览表

单篇论文分析

1. PiDDM: Physics-Informed Differentiable Degradation Modeling for Lithium-Ion Battery State-of-Health Prediction

论文基本信息

• 标题：PiDDM: Physics-Informed Differentiable Degradation Modeling for Lithium-Ion Battery State-of-Health Prediction
• DOI/URL：http://arxiv.org/abs/2607.29095v1；PDF：https://arxiv.org/pdf/2607.29095v1
• 期刊/会议/预印本平台：arXiv，cs.LG
• 发表日期：2026-07-31
• 作者和机构：Zeping Chen（University of Notre Dame），Ruda Jian（The University of Texas at Dallas），Sachin Sigdel（The University of Texas at Dallas），Guoping Xiong（The University of Texas at Dallas），Jian-Xun Wang（University of Notre Dame / Cornell University），Tengfei Luo（University of Notre Dame）
• 通讯作者：Tengfei Luo（tluo@nd.edu）
• 脚本评分：66
• 期刊指标核验：arXiv 预印本，不适用；未核验 JCR/JIF/CiteScore/SJR。

纳入理由和命中证据

• 主题直接命中电池 SOH/容量退化预测：标题包含 “State-of-Health Prediction”，摘要明确称 “SOH degradation prediction”。
• 全文证据显示，该工作面向锂离子电池老化和容量衰减，强调跨循环协议泛化、长时外推和避免非物理 capacity regeneration。
• 与普通材料或调度论文不同：核心输出是容量/SOH 轨迹，而不是储能套利、BMS 控制或材料合成。

创新点

• 将经验 Arrhenius 退化动力学、SEI 生长和 LLI 相关项作为可微退化模块嵌入神经网络训练，而不是只使用黑箱深度学习。
• 网络不直接输出 SOH 标量，而是输出 5 个有效、逐循环动力学参数，再结合温度、时间、DoD、Ah-throughput 等已知运行变量计算退化率，并递推得到容量/SOH 轨迹。
• 重点处理长期外推中的物理一致性问题，特别是减少预测轨迹中的非物理 SOH 上升和尖峰。

主要内容

• 论文提出 PiDDM 框架，用半经验退化率约束神经网络预测的容量衰减方向。
• 退化率由 SEI 相关时间项和 LLI 相关循环严苛度项构成，包含 Arrhenius 温度依赖、时间幂律、DoD 与累积 Ah-throughput 幂律。
• 模型通过一阶 forward-Euler 在循环坐标上积分，得到完整容量/SOH 轨迹。

模型架构/方法流程

• 输入：每个循环的 16 维归一化充电特征。
• 神经网络：PiDDM 主干为 [16, 60, 60, 60, 5]，输出 5 个有效退化参数。
• 可微退化模块：结合网络输出参数、全局可训练 kSEI/kLLI 和已知运行变量 T, t, DoD, Ah，计算容量衰减率。
• 轨迹生成：以首个实测容量作为初始条件，按每循环一步递推；除初始容量外，预测区间不把真实容量作为输入。
• Baseline/对比方法：MLP [16, 60, 60, 60, 1]；baseline PINN 包含 solution network 和 dynamics network。

输入特征与输出目标

• 输入特征：来自常规充电 CC/CV 片段的统计特征，包括均值、标准差、峰度、偏度、充电时间、累积充电量、曲线斜率、熵类描述符等。
• 输出目标：容量/SOH 退化轨迹；中间输出为有效动力学参数，不作为独立可测电化学参数解释。
• 标签定义：以实测 SOH/容量轨迹作为监督目标；EOL 阈值未作为主要标签定义。

数据来源/数据结构/电池类型/循环协议

• 电池体系：锂离子 NCM 电池。
• 数据来源：Wang et al. 公开数据集。
• 数据规模：55 节电池，6 种充放电协议。
• 协议：2C、3C、R2.5、R3、random-walk、geosynchronous Earth orbit satellite mission profile。
• 划分：3C 协议 15 节中 4 和 8 测试，其余训练；其他五个协议各 8 节中 4 和 8 测试，其余训练；总计 43 训练、12 独立测试。
• 外推设置：仅使用每条训练退化轨迹前 90%，后 10% 作为 unseen extrapolation region。

结果指标

• 标准预测：报告 MAPE、RMSE、MAE、MSE；PiDDM 平均 MSE 为 6.6271×10^-5，优于 baseline PINN 的 1.7702×10^-4 和 MLP 的 2.4187×10^-4。
• 时间外推：PiDDM 平均 MSE 为 1.1067×10^-4，优于 baseline PINN 的 2.4381×10^-4 和 MLP 的 8.2631×10^-4。
• 协议例外：R2.5 上 baseline PINN 的 MAPE/MAE 略低；R3 外推中 MLP 的四项点误差最低，但 PiDDM 轨迹更平滑、更符合单调退化预期。

Baseline/对比方法

• MLP：直接从 16 维充电特征映射到 SOH，无显式退化方程。
• PINN：参考 Wang et al. 2024 的 PINN 降解建模，使用 solution network + dynamics network + PDE residual + monotonicity penalty。
• PiDDM 的优势主要来自显式 Arrhenius–power-law 退化结构带来的外推稳定性和物理一致性。

泄漏风险/局限性/复现性

• 泄漏风险：中低。论文明确称归一化统计只由训练集计算，输入特征不直接包含 discharge capacity 或目标 SOH 轨迹；但仍需复查代码/数据处理是否严格按电池划分。
• 局限性：只在一个公开 NCM 数据集上验证；退化方程未显式区分 lithium plating、LAM、阻抗增长等机制；对局部 SOH 回升/测量噪声的拟合可能牺牲点误差。
• 复现性：中。全文给出架构、训练轮数、batch size、学习率、loss 权重和划分；但“Data and code are available upon request”，代码未直接开源。

对哥哥研究/落地的启发和后续动作

• 值得强烈跟进：可把“物理单调性/Arrhenius 温度先验 + 数据驱动外推”作为当前寿命预测模型的正则化模块。
• 后续动作：下载 PDF 入库；复查 Wang et al. 公开 NCM 数据集；尝试在现有 benchmark 上实现简化版 PiDDM；重点检查 90%/10% 外推设置是否能迁移到早期寿命预测场景。

2. Machine Learning-Based Intelligent Prediction of Electric Vehicle Battery Health for Enhanced Per-formance and Lifetime Estimation

论文基本信息

• 标题：Machine Learning-Based Intelligent Prediction of Electric Vehicle Battery Health for Enhanced Per-formance and Lifetime Estimation
• DOI/URL：https://doi.org/10.5281/zenodo.21735380；Zenodo 页面显示版本 DOI 10.5281/zenodo.21735381
• 期刊/会议/预印本平台：Zenodo
• 发表日期：2026-08-01
• 作者和机构：Ch. Sravan Kumar；Palle Vasantha；机构未能从可访问页面确认。
• 通讯作者：未能确认
• 脚本评分：65
• 期刊指标核验：Zenodo 存储库，不适用；未核验 JCR/JIF/CiteScore/SJR。

纳入理由和命中证据

• 题名和摘要直接命中 EV 电池健康预测和寿命估计。
• 摘要称研究目标是预测 EV battery SOH，并使用电压、电流、温度、充电历史来学习退化模式。
• 与一般 BMS 控制论文不同：摘要以 SOH estimation 和 battery health assessment 为核心任务。

创新点

• 可访问内容只确认其采用 XGBoost 与 LightGBM 两种 ensemble learning 方法进行 SOH 预测。
• 是否存在方法创新、特征创新或真实车载部署，未能从摘要/元数据确认。

主要内容

• 摘要级信息显示，论文提出机器学习框架用于 EV 电池 SOH 预测。
• 流程包括数据预处理、特征工程、训练/测试划分、模型训练和统计指标评估。
• XGBoost 被摘要描述为略优于 LightGBM，但具体数值未能确认。

模型架构/方法流程

• 方法：XGBoost、LightGBM。
• 输入特征：电压、电流、温度、充电历史。
• 输出目标：SOH / battery health；是否同时输出 RUL、EOL 或 lifetime 数值未能确认。
• 超参数、树数量、深度、学习率、特征工程细节：未能从可访问内容确认。

数据来源/数据结构/电池类型/循环协议

• 电池体系：摘要称 lithium-ion battery / EV battery。
• 数据来源：摘要称 collected dataset，但未说明公开数据集、实验室数据还是车载数据。
• 电池数量、循环数量、温度、倍率、老化协议、跨电池划分：未能确认。

结果指标

• 摘要列出 R² Score、Adjusted R²、MAE、MSE、RMSE。
• 具体数值、按电池/工况分层结果、外部验证结果：未能从可访问内容确认。

Baseline/对比方法

• 已确认对比：XGBoost vs LightGBM。
• 是否包含 LSTM、SVR、RF、物理模型或公开 benchmark baseline：未能确认。

泄漏风险/局限性/复现性

• 泄漏风险：信息不足偏高。摘要未说明是否按电池划分，若随机切分循环样本，可能产生同一电池 train/test 泄漏。
• 局限性：可访问页面缺少数据集、协议、具体结果和复现细节；Zenodo 页面 PDF 抽取失败，只能做摘要级判断。
• 复现性：低/信息不足。页面列出 PDF 文件，但本次未能成功抽取；代码和数据公开情况未能确认。

对哥哥研究/落地的启发和后续动作

• 结论：观望/低优先级跟进。
• 可作为传统 ML baseline 线索，但暂不宜作为核心参考，除非后续拿到 PDF 后确认数据划分严谨且结果可信。
• 后续动作：手动下载 Zenodo PDF；核对 DOI 版本差异 21735380 vs 21735381；若全文仍只有泛化描述，可加入低质量/弱证据标签。

后续追踪清单

1. 将 PiDDM 加入重点阅读/复现清单，优先复查其 Wang et al. 公开 NCM 数据集和数据划分脚本。
2. 手动下载 Zenodo PDF，确认作者机构、数据集来源、样本量、划分方式和具体指标；若质量较弱则标为低优先级。
3. 对 review candidate “Predicting BESS Degradation with Uncertainty Quantification” 做一次人工全文复核，可能比部分阈值内论文更贴近 BESS 资产寿命预测。
4. 更新误报规则：储能交易、调度和能量管理论文仅在明确预测 SOH/RUL/EOL/容量轨迹时才纳入。

Lint 对应核心要素索引

数据集/电池体系

• PiDDM：公开 NCM 锂离子电池数据集，55 节，6 种协议，43 训练/12 测试。
• Zenodo EV SOH：摘要称 collected dataset，电压/电流/温度/充电历史，具体结构未能确认。

EOL/RUL/SOH 定义

• PiDDM：以容量/SOH 轨迹为主要预测目标，未把固定 EOL 阈值作为主任务；RUL 可由轨迹派生但不是直接输出。
• Zenodo EV SOH：摘要称 SOH 反映剩余容量和整体状态；EOL/RUL 标签定义未能确认。

模型方法

• PiDDM：16 维充电特征 → 神经网络输出退化动力学参数 → Arrhenius–power-law 可微退化模块 → Euler 递推容量/SOH。
• Zenodo EV SOH：XGBoost 与 LightGBM；更多细节未能确认。

验证设计

• PiDDM：按电池留出测试；额外做前 90% 训练、后 10% 外推验证；对比 MLP 与 baseline PINN。
• Zenodo EV SOH：摘要称 train-test partitioning，是否按电池/时间严格划分未能确认。

是否值得跟进

• PiDDM：强烈跟进，建议复现其物理约束外推模块。
• Zenodo EV SOH：观望，等手动下载全文后再判断质量。