2026.10.09 · 电池研究日报

电池寿命预测论文每日监测报告（2026-10-09）

run_id：4fa5c19e65eb4c08a50d39d606cd8b6a

今日结论

• 新增： 本次报告纳入 7 篇正式论文卡片；全文级 / 摘要级 / 元数据级 / 线索级：4 / 2 / 1 / 0。5 篇入选清单中 4 篇通过主题核验、1 篇因日期/全文证据不足延期；低分复核 5 篇中 3 篇符合主题提升，2 篇排除。这里的“新增”指本次首次纳入报告，不代表论文在本日发表。
• 最值得跟进： ① TC-SOH 在四套公开数据、386 个电芯上进行电芯级划分，下一步核对补充材料及各数据集绝对误差；② Nature Energy 早期寿命预测有独立后续测试集和公开数据/代码，适合作为 cycle-life baseline，下一步复现其特征与测试集定义；③ Jones 等人在不均匀使用下用一次 EIS 预测容量并量化不确定性，下一步比对实际 BMS 可获得的阻抗与未来工况。
• 总体判断： 本轮正式论文聚焦早期寿命、SOH/RUL 与变工况容量预测；证据最完整的工作分别展示按电芯隔离、延后批次测试和跨工况测试。多篇候选只能读到摘要或题录，不能据此比较架构、训练细节或声称可部署。对实际研究最有价值的方向是电芯/批次外推、显式不确定性，以及验证数据划分是否避免同一电芯窗口泄漏。
• 质量提醒： OpenAIRE 发生 4/4 请求失败，随后预算耗尽而跳过；source_status 为 degraded，其他 API/RSS 不等于穷尽检索。Grey Model-LSTM 题录的刊期标为 2026-11，晚于本报告日期且正文未核实，已延期至 2026-11-03。Shi 等论文 Crossref 仅确认 2022-11 刊期；OpenAlex 的 2022-06-01 与 Crossref 创建/入库时间相同，不据此当作在线发表日。Nature Energy 论文的机构页面列 2019-02-18，出版社正式页/Crossref 记 2019-03-25，报告采用出版社日期并注明差异。Gold-label Top-5 覆盖为零，不能把未知精度当作零。
• 检索规模： 发现记录 553 / 去重后记录 352 / 重复记录 201 / 保留题录 229 / 过滤条目 123。重复发现与过滤噪声是不同口径，不代表漏报数量。检索窗口为 2026-09-09 至 2026-10-09；Crossref/OpenAlex 为相关性排序样本，并非完整文献普查。

论文总览

单篇论文分析

1. Data-driven prediction of battery cycle life before capacity degradation

论文基本信息

纳入理由与原文证据

• 主题/边界： 直接预测电芯 cycle life，作者将其等同于 EOL，符合早期寿命预测主题；不是仅做退化监测。
• 证据： 全文报告首次 100 圈数据时，容量中位数仅比初始值高 0.2%，仍可预测生命周期；首 5 圈用于高/低寿命二分类。见 Nature Energy 全文。

数据集/电池体系

• 体系/数据： 124 个商用 A123 APR18650M1A、1.1 Ah LFP/石墨电芯，72 种快充条件，寿命约 150–2300 圈；4 个高噪声样本被排除。原始数据约 96,700 圈，公开数据位于 MATR。
• 工况/跨域： 30°C 环境、快充倍率与策略变化，放电条件相同；另有后续批次作为 secondary test。公开数据和代码均可获取，复现基础较好。

EOL/RUL/SOH 定义

• 目标/定义： Cycle life 定义为容量降至标称容量 80% 前的循环数；输出寿命圈数或高/低寿命类别，不是在线 RUL。
• 未来信息风险： 仅取前 100 圈作为输入，标签需要完整寿命结果；部署推断不必使用未来数据。应复查标准化、特征筛选是否严格只在训练电芯拟合。

模型方法

• 流程： 放电电压-容量曲线差分 ΔQ(V)、温度、内阻等特征 → Elastic Net 正则化线性回归，预测 log cycle life；分类另用正则化 Logistic Regression。以仅用方差的模型及较简单的容量衰减特征作对照。
• 部署： 作者称离线训练后线上预测只需预处理与一次线性点积；非端到端 BMS 实测。

验证设计

• 划分/泛化： 开发数据等分训练与 primary test，并覆盖寿命范围；训练内部做校准/验证。secondary test 来自模型开发时尚未生成的后续数据，是更强的时间外推检查。
• 可信度： 中高；有独立后续测试，但实验为单一电芯型号与受控工况，不能等同跨化学体系泛化。

指标与结果

• 采用前 100 圈预测寿命，最佳模型 primary test 平均百分比误差约 9.1%，secondary test 约 11%；前 5 圈分类的测试误差为 4.9%。分类阈值为 550 圈，非连续寿命误差指标。

泄漏风险、复现性与局限性

• 泄漏风险： 低至中；主测试按电芯留出且另有后续批次，但主分组刻意覆盖寿命区间，需复现完整分组与预处理。
• 复现性： 高；论文给出数据、方法，作者公开数据与代码。
• 局限性： 样本/化学体系单一；快充实验条件与真实驾驶不完全相同；4 个噪声电芯被排除，需评估筛选对部署的影响。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： 适合作为早期 cycle-life 基准。复现主/次测试拆分、逐电芯标准化及 9.1%/11% 指标，再测试跨批次和跨化学体系；留意出版社与机构页的日期差异，引用出版社在线日期。

2. Battery health management using physics-informed machine learning: Online degradation modeling and remaining useful life prediction

论文基本信息

纳入理由与原文证据

• 主题/边界： 标题直接说明在线退化建模与锂离子电池 RUL 预测，属于电池寿命预测核心范围。
• 证据： 出版社摘要片段明确写到提出 physics-informed machine learning 方法以建模退化趋势并预测 lithium-ion battery RUL；具体实现仍须全文确认。来源：ScienceDirect。

数据集/电池体系

• 体系/数据： 目标为锂离子电池；可访问的摘要片段没有说明电芯化学体系、数据集名称、样本数或是否公开，均未能确认。
• 工况/跨域： 题名强调 online degradation modeling；动态工况、传感器种类、温度与倍率覆盖均未能确认，不从题名推定。

EOL/RUL/SOH 定义

• 目标/定义： 论文目标是 RUL，但剩余圈数/时间单位、失效阈值、标签生成与截尾处理在可访问证据中未说明。
• 未来信息风险： 不能判断训练标签是否使用完整退化轨迹、在线窗口是否只含预测时点以前数据；需获取全文检查标签与归一化方式。

模型方法

• 流程： 出版社片段确认物理信息机器学习用于退化趋势建模和 RUL 预测；物理约束、网络结构、输入特征及基线未能确认，不补写架构名称。
• 部署： 标题称 online，但实时推断成本、传感器要求和在线更新机制尚未核实。

验证设计

• 划分/泛化： 数据拆分、独立测试、跨电芯/工况验证均未能确认。
• 可信度： 信息不足；核心主题确认，但方法和实证证据停留在出版社摘要片段。

指标与结果

• 未能确认可核实的 MAE、RMSE、误差单位、测试样本或数值结果；不以脚本评分替代实验结果。取得全文后再补录。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；重点核查随机窗口是否跨电芯、在线预测是否使用预测时点之后的数据，以及超参数是否在测试集选择。
• 复现性： 信息不足；数据、代码、超参数与随机种子未能确认。
• 局限性： 当前只有摘要级支持；日期仅能确认刊期；缺少数据、划分和指标，无法评估跨工况适用性。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 主题明确且方法方向与物理约束 RUL 有关。优先获取全文和补充材料，确认正式在线日期、通讯作者、数据集、标签阈值、拆分方案和测试指标后再作定量比较。

3. Impedance-based forecasting of lithium-ion battery performance amid uneven usage

论文基本信息

纳入理由与原文证据

• 主题/边界： 研究在不均匀历史/未来使用下预测放电容量及健康轨迹；并非严格的 EOL/RUL 估计，但属于容量/退化轨迹预测。
• 证据： 正文报告只需充电前一次 EIS 与未来循环方案，即可预测后续容量；模型也给出校准不确定性。来源：Nature Communications 正文。

数据集/电池体系

• 体系/数据： 88 个商业锂离子纽扣电芯，采用多阶段充放电并在循环间随机改变电流；工作同时公开动态工况数据集。
• 工况/跨域： 覆盖不同循环协议、厂家及温度；输入为充电前测得的单次 EIS 与未来使用协议。研究以理想化协议分布检验泛化，不等于真实道路驾驶全覆盖。

EOL/RUL/SOH 定义

• 目标/定义： 预测下一循环及多步未来的放电容量；健康以多维状态表示，不将 SOH 简化成单一寿命阈值，也未直接预测 EOL/RUL。
• 未来信息风险： 下一步预测使用已知未来 cycling protocol，部署时该协议必须可获得；不可将测试时已知的未来控制策略误作无条件预测能力。

模型方法

• 流程： 电化学阻抗谱表征当下 cell state，结合将执行的 charge/discharge action 输入概率机器学习模型，输出容量预测与不确定性；作者比较 state/action 单独输入与联合输入。
• 部署： 一次充电前 EIS 是关键诊断输入；在线测量频率、设备成本及 BMS 集成延迟未确认。

验证设计

• 划分/泛化： 对不同循环方案分布做测试，并评估不同厂家、温度；论文报告异分布数据测试，具体拆分以正文实验段为准。
• 可信度： 中高；实验覆盖非均匀使用并测试分布偏移，但样本仍为纽扣电芯与受控协议。

指标与结果

• 下一循环容量预测平均误差 8.2%；多步预测至未来 40 圈时 R²=0.75。作者报告仅用 8 个电芯即可达到测试误差低于 10%，异分布测试误差低于 7%；这些是特定实验设计的结果，不代表车载量产表现。

泄漏风险、复现性与局限性

• 泄漏风险： 中；需确认不同协议/厂家测试划分完全按电芯隔离，且未来协议是预测时已知量，不从摘要推断随机划分细节。
• 复现性： 中高；论文全文和数据可访问，需按其处理流程复现不确定性校准。
• 局限性： 纽扣电芯与理想协议；未来工况须预先给定；一次 EIS 的车载可操作性、老化分布外泛化及实车验证仍待研究。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： 对“非均匀使用＋不确定性”具有直接参考价值。下载原始数据复核按电芯/协议拆分，评估预测区间覆盖率，并比较单次 EIS 与常规 BMS 信号方案。

4. Research on predicting the state of health of lithium-ion batteries via back propagation network based on multi-feature combination of electrochemical impedance spectroscopy

论文基本信息

纳入理由与原文证据

• 主题/边界： 明确预测锂离子电池 SOH，属于健康状态估计；不把题名相似的常规 EIS 表征当作寿命预测证据。
• 证据： 作者以容量退化相关的多维 EIS 特征输入 BP 网络，并比较 PSO、GA、ACO 优化。见 PLOS One 全文。

数据集/电池体系

• 体系/数据： Cambridge 公开老化数据，12 个 45 mAh Eunicell LR2032 锂离子纽扣电芯；正文分析 35C01、35C02、45C01、45C02 四组，EIS 频段与循环抽样在文中说明。
• 工况/跨域： 35°C 与 45°C 组内拆分；不等同跨化学体系验证。作者称数据及支持文件可获得，代码附件含 BP、ACO-BP 等 MATLAB 实现。

EOL/RUL/SOH 定义

• 目标/定义： 输出由容量/阻抗老化信息标注的 SOH；文中提到容量低于标称 80% 通常视为 EOL，但研究没有预测 RUL。可见文本未确认 SOH 归一化分母与各电芯标签生成细节。
• 未来信息风险： 45C01 前 100 圈数据因明显差异而从测试数据中移除，须核查该筛除规则是否在评估前预先规定；EIS 特征筛选是否只用训练组拟合也需复现确认。

模型方法

• 流程： EIS 等效电路参数与阻抗曲线形状特征 → SRCC 选取与容量衰退相关输入 → BP 回归；比较普通 BP、GA-BP、ACO-BP、PSO-BP。
• 部署： 依赖 EIS 测量；论文没有证明该测量链能在普通车载 BMS 实时运行。

验证设计

• 划分/泛化： 35C01 与 45C02 作为训练组，35C02 与 45C01 作为测试组；45C01 去掉前 100 圈。组别隔离有助于避免同一组样本交叠，但温度/电芯分布与筛样策略仍需核对。
• 可信度： 中低；全文可读且提供分组，但只有 12 个电芯，测试组选取和异常点剔除可能影响结果。

指标与结果

• 论文使用 MAE、RMSE、MAPE 比较模型，摘要称 GA-BP/ACO-BP 在测试条件下误差较低；未在可读正文文本中确认可直接引用的汇总数值，因此不从图形目测补数。

泄漏风险、复现性与局限性

• 泄漏风险： 中；分组测试有利，但须验证 SRCC/特征筛选与标准化是否仅在训练组拟合，及异常段剔除是否预先设定。
• 复现性： 中高；公开数据及 MATLAB 代码附件有助复现；仍需完整报告随机种子、参数搜索细节。
• 局限性： 小样本、纽扣电芯与两种温度；依赖 EIS 设备；图示指标无法替代逐组数值与更广域测试。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 可作为多特征 EIS-SOH 方法对照。先运行作者附件代码，逐电芯重建训练/测试并核实筛样与特征选择，再报告每组 MAE/RMSE/MAPE。

5. Autonomous End-to-End SOH Prediction Services for Battery Systems via Temporal-Contrastive Representation Learning

论文基本信息

纳入理由与原文证据

• 主题/边界： 论文核心任务是从运行数据预测 SOH，属于电池健康轨迹估计；不是以“自治服务”概念本身作为纳入理由。
• 证据： 作者报告跨四套公开数据优于所比较的数据驱动与物理混合基线，并用表征诊断检验时序信息。来源：arXiv v1 全文。

数据集/电池体系

• 体系/数据： MIT、XJTU、TJU、HUST 四套公开基准，共 386 个电池，化学体系、温度及充放电协议多样；以处理后的循环数据为输入。
• 工况/跨域： 多数据集覆盖不等，但数据集间转移和跨化学体系的具体外推边界需按实验表分别解释；尚无真实 BMS 在线运行证据。

EOL/RUL/SOH 定义

• 目标/定义： 预测 SOH/后续 SOH，不直接预测 EOL 或 RUL；不同数据集标签处理依原始基准，报告未将其统一成一个寿命阈值。
• 未来信息风险： 论文明确在切分电芯后再生成窗口，减少相邻窗口跨训练/测试泄漏；仍应检查所有预处理统计量是否仅由训练电芯拟合。

模型方法

• 流程： 原始时序 → temporal-contrastive 表征学习及 cross-window prediction 预训练任务 → SOH 预测；以 CNN、MLP、PINN/手工特征模型作比较，并开展表征可视化、敏感度、冗余和时间打乱诊断。
• 部署： 提出模块化服务式架构，但实际 BMS 处理延迟、算力、模型更新和安全验证未给出实测。

验证设计

• 划分/泛化： 按电芯先固定 held-out test，再切窗口，采用重复电芯级划分和多个随机种子；四个公开数据集分别评估。
• 可信度： 中高；披露电芯级协议并有多基准测试，但仍是预印本，需关注独立复现和数据集处理差异。

指标与结果

• 相较文中所比较基线，摘要报告 MAPE 降低 1.91 倍、RMSE 降低 2.13 倍；绝对误差随 MIT/XJTU/TJU/HUST 而异，不能把比例优势误读成统一误差或量产精度。

泄漏风险、复现性与局限性

• 泄漏风险： 低至中；先按电芯隔离再滑窗是明确防护，仍需核验窗口长度、训练统计量与随机种子。
• 复现性： 中；全文和公共数据可取，arXiv 记录未关联代码仓库，需补代码与超参数。
• 局限性： 预印本未同行评审；公开实验不等于实车外部验证；跨数据集的误差和标签定义不统一。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： 与自动特征学习和防止窗口泄漏直接相关。按四数据集重跑电芯级划分，补充绝对 MAE/RMSE、跨体系分组结果与代码核查，再评估是否能迁移至真实 BMS。

6. An attention-enhanced multi-scale feature fusion framework for accurate joint prediction of battery SOH and RUL

论文基本信息

纳入理由与原文证据

• 主题/边界： 题名明确为电池 SOH 与 RUL 联合预测，满足核心主题；由于无可读摘要，纳入仅表示题录主题合格，不代表实验结论已验证。
• 证据： Crossref 和机构记录给出相同题名、DOI、期刊与作者。方法具体性、预测目标定义及性能数字均未核实。来源：机构题录。

数据集/电池体系

• 体系/数据： 题录关键词包含锂离子电池、SOH、RUL；化学体系、电芯型号、样本量、公开数据或仿真来源均未能确认。
• 工况/跨域： 温度、倍率、SOC、循环条件和跨电芯/批次覆盖未说明；不得从题名推断使用了某个公共 benchmark。

EOL/RUL/SOH 定义

• 目标/定义： 题名声称联合 SOH/RUL 预测；SOH 计算方式、RUL 单位、EOL 阈值及标签生成方式未能确认。
• 未来信息风险： 未获得正文，无法判断窗口切分、寿命标签是否依赖完整轨迹、是否存在测试集调参或归一化泄漏。

模型方法

• 流程： 题名称 attention-enhanced multi-scale feature fusion；不据此补写网络模块、输入信号、物理约束或基线。
• 部署： 传感器、算力、在线推断延迟及 BMS 部署信息均未能确认。
• 可读题录/机构页不能证明具体融合层数、注意力类型或实现细节；这些字段应在全文核验后补录，不能把框架题名扩写成网络结构。

验证设计

• 划分/泛化： 训练/验证/测试拆分、独立测试、跨电芯或外部数据均未能确认。
• 可信度： 信息不足；目前只确认正式题录与研究主题，不能评价实证质量。

指标与结果

• 论文具体 MAE/RMSE、单位、测试集和不确定性指标均未能确认；不把标题中的“accurate”当作定量结果。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；需重点检查同一电芯窗口跨集合、SOH/RUL 标签构造及完整寿命信息泄漏。
• 复现性： 信息不足；数据、代码、超参数和随机种子均未确认。
• 局限性： 出版社全文入口本轮不可读；缺少摘要与方法细节；题录主题命中不能替代实验核验。

是否值得跟进

• 结论： 观望。
• 理由与下一步： 联合预测主题匹配，但当前证据仅为题录。后续优先从出版社/机构获取开放 PDF 或摘要，确认数据、EOL/RUL 标签、划分及基线；在获取正文前不引用任何性能主张。

7. Hybrid Statistical and ANN-Based Prediction of Lithium-Ion Battery Degradation under UDDS-Based Simulated Urban Driving Profiles

论文基本信息

纳入理由与原文证据

• 主题/边界： 研究目标包含锂离子电池退化与 SOH 预测，属于容量/健康退化预测；不是普通城市驾驶能耗或调度研究。
• 证据： 出版社摘要说明在 UDDS 模拟城市工况数据上构建统计分析与 ANN 框架，并以低频阻抗及内阻预测退化/SOH。来源：期刊摘要页。

数据集/电池体系

• 体系/数据： INR21700-M50T 锂离子电芯；摘要称 long-time dataset，未报电芯数量、循环数或公开下载位置。
• 工况/跨域： 使用 UDDS-based simulated urban driving profiles；倍率、温度、SOC 窗口和跨电芯/车辆外推覆盖未能从摘要确认。

EOL/RUL/SOH 定义

• 目标/定义： 目标为容量退化/SOH 预测，不是 RUL；SOH 具体公式、EOL 阈值和标签构造在摘要中未说明。
• 未来信息风险： 摘要称“original data”上的表现，未说明是否有独立电芯留出、随机循环切分或仅训练样本内拟合，需检查可能的数据窗口/电芯泄漏。

模型方法

• 流程： Pearson 相关分析找出容量保持率与容量 C-rate、内阻的关系；ReliefF 选特征，再以低频 0.01 Hz 阻抗与内阻作为两输入训练前馈 ANN。
• 部署： 作者称框架计算成本较低并面向简化 BMS；未见嵌入式算力、时延或实车测试数据。

验证设计

• 划分/泛化： 出版社摘要只报告在原始数据上的结果，未给训练/测试划分、独立电芯或外部工况验证。
• 可信度： 信息不足；题目与摘要、方法和数值已由期刊确认，但泛化证据暂缺。

指标与结果

• 摘要报告容量保持率与 C-rate 的 Pearson r=-0.83、与内阻 r=-0.71；ANN RMSE <1.2%、R²>0.97。摘要未说明单位定义、测试集和误差是否为独立测试结果，故不作跨论文横比。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足偏高；需确认 ReliefF 是否仅在训练集拟合，及同一电芯相邻周期是否进入训练和测试两侧。
• 复现性： 低至中；摘要未给代码、数据链接、网络超参数、随机种子和样本规模。
• 局限性： 单一电芯型号/模拟工况；测试划分未披露；指标虽亮眼但“原始数据”与独立泛化之间的关系不明；模型可用性与部署复杂度未评估。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 低频 EIS 与内阻的轻量化输入值得核验。优先读取 PDF，确认样本数、按电芯划分、SOH 标签和 ReliefF/标准化流程，再复现摘要指标。