2026.10.13 · 电池研究日报

电池寿命预测论文每日监测报告（2026-10-13）

今日结论

• 新增/补报： 正式收录 3 篇（本轮新发现 2 篇、历史积压补报 1 篇）；证据级别为全文级 / 摘要级 / 元数据级 / 线索级：1 / 0 / 2 / 0。
• 最值得跟进： ① Li 等的 JPS 论文直接联合 SOH 与 RUL，建议补齐全文并核实多电池划分；② Liu 等的 JES 论文以峰间特征预测 RUL，建议获取全文确认指标、数据集及拆分；③ IJETT 论文提供退役电池二次利用分类规则，但目前验证不足，适合谨慎观察。
• 总体判断： 本轮既有成熟期刊的 SOH/RUL 预测，也有针对退役电池的二次寿命分级。后者是 EOL/健康评估而非连续 RUL 预测；分类阈值的外部有效性尚未证明。两篇预测论文因全文/摘要正文不可读，方法与泛化判断应保持保留，不以评分替代实验质量。
• 质量提醒： IJETT 全文仅 27 个电芯，未明确按电芯隔离训练/测试，且正文的 GMM 两簇与三种健康类别对应关系不清；其 VAE 重构 R² 为 0.3384，不是寿命预测精度。JPS 日期在 Crossref 与 OpenAlex 之间有差异；JES 的期刊日期与 OpenAlex 索引日期不同。Applied Energy 的 TinyBatteryNet 记录日期为未来 2027-01，页面及摘要未能核实，已延期至 2026-10-20。
• 检索规模： 发现记录 560 / 去重后记录 370 / 重复记录 190 / 保留题录 245 / 过滤条目 125。重复发现与过滤噪声分列；OpenAlex、Crossref 是相关性排序样本，不代表穷尽覆盖。

论文总览

单篇论文分析

1. State-of-health estimation and remaining useful life prediction for the lithium-ion battery based on a variant long short term memory neural network

论文基本信息

纳入理由与原文证据

• 主题/边界： 题名直接声明同时估计 SOH、预测 RUL，符合主题；摘要索引片段称提出“由多电池共享的预后框架”。该摘要只在检索索引中部分可见，不能据此延伸到具体模型实现或实验结论。
• 证据： Crossref DOI 题录；NASA ADS 摘要索引。

数据集/电池体系

• 体系/数据： 题名指向锂离子电池。数据集、样本数、输入变量及实验体系均未能从可读的一手摘要/全文中确认；不根据同领域常用数据集推测。
• 工况/跨域： 多电池共享框架是索引摘要片段可见的信息；电芯数量、倍率、温度、化学体系覆盖及跨电池划分均未说明/未能确认。

EOL/RUL/SOH 定义

• 目标/定义： 题名所指为 SOH 估计与 RUL 预测，但 RUL 的单位、EOL 阈值、标签生成方式和 SOH 计算式未能确认。
• 未来信息风险： 缺少输入时间窗、预测起点及标签说明，无法判断是否使用完整寿命轨迹、未来循环信息或测试集调参；应视为信息不足，而非默认无泄漏。

模型方法

• 流程： 题名称使用变体长短期记忆网络；摘要片段提及多电池共享的预后框架。变体结构、输入特征、训练目标、消融及基线未能确认，不从题名补写网络细节。
• 部署： 在线推理、传感器需求、计算量、更新机制均未能确认。

验证设计

• 划分/泛化： 摘要索引提到多电池框架，但未确认是否按电芯留出、是否有外部测试或跨工况验证；随机窗口划分与同电芯信息泄漏风险仍待全文核对。
• 可信度： 信息不足。期刊题录身份较明确，但缺少可读摘要正文及验证协议，不能仅凭期刊和引用数判断泛化能力。

指标与结果

• RUL/SOH 的 MAE、RMSE、单位、测试集及置信区间均未能确认；本报告不引用二手转述的数值，也不将评分 91 当作实验指标。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；重点检查多电池拆分是否真正按电芯隔离，以及归一化/特征选择是否只用训练集拟合。
• 复现性： 信息不足；数据、代码、超参数、种子及基线结果均未能确认。
• 局限性： 目前仅能确认题名和题录；完整任务定义、实验规模与部署可行性尚无一手证据。发表日期也有 2020-03-28 与 2020-05 两种索引。

是否值得跟进

• 结论： 强烈跟进（优先补全文）。
• 理由与下一步： 联合 SOH/RUL 与多电池建模直接相关；从作者/机构仓储或出版社获取全文后，先确认目标阈值、按电芯测试、数据集和结果单位，再决定是否纳入方法基准。

2. Remaining useful life prediction of lithium-ion batteries based on peak interval features and deep learning

论文基本信息

纳入理由与原文证据

• 主题/边界： 题名直接以锂离子电池 RUL 预测为目标；ScienceDirect 页面将文章列为研究论文，并列出特征提取和 LSTM 神经网络章节，主题匹配明确。
• 证据： ScienceDirect 文章页；Crossref DOI 题录。

数据集/电池体系

• 体系/数据： 题名确认锂离子电池；数据集名称、来源、样本数、输入量和公开状态未能确认。不能把 NASA、Oxford 或 CALCE 等常见基准推定为本文数据。
• 工况/跨域： 温度、充放电倍率、SOC 窗口、跨电芯/批次/化学体系覆盖均未能确认。

EOL/RUL/SOH 定义

• 目标/定义： 论文题名明确为剩余寿命预测，但 RUL 的计量单位、EOL 判据、预测起点和标签生成方式未能确认。
• 未来信息风险： 未读到输入窗口、容量峰间特征生成时是否使用完整曲线及预测切分策略；未来循环泄漏、同电芯样本跨集合及测试集调参均需全文排查。

模型方法

• 流程： 题名强调峰间特征与深度学习；出版社页面的章节标题指出使用 LSTM 神经网络。特征的精确定义、网络结构、训练损失、基线和消融未能确认，故不将“峰间特征”自行解释为某种特定 IC 曲线或输入窗口。
• 部署： 传感器、在线计算耗时、模型大小及实时部署未能确认。

验证设计

• 划分/泛化： 可见页面没有披露数据拆分、按电芯留出、独立测试集或外部验证；不能据章节标题推断验证质量。
• 可信度： 信息不足。题录与出版社文章身份已核对，实验细节因正文受限而无法审查。

指标与结果

• 可检索到的 ScienceDirect 索引片段报告预测误差“小于 1.18%”，但误差指标定义、单位、预测区间、测试集及统计方式均未能确认；此数值不可与其他论文直接比较，需获取正文复核。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；优先核验按循环随机拆分是否造成同电芯相邻窗口泄漏，以及特征提取/归一化是否先于拆分。
• 复现性： 信息不足；数据链接、代码、超参数、随机种子和完整基线未能确认。
• 局限性： 目前只能确认题录、标题任务和 LSTM 章节；日期存在 OpenAlex 2023-10-18 与期刊 2023-12 的差异；结果片段虽给出百分比，却不足以判断临床/工程可用性。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 峰间特征与序列模型对容量退化信号分析可能有参考价值；下一步获取作者稿/出版社全文，确认峰值定义、RUL 终点、跨电芯测试和“1.18%”的指标含义。

3. Exploring Second Life Potential of Retired EV Batteries: Data-Driven Criteria Development using Beta Variational Autoencoders and GMM Clustering

论文基本信息

纳入理由与原文证据

• 主题/边界： 研究对退役 EV 电池作 Healthy、Second-Life、Disposal 分级，直接服务 EOL/电池健康判断，故纳入；它是基于单一数据集的分类/阈值探索，不是连续 RUL 预测论文。
• 证据： 摘要称以 β-VAE 与 GMM 对退役电池健康分类，并从簇均值形成阈值；出版社全文。

数据集/电池体系

• 体系/数据： 作者报告使用 UNIBO Powertools Dataset，27 个 e-bike 电芯，标称容量约 2.0–4.0 Ah，受控实验室测试、不同制造商；论文称锂离子体系，但未给出每个电芯化学组成的逐项核验。工况含 5 A、8 A 放电及 45°C 储存 90 天后的预处理测试；放电记录间隔 10 秒。
• 工况/跨域： 只有该数据来源；未见跨实验室、车辆实测、外部电芯或跨化学体系验证。六个输入特征为归一化容量、ΔSoH、容量比、平均电压、温度和循环数。

EOL/RUL/SOH 定义

• 目标/定义： 任务是无监督聚类后给健康/二次利用/报废类别制定阈值；不是输出剩余循环数。引言提到 SoH 70–80% 为常见退役区间，但这不是本文经独立验证的统一 EOL 标签阈值。
• 未来信息风险： 输入包含容量、循环计数等退化阶段变量，若部署时只能获得部分历史，其阈值可用性未说明；训练/测试按行随机切分会有同电芯信息泄漏风险，文章未交代按电芯拆分。

模型方法

• 流程： MinMax/Robust scaling 与 PCA 处理六项特征，β-VAE 将输入压至六维潜空间，再以 GMM 比较不同簇数并按簇特征形成三类判定阈值。全文描述编码器为 512/256/128 全连接层，含 BatchNorm、LeakyReLU、残差结构及重参数化采样；解码器使用跳连与 dropout。
• 部署： 作者设想用容量、电压、温度阈值进行现场筛分；未报告传感器精度、推理耗时、BMS 接入或安全验证。

验证设计

• 划分/泛化： 正文称存在 training/test set，并在测试集评估重构；未报告拆分比例、按电芯隔离方式或独立外部测试。训练批次打乱不能证明测试样本来自未见电芯。
• 可信度： 低至中。方法流程可从全文读出，但仅 27 个电芯且划分不透明；无跨来源验证，聚类分离度不能等同于二次寿命判定准确率。

指标与结果

• β-VAE 测试集重构 MAE=0.3104、MSE=0.2794、R²=0.3384；这些是重构指标，不是 SOH/RUL 预测误差。GMM 在 k=2 时报告 Silhouette=0.826、Davies–Bouldin=0.263。正文又以三类状态给出阈值，二簇与三类映射关系需进一步澄清；摘要示例阈值还应与正文各簇标签对照复核。

泄漏风险、复现性与局限性

• 泄漏风险： 中高/信息不足；未披露 train-test 是否按电芯分组，容量/循环数与标签构造也可能共享退化信息。应取得代码后重做 group split。
• 复现性： 中低；公开数据集和网络层级可识别，但未在当前核验材料中确认代码仓库、随机种子及完整超参数。
• 局限性： 样本仅 27 个电芯；重构 R² 偏低且不代表分类有效；二簇/三类别映射、部分阈值解释与跨域适用性均需验证。

是否值得跟进

• 结论： 观望。
• 理由与下一步： 主题匹配且全文可读，但阈值不宜直接用于回收分流或安全决策。建议复现公开数据集，按电芯留出并外部测试，再核验三类阈值与作者代码。