2026.10.14 · 电池研究日报

电池寿命预测论文每日监测报告（2026-10-14）

今日结论

• 新增： 4 篇正式纳入；全文级 / 摘要级 / 元数据级 / 线索级：2 / 2 / 0 / 0。按脚本分数≥80计，高分3篇。4 篇中，1 篇是积压候选经本次全文复核后纳入，3 篇为本轮新入队题录；另有 1 篇积压候选核实后排除。
• 最值得跟进： ① BESS 概率 SOH 研究有多年度户储实测对照及不确定性轨迹，但仅验证一个系统，值得复核其假设与代码；② Joule 形成阶段循环寿命预测采用按工艺协议分组的嵌套验证，并公开数据/代码，适合作为早期预测复现对象。
• 总体判断： 本批涵盖系统级 SOH 概率预测、基于首 100 周期特征的 RUL、BLS-LSTM容量/RUL估计，以及制造形成阶段 cycle-life 预测。后两篇电池寿命目标明确，但其中两项只能核到摘要，数据划分、阈值及数值细节不足，不宜直接据摘要判断泛化能力。Joule 研究的跨协议验证信息较完整；BESS 研究在真实系统对照上有价值，但其训练/实测体系高度相似，不能等同跨化学体系验证。
• 质量提醒： arXiv 聚合查询本轮超时（2 次请求均失败）；报告其余论文均经出版社/学术机构或全文核验。BLS-LSTM的Crossref月级日期与出版社精确日期不同，以下采用出版社日期并保留差异说明。近期 Top-K 标注覆盖率为 0%，precision@K 未知，不能把未标注样本视为负例。
• 检索规模： 发现记录 537 / 去重后记录 348 / 重复记录 189 / 保留题录 240 / 过滤条目 108。即 537 次原始发现含 189 次重复；348 条去重题录中 240 条保留、108 条过滤噪声。API 为相关性排序抽样，不代表穷尽检索。

论文总览

单篇论文分析

1. Predicting BESS Degradation with Uncertainty Quantification: A Probabilistic Framework for Battery Energy Storage Systems

论文基本信息

纳入理由与原文证据

• 主题/边界： 研究目标为容量损失与SOH轨迹预测，并计算SOH阈值穿越时间，符合电池健康/寿命预测；不是普通储能调度论文。论文报告：“three [field capacity] values lie within the PIs”，即第2、3、4年三次实测容量换算值均落入预测区间。全文
• 证据： 作者称预测区间为95%，并以实测容量作现场对照；以下量化仍仅是单系统案例结果，不能外推为普遍校准性能。摘要/全文

数据集/电池体系

• 体系/数据： 商用Sony/Murata LFP/石墨电芯实验老化数据训练，涵盖17组日历老化、19组循环老化条件；另用Figgener等发布的德国户储多年公开运行数据。案例聚焦system 14，4个模块、每模块16s14p，共896颗标称3 Ah电芯。
• 工况/跨域： 从电流、电压、功率、壳体/室温及额外电芯温度资料构造动态负载；训练与现场案例使用同类LFP/石墨电芯。假设并联电芯电流均分，并用高/低应力情景夹住系统表现，单系统、单体系不构成跨域验证。

EOL/RUL/SOH 定义

• 目标/定义： 预测累计容量损失、SOH及其不确定性；SOH按1−累计容量损失构造。作者另以90% SOH作为本文阈值穿越示例，不能泛化为本文统一EOL定义。
• 未来信息风险： 动态轨迹使用分块应力输入并递推更新；公开文本未说明独立外部系统/体系测试。90%穿越时间属于外推，作者明确指出885天/约2400 FEC后的长期结果缺少额外现场容量测量验证。

模型方法

• 流程： 日历老化与循环老化分别用概率回归预测容量损失均值/方差；bootstrap集成估计认知不确定性，再以固定随机偏差粒子传播轨迹并生成SOH区间。每90天处理运行序列；循环侧汇总SOC、温度、充放电倍率、DOC及FEC等特征。
• 部署： 论文称框架开源并指向BattProDeep；本次未独立核实仓库地址、代码可运行性或在线计算时延。

验证设计

• 划分/泛化： 训练来源为实验老化研究；户储侧只选一个与训练电芯同体系的系统，使用第2–4年三次容量测试对照。未见跨系统、跨厂家或跨化学体系独立测试设计。
• 可信度： 中；全文支持方法与案例细节，但系统级实证点少，且电芯电流均分、应力包络等近似会影响外推。

指标与结果

• 99条随机退化轨迹构成预测分布；高/低应力情景末端SOH分别为86.68%和88.05%。三次现场容量测试均落入95%预测区间。90% SOH穿越的轨迹范围：高应力情景1305–1870天，低应力1615–2035天。以上是案例结果，不等于经大样本验证的覆盖率校准结论。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；需核实现场运行序列与容量测试时点是否严格按预测时点截断，以及训练/案例电芯是否存在同批次相关性。
• 复现性： 中；训练与特征流程描述较充分且声称开源，但仓库、完整超参数和随机种子尚未核实。
• 局限性： ①现场案例仅一个system 14且化学体系与训练相同；②实测容量对照仅三次，区间覆盖样本很少；③并联电流均分、温度测量/电芯缩放和长期预测依赖近似。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 系统级概率SOH与轨迹级不确定性适合风险管理研究。下一步核对BattProDeep代码、Figgener公开数据及时间切分，测试不同系统/化学体系并单独评估区间覆盖率。

2. Early prediction of battery remaining useful life using CNN-XGBoost model and Coati optimization algorithm

论文基本信息

纳入理由与原文证据

• 主题/边界： 直接预测锂离子电池RUL，且使用早期循环测量，符合早期寿命预测。
• 证据： AAU机构库摘要说明CNN从放电容量数据提特征，与前100周期充电策略信息融合后交给XGBoost预测RUL；摘要报告RMSE 106 cycles、MAPE 7.5%。AAU摘要

数据集/电池体系

• 体系/数据： 摘要确认锂离子电池和容量/充电策略测量，但未报告具体化学体系、样本数、公开数据集名称或电芯型号；不能因其他同类文章常用NASA/CALCE而补写。
• 工况/跨域： 提及前100周期测量及充电策略特征；温度、倍率范围、不同电芯/批次或跨体系验证均未能从摘要确认。

EOL/RUL/SOH 定义

• 目标/定义： 目标是remaining useful life，但摘要未说明RUL以周期还是时间定义、容量阈值/EOL标签规则及起始预测时点。RMSE单位标为cycles，具体标签构造待全文确认。
• 未来信息风险： 摘要同时提到从放电容量数据抽取CNN特征和首100周期特征，未明确容量图像是否严格截断于预测时点；须排查完整寿命轨迹进入输入、归一化或特征生成的可能性。

模型方法

• 流程： CNN用图像处理方式提取放电容量曲线特征，与从首100周期实测数据及充电策略得到的另一组特征拼接；XGBoost输出RUL，Coati优化用于CNN超参数调节。摘要未列CNN层数、基线、消融或调参搜索细节。
• 部署： 仅可确认需要容量历史/策略信息；实时性、推理成本和BMS部署测试未说明。

验证设计

• 划分/泛化： AAU摘要给出总体数值，但未列训练/验证/测试划分、按电芯分组方式、重复试验或外部测试集。是否避免同一电芯窗口跨集合及Coati调参泄漏，均待查全文。
• 可信度： 信息不足；任务定义清楚，但数据集、划分和结果对应的测试集无法从摘要复核。

指标与结果

• 摘要报告RMSE 106 cycles、MAPE 7.5%；没有给测试样本数、置信区间、各基线数值或跨工况性能。指标保留为作者摘要所报，不推断为跨数据集平均或独立测试表现。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；优先核对CNN图像的时间截断、超参数优化是否仅在训练/验证折内完成，以及数据切分是否按电芯而非窗口。
• 复现性： 低至信息不足；摘要未提供代码、数据标识、超参数或随机种子。公开数据源及机构库的访问入口尚待全文确认。
• 局限性： ①只有摘要级证据；②化学体系、样本规模及RUL阈值未说明；③没有可比基线和独立外部验证细节，当前数值不能单独证明鲁棒泛化。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： CNN与早期充电策略联合特征有工程相关性。下一步获取出版社全文，确认数据、RUL标签、图像截断及按电芯划分；在同一数据集上与仅容量曲线、仅策略特征和标准CNN/XGBoost基线复现对照。

3. Lithium-ion battery capacity and remaining useful life prediction using board learning system and 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： 论文明确以锂离子电池容量与RUL为预测目标，符合范围。
• 证据： 出版社摘要称模型将BLS生成的特征节点及增强节点拼接为LSTM输入，并用NASA Ames PCoE与马里兰大学CALCE老化数据验证；摘要称训练可缩减至全部退化数据的25%。出版社摘要

数据集/电池体系

• 体系/数据： 使用NASA Ames Prognostics Center of Excellence与University of Maryland CALCE电池老化数据，研究对象为锂离子电池。可访问摘要没有列出具体电芯型号、化学体系、样本量或各数据集所占比例。
• 工况/跨域： 以历史容量衰减序列为核心输入；摘要确认在NASA与CALCE两个数据库上做实验，但未说明是否分别训练测试、跨数据集迁移，或包含哪些倍率/温度条件。

EOL/RUL/SOH 定义

• 目标/定义： 同时预测容量与RUL；ScienceDirect摘要未报告容量阈值、RUL标签单位与标签生成方式。不能把NASA数据集常见EOL设置当作本文定义。
• 未来信息风险： 出版社摘要提及不同训练集规模，RUL能力以四分之一测量老化数据进行测试；未显示时间外推边界、输入窗口终点、归一化拟合范围与超参数选择流程，需全文核实是否有未来信息渗入。

模型方法

• 流程： Broad Learning System先由历史容量构造特征节点和增强节点，将其拼接后送入LSTM神经网络，输出容量/RUL。设计动机是以较浅的宽学习特征表示减少对大量训练数据及深层网络的依赖；摘要未给足够信息复现网络配置。
• 部署： 仅涉及历史容量输入；在线采集、推理延迟、处理不完整测量及电池管理系统部署未说明。

验证设计

• 划分/泛化： 作者报告NASA与CALCE数据，并研究不同训练比例；容量预测使用25%和50%训练长度，RUL预测以约四分之一的测量老化数据测试。可访问摘要未明确是按电芯留出、按时间前推还是随机拆分，也未披露独立外部测试。
• 可信度： 信息不足；双数据库和训练比例对比有参考价值，但缺少划分定义及每个测试集的组成，不能判断跨电芯泛化。

指标与结果

• 摘要只称BLS-LSTM在训练数据降至25%时仍保持预测精度，没有给出RMSE、MAE、MAPE或逐数据集结果。不能把摘要中的定性表述转写为数值性能结论。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；重点核实特征节点构造、序列窗口重叠、归一化和LSTM选参是否严格限制在训练折，并检查是否把同一电芯的相邻片段分到不同集合。
• 复现性： 中低；NASA/CALCE数据源公开，但本次可访问内容未见代码、超参数、随机种子或完整切分方案。
• 局限性： ①全文未能取得，数值指标和模型细节缺失；②化学体系与电芯数量未从摘要确认；③“25%训练”究竟指时间比例还是样本比例，以及跨库泛化效果需核实。

是否值得跟进

• 结论： 观望。
• 理由与下一步： BLS-LSTM与少样本设置值得作历史基线，但目前不可按题录分数判断其结果强弱。下一步取得全文，提取精确RUL定义、分电芯/分时间切分及NASA、CALCE各自指标，再决定是否加入复现基准。

4. Systematic feature design for cycle life prediction of lithium-ion batteries during formation

论文基本信息

纳入理由与原文证据

• 主题/边界： 直接预测锂离子电池cycle life，且在形成制造阶段进行极早期寿命预测，明确符合监测主题。
• 证据： 作者以形成阶段Q(V)数据设计两个特征，摘要报告cycle-life平均误差9.87%；文章用按形成协议分组的五折嵌套交叉验证。全文PDF
• 复现线索： Zenodo明确标记该论文配套代码与数据，并提供CC BY 4.0许可记录。Zenodo

数据集/电池体系

• 体系/数据： 研究使用186颗单晶SC-NMC532/人工石墨软包电芯，62种形成协议、每协议3颗；其中178颗达到研究纳入的寿命终止条件。各协议采用相同老化方案，形成参数以拉丁超立方设计。
• 工况/跨域： 覆盖不同两段恒流倍率、截止电压、形成温度、静置时间等协议变量，含快形成协议。只有一种NMC/石墨体系及特定实验老化流程，未验证其他化学体系或现场BMS。

EOL/RUL/SOH 定义

• 目标/定义： 输出cycle life（循环数）；178颗纳入样本的EOL定义为0.75C恒流放电容量低于其初始0.75C容量的80%，排除短路、极耳损坏等实验失败样本。
• 未来信息风险： 预测输入限制在制造形成过程测量，cycle-life标签来自后续完整寿命实验。标签含未来寿命是监督目标本身；核验关键在特征/预处理是否仅用形成数据。全文说明外层按协议分组，未见同协议重复电芯跨训练/测试的明显问题。

模型方法

• 流程： 从形成阶段Q(V)曲线用fused-lasso寻找有预测力且可解释的电压区间，再构造两项Q(V)差值特征；无需额外诊断循环。将特征输入多类回归模型，与参数型“agnostic”及自动特征工程模型比较；机理分析以分布式颗粒阻抗解释特征关联。
• 部署： 只使用形成流程中已有数据，作者称可缩短形成协议筛选时间；实时产线集成、仪器误差和跨设备复现尚未实证。

验证设计

• 划分/泛化： 62种形成协议分成5组，外层每次留一组测试，训练集内再做10折选参，降低协议级泄漏风险；评价重点是未见协议外推。最终特征在各折相近，但所有数据来自同一实验体系。
• 可信度： 高（限于该数据集内）；样本、EOL和分组策略均明确，且嵌套验证针对协议外推；外部实验室/化学体系验证仍缺失。

指标与结果

• 摘要报告设计模型平均cycle-life误差9.87%。全文表格的五折MAPE均值为9.84%，Hodges–Lehmann汇总为9.59%；这些统计口径不同，不应混写。主要结果来自分组外层测试，未将训练内拟合当成测试性能。

泄漏风险、复现性与局限性

• 泄漏风险： 低；形成协议分组的嵌套验证避免同协议重复电芯直接跨折，仍应检查特征选择和模型选择是否完全在内层折中执行。
• 复现性： 高；Zenodo记录配套数据与代码，全文说明流程与五折设计；大体量文件下载后仍需核对环境、随机种子及版本。
• 局限性： ①仅SC-NMC532/石墨、实验室软包样本；②准确率受形成协议覆盖范围影响，未证明跨工厂/材料体系；③模型预测cycle life，不等同在线RUL或全生命周期健康监测。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： 形成阶段只用两项可解释特征且验证按协议留出，适合复现与特征迁移研究。建议下载Zenodo数据代码，复现外层分组结果，再在不同化学体系、形成温度及产线批次上做外部验证。