2026.10.16 · 电池研究日报

1 份报告 · 9 篇已关联论文。首次分析与当日补充分析分别计数。

本日论文

论文期刊 / 分析日期证据等级研究工具
Relational graph–transformer network for joint state-of-charge and state-of-health estimation in lithium-ion batteries任务未确认Journal of Power Sources · 2026.10.16Journal of Power Sources2026.10.16摘要
A fusion method for predicting the remaining useful life of lithium-ion batteries based on IMMUKF and WAVENNRUL predictionMeasurement and Control · 2026.10.16Measurement and Control2026.10.16摘要
Experimental Validation and Cross‐Scale Evaluation of Battery Capacity Degradation Techniques for Electric VehiclesCapacity fade / trajectory predictionEnergy Storage · 2026.10.16Energy Storage2026.10.16摘要
An Integrated Method of the Future Capacity and RUL Prediction for Lithium-Ion Battery PackRUL predictionIEEE Transactions on Vehicular Technology · 2026.10.16IEEE Transactions on Vehicular Technology2026.10.16摘要
An Integrated Probabilistic Approach to Lithium-Ion Battery Remaining Useful Life EstimationRUL predictionIEEE Transactions on Instrumentation and Measurement · 2026.10.16IEEE Transactions on Instrumentation and Measurement2026.10.16摘要
Early remaining-useful-life prediction applying discrete wavelet transform combined with improved semi-empirical model for high-fidelity in battery energy storage system任务未确认Energy · 2026.10.16Energy2026.10.16
Lithium-ion battery health state and remaining useful life prediction based on hybrid model MFE-GRU-TCARUL predictionJournal of Energy Storage · 2026.10.16Journal of Energy Storage2026.10.16摘要
Statistical Learning for Accurate and Interpretable Battery Lifetime PredictionEOL / cycle life predictionJournal of The Electrochemical Society · 2026.10.16Journal of The Electrochemical Society2026.10.16全文
Towards the swift prediction of the remaining useful life of lithium-ion batteries with end-to-end deep learningRUL predictionApplied Energy · 2026.10.16Applied Energy2026.10.16摘要

电池寿命预测论文每日监测报告(2026-10-16)

今日结论

  • 新增: 9 篇正式纳入:papers[] 的5篇,加上低分复核队列中4篇经题目/摘要确认符合主题后提升;无历史报告恢复。全文级 / 摘要级 / 元数据级 / 线索级:1 / 7 / 1 / 0。按脚本评分≥80计,高分3篇。
  • 最值得跟进: ① MFE-GRU-TCA在NASA与CALCE上同时做SOH/RUL预测,摘要提供了RMSE范围,优先取得全文确认划分与指标对应关系;② 2021统计学习论文有全文、明确按电芯训练/测试及后批次测试,适合作为可解释基线,但训练与主测试的充电协议有重叠;③ 2026年联合SOC/SOH估计发表于Journal of Power Sources,摘要报告动态负载和温度验证,需查清摘要中GET-Net与标题/亮点RGT-Net的命名冲突。
  • 总体判断: 今日候选覆盖SOH估计、RUL/寿命预测、容量退化预测及经典可解释cycle-life基准。多数2026和低分队列文章目前只有摘要或元数据,不能据此比较模型优劣;2021全文提供了较透明的样本划分与早期输入,但也指出协议重叠及后批次分布差异。联合SOH/RUL与多特征融合值得跟进,跨电芯/跨体系泛化证据仍普遍不足。
  • 质量提醒: 来源总体健康,OpenAlex与Crossref均为相关性排序抽样,并非穷尽检索。MFE-GRU-TCA的出版社记录日期为2024-08-01,另一个DOI解析题录显示2024-06-14,保留冲突并以ScienceDirect页面日期为主。payload的队列汇总数与状态数不完全一致:review_queue_count 78 vs state_counts.review 63,deferred_count 6 vs state_counts.deferred 7,按原始字段分别记录,不合并推断。Top-K标注覆盖率为0,precision@K未知。
  • 检索规模: 发现记录 558 / 去重后记录 371 / 重复记录 187 / 保留题录 254 / 过滤条目 117。即558次原始发现中187次重复;371条去重题录中254条保留、117条过滤噪声,二者口径不同。

论文总览

优先级 标题 期刊/来源 日期 任务 方法 数据/电池 证据等级 评分 建议
P1 Relational graph–transformer network for joint state-of-charge and state-of-health estimation in lithium-ion batteries Journal of Power Sources 2026-10-15 SOH估计 图关系学习、Transformer(架构名有冲突) 锂离子;数据集未说明 摘要 66 跟进
P2 A fusion method for predicting the remaining useful life of lithium-ion batteries based on IMMUKF and WAVENN Measurement and Control 2026-08-01 RUL IMM-UKF、wavelet NN融合 锂离子;数据集未说明 摘要 58 观望
P1 Lithium-ion battery health state and remaining useful life prediction based on hybrid model MFE-GRU-TCA Journal of Energy Storage 2024-08-01(另有2024-06-14题录日期) SOH/RUL MFE、GRU、temporal convolutional attention NASA、CALCE;锂离子 摘要 92 强烈跟进
P1 Statistical Learning for Accurate and Interpretable Battery Lifetime Prediction Journal of The Electrochemical Society 2021-09-23 cycle life capacity matrix、统计学习/回归 124颗LFP/石墨电芯 全文 91 强烈跟进
P1 Towards the swift prediction of the remaining useful life of lithium-ion batteries with end-to-end deep learning Applied Energy 2020-11-15 RUL 端到端深度学习;电压/电流/温度时序 锂离子;样本细节未确认 摘要 83 跟进
P2 Early remaining-useful-life prediction applying discrete wavelet transform combined with improved semi-empirical model for high-fidelity in battery energy storage system Energy 2024-06(Crossref月级) BESS RUL DWT + 改进半经验模型(题名所示) 电化学体系/样本未说明 元数据 54 观望
P2 An Integrated Method of the Future Capacity and RUL Prediction for Lithium-Ion Battery Pack IEEE Transactions on Vehicular Technology 2022-03-01 容量/RUL 改进VMD与混合预测(摘要片段) 锂离子电池包;数据未确认 摘要 54 跟进
P2 An Integrated Probabilistic Approach to Lithium-Ion Battery Remaining Useful Life Estimation IEEE Transactions on Instrumentation and Measurement 2015-03(Crossref月级) RUL 概率预测;融合健康指标(摘要片段) 锂离子;数据未确认 摘要 54 观望
P2 Experimental Validation and Cross‐Scale Evaluation of Battery Capacity Degradation Techniques for Electric Vehicles Energy Storage 2026-08-14 容量退化预测 SVR、GPR、ANN、回归/Weibull基线 26Ah两轮车电池包及其电芯;锂离子 摘要 53 跟进

单篇论文分析

1. Relational graph–transformer network for joint state-of-charge and state-of-health estimation in lithium-ion batteries

论文基本信息
字段 内容
DOI/URL/PDF ScienceDirect文章页(DOI 10.1016/j.jpowsour.2026.240676);未取得 PDF 链接
发现来源 RSS/Web;来源历史RSS/Web,最初来自Journal of Power Sources feed
期刊/会议/平台 Journal of Power Sources,Elsevier
发表日期 2026-10-15;ScienceDirect文章页明示
作者/机构 S. Hari Prasadh、R. Gopalakrishnan;页面只列机构标记a/b,单位名称未能确认
通讯作者 未能确认
脚本评分/证据等级 66;SOH直接目标、Transformer方法提示、核心电池期刊;摘要级
核验路径 payload无PDF;按文章URL访问ScienceDirect成功并读取摘要、亮点及作者;出版社页面给出DOI。
纳入理由与原文证据
  • 主题/边界: 论文明确联合估计锂离子电池SOC与SOH,SOH是目标量之一,符合健康状态估计范围;没有证据表明本文直接预测RUL或EOL。
  • 证据: 出版社摘要报告SOH的MAE为0.99%、R²为99.3%,并称有动态负载与温度测试;摘要及标题对模型缩写存在不一致,见下文。出版社摘要
数据集/电池体系
  • 体系/数据: 摘要确认锂离子电池,但没有列出具体电芯、化学体系、数据集名称、样本量或采样周期;不能从“真实运行条件”等表述推断为车队BMS数据。
  • 工况/跨域: 亮点提及动态负载与温度测试,摘要称在异质运行条件下评估;温度区间、倍率范围、训练/测试按电芯或工况的切分均未说明。
EOL/RUL/SOH 定义
  • 目标/定义: 输出SOC和SOH估计;SOH采用何种容量、阻抗或功率定义以及参考基准,摘要未说明。EOL阈值与RUL单位未说明,不把常见80%容量阈值套用到本文。
  • 未来信息风险: SOH测量是否依赖完整循环/离线容量测试、运行序列如何截断以及是否存在同电芯窗口跨集合,摘要均未说明,需全文核验。
模型方法
  • 流程: 摘要描述相似度驱动的关系图学习与Transformer时间建模,并由图时序注意力融合空间关系和序列特征;亮点称动态图精炼。标题及亮点称RGT-Net,但摘要正文又称GET-Net,模型名不一致,暂不擅自统一。
  • 部署: 作者称目标面向BMS,但未提供端侧算力、推理时延、传感器约束或在线更新实测数据。
验证设计
  • 划分/泛化: 仅能确认作者报告同流验证、动态负载和温度测试;独立电芯/批次切分、样本量、跨化学体系和外部数据均未能确认。
  • 可信度: 信息不足;SOH指标清晰,但测试独立性和模型术语冲突削弱了可复核性。
指标与结果
  • 摘要报告SOC MAE 0.68%、SOH MAE 0.99%,对应R²分别为99.5%与99.3%;未提供置信区间、按测试工况分层结果或RUL指标。上述为作者摘要数值,不等于跨体系泛化证据。
泄漏风险、复现性与局限性
  • 泄漏风险: 信息不足;重点核实同一电芯多窗口是否跨训练/测试、SOH标签是否由测试期完整容量测量生成,以及动态工况是否仅在测试集使用。
  • 复现性: 低至信息不足;摘要未提供数据、代码、划分和超参数。模型简称在标题/摘要间冲突,需对照全文与补充材料。
  • 局限性: ①数据集与样本规模未说明;②SOH估计不能直接等同寿命预测;③缺少独立测试细节和可复现信息。
是否值得跟进
  • 结论: 跟进。
  • 理由与下一步: SOH联合估计有BMS关联,且报告了初步数值。优先取得全文,澄清RGT-Net/GET-Net命名、SOH标签、按电芯切分和外部验证,再判断其与寿命预测的直接关系。

2. A fusion method for predicting the remaining useful life of lithium-ion batteries based on IMMUKF and WAVENN

论文基本信息
字段 内容
DOI/URL/PDF SAGE出版社文章页;未取得 PDF 链接
发现来源 OpenAlex;来源历史OpenAlex
期刊/会议/平台 Measurement and Control,SAGE
发表日期 2026-08-01;SAGE记录显示online first日期
作者/机构 Zhouxiao Xiao、Jiajun Yang、Wenhui Li、Yang Gao、Cuiyu Wang;出版社题录列Wenhua College及Huazhong University of Science and Technology,作者单位对应关系需全文确认
通讯作者 Wenhui Li;SAGE题录标注
脚本评分/证据等级 58;标题及摘要直接命中RUL;摘要级
核验路径 payload无PDF;DOI链接解析至SAGE文章记录,成功读取摘要、日期和作者信息;出版社全文页可访问但本次未完整提取。
纳入理由与原文证据
  • 主题/边界: 研究目标直接为锂离子电池剩余寿命预测,属于RUL任务;摘要同时描述容量退化建模,不是一般状态监测。
  • 证据: 摘要说明IMM-UKF结合多个容量退化模型与WAVENN预测,通过在线更新模型权重和概率聚合预测后得到RUL;摘要称优于传统单模型,但未披露可复核的具体数字。SAGE摘要
数据集/电池体系
  • 体系/数据: 锂离子电池;摘要未报告电芯型号、化学体系、公开数据集名称、样本量或工况。不能仅凭同领域惯例推断为NASA或CALCE。
  • 工况/跨域: 未说明温度、倍率、充放电协议,亦未说明跨电芯、跨批次或跨数据集验证。
EOL/RUL/SOH 定义
  • 目标/定义: 输出RUL,摘要未定义单位、起点、失效阈值或标签构造;容量退化曲线是模型输入/中间量,但如何转换成寿命尚需全文确认。
  • 未来信息风险: 摘要未说明退化模型参数是否仅由历史片段估计、预测时点如何设置,以及训练测试是否按电芯隔离;这些是首要核查项。
模型方法
  • 流程: IMM-UKF融合若干数学退化模型,并与小波神经网络WAVENN的容量预测结合;模型概率和权重在线更新,再加权形成容量估计并推导RUL。摘要没有提供WAVENN结构、噪声模型或基线配置。
  • 部署: 摘要提及在线权重更新,但没有给出实时计算、传感器要求或实际BMS部署数据。
验证设计
  • 划分/泛化: 摘要只说与传统单模型比较;未披露数据集、切分方式、独立电芯测试或重复试验。
  • 可信度: 信息不足;方案概念明确,但目前无法评估对比公平性和泛化能力。
指标与结果
  • 摘要只有“预测精度优于传统单模型”的定性结论,没有RMSE、MAE、MAPE、测试样本数或不确定性覆盖率;不据此排列其性能优先级。
泄漏风险、复现性与局限性
  • 泄漏风险: 信息不足;需核查UKF递推中是否只使用预测时点前数据,以及权重更新、参数识别和模型选择是否包含测试电芯信息。
  • 复现性: 低;当前可访问摘要缺数据划分、代码、超参数、随机种子及完整模型公式。
  • 局限性: ①摘要无定量结果;②数据与RUL标签定义缺失;③在线更新是否经过真实运行验证不明。
是否值得跟进
  • 结论: 观望。
  • 理由与下一步: 多模型概率融合与波形网络组合值得与滤波/神经网络基线比较。下一步获取全文并确认数据、失效阈值、切分和逐数据集指标;若只有随机窗口验证则降低优先级。

3. Lithium-ion battery health state and remaining useful life prediction based on hybrid model MFE-GRU-TCA

论文基本信息
字段 内容
DOI/URL/PDF ScienceDirect出版社摘要页
发现来源 Crossref/Venue;来源历史Crossref/Venue
期刊/会议/平台 Journal of Energy Storage,Elsevier,卷95,文章112442
发表日期 ScienceDirect与合肥工业大学记录为2024-08-01;DOI解析题录另示2024-06-14,可能是online日期差异,尚未完全核清
作者/机构 Xiaohua Wang、Ke Dai、Min Hu、Nanbing Ni;合肥工业大学(机构主页与出版社题录)
通讯作者 Ke Dai;DOI题录标注;出版社摘要页未独立标出
脚本评分/证据等级 92;明确SOH/RUL目标、核心储能期刊;摘要级
核验路径 payload无PDF;DOI与ScienceDirect正式文章页读取到摘要、作者、日期及实验结果,另查合肥工业大学作者成果页交叉核对日期;未获取全文。
纳入理由与原文证据
  • 主题/边界: 论文同时预测锂离子电池SOH和RUL,直接符合健康与寿命预测范围。
  • 证据: 出版社摘要说明模型以多周期充放电数据预测SOH/RUL,并使用NASA和CALCE数据;报告两个数据集RMSE分别低于0.832%和0.614%,但摘要未明确这两个数值与具体输出/数据集的逐项对应。ScienceDirect摘要
数据集/电池体系
  • 体系/数据: 摘要确认NASA与CALCE老化数据集、锂离子电池;具体电芯型号、化学体系、数量及不同数据集样本构成未说明。
  • 工况/跨域: 多周期充放电曲线经过筛选和缩放;摘要未列温度、倍率区间或NASA/CALCE间是否独立训练测试,不能把“两套数据集”直接表述为跨库迁移验证。
EOL/RUL/SOH 定义
  • 目标/定义: 目标为SOH与RUL;出版社介绍RUL与容量衰减相关,但文章采用的SOH公式、EOL阈值、RUL单位及标签生成方式仍需全文核验。
  • 未来信息风险: MFE使用多周期数据,摘要未给预测起点和截断规则;应核对多周期窗口是否严格位于预测时点之前,以及缩放参数是否仅在训练数据拟合。
模型方法
  • 流程: 多特征提取MFE从多周期充放电曲线抽取特征并与周期级整体特征拼接,GRU捕获时序依赖,TCA以时间卷积注意力刻画容量衰减趋势并减轻容量再生影响,输出SOH/RUL。
  • 部署: 摘要称训练后可同时在线预测SOH和RUL;未报告端侧延迟、内存或实车BMS测试。
验证设计
  • 划分/泛化: 在NASA和CALCE上进行实验并与既有方法比较;摘要未提供按电芯划分、测试电芯数、跨数据集迁移或独立外部验证方案。
  • 可信度: 中低;两个公开数据集和明确任务有价值,但切分与指标对应关系缺失,需全文确认。
指标与结果
  • 摘要报告NASA数据集RMSE低于0.832%、CALCE低于0.614%;没有提供MAE、测试样本数、置信区间或每个输出的拆分结果。结果仅按摘要原文记录,不外推为普遍误差水平。
泄漏风险、复现性与局限性
  • 泄漏风险: 信息不足;需检查全周期曲线筛选、重叠窗口、归一化以及超参数优化是否利用测试电芯,特别是预测时点以后的容量是否进入特征。
  • 复现性: 中低;公开数据集可定位,但本次摘要未见代码、完整超参数或随机种子。
  • 局限性: ①全文未取得;②数据划分与SOH/RUL阈值未说明;③日期在DOI题录与出版社/机构主页间存在约一个半月差异。
是否值得跟进
  • 结论: 强烈跟进。
  • 理由与下一步: MFE-GRU-TCA明确覆盖双目标并报告NASA/CALCE结果。获取全文后核实日期、指标定义、按电芯划分和容量再生处理,再用同一测试划分比较GRU、TCA消融及常见滤波基线。

4. Statistical Learning for Accurate and Interpretable Battery Lifetime Prediction

论文基本信息
字段 内容
DOI/URL/PDF IOP/ECS出版社全文页;payload PDF地址请求失败,随后成功读取同文HTML全文
发现来源 Crossref;来源历史Crossref
期刊/会议/平台 Journal of The Electrochemical Society,168卷9期,090547
发表日期 2021-09-23;IOP出版社页明示
作者/机构 Peter M. Attia(Stanford University)、Kristen A. Severson(MIT-IBM Watson AI Lab)、Jeremy D. Witmer(Stanford University)
通讯作者 Peter M. Attia;出版社页列出其联系邮箱
脚本评分/证据等级 91;电池寿命预测、数据集/统计学习线索;全文级
核验路径 先请求payload中的IOP PDF链接,抓取失败;再访问DOI/IOP文章页并读取全文HTML,核对摘要、数据、切分、结论及许可信息。
纳入理由与原文证据
  • 主题/边界: 直接预测LFP/石墨电芯cycle life,是早期寿命预测及可解释统计学习基准,不是单纯容量监测。
  • 证据: 全文定义cycle life为容量低于标称容量80%之前的循环数,预测只用首100周期;PLSR以ΔQ100−10(V)为输入,文中报告训练/主测试/次测试RMSE为59/100/176 cycles。IOP全文
数据集/电池体系
  • 体系/数据: Severson公开数据中的124颗A123 APR18650M1A圆柱LFP/石墨电芯,标称1.1 Ah;训练41颗、主测试43颗、次测试40颗。采用4C放电,温控约30°C;充电协议有72种。
  • 工况/跨域: 主训练/测试来自两个批次,次测试来自约一年后的独立批次;同属一种电芯型号和化学体系,不是跨化学体系验证。论文明确指出训练与主测试充电协议有重叠,次测试批次分布也不同。
EOL/RUL/SOH 定义
  • 目标/定义: 目标为cycle life,终点定义为容量低于标称值80%;输入为首100周期数据,cycle life范围约300–2237 cycles(排除一个异常点)。不是在线RUL估计。
  • 未来信息风险: 特征按前100周期构造,未来终身循环数只作为监督标签,时间边界清晰;应复现时仅在训练集拟合特征变换和正则化参数。论文指出主测试协议重叠,限制了协议外推解释。
模型方法
  • 流程: 构造电压—容量capacity matrix,并重点使用第100与第10周期放电曲线差ΔQ100−10(V);比较IQR/方差等单变量特征及ridge、elastic net、PCR、PLSR、随机森林和MLP。简单线性/偏最小二乘模型具有较好性能与可解释性。
  • 部署: 仅使用标准充放电数据;全文未报告嵌入式延迟或在线BMS部署测试。
验证设计
  • 划分/泛化: 沿用原公开研究的41/43/40电芯划分;包含单独后批次次测试,但主训练/主测试协议存在重叠。测试误差高于训练误差,提示批次差异。
  • 可信度: 中;可读取完整方法与数据拆分,但单一化学体系、小样本及协议重叠限制外推。
指标与结果
  • 全文报告PLSR训练、主测试、次测试RMSE为59、100、176 cycles;PLSR使用ΔQ100−10(V),次测试误差高于主测试。文中目标说明为log10 cycle life,报告误差单位的转换细节应在复现时核实,不能只比较单个汇总数。
泄漏风险、复现性与局限性
  • 泄漏风险: 输入限定前100周期,未见直接使用未来曲线的迹象;需防止同一电芯跨集合、标准化拟合及挑选特征时触碰测试集。作者披露主测试协议重叠。
  • 复现性: 中高;公开数据、模型与处理流程较详,文章指向Zenodo/GitHub数据代码;本次未实际运行仓库。
  • 局限性: ①仅一种LFP电芯及快充协议;②训练41颗,样本有限;③次测试批次差异导致误差增大,不能据此证明普适性。
是否值得跟进
  • 结论: 强烈跟进。
  • 理由与下一步: 这是检验新模型是否真正优于简单可解释方法的合适基准。复现时严格按原电芯划分,并增加留协议/留批次验证,统一核对cycle-life误差单位和测试集使用边界。

5. Towards the swift prediction of the remaining useful life of lithium-ion batteries with end-to-end deep learning

论文基本信息
字段 内容
DOI/URL/PDF ScienceDirect出版社摘要页;未取得 PDF 链接
发现来源 Crossref/Venue;来源历史Crossref/Venue
期刊/会议/平台 Applied Energy,卷278,文章115646
发表日期 2020-11-15;ScienceDirect页面明示;Crossref题录只到月份
作者/机构 Joonki Hong、Dongheon Lee、Eui-Rim Jeong、Yung Yi;本次可访问的出版社摘要未列单位
通讯作者 未能确认
脚本评分/证据等级 83;标题明确RUL与端到端深度学习;摘要/出版社亮点级
核验路径 payload无PDF;DOI解析到ScienceDirect,读取文章题名、日期、亮点及摘要片段;全文未能获取。
纳入理由与原文证据
  • 主题/边界: 直接预测锂离子电池RUL,且目标是缩短早期预测所需数据,属于早期寿命预测。
  • 证据: 出版社亮点称方法只需目标电池4个周期,并报告预测速度约快25倍;页面还指出输入含端电压、电流与电芯温度时序,并讨论不确定性估计。ScienceDirect文章页
数据集/电池体系
  • 体系/数据: 锂离子电池;出版社摘要片段未列公开数据集、化学体系、样本量和电芯型号,故不从相近文献补写。
  • 工况/跨域: 输入信号包括电压、电流和电芯温度;训练测试是否跨电芯、不同温度/倍率范围及是否有外部数据,当前访问内容未说明。
EOL/RUL/SOH 定义
  • 目标/定义: 目标是remaining useful life;摘要片段未给出失效阈值、RUL单位、预测起点和标签生成方式。
  • 未来信息风险: 需检查端到端时序窗口是否在预测时点截断、样本增强是否仅作用于训练集,以及归一化是否用到完整寿命曲线;目前没有足够全文证据判断。
模型方法
  • 流程: 端到端深度学习框架直接由原始多通道时间序列映射RUL;出版社亮点提到利用时间模式、跨信号信息、不确定性估计和解释分析。网络细节、损失函数及基线配置未能从可访问摘要确认。
  • 部署: “4 cycles”和“25X faster”为出版社亮点表述;硬件、推理延迟与在线BMS验证未说明,不能将相对速度宣传等同实车部署。
验证设计
  • 划分/泛化: 当前出版社可见页面没有列训练/测试电芯划分、数据集名称、外部测试或统计重复次数;论文是否有留电芯验证待全文核实。
  • 可信度: 信息不足;技术目标明确,但关键实验设计只可从亮点片段确认。
指标与结果
  • 出版社亮点报告4周期输入和约25倍速度优势,未给出可核验测试集RMSE/MAE、置信区间或速度比较基准;本报告不从二手引用片段补造原始误差。
泄漏风险、复现性与局限性
  • 泄漏风险: 信息不足;重点检查4周期预测时点、寿命曲线预处理、增强样本及跨电芯切分,避免同一电芯相邻窗口泄漏。
  • 复现性: 低至信息不足;摘要页未提供数据、代码、超参数、随机种子或完整不确定性算法。
  • 局限性: ①只有出版社摘要/亮点可读;②EOL定义和数据集不明;③速度与精度优势缺少当前可复核的比较细节。
是否值得跟进
  • 结论: 跟进。
  • 理由与下一步: 少周期RUL预测具有高实际价值。下一步获取作者稿或全文,核实4周期边界、数据与按电芯拆分,再比较同一数据上的卷积/循环网络基线和不确定性校准。

6. Early remaining-useful-life prediction applying discrete wavelet transform combined with improved semi-empirical model for high-fidelity in battery energy storage system

论文基本信息
字段 内容
DOI/URL/PDF ScienceDirect出版社文章页;未取得 PDF 链接
发现来源 Crossref/Venue;来源历史Crossref/Venue
期刊/会议/平台 Energy,卷297,文章131285
发表日期 Crossref显示2024-06,月级日期;出版社页确认题名和期刊,精确online日期未能确认
作者/机构 Jaewon Kim、Seunghwa Sin、Jonghoon Kim;作者单位未能确认
通讯作者 未能确认
脚本评分/证据等级 54;低于正式门槛,复核后因标题明确RUL任务而纳入;元数据级
核验路径 payload无PDF;访问ScienceDirect页,确认正式文章题名与章节结构;再以Crossref DOI记录核对作者、期刊、卷号、文章号和日期。摘要正文未能从出版社页面提取。
纳入理由与原文证据
  • 主题/边界: 题名直接写明对battery energy storage system进行early RUL prediction,属于寿命预测,而非仅储能调度或电池经济性分析。
  • 证据: 出版社页面列有“Early RUL prediction”及“Battery energy storage system lifetime sizing”等章节;题名给出离散小波变换与改进半经验模型组合。页面摘要正文未能读取,因此这里只按元数据纳入,不引用二手来源的数值结论。ScienceDirect文章页
数据集/电池体系
  • 体系/数据: 研究对象为BESS;具体化学体系、储能系统规模、实验/仿真数据来源、样本数和电芯型号均未能确认。
  • 工况/跨域: 页面章节显示涉及电池储能系统寿命配置、半经验模型参数识别;温度、倍率、SOC范围和跨体系验证未说明。
EOL/RUL/SOH 定义
  • 目标/定义: 标题确认RUL预测,摘要不可读,RUL单位、起始预测时点、容量/EOL阈值及标签构造均未能确认。
  • 未来信息风险: 需核实小波去噪的滤波方向/边界处理是否使用未来采样,以及半经验模型参数是否只用预测时点以前的数据拟合;当前元数据不能判断。
模型方法
  • 流程: 题名确认离散小波变换与改进半经验模型结合,用于早期RUL预测;信号分解层数、模型方程、参数估计和基线均未说明,不能据题名推断细节。
  • 部署: 页面涉及BESS lifetime sizing,但未见实际在线部署、计算时延或BMS接口信息。
验证设计
  • 划分/泛化: 摘要不可读,训练/测试划分、独立电芯或系统测试、跨工况验证均未能确认。
  • 可信度: 信息不足;目标明确且正式出版信息可核实,但核心方法和实验结果目前仅有题名/元数据证据。
指标与结果
  • 本次未能读取论文摘要或全文,故没有可可靠转录的原始RMSE、MAE、RUL误差或测试集数字;不采用被引文章转述的单一误差作为本文结果。
泄漏风险、复现性与局限性
  • 泄漏风险: 信息不足;优先审查小波滤波是否非因果、参数拟合是否触及完整寿命轨迹,以及训练与测试是否按电芯/系统隔离。
  • 复现性: 信息不足;数据、代码、方程、超参数和随机种子均未核实。
  • 局限性: ①目前只有出版元数据和章节标题;②体系、EOL定义、划分与指标未知;③无法评估是否真正实现早期预测而非离线回溯拟合。
是否值得跟进
  • 结论: 观望。
  • 理由与下一步: 题目与BESS RUL高度相关,但现有证据不足以评价方法。下一步取得出版社全文或作者稿,优先提取电池类型、RUL阈值、小波因果性、训练测试切分及与基线比较结果。

7. An Integrated Method of the Future Capacity and RUL Prediction for Lithium-Ion Battery Pack

论文基本信息
字段 内容
DOI/URL/PDF IEEE DOI记录;payload PDF链接返回IEEE账户/购买页面而非PDF正文;Semantic Scholar摘要页
发现来源 Crossref;来源历史Crossref
期刊/会议/平台 IEEE Transactions on Vehicular Technology,71卷,2601–2613页
发表日期 2022-03-01;Crossref与学术元数据页一致
作者/机构 Chao-Long Zhang、Shaishai Zhao、Yi-Gang He;题录列Anqing Normal University及Wuhan University相关单位,具体作者对应关系未能确认
通讯作者 未能确认
脚本评分/证据等级 54;review队列低分候选,题名/摘要确认容量与RUL直接预测;摘要片段级
核验路径 先请求payload所附IEEE PDF URL,返回IEEE Xplore账户页面、无PDF正文;随后核对DOI及Semantic Scholar题录/摘要片段。
纳入理由与原文证据
  • 主题/边界: 标题同时明确预测电池包未来容量与RUL,属于容量衰退和寿命预测。
  • 证据: 可访问摘要片段称其提出混合方法预测未来容量与RUL,并使用改进变分模态分解处理复杂老化与噪声;摘要未完整显示具体流程与结果。题录及摘要片段
数据集/电池体系
  • 体系/数据: 锂离子电池包;目前未能确认电芯型号、化学体系、样本数量或具体公开数据集。
  • 工况/跨域: 摘要提到实际测量数据和噪声运行环境,但温度、倍率、车辆工况、跨电芯与跨电池包覆盖未能确认。
EOL/RUL/SOH 定义
  • 目标/定义: 预测未来容量并据此预测RUL;RUL单位、容量失效阈值、预测时点及标签生成方式未能从摘要片段确认。
  • 未来信息风险: 需确认模态分解是否在完整退化序列上执行;若先对全序列分解再做时间截断,可能引入未来信息。参数拟合是否按电池包隔离也待全文核查。
模型方法
  • 流程: 摘要片段确认改进VMD与混合未来容量/RUL预测框架;其余网络/滤波模块、特征输入、融合方式和消融设置没有足够原文证据,不补写。
  • 部署: 论文面向电池包寿命预测,但当前可访问材料未说明BMS在线运行、计算成本或实时性。
验证设计
  • 划分/泛化: Semantic Scholar摘要未完整展示数据集及划分;按电芯/电池包留出、跨工况或独立外部测试均未能确认。
  • 可信度: 信息不足;主题与方法方向可确认,实验可信度暂无法评估。
指标与结果
  • 当前可访问摘要片段没有提供RMSE、MAE、MAPE、测试样本量或置信区间;不引用其他同名/后续论文的数值。
泄漏风险、复现性与局限性
  • 泄漏风险: 信息不足;重点核查VMD分解的因果性、是否在测试序列上拟合参数,以及同一电池包的窗口是否跨集合。
  • 复现性: 低至信息不足;IEEE PDF链接未获得正文,代码、数据、参数和随机种子未确认。
  • 局限性: ①只能读取部分摘要;②RUL定义、数据规模与实验切分缺失;③无法验证标题所述集成方法的收益来源。
是否值得跟进
  • 结论: 跟进。
  • 理由与下一步: 容量与RUL联合预测直接相关,且电池包尺度值得与单体模型区分。下一步通过机构订阅或作者稿取得全文,检查VMD是否造成前视泄漏并复核独立电池包测试。

8. An Integrated Probabilistic Approach to Lithium-Ion Battery Remaining Useful Life Estimation

论文基本信息
字段 内容
DOI/URL/PDF IEEE DOI记录;payload PDF链接返回IEEE Xplore账户/购买页面而非PDF正文
发现来源 Crossref;来源历史Crossref
期刊/会议/平台 IEEE Transactions on Instrumentation and Measurement,64卷3期,660–670页
发表日期 2015-03;Crossref仅给月份,题录创建于2014年,不能把创建时间当发表日
作者/机构 Datong Liu、Wei Xie、Haitao Liao、Yu Peng;Crossref未列作者单位
通讯作者 未能确认
脚本评分/证据等级 54;低分复核后因题名及摘要直接涉及锂电RUL而纳入;摘要片段级
核验路径 先请求payload PDF链接,返回IEEE Xplore账户页面而非文章正文;再查DOI/Crossref元数据及IEEE页面搜索摘要,核对题名、作者、卷期和任务。
纳入理由与原文证据
  • 主题/边界: 题名直接为锂离子电池RUL估计,属于电池寿命预测。
  • 证据: IEEE页面摘要片段称该研究将电池容量与放电时间间隔两类健康指标整合用于RUL估计;当前未能取得完整摘要或全文,具体模型细节不作延伸。IEEE DOI记录
数据集/电池体系
  • 体系/数据: 锂离子电池;Crossref参考文献包含NASA Ames数据集相关引文,但这不能证明本文实际使用该数据,因此本文数据源、样本数和电芯体系均标为未能确认。
  • 工况/跨域: 温度、倍率、充放电协议及电芯/批次覆盖未能从可访问材料确认。
EOL/RUL/SOH 定义
  • 目标/定义: 输出RUL估计;RUL按周期还是时间、失效阈值、标签生成及预测起点均未能确认。
  • 未来信息风险: 健康指标构造是否在线可观测、放电时间间隔的测量窗口是否严格限制在预测时点前,以及概率模型是否使用未来容量,均需取得全文确认。
模型方法
  • 流程: 可访问摘要片段确认融合电池容量与放电时间间隔两种健康指标,并采用概率化RUL估计;具体滤波/分布假设、融合公式、基线与不确定性区间校准方法均未能核实。
  • 部署: 面向电池RUL监测;当前材料未提供在线采样要求、计算成本或BMS验证信息。
验证设计
  • 划分/泛化: 题录和摘要片段未列数据集、训练/测试切分、独立电芯验证或对比实验。
  • 可信度: 信息不足;这是成熟期刊论文,但目前可用证据仅能确认任务和题录,不能用引用量替代实验评估。
指标与结果
  • 未能读取全文或完整摘要,故没有可复核的预测误差、置信区间覆盖率或测试集指标;本报告不以引用数推断效果。
泄漏风险、复现性与局限性
  • 泄漏风险: 信息不足;应检验健康指标是否由当前可测历史数据计算、未来失效时点是否仅作为标签,以及同电芯序列是否被拆到不同集合。
  • 复现性: 低至信息不足;数据、代码、模型参数和随机种子均未核实,PDF访问受IEEE登录/订阅限制。
  • 局限性: ①只能核对题录与摘要片段;②数据集和RUL定义未知;③无法评估概率区间校准及跨工况泛化。
是否值得跟进
  • 结论: 观望。
  • 理由与下一步: 双健康指标融合与概率RUL值得作为经典方法追踪。下一步取得IEEE全文或作者稿,优先核验数据来源、RUL单位、概率校准和与单一健康指标基线的对照。

9. Experimental Validation and Cross‐Scale Evaluation of Battery Capacity Degradation Techniques for Electric Vehicles

论文基本信息
字段 内容
DOI/URL/PDF Wiley DOI/文章页;Wiley全文页抓取失败;Semantic Scholar题录与摘要片段
发现来源 OpenAlex;来源历史OpenAlex
期刊/会议/平台 Energy Storage,Wiley
发表日期 2026-08-14;OpenAlex与Semantic Scholar题录所示日期
作者/机构 Maharshi Singh、K. Janardhan Reddy;OpenAlex题录列Phenikaa University,作者与单位对应关系未能确认
通讯作者 未能确认
脚本评分/证据等级 53;低分复核后因摘要明确预测电池容量退化而纳入;摘要级
核验路径 payload无PDF;尝试Wiley全文页未能抓取;按DOI检索并读取Semantic Scholar摘要片段,与OpenAlex原始摘要、题名及作者交叉核验。
纳入理由与原文证据
  • 主题/边界: 论文目标为预测电池容量退化轨迹,且比较电芯与电池包尺度,属于容量衰退预测;不是普通热管理或储能调度。
  • 证据: 摘要称在26 Ah两轮车电池包及其18650电芯的实验数据上比较多种预测技术;SVR取得最高R²,报告pack级0.9995、cell级0.9988。DOI与摘要题录
数据集/电池体系
  • 体系/数据: 摘要称使用26 Ah两轮车电池包及其18650电芯的实验数据,并称包/电芯在相同热、电条件下测试;未给电芯数量、化学体系具体型号、样本时间跨度或公开数据链接。
  • 工况/跨域: 比较pack与cell两种尺度,不能等同不同化学体系或独立电芯外部验证;温度、电流协议及工况覆盖未能确认。
EOL/RUL/SOH 定义
  • 目标/定义: 目标是容量退化预测,可作为电池健康轨迹任务;摘要未定义SOH归一化、EOL阈值或RUL输出,因此不将其描述为直接RUL模型。
  • 未来信息风险: 摘要未说明输入时间窗、容量轨迹切分、目标预测步长及数据归一化;需要确认报告的高R²是否来自真正留出测试,而非训练拟合。
模型方法
  • 流程: 摘要列出SVR-RBF、GPR、ANN、二次多项式回归和Weibull拟合等方法,均以实验容量数据预测退化;SVR表现最好。摘要未给出特征集合、超参数调优过程和统计基线细节。
  • 部署: 研究指向EV电池健康管理,但未报告在线BMS、实时计算或车载实测部署。
验证设计
  • 划分/泛化: 有电芯与pack两个尺度的数据对照;训练/测试划分、是否按电芯留出、样本独立性及时间外推设计均未能从摘要确认。
  • 可信度: 信息不足;实验验证有现实意义,但极高R²在划分与样本规模未明时不能直接视为泛化能力强。
指标与结果
  • 摘要报告SVR最佳R²为pack级0.9995、cell级0.9988;RMSE、MAE及测试集定义未能核实。指标按作者摘要记录,不把高R²解读为寿命/EOL预测准确度。
泄漏风险、复现性与局限性
  • 泄漏风险: 信息不足;检查同一pack内的电芯是否跨训练/测试、相邻时序是否泄漏、以及标准化和模型选择是否在测试数据上完成。
  • 复现性: 低至信息不足;Wiley全文抓取失败,数据、代码、超参数与随机种子未核实。
  • 局限性: ①摘要未交代数据规模及切分;②只有一种两轮车电池体系线索;③容量退化预测不等于SOH/RUL阈值预测,部署证据不足。
是否值得跟进
  • 结论: 跟进。
  • 理由与下一步: 跨尺度数据与容量退化预测符合健康监测方向。下一步获取Wiley全文,确认训练/测试是否按电芯分组、R²对应的数据集及误差指标,再评估其作为容量轨迹基线的价值。