2026.10.17 · 电池研究日报

电池寿命预测论文每日监测报告（2026-10-17）

今日结论

• 最值得跟进： ① Özcan与Koca的RUL论文采用按电池GroupKFold，且全文披露了标签定义；优先复核其全寿命归一化与全局参考周期选择是否造成测试信息渗入。② Gao等人的SOH估计在NASA、CALCE共8个电池上报告指标；需取得全文确认“60%训练比例”究竟如何按电池/循环划分。③ Chen等人的联合SOH/RUL框架只用单次充电数据，摘要给出相对RMSE降幅；下一步获取全文核对数据集、绝对指标与切分。
• 总体判断： 候选主题覆盖SOH估计、RUL/EOL预测及SOH/RUL联合预测。方法侧出现特征表示/跨电池验证、单次充电特征融合、可解释特征筛选与PINN等路线；但多数摘要未披露电芯独立切分、EOL阈值或跨体系外部验证，数字不能直接横向比较。另补入一篇SOH方法综述作为背景材料，不把综述结论当成新的模型实验结果。
• 质量提醒： ① Koopman/path-signature论文的ScienceDirect与Crossref记录指向2026年11月卷期，出版社页面列2026-11-30，晚于本次报告日；无已确认的online-first日期，已延期至2026-12-01复核，未作为已在线发表论文。② Springer新近PINN论文虽已确认首发日期与题名，但PDF及文章页本次未能读取，故仅作元数据级记录，不报告其数据或结果。③ KNN全文的RUL标签依赖该电池最后有效循环数，且参考周期的全局PCA选择是否严格限于训练折不清楚，属于重点泄漏检查。④ Top-K人工标注覆盖为0，precision@K未知，不能解释为零。
• 检索规模： 发现记录 558 / 去重后记录 362 / 重复记录 196 / 保留题录 249 / 过滤条目 113。口径为558次原始发现中196次重复；362条去重题录中249条保留、113条过滤噪声。

论文总览

单篇论文分析

1. Deep Learning for Lithium-Ion Battery State of Health Estimation via Explainable Feature Screening

论文基本信息

纳入理由与原文证据

• 主题/边界： 目标是锂离子电池SOH估计，属于健康状态预测；未见RUL/EOL直接输出证据。
• 证据： IOP摘要称使用NASA与CALCE数据，并在8个电池上以60%训练比例评估；摘要原文可由出版社页面核对。

数据集/电池体系

• 体系/数据： 锂离子电池，NASA和CALCE两套数据；摘要称共8个电池，但没有分列每套数据的电芯数、化学体系、批次或循环数。
• 工况/跨域： 摘要报告controlled NASA/CALCE测试及鲁棒性分析；充放电倍率、温度范围、训练/测试按电池还是按循环切分均未说明。

EOL/RUL/SOH 定义

• 目标/定义： SOH估计；容量或健康标签的具体计算方式、基准及是否归一化未说明。EOL阈值和RUL单位不适用/未报告。
• 未来信息风险： “60% training ratio”未说明抽样单位；若同电池相邻循环或窗口跨训练测试，可能高估跨电池效果，须全文核查。

模型方法

• 流程： 19个候选健康特征经随机森林与SHAP筛选，再由Informer编码长程退化表示，Newton–Raphson优化极限学习机的正则项和隐层节点数，输出SOH估计。
• 部署： 摘要称面向BMS应用，但未提供端侧算力、推理时延、传感器约束或在线部署记录。

验证设计

• 划分/泛化： NASA/CALCE、8个电池、60%训练比例；摘要提及benchmark、robustness及ablation，但未说明跨电池隔离、外部测试集或各组样本量。
• 可信度： 信息不足；实验数字明确，但独立电芯测试与切分协议未披露。

指标与结果

• 摘要报告8个电池上的MAPE 0.4801%、MAE 0.00342、RMSE 0.00460。MAE/RMSE的量纲及是否在归一化SOH空间计算未说明，不能自行换算为百分比。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；核对同电池多循环/滑窗跨集合、特征筛选是否只在训练折拟合，以及验证集是否参与Newton–Raphson调参。
• 复现性： 中低；数据集名称、特征数、主模型有说明，但可访问全文、代码、随机种子和完整参数未确认。
• 局限性： ①只从摘要确认8个电池；②SOH标签定义不明；③无明确跨化学体系或现场BMS验证。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 可解释筛选与时序模型结合，且摘要覆盖两个公开数据集。先获取全文确认切分、误差单位、SOH定义及对照模型，再决定是否复现。

2. An online method for lithium-ion battery remaining useful life estimation using importance sampling and neural networks

论文基本信息

纳入理由与原文证据

• 主题/边界： 研究目标直接是锂离子电池RUL估计，并提出面向在线场景的方法，符合正式范围。
• 证据： 摘要描述以不同循环的充电端电压曲线定义RUL，并用前馈神经网络学习关系、以重要性采样选择输入；见RePEc摘要。

数据集/电池体系

• 体系/数据： 锂离子电池；摘要提到充电电压曲线及实验比较，但没有明确NASA、CALCE或其他数据集名称，也未给电芯数量、化学体系和采样规模。
• 工况/跨域： 工况范围、温度/倍率及按电池或时间划分均未说明；不能仅凭同领域惯例补写数据来源。

EOL/RUL/SOH 定义

• 目标/定义： 目标为RUL，摘要称利用不同循环的充电端电压曲线进行RUL定义；失效阈值、单位、标签生成公式和预测起点未能确认。
• 未来信息风险： 未说明在线预测时是否只用当时可获得的充电片段、RUL标签是否使用全寿命曲线，以及训练测试是否按电芯隔离。

模型方法

• 流程： 充电电压曲线 → 重要性采样筛选FFNN输入 → 前馈神经网络学习RUL关系；摘要只称进行了数值比较，没有列出基线名称或特征消融细节。
• 部署： 作者提出online方法，但没有报告实时车载部署、计算延迟、硬件或传感器要求。

验证设计

• 划分/泛化： 摘要称有实验与数值比较，具体数据集、训练/测试协议、独立电芯测试、外部验证均未说明。
• 可信度： 信息不足；任务和流程可确认，缺少数据与独立验证细节。

指标与结果

• 可访问摘要未给出MAE、RMSE、MAPE或具体对照数值；只报告作者认为FFNN+重要性采样可准确估计实际运行中的RUL，不将该定性表述改写成量化结论。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；重点核验RUL标签是否由完整退化寿命回算、曲线截取点是否模拟真正在线预测，以及是否存在同电芯循环泄漏。
• 复现性： 低至信息不足；数据集、代码、超参数、随机种子均未从摘要确认，全文当前受限。
• 局限性： ①摘要缺少数据规模与数值指标；②RUL/EOL操作定义未披露；③在线部署仍是方法动机，未见实机验证。

是否值得跟进

• 结论： 观望。
• 理由与下一步： 重要性采样结合FFNN具有历史基线价值，但目前不足以判断泛化。优先获取出版社全文，确认NASA/其他数据来源、阈值和在线截断方案。

3. A novel multistage Support Vector Machine based approach for Li ion battery remaining useful life estimation

论文基本信息

纳入理由与原文证据

• 主题/边界： 直接提出锂离子电池实时RUL估计，且摘要描述EOL邻近阶段的精细估计，属于RUL预测而非一般监控。
• 证据： 摘要说明从电压和温度曲线提取关键特征，先用SVM分类给出粗略RUL，再在接近EOL时用SVR回归；见RePEc摘要记录。

数据集/电池体系

• 体系/数据： Li-ion；摘要只称分析不同运行条件下的电池循环数据并同时预测多颗电池，未能确认具体电池型号、公开数据集、样本量或化学体系。
• 工况/跨域： 有不同运行工况这一描述，但温度/倍率区间、批次构成及训练测试的电池隔离方式未说明。

EOL/RUL/SOH 定义

• 目标/定义： 输出RUL并包含EOL临近阶段的回归估计；粗分类分段、EOL阈值、RUL单位与标签公式未能确认。
• 未来信息风险： 摘要没有说明每个预测时点使用多少历史曲线、阈值/阶段分类是否依赖未来寿命，以及训练集和测试集是否按电池分开。

模型方法

• 流程： 电压/温度曲线特征 → SVM分类形成gross RUL → 若电池接近EOL再以SVR精估；此为摘要所述多阶段结构。比较基线与阶段阈值细节未能确认。
• 部署： 作者认为计算更快、可能用于EV电池包车载估计；摘要未提供实时延迟、硬件或实际车辆部署结果。

验证设计

• 划分/泛化： 摘要称覆盖多电池/不同运行条件，但没有公开数据集名、切分单位、独立测试电池数或外部验证信息。
• 可信度： 信息不足；流程有摘要支持，泛化声明缺乏可核验的设计细节。

指标与结果

• 公开索引摘要未提供误差数字、置信区间或分工况表现；仅报告其方法可同时处理多电池、计算速度较快。具体定量结果未能确认。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；须核验粗分类与SVR是否只基于预测时点之前数据，以及不同循环/同电池是否跨训练测试。
• 复现性： 低；当前无法取得全文、数据说明、代码或超参数。
• 局限性： ①摘要级二手索引证据；②RUL/EOL定义和性能数字缺失；③在线可用性未由实机实验确认。

是否值得跟进

• 结论： 观望。
• 理由与下一步： 分阶段分类—回归是有价值的历史方案，且作者提出实时用途。获取全文后再提取特征、阈值、数据划分和具体误差，避免仅凭引用数判断。

4. A Hybrid Exponential Smoothing and LSTM Approach With Double Lightning Search for Enhanced Prediction of Lithium-Ion Battery Remaining Useful Life

论文基本信息

纳入理由与原文证据

• 主题/边界： 研究直接预测锂离子电池RUL和EOL，也报告SOH与容量预测，不是一般状态监测。
• 证据： 摘要称NASA PCoE数据用于验证，容量预测平均误差低于±0.002 Ah；方法及该数值可由Crossref DOI摘要记录核对。

数据集/电池体系

• 体系/数据： 锂离子电池，NASA Prognostics Center of Excellence数据；摘要未列电芯数量、具体型号、容量、化学体系或训练/测试样本规模。
• 工况/跨域： 摘要称跨整个电池生命周期并提到退化速率变化，但倍率、温度、充电协议及跨电芯/跨数据集验证未说明。

EOL/RUL/SOH 定义

• 目标/定义： 摘要涉及SOH、RUL和EOL预测及容量估计；EOL阈值、RUL以循环数还是时间计、标签生成公式均未说明。
• 未来信息风险： 未披露输入窗如何截断、平滑/归一化是否利用全寿命统计量，以及测试是否按电芯独立，需取得全文核实。

模型方法

• 流程： 指数平滑降噪与预处理 → 序列构造 → Double Lightning Search Algorithm搜索超参数 → 迭代LSTM估计容量/SOH并用于RUL/EOL预测。摘要未列完整模型结构、基线与消融细节。
• 部署： 摘要称面向实时电池健康监测，但未给端侧推理耗时、硬件或在线更新实验。

验证设计

• 划分/泛化： NASA PCoE数据；摘要未提供按电池划分、留出测试集、重复次数或外部数据验证。
• 可信度： 信息不足；数据来源和主要流程可确认，但泛化结论缺少可复核划分。

指标与结果

• 摘要报告容量预测平均误差低于±0.002 Ah；未给出可访问摘要中的RUL/SOH绝对MAE、RMSE、MAPE或具体测试电池对应关系。不要把容量误差替代为RUL误差。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；重点检查平滑及归一化是否在全寿命数据上拟合、超参数搜索是否接触测试集、序列窗口是否跨电芯集合。
• 复现性： 低至中；NASA数据可追溯，全文PDF本次被拒，代码、随机种子和DLSA搜索范围未确认。
• 局限性： ①公开摘要缺少EOL/RUL标签与测试划分；②只确认NASA PCoE；③关键寿命指标未披露。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 单篇文章将平滑、LSTM与搜索优化用于RUL/EOL，且给出容量误差数字。优先取得全文，核实分电池验证及RUL/EOL指标是否独立报告。

5. Physics-Informed Neural Networks with Double-Exponential Model for Battery State-of-Health Forecasting

论文基本信息

纳入理由与原文证据

• 主题/边界： 出版题名明确是电池SOH forecasting，符合SOH预测边界；目前只能确认题名级目标，不能由此推断实验结论。
• 证据： Crossref于2026-10-16登记为在线发表，题名含“Physics-Informed Neural Networks with Double-Exponential Model”；见DOI元数据。
• 纳入边界： 这是报告日前一日刚登记的期刊论文；本次只按题名直指SOH预测纳入，不代表其模型已证实有效、优于基线或适于部署。

数据集/电池体系

• 体系/数据： 题名泛称battery；具体化学体系、数据集、样本量、公开/自建属性均未能确认。
• 工况/跨域： 温度、倍率、充放电协议、按电芯或批次的覆盖范围均未能确认。

EOL/RUL/SOH 定义

• 目标/定义： 题名确认SOH forecasting；SOH物理定义、预测时域、标签和EOL阈值未能确认；没有证据表明直接输出RUL/EOL。
• 未来信息风险： 因摘要与全文均未读取，窗口截断、测试集隔离、归一化和超参数选择风险全部未知。

模型方法

• 流程： 只能确认题名自述physics-informed neural networks与double-exponential model；二者如何耦合、物理方程、输入特征、输出形式和基线均未能确认。因文章页/PDF未取得摘要，不对双指数方程的物理意义或试验流程作推测。
• 部署： 未能确认任何BMS部署、计算资源或实时性信息。

验证设计

• 划分/泛化： 数据、训练/测试划分、跨电芯/工况验证及外部测试均未能确认。
• 可信度： 信息不足；同行评审期刊及DOI、online日期可核验，科学内容仅元数据级。

指标与结果

• 本次未取得摘要或全文；MAE、RMSE、MAPE、SOH百分比误差及对照结果均未能确认，不从题名补造。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；需检查双指数拟合是否使用测试期数据、物理约束参数是否仅由训练集估计、以及跨电池划分。
• 复现性： 信息不足；本次未能读取代码、数据、超参数或补充材料。
• 局限性： ①仅有出版元数据；②SOH定义与试验设计未知；③当前不足以比较其性能或优先级。

是否值得跟进

• 结论： 观望并补全文。
• 理由与下一步： 主题与题名方法明确，但证据不足以判断贡献。下一轮重试Springer PDF/机构库，并补录数据、切分和实验数字后再作实质评价。

6. A Reference-Based Feature Representation Approach for Battery Remaining Useful Life Prediction Using K-Nearest Neighbors Regression

论文基本信息

纳入理由与原文证据

• 主题/边界： 论文直接预测锂离子电池RUL，且专门检验跨电池泛化，符合寿命预测主题。
• 证据： 全文定义RUL为该电池最后有效循环索引减当前循环，并以GroupKFold按电池留一验证；摘要报告RFR优于AFR。见全文PDF。

数据集/电池体系

• 体系/数据： NASA PCoE锂离子数据，B0005、B0006、B0007、B0018四颗电池；只用放电阶段，提取电压与温度共20项统计/时间特征。低于1.4 Ah的循环在建模前移除。
• 工况/跨域： NASA实验室数据；论文按电池GroupKFold四折，每折整颗电池测试。没有跨化学体系或外部数据。

EOL/RUL/SOH 定义

• 目标/定义： EOL用容量低于1.4 Ah的循环过滤界定；RUL=Nmax−i，再除以Nmax归一化至0–1。不是常见80%阈值，本文给定的是1.4 Ah。
• 未来信息风险： 归一化分母Nmax来自每颗电池最后有效循环，部署时未知；模型预测的是归一化寿命比例，转换为实际剩余循环需审慎。全文称测试电池不进入训练，但参考周期选取/PCA是否在每个fold内重做不清楚。

模型方法

• 流程： 对AFR绝对特征与RFR相对参考周期的特征差值进行比较；RFR使用候选循环7–25中的PCA代表周期（Cycle 15），再以KNN（k=5、均匀权重、欧氏距离）回归。两种表示使用相同模型参数。
• 部署： Python 3.10、scikit-learn；作者称标准桌面硬件、无GPU。实际BMS推理延迟未报告。

验证设计

• 划分/泛化： 四颗电池GroupKFold，每折留一颗；StandardScaler仅在训练折拟合。相关性分析在全数据上用于解释而未用于特征选择；但PCA参考周期的候选池是否含测试折需进一步检查。
• 可信度： 中；有电池级切分和训练折缩放，然而测试目标归一化使用寿命终点，且全局参考周期形成流程可能引入测试分布信息。

指标与结果

• 全文报告归一化RUL上RFR平均MAE 0.096、RMSE 0.120、R² 0.825；AFR对应0.148、0.173、0.637。各值为四折平均，非实际循环单位。测试电池仅4颗。

泄漏风险、复现性与局限性

• 泄漏风险： 中至高；重点在真实推理时无法知道Nmax，以及PCA参考周期是否利用了留出电池特征；标准化部分明确仅由训练折拟合。
• 复现性： 中；公开NASA数据、Python/工具和KNN参数有说明，GroupKFold确定性；未见作者代码链接，数据仅4颗电池。
• 局限性： ①样本仅4颗、仅放电特征；②仅比较KNN且不调参；③标签归一化与参考周期流程需验证能否在线复现。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： 全文呈现清楚的电池级划分，是检验特征表示影响的可复现基线。复现时把参考周期选择严格放入训练折，并同时报告归一化比例与cycle数RUL，避免Nmax oracle问题。

7. Joint prediction of SOH and RUL of lithium-ion batteries using single-cycle charging data

论文基本信息

纳入理由与原文证据

• 主题/边界： 联合预测SOH与RUL，且输入限制为单个充电周期，直接属于电池健康与寿命预测。
• 证据： 摘要称CNN-PCC提取特征并与手工特征融合，SOH与RUL RMSE相对单任务模型分别降低35.3%与37.3%；见RePEc摘要。

数据集/电池体系

• 体系/数据： 锂离子电池；可访问摘要未说明NASA、CALCE或其他数据集、样本量、化学体系及电池数量。
• 工况/跨域： 摘要称可处理复杂快充场景，但具体充电倍率、温度和训练/测试跨电池方案未说明。

EOL/RUL/SOH 定义

• 目标/定义： SOH和RUL联合输出；SOH定义、RUL单位、EOL阈值及标签构造均未说明。不能从“单周期充电数据”推断标签必然无未来信息。
• 未来信息风险： 需要确认输入周期在预测时是否完整可得、特征处理是否依赖后续循环，以及训练/测试按电芯隔离。

模型方法

• 流程： 2D-CNN与Pearson相关系数构成CNN-PCC特征提取器，提取与SOH/RUL相关的特征，再与手工特征形成多尺度混合特征，进入联合预测框架；摘要称强调两个目标间耦合。
• 部署： 单次充电数据有潜在在线价值，但未报告BMS实机、推理耗时或传感器部署信息。

验证设计

• 划分/泛化： 摘要称优于现有单任务模型并有泛化改善，但未披露数据集、切分、对照模型清单或外部验证。
• 可信度： 信息不足；相对改进数字可确认，但绝对误差和独立测试设计缺失。

指标与结果

• 摘要报告相对单任务模型的SOH RMSE降低35.3%、RUL RMSE降低37.3%；未报告绝对RMSE、误差单位、测试样本数或各工况结果。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；首要核对同电芯切分、PCC特征选择是否只在训练集拟合、快充数据是否在训练与测试重复。
• 复现性： 低至中；网络概述清楚，但摘要未列数据集、完整超参数、代码或随机种子。
• 局限性： ①没有绝对指标；②电池体系与样本量未知；③摘要的泛化结论缺少切分细节支持。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 单周期输入和联合目标符合BMS实践需求。取得全文后优先检查测试电芯隔离、基线公平性以及RUL的EOL标签与单位。

8. Machine learning and neural network supported state of health simulation and forecasting model for lithium-ion battery

论文基本信息

纳入理由与原文证据

• 主题/边界： 综述专门讨论锂离子电池SOH模拟/预测中的机器学习与神经网络，适合作为主题背景；不作为新增预测模型或性能实验。
• 证据： 出版方摘要明确聚焦SOH，并综述BP、CNN及LSTM等网络在SOH估计中的应用；见HEP期刊摘要。

数据集/电池体系

• 体系/数据： 综述对象为锂离子电池SOH研究；本文无新建电池数据或单一实验数据集。摘要未量化所综述数据集的数量与规模。
• 工况/跨域： 讨论文献层面的NN在SOH中的应用和未来方向；没有本篇自有的温度、倍率、跨电池或跨化学体系验证。

EOL/RUL/SOH 定义

• 目标/定义： 综述主题是SOH模拟和预测；本文不提出新SOH标签、EOL阈值或RUL定义。
• 未来信息风险： 对综述而言，关键风险是纳入文献的检索/筛选标准与比较口径；可访问摘要未交代系统综述协议，不能将其视为全面meta-analysis。

模型方法

• 流程： 本文为综述，梳理ML与NN在锂离子电池健康管理和SOH估计中的应用，摘要举例BP、CNN、LSTM；没有本文新提出的预测网络或原创基线。
• 部署： 摘要提出未来多利用现场数据进行健康特征筛选与模型构建，但未给出本文的新部署实验。

验证设计

• 划分/泛化： 不适用原创训练测试划分；综述是否系统检索、文献筛选标准与定量比较流程未能由摘要确认。
• 可信度： 中（用于概览）；期刊页面与综述类型可确认，但不能替代原始论文验证。

指标与结果

• 本文没有新的MAE、RMSE、MAPE或电池级结果；摘要的结论为NN具有效率、低能耗、鲁棒性和可扩展性等总体优势，属于综述归纳而非该文实验数字。

泄漏风险、复现性与局限性

• 泄漏风险： 不适用模型测试集；需关注综述是否有系统检索方案、纳入/排除标准及文献间指标可比性，摘要未说明。
• 复现性： 中低；DOI、期刊页和参考文献可核验，但摘要未见协议、检索式、筛选流程或数据表。
• 局限性： ①综述不提供新实验；②摘要仅概括NN类型与优势；③需回到原始论文验证具体数据和误差。

是否值得跟进

• 结论： 观望，作为背景材料。
• 理由与下一步： 可用于梳理SOH的NN方法与现场数据缺口，但不应与原创模型排名。按其参考文献追踪经独立电池切分、公开数据和可复现协议支持的原始研究。