2026.11.06 · 电池研究日报

电池寿命预测论文每日监测报告（2026-11-06）

今日结论

• 新增： 正式报告 6 篇：papers[] 中核验通过 4 篇（2 篇是 10 月 9 日起保留的积压，2 篇本日首次发现）；另从低分积压复核中提级 2 篇。恢复既有报告 0 篇。另有 1 篇 RSS 题录标注 2027-01-01，已延期至刊期日复核，不当作已发表论文。全文级 / 摘要级 / 元数据级 / 线索级：1 / 5 / 0 / 0。
• 最值得跟进： ① 2024 自注意力 cycle-life 研究公开了 124 个 LFP 电芯数据及缺失数据实验，可重点复核按电芯隔离的测试设计；② 2026 pack-RUL 研究将 cell 先验与有限 pack 数据结合，摘要报告 17.46% 生命周期数据下约 4 圈平均误差，需获取全文核对 EOL 与分组；③ 2021 one-shot 方法报告早期退化轨迹与 EOL/knee 预测，适合作为嵌入式推理基线。
• 总体判断： 本轮涵盖容量/健康轨迹、cycle life、SOH 及 pack RUL；方向从单电芯循环曲线预测延伸至跨 cell-pack 迁移和多源现场信号。能确认的验证仍以实验室或有限公开数据为主，跨化学体系、真实车队外部测试和预测起点约束应优先审查。2 篇积压复核项只按可访问摘要纳入，不将评分当成实验结果。
• 质量提醒： 14 个检索源均报告 healthy、无 source alerts；但 OpenAlex/Crossref 是 ranked sample，不代表穷尽检索。仅 1 篇取得可读全文；其余为摘要/摘要索引层。MDPI 2026 EIS 论文的出版社页面/PDF 本次抓取失败，结论基于出版社搜索索引的摘要内容；首篇 Crossref 月份占位日与出版社 online/issue 日期不同，已分别保留。Top-K 标注覆盖率为 0%，precision@K 未知。
• 检索规模： 发现记录 563 / 去重后记录 367 / 重复记录 196 / 保留题录 235 / 过滤条目 132。重复发现与去重后过滤噪声是不同口径，均不等于漏报数。

论文总览

单篇论文分析

1. One-shot battery degradation trajectory prediction with deep learning

论文基本信息

纳入理由与原文证据

• 主题/边界： 直接预测未来容量退化轨迹，并同时预测 EOL 与 knee point，符合退化轨迹和寿命终点预测范围。
• 证据： ScienceDirect 摘要明确描述 one-shot 未来退化轨迹、EOL/knee 预测，并报告仅用前 100 圈数据进行 cell-specific prediction；出版社摘要。

数据集/电池体系

• 体系/数据： 摘要关键词确认 lithium-ion。全文 PDF 未能提取，电芯数量、化学体系、数据集名称与循环协议未能确认；不把 RWTH 页面列出的相关数据论文误当成本研究数据。
• 工况/跨域： 摘要称考虑制造差异并呈现 cell-specific prediction；温度、倍率、SOC 范围及按电芯/批次划分未知。

EOL/RUL/SOH 定义

• 目标/定义： 目标是完整未来退化轨迹、EOL 点和 knee 点；EOL 容量阈值、标签生成方式及 RUL 单位未能确认。
• 未来信息风险： 摘要说前 100 圈数据用于预测，但未说明不同起点是否严格截断输入、超参数选择是否独立于测试电芯；需查全文代码与切分。

模型方法

• 流程： 摘要确认深度学习 one-shot 预测，不经迭代或人工特征提取；网络结构、损失、baseline 与消融在当前可读摘要中未说明，不从题名推断架构。
• 部署： 摘要报告 processor-in-the-loop 嵌入式验证；芯片、时延、功耗和模型在线更新细节未能确认。

验证设计

• 划分/泛化： 摘要描述 cell-specific 预测与嵌入式验证，但测试电芯数、训练/测试是否按电芯隔离、外部数据及重复次数未说明。
• 可信度： 中；研究目标和关键早期输入长度明确，然而数据与划分依赖全文核验。

指标与结果

• 摘要报告全寿命 best-case median prediction error：正常数据 1.1%、噪声数据 1.3%；相较迭代方法计算速度最高提升 15 倍。摘要未给测试样本数、误差定义细节及跨电芯总体分布，不作横向精度排名。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；需审查 knee/EOL 标签是否利用完整寿命曲线、预测窗口是否只含当时可获得的循环，以及测试是否按电芯留出。
• 复现性： 中低；有出版社开放获取标识与作者存档 PDF 链接，但本次无法读取 PDF；代码、参数、数据下载和随机种子未确认。
• 局限性： 当前依赖摘要；样本规模和化学体系未知；误差仅报 best-case median，无法代表完整测试分布。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 其早期全轨迹与嵌入式验证有实用价值。优先取得全文，核对按电芯留出、EOL/knee 定义和 1.1%/1.3% 统计口径，再与现有 one-shot/迭代基线复现。

2. Prediction of remaining useful life for a composite electrode lithium ion battery cell using an electrochemical model to estimate the state of health

论文基本信息

纳入理由与原文证据

• 主题/边界： 研究从充电数据估计 SOH，再根据 SOH 历史预测 RUL，是直接电池健康与寿命预测，不是仅做状态诊断。
• 证据： 出版社摘要确认用增强单粒子模型估计可循环锂量与欧姆电阻，并用粒子滤波预测 RUL；验证跨五组老化试验。ScienceDirect 摘要。

数据集/电池体系

• 体系/数据： LMO-NMC 正极/石墨负极复合电极 pouch 电芯，标称 15 Ah、3.75 V；出版社章节片段说明实验来自五组老化试验。各组电芯数量、原始数据是否公开及详细工况未能从摘要确认。
• 工况/跨域： 方法以车辆充电事件（包括快充）可获得的数据为目标；温度、充电倍率范围和跨电芯/批次划分未知。

EOL/RUL/SOH 定义

• 目标/定义： SOH 由模型识别的可循环锂摩尔量与内部欧姆电阻构成复合指标；RUL 是 SOH 到达文中 EOL 时的剩余时间步。具体 EOL 阈值、时间步对应日历时间还是循环数，未能确认。
• 未来信息风险： 粒子滤波输入截至当前时刻的 SOH 估计，理论上可递归预测；需核实离线参数辨识是否用了完整未来充电曲线，以及 EOL 标注是否在测试前已固定。

模型方法

• 流程： enhanced single-particle model（eSPM）从充电微循环估计可循环锂量和欧姆电阻；将两者映射为 SOH，再由 Auxiliary Sampling Importance Resampling（ASIR）粒子滤波递归外推至 EOL。摘要未披露与哪些模型的定量 baseline 比较。
• 部署： 目标数据来自车载充电事件；实时计算、BMS 传感器采样要求和车载实机部署均未确认。

验证设计

• 划分/泛化： 出版社摘要称在多个 LMO-NMC 电芯和五组实验老化数据上验证；完整切分、预测起点和独立测试组信息未见于可读摘要。
• 可信度： 中；有物理模型与多组实验数据，但在线部署和严格独立测试细节仍待全文。

指标与结果

• 摘要只称实验验证表明可从车辆充电数据推断 SOH/RUL，未给 MAE、RMSE、循环误差或区间覆盖率；因此不报告推断数值。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；重点确认 eSPM 参数辨识只使用预测时点前的数据、实验组是否隔离，以及训练/测试是否共享电芯。
• 复现性： 低至中；方法与电池规格可从摘要/章节片段确认，数据、标定参数和粒子数等未确认，全文需机构访问。
• 局限性： 仅见 LMO-NMC/石墨 pouch 体系；EOL 阈值及误差数字缺失；真实车载连续验证未在摘要中证明。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： eSPM 参数与车载充电数据结合有助解释 SOH 代理量。下一步获取全文，复核阈值、五组数据切分及 RUL 随预测起点变化的误差。

3. Attention Mechanism-Based Neural Network for Prediction of Battery Cycle Life in the Presence of Missing Data

论文基本信息

纳入理由与原文证据

• 主题/边界： 目标变量为电池 cycle life，属于寿命预测；其研究重点是早期循环数据在不同缺失模式下的预测稳定性。
• 证据： 作者报告前 50 圈输入在 10 次数据划分中的平均测试 APE 为 9.34%，并测试随机缺失、整圈缺失和时间步缺失。MDPI 全文。

数据集/电池体系

• 体系/数据： 公开 MATR 项目数据，124 个商业高功率 LFP/石墨电芯，1.1 Ah、3.3 V；30°C 环境，充电 CC 阶段 2–6C、至 80% SOC 后 CV，放电 4C 至 2.0 V，寿命范围 148–2233 圈。数据可用性声明称未产生新实验数据。
• 工况/跨域： 研究覆盖同一公开实验项目下多种快充协议；未见不同温度、化学体系或现场 BMS 外部验证。

EOL/RUL/SOH 定义

• 目标/定义： 预测数据集中的循环寿命标签；原文可读内容没有清楚交代统一失效阈值与标签细节，本报告不假设常见 80% 容量阈值。
• 未来信息风险： 输入强调初始 20/50/100 圈，对早期预测有帮助；需检查标签和标准化是否使用完整寿命信息，以及测试拆分是否按电芯而非循环窗口执行。

模型方法

• 流程： 九类循环/电压相关属性经重排后输入带正弦位置编码的多头自注意力，再接全连接预测头；缺失值置零，比较 Elastic Net、CNN-LSTM 等方法。两阶段训练重新随机划分训练/验证数据并调整正则与 batch size。
• 部署： 全文未提供车载推理延迟、内存或在线更新评估。

验证设计

• 划分/泛化： 报告 10 组 train/validation/test 划分，并做多种缺失率与模式实验；可读正文未明确说明是否以电芯身份分组留出。
• 可信度： 中；全文、数据集和实验流程可查，但跨电芯隔离与数据随机划分策略需要复核。

指标与结果

• 无缺失时，首 20/50/100 圈输入测试 APE 分别为 13.02%、10.59%、15.16%；10 次划分下首 50 圈平均测试 APE 为 9.34%。随机/整圈/时间步缺失实验摘要性结论对应 APE 11.3%/10.9%/11.1%；这些是论文报告值，不等于外部泛化误差。

泄漏风险、复现性与局限性

• 泄漏风险： 中；多次 train/validation/test 随机重划分若未按电芯分组，可能让同电芯轨迹同时进入训练和测试；还需核对循环寿命标签是否参与特征预处理。
• 复现性： 中高；数据公开、模型结构和缺失模拟方案可读；作者未在可读页面中提供代码仓库，超参数/随机种子仍需补齐。
• 局限性： 单一 LFP/石墨实验来源；missingness 是人为模拟；对真实传感器漂移、不同 DOD 和现场电池的性能未证明。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： 公开数据和缺失模式适合快速重现。先按电芯严格留出，复算 APE/MAE 与不同起点结果，再测试真实连续丢包和域外协议。

4. Capacity and SOH Prediction of Lithium-Ion Batteries Using Various Mathematical Forms of EIS with Neural Networks

论文基本信息

纳入理由与原文证据

• 主题/边界： 同时预测容量和 SOH，直接符合健康状态/容量预测主题；不把 EIS 信号处理本身误认为寿命结论。
• 证据： MDPI 索引摘要称比较 EIS 复数数据的 rectangular 与 polar 表示，并以神经网络预测容量和 SOH；摘要报告两种表示在不同目标上的误差差异。MDPI 文章页。

数据集/电池体系

• 体系/数据： 锂离子电池，输入为 EIS；摘要称使用作者所称的较完整/大规模 EIS 数据集，但未给数据集名称、样本数、电芯化学体系、公开链接或采集工况，均待全文确认。
• 工况/跨域： 温度、SOC、老化阶段、频段覆盖以及跨电芯/跨化学体系测试均未能从索引摘要确认。

EOL/RUL/SOH 定义

• 目标/定义： 联合预测容量与 SOH；摘要没有 SOH 公式、容量基准、标签来源或是否进一步预测 RUL/EOL 的信息，不扩展题名之外的任务。
• 未来信息风险： EIS 测量时间点、训练/测试是否按电芯或时间隔离未披露；需排查同一电芯多次扫描进入不同集合造成的身份泄漏。

模型方法

• 流程： 将 EIS 复数数据分别表示为矩形坐标与极坐标，再输入神经网络预测容量和 SOH；具体网络层、损失函数、特征归一化及对照基线未能确认。
• 部署： 未见 EIS 仪器、测量频率、推理成本或在线 BMS 部署信息。

验证设计

• 划分/泛化： 摘要仅提到使用数据集开展实验；测试电芯数量、随机种子、外部测试与基线细节未知。
• 可信度： 信息不足偏中；主题匹配明确，但当前仅为搜索索引摘要，实验协议和完整数字需出版社全文复核。

指标与结果

• 索引摘要报告：矩形坐标相对提升容量预测约 2.8%，极坐标相对提升 SOH 预测约 11.3%；另称 SOH 对极坐标的鲁棒性更高。比较基准、误差定义及测试集口径未能确认，不据此推导绝对精度。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；EIS 扫描与 SOH 标签的时间同步、同电芯重复测量分组、预处理统计量和测试阶段均待查。
• 复现性： 低至信息不足；数据集名称、代码、网络参数和测量配置未能访问。
• 局限性： 仅有索引摘要；作者对数据规模的表述未经独立验证；误差差异没有绝对指标和清晰基线。

是否值得跟进

• 结论： 观望后复核。
• 理由与下一步： EIS 表示形式对 SOH/容量回归可能有方法价值，但当前不宜把相对百分比当作可比较精度。待出版社全文可读后核实数据划分、EIS 工况和具体误差。

5. Remaining useful life prediction of lithium-ion battery packs using prior cell degradation and limited pack-level data

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 pack 的 SOH 轨迹和 RUL，并处理 cell-level 与 pack-level 退化不等价，符合 pack 寿命预测主题。
• 证据： 摘要报告仅使用 17.46% pack 生命周期数据构建模型时，平均 RUL 预测误差约 4 圈；属于作者在其实验数据上的结果。RePEc/IDEAS 摘要。

数据集/电池体系

• 体系/数据： 锂离子电池 pack；摘要提到实验室数据和电动汽车 pack 数据集。pack 数量、电芯化学体系、容量、完整寿命样本及数据公开性未说明。
• 工况/跨域： 模型使用 full-lifecycle cell data 建立先验，并用有限早期 pack 数据校准；不同车型、温度、倍率与 pack 外部测试划分未披露。

EOL/RUL/SOH 定义

• 目标/定义： 输出 pack SOH 轨迹及 RUL；摘要未给 RUL 单位以外的失效阈值、SOH 标签构造或 EOL 定义，不自行套用 80% 阈值。
• 未来信息风险： 细胞级先验来自 full-lifecycle cell data，需核对这是否仅限训练电芯；预测目标 pack 的 early-stage data 必须严格截断，避免生命周期后段参与校准。

模型方法

• 流程： 多核深度高斯过程从 cell 全寿命数据学习长期 SOH 趋势及短期退化率先验；有限早期 pack 数据与电压派生不一致性特征经跨层缩放/残差补偿校准；递归阶段用 particle filtering 融合校正后的 SOH 与退化率预测。
• 部署： 面向 EV pack 预测，但摘要未提供车载运行时延、在线更新与资源占用。

验证设计

• 划分/泛化： 摘要称实验室及 EV pack 数据集验证；未披露按 pack、车型或时间的训练/测试划分、外部独立数据和重复次数。
• 可信度： 中；pack 级问题和有限数据情景明确，但仅凭摘要无法审查分组及误差统计。

指标与结果

• 作者报告在只使用 17.46% pack 生命周期数据构建模型时，平均 RUL 预测误差约 4 cycles；摘要未给误差分布、置信区间或按数据集拆分的结果。

泄漏风险、复现性与局限性

• 泄漏风险： 中；full-lifecycle cell prior 可能合理用于源域，但必须与目标 pack 完全分离；需核实早期 pack 样本截断及超参数选择过程。
• 复现性： 信息不足；摘要没有给出数据链接、代码、超参数、滤波粒子数或 EOL 标签细节。
• 局限性： pack 与 cell 化学体系/工况细节缺失；摘要没有逐数据集误差及不确定性；跨车队外部泛化尚待确认。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： cell-to-pack 迁移直接对应实际 BMS 的数据稀缺瓶颈。优先获取全文，审查源 cell 与目标 pack 隔离、EOL 定义及“4 圈”误差统计，再比较不使用全寿命源域先验的基线。

6. Corrected State-of-Health Representation for Lithium-Ion Battery Degradation Forecasting via Model-Parameter Identification and Multisource Health Indicator Fusion

论文基本信息

纳入理由与原文证据

• 主题/边界： 以 SOH 表征修正和退化趋势 forecasting 为目标，属于电池 SOH/退化预测；不是仅做故障监测。
• 证据： IEEE 摘要确认融合容量、阻抗/极化、温度与电压一致性健康指标，并对 SOH 进行层级预测；IEEE Xplore 摘要。

数据集/电池体系

• 体系/数据： 摘要称以 20 辆电动汽车数据及一套商用储能柜数据验证；锂离子电池。车辆型号、化学体系、样本量、时间跨度与数据公开链接未说明。
• 工况/跨域： 覆盖 EV 与储能柜两类场景，摘要称评估跨场景竞争力；温度/SOC 分布、训练测试是否跨场景留出未披露。

EOL/RUL/SOH 定义

• 目标/定义： 以容量型 SOH 为基准，构造 corrected SOH 并预测退化趋势；未见明确 EOL/RUL 输出或 SOH 标签阈值，故仅归类为 SOH/趋势预测。
• 未来信息风险： 需要确认健康指标提取区间、容量参考值和非线性校正是否用到测试期统计量；摘要未展示在线滚动预测协议。

模型方法

• 流程： 一阶 Thevenin 模型配合 forgetting-factor RLS 识别阻抗/极化参数；从特定 SOC 区间提取温度、电压一致性特征；GRA 筛选指标，G1-CRITIC 融合赋权并生成校正 SOH；FGO-DATCN-GPR 负责优化、全局趋势学习和局部残差补偿。
• 部署： 数据来源包含 EV 与商用储能柜，但实时处理、BMS 接口、计算资源和延迟未报告。

验证设计

• 划分/泛化： 摘要称使用 20 辆 EV 与商用储能柜数据，并与扩展 baseline/ablation 比较；具体车辆留出、跨设备测试、样本时间划分及重复试验未能确认。
• 可信度： 中；数据类型较贴近现场，但摘要未提供独立测试与分组细节。

指标与结果

• IEEE 摘要称整体预测精度及跨场景竞争力良好，但可访问摘要截断于比较结论，未显示 MAE/RMSE 等原始数字；本报告不补造结果。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；须核对特征窗口是否仅取预测时点前数据、SOH 归一化基准是否跨测试集，以及 EV/储能柜间是否真正隔离。
• 复现性： 低至信息不足；PDF 无权限，摘要有方法概览但未公开代码、数据和完整超参数。
• 局限性： 现场数据量和化学体系不明；指标及结果表未能访问；所谓跨场景性能仍需原始分组和外部测试证明。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 多源健康信息与趋势预测具有现场应用相关性。建议先申请全文，核验 EV/储能柜数据划分、校正 SOH 的标签定义和完整误差表，再判断方法增益是否来自独立跨场景泛化。