2026.11.09 · 电池研究日报

电池寿命预测论文每日监测报告（2026-11-09）

今日结论

• 最值得跟进： ① Machine learning is rewiring Li-ion battery RUL prediction：覆盖 996 篇研究，适合作为近期方法与验证协议索引；下一步获取全文及其纳入/筛选流程。② PatchFormer：开源仓库包含实现和数据处理代码；下一步复核跨电芯划分与数值表。③ MARN：仅充电数据联合 SOH/RUL 预测；下一步查全文确认公开数据集、误差和独立测试方案。
• 总体判断： 本轮新增内容集中在电池 RUL/SOH 估计，既有注意力时序模型，也有 EIS 融合估计与方法综述。可直接复现信息主要来自 PatchFormer 仓库；多篇新近记录仍缺全文或验证细节，不能仅凭摘要中的模型名或高精度数字判断可迁移性。
• 质量提醒： PatchFormer 与 MARN 的 Crossref 月份/日精度不同于第三方页面的日期显示，按 Crossref 期刊月份保留，在线发表日未完全确认；RBBMO 摘要未说明误差指标单位、数据切分及合成标签细节；JCEIM 论文可读全文但未报告样本量/独立切分，且文内特征比值和若干参考文献 DOI 存在不一致，结果需谨慎。
• 检索规模： 发现记录 479 / 去重后记录 333 / 重复记录 146 / 保留题录 226 / 过滤条目 107。原始发现次数、去重题录、重复数与过滤噪声分别计数；API 为排序抽样，不代表穷尽检索。

论文总览

单篇论文分析

1. PatchFormer: A novel patch-based transformer for accurate remaining useful life prediction of lithium-ion batteries

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 RUL 预测为目标，并讨论容量再生与运行噪声，符合寿命预测主题。
• 证据： 作者仓库摘要称模型在三个公开退化数据集、不同预测起点上测试；DOI 与仓库 README 可交叉确认论文身份和研究范围。

数据集/电池体系

• 体系/数据： 锂离子电池；README 列出 CALCE、NASA 和 TJU 三个公共数据源，并说明代码/数据处理材料公开。仓库说明主脚本先在 CALCE 上运行，NASA/TJU 需要修改，不能据此认为三者可一键复现。
• 工况/跨域： 摘要称跨三个公开数据集及多个预测起点；温度、倍率、电芯数量及跨化学体系覆盖未能从可访问摘要确认。

EOL/RUL/SOH 定义

• 目标/定义： 预测剩余寿命；RUL 单位、EOL 阈值及标签生成方式未能确认，不套用常见 80% 容量阈值。
• 未来信息风险： 公开摘要未说明输入窗口与预测起点是否严格按电芯隔离；需检查归一化是否只用训练集，以及滑窗是否跨训练/测试集重叠。

模型方法

• 流程： 容量时间序列分块后进入 Dual Patch-wise Attention Network（跨 patch 建模全局相关、patch 内建模局部依赖），再由 Feature-wise Attention Network 融合特征关系。仓库列有去除 DPAN/注意力部件的消融代码；精确输入张量和超参数未核验。
• 部署： 实时性、算力、在线更新能力未说明。

验证设计

• 划分/泛化： 三个公共数据集及多个预测起点；按电芯、批次或时间划分及外部测试方案未能确认。
• 可信度： 中。主题和主要模块有作者仓库支持，但完整实验章节不可访问，跨电芯泛化与数据划分仍是关键未知项。

指标与结果

• 摘要仅称在不同预测起点上优于所比较的时序预测模型；没有可核验的 MAE/RMSE 数值、单位或测试集明细，故不补写具体性能。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；优先核验切分粒度、重叠滑窗、预测起点选择及特征标准化的拟合范围。
• 复现性： 中高；代码和预处理脚本公开，包含 CALCE、NASA、TJU 相关文件；但 README 指出后两者需修改才能运行，且随机种子/完整运行环境需再确认。
• 局限性： 可访问证据主要来自摘要和仓库；跨化学体系与真实 BMS 工况未确认；未取得数字结果表。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： 架构与数据流程可复查且题目直接匹配。先跑通 CALCE 基线，再按电芯隔离复核 NASA/TJU，并检查消融与预测起点敏感性；取得全文后补齐标签和误差数据。

2. Battery Health Monitoring and Remaining Useful Life Prediction Techniques: A Review of Technologies

论文基本信息

纳入理由与原文证据

• 主题/边界： 综述聚焦锂离子电池健康监测与 RUL 估计，适合用作方法入口，不是提出新预测器的实证论文。
• 证据： 出版社摘要将方法归纳为 model-based、data-driven 与 hybrid 三类，并讨论其优势与局限；出版社全文 展示其 RUL/SOH 主题与章节内容。

数据集/电池体系

• 体系/数据： 综述范围为 Li-ion；文中示意曲线使用 NASA Ames 电池数据，不代表整篇综述的新实验数据集。其他研究所用数据集由文献汇总，不能当成本综述统一评测集。
• 工况/跨域： 讨论循环老化、日历老化及温度、倍率等影响；各引用研究工况不同，未形成统一跨温度/跨电芯 benchmark。

EOL/RUL/SOH 定义

• 目标/定义： 文中以容量相对初始值说明 SOH，并以容量损失示例说明 EOL；示例中的约 30% 容量损失不是所有被综述论文共同采用的阈值。RUL 标签和阈值在不同来源间不统一。
• 未来信息风险： 综述指出寿命定义与工况差异影响可比性；没有统一回看各研究是否按电芯隔离或防止测试信息进入训练。

模型方法

• 流程： 对机理/电化学模型、数据驱动机器学习与混合方法作分类，讨论历史数据、物理先验与模型组合；列举滤波、神经网络等路线。文章不训练单一新模型，也没有可部署的软件流程。
• 部署： 关注在线健康管理的应用动机，本文自身未报告推理延迟或硬件测试。

验证设计

• 划分/泛化： 属综述而非模型实验，没有训练/测试集或外部验证。可访问全文未见统一系统检索数据库、筛选流程及逐篇风险偏倚评估的完整协议。
• 可信度： 中。出版社全文、参考文献与示例可读，但对研究质量的综合结论受纳入研究验证方案不一致影响。

指标与结果

• 无本文原创模型的 MAE/RMSE 等测试数字；文中汇总的不同论文指标不应直接横向比较，需回到各原始研究核对阈值和测试集。

泄漏风险、复现性与局限性

• 泄漏风险： 本文无模型训练泄漏；其所综述的研究是否存在窗口泄漏或测试集调参，需逐篇审查。
• 复现性： 中；全文、章节与参考文献开放，但未确认有结构化文献筛选数据/检索式供完整复现。
• 局限性： Li-ion 范围为主；RUL/EOL 定义差异限制比较；综述分类不能替代特定数据集上的复现评估。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 可用于补充检索词、方法分类和研究缺口；建议重点摘录其基准数据与阈值讨论，再和 2026 年系统映射综述对照，避免把综述示意数字当成模型性能。

3. A multi-strategy attention regression network for joint prediction of state of health and remaining useful life of lithium-ion batteries using only charging data

论文基本信息

纳入理由与原文证据

• 主题/边界： 直接联合预测锂离子电池 SOH 与 RUL，且针对仅充电数据，属于核心预测主题。
• 证据： ScienceDirect 摘要片段称其以差分方案构造充电输入，并设计 MARN 联合预测 SOH/RUL；出版社摘要页 可确认题名、期刊和摘要片段。

数据集/电池体系

• 体系/数据： 锂离子电池；摘要只称使用公开数据集，未能确认数据集名称、电芯数、化学体系及充电协议。输入限于充电过程，不等于证明真实车载数据可直接部署。
• 工况/跨域： 温度、充电倍率和跨电芯/跨数据集覆盖未从可访问摘要片段确认。

EOL/RUL/SOH 定义

• 目标/定义： 同时回归 SOH 与 RUL；SOH 基准、EOL 容量阈值、RUL 单位和标签构造方式未能确认。
• 未来信息风险： 仅充电特征若使用整段曲线，可能依赖预测时点之后的数据；需核对差分处理边界、窗口和归一化范围，当前不能判断是否发生泄漏。

模型方法

• 流程： 充电曲线经差分/结构化后进入 MARN；摘要片段描述为双分支深度网络，包含共享特征提取、任务特定特征提取与预测阶段，并用多策略注意力残差模块提取不同域的时间特征。更细结构和基线未确认。
• 部署： 在线运行成本与充电期间可用的截止点未说明。

验证设计

• 划分/泛化： 公开数据集实验；训练/验证/测试按窗口还是按电芯划分、是否外部验证均未确认。
• 可信度： 中偏低。出版社摘要确认任务和大致方法，但缺少全文与切分方案，尚不足以判断跨电芯泛化。

指标与结果

• 可访问摘要片段称模型在公开数据上表现良好，未提供可核验 MAE/RMSE 数字、单位、测试对象或置信区间；不将评分当实验结果。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；重点审查滑动窗口重叠、同一电芯样本跨集合、充电曲线截断点及差分特征是否使用未来值。
• 复现性： 低至信息不足；当前未确认代码、数据链接、超参数和随机种子。
• 局限性： 只有摘要片段；数据集、指标和标签定义均未核实；“仅充电”尚未证明对多工况/新化学体系有效。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： 仅充电联合估计有实际 BMS 价值。下一步获取全文，重点核对预测截断点、按电芯划分、公开数据集名称及与单任务基线的公平比较。

4. RBBMO-STOReAT-net driven framework for effective SOC and SOH prediction in lithium-ion batteries using electrochemical spectroscopy

论文基本信息

纳入理由与原文证据

• 主题/边界： 论文目标含 SOH 估计，满足健康预测范围；SOC 是并列任务，不把 SOC 单独视为寿命预测。
• 证据： Crossref 摘要明确称以 EIS 估计 SOC/SOH，并指出合成标签可能造成偏差或高估；摘要记录 给出作者报告的实验描述与数字。

数据集/电池体系

• 体系/数据： 锂离子电池 EIS 数据集；具体来源、样本数、电芯型号、温度和采集协议未在摘要说明。作者明确提到直接寿命标签不足时使用合成标签作为一种基准情境，但是否用于全部报告结果未能确认。
• 工况/跨域： 未提供按电芯/温度的覆盖或跨化学体系测试信息。

EOL/RUL/SOH 定义

• 目标/定义： 回归 SOC 与 SOH；不是 RUL/EOL 预测。SOH 标签公式、容量阈值及标签来自实测还是合成未充分交代。
• 未来信息风险： 摘要主动提醒合成标签偏差可能高估性能；测试集隔离、标签生成是否使用完整寿命曲线等信息缺失。

模型方法

• 流程： EIS 输入，经 Red Billed Blue Magpie Optimization 调参，组合 stochastic latent transformer（SLT）与 reservoir computing attention network（RCAN）进行 SOC/SOH 估计；摘要还称 RBBMO 用于全局超参数搜索、避免过早收敛。模型复杂度、搜索空间、消融及基线细节未见全文，稳定性主张需由验证集隔离和多次运行方差支持。
• 部署： 摘要称面向 BMS，但未给出硬件、延迟或内存测量。

验证设计

• 划分/泛化： 仅确认使用锂离子 EIS 数据集作实验验证；随机/按电芯切分、外部数据验证及独立测试均未说明。
• 可信度： 信息不足。摘要的任务清楚，但数据与切分缺失，且合成标签偏差是作者承认的风险。

指标与结果

• 摘要报告 SOC R²=0.9994、SOH R²=0.9992；SOH 的 MAPE/MSE/median AE/MAE/RMSE/max error 分别为 0.04505/0.00084/0.02145/0.02394/0.02903/0.09787。指标单位、缩放尺度和测试集未给出，不能与百分比误差直接比较。

泄漏风险、复现性与局限性

• 泄漏风险： 高度不确定；没有样本切分和合成标签生成细节，建议先排除同一电芯频谱、同一寿命曲线跨集合。
• 复现性： 低至信息不足；摘要提及 Python，但数据、代码、超参数及随机种子未确认。
• 局限性： EIS 数据规模/来源未知；SOC/SOH 指标尺度不明；夸大的 R² 需在独立电芯、真实标签上复验。

是否值得跟进

• 结论： 观望。
• 理由与下一步： 可作为 EIS-SOH 方向线索，不建议据摘要数字直接采用。优先获取全文与数据，确认合成标签比例、测试切分、指标量纲及复现材料。

5. Machine learning is rewiring Li-ion battery RUL prediction: A systematic review and outlook

论文基本信息

纳入理由与原文证据

• 主题/边界： 系统综述直接研究机器学习电池 RUL 预测，分析目标、数据需求与验证实践，属于主题内的综述成果。
• 证据： 官方摘要称对 996 篇文献进行结构化映射与细粒度标注，重点覆盖 2017–2025，并比较数据集、验证协议和报告惯例；ScienceDirect 摘要。

数据集/电池体系

• 体系/数据： 聚焦锂离子电池；研究单位是文献记录而非电芯。摘要表明分析了公开数据集使用情况，但未列出完整数据集清单。
• 工况/跨域： 综述跨不同公开数据、模型与验证场景，具体筛选维度需全文确认。

EOL/RUL/SOH 定义

• 目标/定义： 引言把 RUL 解释为从当前状态到预定义 EOL 的剩余首寿命循环，并称交通/储能场景常以初始容量的 70%–80%作 EOL 区间；这属于综述的通用口径，不代表纳入研究统一采用该阈值。
• 未来信息风险： 文章特别指出 EOL 定义不一致、泛化评估碎片化及不确定性校准不足；逐篇是否排除未来信息仍须查原文。

模型方法

• 流程： 对数据驱动 RUL 模型建立统一分类，关联学习目标、归纳假设、数据需求和常见失效模式；同时汇总数据、方法、应用层挑战。不是新网络或新预测器。
• 部署： 讨论部署、安全与标准化约束，但没有本综述自身的在线硬件实现。

验证设计

• 划分/泛化： 通过文献映射统计各研究验证协议；没有本文自己的训练/测试集。摘要未给出检索式、数据库、筛选流图和编码员一致性。
• 可信度： 中高（作为文献地图）；覆盖规模和分类框架清楚，但系统综述可复现性需全文方法章节确认。

指标与结果

• 无原创模型的点预测误差。摘要的核心结论是研究间比较受到 EOL、benchmark、泛化与不确定性报告不一致的限制；不把 996 篇数量解读为模型性能。

泄漏风险、复现性与局限性

• 泄漏风险： 本文不训练预测器；其纳入研究的窗口重叠、同电芯切分与测试集调参需要逐篇核对。
• 复现性： 中；题录和摘要开放，参考文献 249 条；全文检索/筛选细节暂不可访问。
• 局限性： 当前只能审阅摘要和引言片段；主题限定 Li-ion；统计结论受原研究报告质量与检索边界影响。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： 对搭建benchmark和标注泄漏风险很有参考价值。获取全文后提取文献纳入标准、公开数据覆盖、按电芯划分比例和不确定性评估缺口。

6. Adaptive Fusion SOH Assessment of Lithium-Ion Batteries Based on EIS Multi-Band Features

论文基本信息

纳入理由与原文证据

• 主题/边界： 直接估计电池 SOH，符合健康预测范围；不是 RUL/EOL 预测。全文称融合模型用于在线健康评估。
• 证据： 论文报告 314 Ah LiFePO4 多温度循环实验和全寿命 SOH 误差低于 5%；出版社 PDF 可核对算法、测试表及数据说明。

数据集/电池体系

• 体系/数据： 314 Ah 方形 LiFePO4 电芯；实验温度 5°C、25°C、55°C。特征使用 10–1000 Hz 中高频 EIS 的平均阻抗、阻抗比、SOC 与环境温度；真实 SOH 标签据称来自静态容量标定。样本电芯数量未报告，下载数据不可用。
• 工况/跨域： 多温度全寿命测试；倍率、循环协议与独立电芯数未能确认。

EOL/RUL/SOH 定义

• 目标/定义： 输出 SOH；论文将结果范围限制在 75%–100%，并以 95% SOH 区分融合权重。该 75% 下限是文中建模范围，不等价于所有场景的统一 EOL。
• 未来信息风险： 标准化参数据称来自训练集，但幂律系数由多温度老化数据标定；未说明留出电芯与测试时点，需排查测试数据参与参数拟合。

模型方法

• 流程： 四维输入经 Z-score 标准化；一支为按 Pearson 权重与协方差调整的 Mahalanobis-KNN，另一支为幂律容量衰减模型；SOH≥95%时权重 0.7/0.3，低于 95%时为 0.4/0.6。
• 部署： 文章提出嵌入式 EIS/BMS 场景，但未给出硬件实测、计算时间或资源占用。

验证设计

• 划分/泛化： 比较 KNN、幂律与融合模型，在 5/25/55°C 试验；未报告训练/测试集划分、按电芯留出或外部验证。
• 可信度： 低至信息不足。虽然可读全文，但样本数和隔离验证缺失；正文仅列 20 行温度/SOC/SOH 示例结果。

指标与结果

• 作者报告融合 RMSE<5%，单独 Mahalanobis-KNN 为 6.2%，单独幂律模型为 5.8%；声称在多温度测试稳定。由于切分和样本量缺失，这些数字不能视为独立泛化性能。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足偏高；虽声明标准化用训练集统计量，仍需确认幂律参数拟合范围和测试电芯隔离。
• 复现性： 低；出版社页面显示数据尚未提供，K 值、完整数据、代码与随机种子未见。
• 局限性： 只有单一大容量 LiFePO4 体系；无清晰样本量与独立测试；PDF 中阻抗比符号（R10/100 与 R10/1000）不一致，若干参考文献 DOI 也与题名对不上。

是否值得跟进

• 结论： 观望。
• 理由与下一步： 可关注 EIS 特征与机理模型分段融合，但当前证据不支持部署结论。应索取原始数据、按电芯重做留出验证，并检查文献引用与特征公式。

7. Enhanced adaptive LSTM framework for robust early-life prediction of lithium-ion battery degradation

论文基本信息

纳入理由与原文证据

• 主题/边界： 题名直接指向 lithium-ion battery degradation 的 early-life prediction；官方摘要片段进一步列出 knee onset（KO）、knee point（KP）和 EOL 目标，满足寿命/退化预测范围。
• 证据： ScienceDirect 官方记录 的摘要片段描述 EA-LSTM 对 KO、KP 与 EOL 的直接预测；当前无法获得完整摘要或全文。

数据集/电池体系

• 体系/数据： 锂离子电池；数据源、化学体系、样本量、工况和公开可用性均未确认。
• 工况/跨域： 是否跨电芯、温度、倍率或化学体系验证未能确认。

EOL/RUL/SOH 定义

• 目标/定义： 摘要片段将 EOL 与 KO/KP 并列为预测目标；EOL 阈值、KO/KP 算法定义、预测起点及输出单位未能确认。
• 未来信息风险： 若 knee 点标签依赖完整寿命轨迹，而输入使用早期循环，需核验训练标签生成和预测时点，不把题名中的 early-life 当作无泄漏证明。

模型方法

• 流程： 目前仅确认作者称为 Enhanced Adaptive LSTM（EA-LSTM）；自适应机制、输入特征、损失函数、基线与消融均未从可访问摘要片段确认，不根据模型名称补全网络细节。
• 部署： 在线预测延迟、算力与 BMS 部署情况未说明。

验证设计

• 划分/泛化： 数据与切分未说明；无法确认是否按电芯留出或做外部验证。KO/KP/EOL 多目标之间是否共享标签或分别切分也未说明。需核验早期观测窗口长度和基线口径，避免用后验全寿命曲线构造输入或标签。
• 可信度： 信息不足。研究主题由官方标题/摘要片段确认，但缺失全文阻碍对实验设计和性能的判断。

指标与结果

• 当前没有可核验的误差指标、测试集规模或置信区间；不使用索引引用数或脚本分数替代实验结果。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；需检查完整寿命轨迹构造 KO/KP/EOL 标签时是否把未来信息带入早期特征或模型选择。
• 复现性： 低至未知；代码、数据、超参数和随机种子未确认。
• 局限性： 目前只有官方题录和摘要片段；方法命名、数据体系与所有性能结论均待全文核查，当前不足以比较模型优劣或复现性。

是否值得跟进

• 结论： 跟进全文。
• 理由与下一步： 早期预测 KO/KP/EOL 具有明确应用价值；获取全文后先确认标签定义、截断点、按电芯切分和各目标的指标，再决定是否复现。