本文提出了一种基于transformer的循环时间序列模型- CyFormer，能够有效地解决现有的基于CNN和RNN的方法所忽略的循环特征和训练和测试电池之间的域差异问题，进而通过微调和剪枝降低模型复杂度，实现了对锂离子电池健康状况的预测，从而为解决所有循环时间序列预测任务提供了潜在的解决方案。

Apr, 2023

本文提出一种基于数据驱动和模型驱动方法相结合的混合方法来进行电池健康估计，并证明其计算效率高、数据适用性强以及对不同操作条件具有鲁棒性。实验结果表明该方法能够准确预测电池容量和内阻，为了解电池在实际应用中的老化问题提供了新机遇。

Apr, 2023

提出一种基于先期容量电压特征数据的电池寿命预测方法, 在广泛不同充/放电速率和深度下, 使用不超过15%的数据即可实现15.1%的平均绝对百分比误差, 通过建立贝叶斯回归模型还可实现对超额样本的预测, 文章同时提供了一个电池老化过程公共数据集, 在电池的预防性维护、保修和电池设计制造方面具有重要意义。

Jul, 2023

提出了基于深度学习的混合模型，从充电和放电松弛过程中提取与衰老相关的显著特征，通过合并历史容量衰减数据，动态地提供锂离子电池当前容量的估计和未来容量的预测。验证结果表明，在0.25C充电条件下，平均绝对百分比误差（MAPE）为0.29％，显示了该模型在实际放松过程中的准确性，并与电池管理系统（BMS）中的历史容量记录相结合，从而更准确地预测容量下降。

Aug, 2023

通过捕捉电池的老化状态和降解速率，本研究提出了一种方法来提高电池寿命的预测性能。该方法通过从电压松弛数据中提取等效电路模型的六个物理特征来指示老化状态，并通过从移动窗口内电压松弛曲线的差异或不同周期的容量-电压曲线的差异提取两个特征来捕捉降解速率。基于高斯过程构建了两个机器学习模型，分别用于描述这些物理特征与电池寿命之间的关系，用于寿命预测和分类。该方法在三种不同类型的74个电池单元的老化数据上进行了验证。实验结果显示，仅使用3-12分钟的采样数据，具有新特征的方法可以准确预测电池寿命，与基准方法相比，预测准确率提高了67.09%。仅使用两个相邻周期的信息，电池被分为三组（长寿、中寿、短寿），整体准确率大于90%，实现了退役电池的高效重新分组。

Aug, 2023

通过使用深度转换网络，我们展示了对28个电池健康描述符进行预测的第一步，使用两组循环数据集代表了六种锂离子阴极化学组成（LFP，NMC111，NMC532，NMC622，HE5050和5Vspinel），多种电解质/阳极组成和不同的充放电方案。这些预测与电池寿命相比的准确性（对于一个LFP快充数据集预测终点寿命的绝对平均误差为19个循环）展示了深度学习在提供更深入理解和控制电池健康方面的潜力。

Sep, 2023

预测电池寿命的关键是基于数据驱动模型以及不同电池间的电信号差异来提高预测的准确性，并为未来更智能的电池管理系统奠定基础。

Oct, 2023

BatteryML是一个一站式、全面、开源的平台，旨在统一数据预处理、特征提取和传统与先进模型的实施，以增强研究应用的实用性和效率。

Oct, 2023

利用不足的数据，比较了不同的机器学习算法和深度学习算法，发现使用手工特征的机器学习模型在预测锂离子电池的剩余寿命方面表现良好，尤其是Random Forest Regressor算法，可以实现平均9.8%的绝对百分比误差。相比之下，深度学习模型在小样本原始数据上表现不佳，手工特征的机器学习模型在预测锂离子电池寿命方面更为有效。

Dec, 2023

电池是动态系统，受到电池设计、化学成分、制造和工作条件等复杂的非线性老化影响。预测电池的循环寿命和估算老化状态对于加快电池的研发和测试，以及进一步了解电池的退化过程非常重要。本教程首先概述了循环寿命预测的基本原理、机器学习和混合电池模型。然后，解释了从实验室测试数据中开发可解释的机器学习模型的典型流程，并且强调了机器学习模型所面临的挑战，以此来激发将物理学引入混合建模方法的动机，后者对于解读电池的老化轨迹至关重要，但需要更多的数据和进一步研究电池退化的物理学。本教程最后讨论了普适性和进一步的研究方向。

Apr, 2024