应用高斯过程电阻模型对锂铁磷酸盐电池的实测数据进行分析，实现了对时间依赖性和工作点依赖性电阻的有效分离，进而通过递归时空高斯过程开发了概率性故障检测规则，能够进行高效的在线监测，进一步深入了解电池组在实际应用中的失效过程。

Jun, 2024

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

利用大规模语言模型提出了一种适用于不同电池的适应性健康状态估计框架，通过测试时间训练技术保证了估计准确性，并在 62 个电池的四个公认数据集上达到了最先进的准确度。

Jan, 2024

本研究采用贝叶斯集成学习方法，结合神经网络和贝叶斯建模概念，预测锂离子电池容量衰减，同时量化电池设计和老化过程所带来的不确定性，实现了对复杂、遥远和可靠操作自主系统潜力的准确预测。

May, 2024

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

开发了一种考虑驾驶行为的特征提取方法，通过评估在真实驾驶情况下特征的获取概率，实现了可靠的电池健康监测，并突出了在开发面向特征的电池健康监测算法时平衡性能和实用性的重要性。

Sep, 2023

基于贝叶斯神经网络和传感器数据，本研究针对电池健康监测和终端寿命预测进行建模，在实验中验证了建议模型的有效性，预测误差率平均值为 13.9%，对特定测试电池可降至 2.9%；同时，预测结果包含可量化的确定性信息，从电池初始到中期使用阶段提高了 66%，提高了电池技术的实际应用价值。

Apr, 2024

科学机器学习中，通过贝叶斯推断模型参数，利用状态数据和相关性构建似然函数，从而学习非线性动力学模型。

Dec, 2023

通过 62 个商用高能型磷酸铁锂（LFP）电池的老化和重整实验，该论文使用机器学习模型预测电池寿命，并识别可恢复能力的重要指标，还发现了侧向锂非均匀性对可恢复容量损失的贡献，并通过等效电路模型和实验证明了锂非均匀性如何积累并导致可恢复容量损失，SHapley Additive exPlanations（SHAP）分析揭示了电池操作历史对容量恢复的显著影响。

Sep, 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