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

本文提出了可转移的多阶段状态估计模型，以跨同一阶段的电池进行迁移学习，包括四个步骤，并使用相位空间、领域不变表示和时序胶囊网络来提高估计精度，有效地处理了同一阶段内的不同电流循环之间的非线性漂移问题。该方法表现出在多个转移任务中的性能优势。

Sep, 2022

通过数字孪生框架对锂离子电池进行实时健康状况估计，实现了不需要完成完整放电循环的实时 SOH 估计，并提出了能够处理可变训练数据、探索不同训练时间重要性以及在线实现的解决方案。

Dec, 2022

本文提出了一种使用自注意力蒸馏模块和多核最大均值差异技术的无监督深度转移学习方法，用于估算浅循环电池的 SOC，与其他转移学习方法相比，该方法具有更高的准确性和超出 2％的均方根误差。

Apr, 2023

通过使用神经网络模型判断降解数据的健康状态并预测第一次预测周期之后的降级模式，本文提出了一种用于锂离子电池剩余寿命（RUL）预测的新方法，并通过实验证明该方法在 RUL 预测方面优于传统方法，显示出在实际场景中提供更准确可靠的电池管理能力。

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

利用混合概率方法，根据物理模型和概率纠错模型，预测锂聚合物电池的放电结束电压；通过对实际数据集进行评估，该方法相比其他概率方法在概率准确性上表现出 14.8% 的改善，并为电池健康状态的诊断提供了可靠的估计。

Apr, 2024

研究论文探讨了锂离子电池（Li-on）与预测与健康管理的无缝集成，提供了一种多学科方法，增强了这些动力源的可靠性、安全性和性能。重点深入探讨了剩余寿命（RUL），强调其在预测组件故障之前的作用。论文综述了各种 RUL 预测方法，从传统模型到尖端的数据驱动技术。此外，它强调了深度学习架构在锂离子电池健康预测领域中的转变，解释了深度学习在解决电池系统复杂性中的关键作用。还探讨了 PHM 在各行业的实际应用，为读者提供了对实际实施的洞察。该论文旨在成为锂离子电池 PHM 领域研究人员和实践者的全面指南。

Mar, 2024

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

本研究提出了一种基于 Vision Transformer 模型的电池健康预测方法，并采用迁移学习的方法进行优化，实验结果表明该方法能够取得更好的预测效果。

Sep, 2022