Data‐Driven Online Prognosis of Rechargeable Batteries: Prospect and Perspective
Source abstract
Abstract
Abstract Along with the growing popularity of electric vehicles (EVs) and smart grids, rechargeable batteries are playing an increasingly important role in the field of energy storage. To ensure a safe and stable operation, it remains essential to estimate the states of batteries accurately and efficiently in advance. Herein, we provide a perspective on data‐driven online prognosis of rechargeable batteries, where its scope and superiorities are first introduced. Four promising application scenarios in real world including battery manufacture, EVs, smart grid, and battery recycling are then discussed, followed by the challenges that require further investigation. We anticipate this perspective to attract more interest to this field, to illuminate potential directions for future researches, and to broaden the context of data‐driven physical and engineering sciences.
Source: crossref · Quality: baseline
Research context
OpenAlex topics: Advanced Battery Technologies Research · Advancements in Battery Materials · Electric Vehicles and Infrastructure
SciVX discovery tags are terminology-based. OpenAlex topics are source-provided classifications.
Affiliations
Institute of Fundamental and Frontier Sciences University of Electronic Science and Technology of China Chengdu Sichuan 611731 P.R. China
Key Laboratory of Quantum Physics and Photonic Quantum Information Ministry of Education University of Electronic Science and Technology of China Chengdu Sichuan 611731 P.R. China
Funding
National Natural Science Foundation of China
References (100+)
Show source-provided references
1. 10.1038/nmat483410.1038/nmat4834 ↗
2. 10.1007/s10008-017-3610-710.1007/s10008-017-3610-7 ↗
3. 10.1038/nature1147510.1038/nature11475 ↗
4. 10.1016/j.cclet.2019.10.02810.1016/j.cclet.2019.10.028 ↗
5. 10.1039/C8EE01419A10.1039/C8EE01419A ↗
6. 10.1021/acs.iecr.3c0241610.1021/acs.iecr.3c02416 ↗
7. 10.1021/ja309143810.1021/ja3091438 ↗
8. 10.1038/s41467-020-15355-010.1038/s41467-020-15355-0 ↗
9. 10.1016/j.energy.2020.11898710.1016/j.energy.2020.118987 ↗
10. 10.1002/inf2.1209410.1002/inf2.12094 ↗
11. 10.1016/j.cclet.2022.01.01510.1016/j.cclet.2022.01.015 ↗
12. 10.1002/adma.20220923310.1002/adma.202209233 ↗
13. 10.1002/inf2.1200010.1002/inf2.12000 ↗
14. 10.1039/D1EE03292E10.1039/D1EE03292E ↗
15. 10.1038/s41560-018-0108-110.1038/s41560-018-0108-1 ↗
16. 10.1126/science.121274110.1126/science.1212741 ↗
17. 10.1145/348512810.1145/3485128 ↗
18. 10.1016/j.apenergy.2014.04.05610.1016/j.apenergy.2014.04.056 ↗
19. 10.1002/batt.20220030910.1002/batt.202200309 ↗
20. Chang X. · Sci. China Chem.
21. 10.1007/s11426-018-9410-010.1007/s11426-018-9410-0 ↗
22. 10.1038/s42256-020-0156-710.1038/s42256-020-0156-7 ↗
23. 10.1038/s41467-023-41226-510.1038/s41467-023-41226-5 ↗
24. 10.1021/acs.chemrev.1c0010810.1021/acs.chemrev.1c00108 ↗
25. 10.1016/j.joule.2019.11.01810.1016/j.joule.2019.11.018 ↗
26. 10.1016/j.rser.2021.11190310.1016/j.rser.2021.111903 ↗
27. 10.1039/D2EE03019E10.1039/D2EE03019E ↗
28. 10.1016/j.rser.2019.10933410.1016/j.rser.2019.109334 ↗
29. 10.1016/j.rser.2020.11001510.1016/j.rser.2020.110015 ↗
30. 10.1149/1945-7111/ac6d1310.1149/1945-7111/ac6d13 ↗
31. 10.1002/adma.20210147410.1002/adma.202101474 ↗
32. Yu T. · J. Energy Chem.
33. 10.1002/anie.20210736910.1002/anie.202107369 ↗
34. 10.1021/acscatal.2c0064810.1021/acscatal.2c00648 ↗
35. 10.1002/inf2.1202810.1002/inf2.12028 ↗
36. 10.1002/batt.20210003110.1002/batt.202100031 ↗
37. 10.1038/s41586-020-1994-510.1038/s41586-020-1994-5 ↗
38. 10.1016/j.apm.2013.01.02410.1016/j.apm.2013.01.024 ↗
39. 10.1016/j.apenergy.2013.12.02010.1016/j.apenergy.2013.12.020 ↗
40. 10.1039/D2EE01676A10.1039/D2EE01676A ↗
41. 10.1016/j.apenergy.2023.12140610.1016/j.apenergy.2023.121406 ↗
42. 10.1109/TTE.2021.312947910.1109/TTE.2021.3129479 ↗
43. 10.1016/j.rser.2019.05.04210.1016/j.rser.2019.05.042 ↗
44. 10.1016/j.ensm.2022.09.01310.1016/j.ensm.2022.09.013 ↗
45. 10.1016/j.apenergy.2019.04.10810.1016/j.apenergy.2019.04.108 ↗
46. 10.1016/j.rser.2020.11004810.1016/j.rser.2020.110048 ↗
47. 10.1016/j.est.2020.10125010.1016/j.est.2020.101250 ↗
48. 10.1038/s41560-019-0356-810.1038/s41560-019-0356-8 ↗
49. 10.1016/j.jechem.2021.12.00410.1016/j.jechem.2021.12.004 ↗
50. 10.1016/j.apenergy.2015.08.11910.1016/j.apenergy.2015.08.119 ↗
51. 10.1109/TII.2018.279499710.1109/TII.2018.2794997 ↗
52. 10.1016/j.est.2019.10081710.1016/j.est.2019.100817 ↗
53. 10.1109/TEC.2020.299511210.1109/TEC.2020.2995112 ↗
54. 10.1016/j.jpowsour.2022.23111010.1016/j.jpowsour.2022.231110 ↗
55. 10.1016/j.joule.2019.11.01810.1016/j.joule.2019.11.018 ↗
56. 10.1016/j.energy.2016.12.00410.1016/j.energy.2016.12.004 ↗
57. 10.1016/j.jpowsour.2007.08.05710.1016/j.jpowsour.2007.08.057 ↗
58. 10.1016/j.est.2022.10599210.1016/j.est.2022.105992 ↗
59. 10.1038/s42256-020-0156-710.1038/s42256-020-0156-7 ↗
60. 10.1016/j.jpowsour.2018.12.06210.1016/j.jpowsour.2018.12.062 ↗
61. 10.1002/batt.20230004610.1002/batt.202300046 ↗
62. D. Küpper K. Kuhlmann S. Wolf C. Pieper G. Xu J. Ahmad The Future of Battery Production for Electric Vehicles 2018 Boston Consulting Group.
63. 10.1016/j.joule.2021.09.01510.1016/j.joule.2021.09.015 ↗
64. 10.1016/j.joule.2019.11.00210.1016/j.joule.2019.11.002 ↗
65. 10.1016/j.jpowsour.2017.01.01110.1016/j.jpowsour.2017.01.011 ↗
66. 10.1007/s10845-019-01480-110.1007/s10845-019-01480-1 ↗
67. 10.1016/j.ijpe.2020.10798210.1016/j.ijpe.2020.107982 ↗
68. 10.1016/j.est.2022.10414410.1016/j.est.2022.104144 ↗
69. 10.1016/j.jpowsour.2014.01.08510.1016/j.jpowsour.2014.01.085 ↗
70. 10.1016/j.energy.2019.02.14710.1016/j.energy.2019.02.147 ↗
71. 10.1016/j.est.2020.10198010.1016/j.est.2020.101980 ↗
72. G. Luo J. Meng X. Ji X. Cai F. Gao A data driven model for accurate SOC estimation in EVs from 2017 IEEE International Conference on Industrial Technology ICIT 2017 352–357.10.1109/ICIT.2017.7913256 ↗
73. 10.1016/j.est.2020.10145910.1016/j.est.2020.101459 ↗
74. 10.1016/j.compeleceng.2020.10657710.1016/j.compeleceng.2020.106577 ↗
75. 10.1016/j.jpowsour.2015.01.15410.1016/j.jpowsour.2015.01.154 ↗
76. 10.1016/j.engappai.2019.10327810.1016/j.engappai.2019.103278 ↗
77. 10.1016/j.energy.2022.12427010.1016/j.energy.2022.124270 ↗
78. 10.1016/j.egyr.2022.08.09510.1016/j.egyr.2022.08.095 ↗
79. 10.3390/pr912217410.3390/pr9122174 ↗
80. 10.1016/j.apenergy.2020.11523710.1016/j.apenergy.2020.115237 ↗
81. 10.1016/j.ijepes.2018.09.04110.1016/j.ijepes.2018.09.041 ↗
82. 10.1016/j.epsr.2020.10663710.1016/j.epsr.2020.106637 ↗
83. 10.1016/j.apenergy.2017.07.12410.1016/j.apenergy.2017.07.124 ↗
84. 10.1016/j.joule.2021.11.00610.1016/j.joule.2021.11.006 ↗
85. 10.1016/j.ijepes.2021.10785210.1016/j.ijepes.2021.107852 ↗
86. 10.1109/TPWRS.2020.296995610.1109/TPWRS.2020.2969956 ↗
87. 10.1016/j.apenergy.2021.11717810.1016/j.apenergy.2021.117178 ↗
88. 10.1016/j.compeleceng.2017.07.00610.1016/j.compeleceng.2017.07.006 ↗
89. Y. Cheng L. Jin K. Hou Short-Term Power Load Forecasting based on Improved Online ELM-K from 2018 International Conference On Control Automation & Information Sciences ICCAIS 2018 128–132.10.1109/ICCAIS.2018.8570329 ↗
90. 10.1016/j.rser.2022.11305310.1016/j.rser.2022.113053 ↗
91. 10.1016/j.jclepro.2020.12188210.1016/j.jclepro.2020.121882 ↗
92. 10.1016/j.etran.2023.10025510.1016/j.etran.2023.100255 ↗
93. 10.1016/j.est.2020.10173910.1016/j.est.2020.101739 ↗
94. 10.1149/2.0271701jes10.1149/2.0271701jes ↗
95. 10.1007/s10845-022-01936-x10.1007/s10845-022-01936-x ↗
96. 10.1016/j.apenergy.2020.11549410.1016/j.apenergy.2020.115494 ↗
97. 10.1016/j.apenergy.2020.11585510.1016/j.apenergy.2020.115855 ↗
98. 10.1109/ACCESS.2019.292546810.1109/ACCESS.2019.2925468 ↗
99. 10.1109/TTE.2021.310772710.1109/TTE.2021.3107727 ↗
100. 10.1016/j.apenergy.2015.08.11910.1016/j.apenergy.2015.08.119 ↗