根据科睿唯安（Clarivate Analytics）公布的2025年7月Essential Science Indicators（ESI）数据库统计检索结果显示，我校智能科学与控制工程学院张朝龙教授为第一作者署名，金陵科技学院为第一署名单位，发表在《ENERGY》（影响因子9.4，中科院1区）的研究论文“Flexible method for estimating the state of health of lithium-ion batteries using partial charging segments”，入选ESI“高被引论文”和ESI“热点论文”；发表在《JOURNAL OF ENERGY STORAGE》（影响因子9.8，中科院2区）的研究论文“A CMMOG-based lithium-battery SOH estimation method using multi-task learning framework”，入选ESI“热点论文”。

“Flexible method for estimating the state of health of lithium-ion batteries using partial charging segments”提出了一种针对部分充电段的新型锂离子电池SOH估计方法，分析了IES曲线分析电池老化特性，并设计了LSTM-reduction模型用于SOH估计。该模型集成了正向和反向LSTM结构，并在LSTM结构中加入了约简门。最后，在四种不同充电速率的锂离子电池老化数据集随机生成的充电片段数据上开展了测试，SOH估计结果的均方根误差始终保持在0.8%以内。

“A CMMOG-based lithium-battery SOH estimation method using multi-task learning framework”提出了一种基于CNN-CMMOG的多任务学习框架，该框架通过CNN集成高维健康因素信息，使用GRU映射健康状态，并通过多门控网络调整权重。在特征提取过程中引入增量容量分析和模糊熵，增强了模型的鲁棒性。实验结果表明，该模型的收敛速度更快，计算时间平均减少16.95%。在非训练样本的泛化实验中，平均准确率提高了39.92%。