Accurate capacity estimation is crucial for the reliable and safe operation of lithium-ion batteries. In particular, exploiting the relaxation voltage curve features could enable battery capacity estimation without additional cycling information. Here, we report the study of three datasets comprising 130 commercial lithium-ion cells cycled under various conditions to evaluate the capacity estimation approach. One dataset is collected for model building from batteries with LiNi0.86Co0.11Al0.03O2-based positive electrodes. The other two datasets, used for validation, are obtained from batteries with LiNi0.83Co0.11Mn0.07O2-based positive electrodes and batteries with the blend of Li(NiCoMn)O2 - Li(NiCoAl)O2 positive electrodes. Base models that use machine learning methods are employed to estimate the battery capacity using features derived from the relaxation voltage profiles. The best model achieves a root-mean-square error of 1.1% for the dataset used for the model building. A transfer learning model is then developed by adding a featured linear transformation to the base model. This extended model achieves a root-mean-square error of less than 1.7% on the datasets used for the model validation, indicating the successful applicability of the capacity estimation approach utilizing cell voltage relaxation.

With the significant and widespread application of lithium-ion batteries, there is a growing demand for improved performances of lithium-ion batteries. The intricate degradation throughout the whole lifecycle profoundly impacts the safety, durability, and reliability of lithium-ion batteries. To ensure the long-term, safe, and efficient operation of lithium-ion batteries in various fields, there is a pressing need for enhanced battery intelligence that can withstand extreme events. This work reviews the current status of intelligent battery technology from three perspectives: intelligent response, intelligent sensing, and intelligent management. The intelligent response of battery materials forms the foundation for battery stability, the intelligent sensing of multi-dimensional signals is essential for battery management, and the intelligent management ensures the long-term stable operation of lithium-ion batteries. The critical challenges encountered in the development of intelligent battery technology from each perspective are thoroughly analyzed, and potential solutions are proposed, aiming to facilitate the rapid development of intelligent battery technologies.