锂电池 SOH 估算 —— 健康特征提取与筛选锂电池 SOH 估算 —— 健康特征提取与筛选一、核心主题围绕 186

锂电池 SOH 估算 —— 健康特征提取与筛选

一、核心主题

围绕 18650 锂电池 SOH（State of Health，健康状态）估算，重点开展健康特征参数的提取、筛选及初步建模验证，最终通过优化输入特征提升 SOH 估算精度。

二、关键术语定义

（一）SOH（State of Health）：电池健康状态

定义：表征锂电池当前性能相对于初始性能的衰减程度，是衡量电池老化状态的核心指标。
量化方式：通常以 “当前最大可用容量 / 初始额定容量 ×100%” 表示，取值范围为 0%-100%。
示例：新电池 SOH 约为 100%，当容量降至初始额定容量的 70% 时（SOH=70%），一般认为电池达到寿命终点，停止测试。
核心作用：无法直接测量，需通过电压、电流、温度等间接特征参数估算，是电池管理系统（BMS）的关键输出。

（二）样本与样本值

样本：本次研究中，“样本” 指单节电池在一次完整充放电循环中记录的所有数据集合（包含电压、电流、温度随时间变化的序列数据）。
样本值：指单个样本中某一参数的具体测量数值，分为两类：
1. 原始样本值：充放电过程中实时采集的基础数据，如某一时刻的电压值（单位：V）、电流值（单位：A）、温度值（单位：℃）、时间值（单位：s）。
2. 衍生样本值：通过原始样本值计算得到的特征参数值，如电压差（单位：V）、充电速率（单位：V/s）、平均温度（单位：℃）等，是后续相关性分析的直接对象。
样本量：指参与分析的充放电循环总次数，例如选取 B0005 电池的 35 次、55 次、75 次、95 次等循环数据，样本量即为对应的循环次数总和。

（三）其他关键术语

协同对（C）：在两组样本（如特征参数序列 x 和 SOH 序列 y）中，任意两个样本的排序方向一致的组合。例如，样本 1 的 x1>x2 且 y1>y2，或 x1<x2 且 y1<y2，即为 1 个协同对。
异协同对（D）：任意两个样本的排序方向相反的组合。例如，样本 1 的 x1>x2 但 y1<y2，或 x1<x2 但 y1>y2，即为 1 个异协同对。
秩次：将一组样本值按从小到大（或从大到小）排序后，每个样本值对应的位次（如数值 [2,5,3] 的秩次为 [1,3,2]），用于斯皮尔曼、肯德尔相关系数的计算。
过拟合：模型在训练数据上表现优异，但对新的未见过的数据预测精度大幅下降的现象，多由输入特征维度过高、样本量不足导致。

三、研究背景与实验基础

（一）核心前提

电池 SOH 受温度、充放电率等因素直接影响，无法直接测量，需挖掘能间接表征电池性能变化的健康特征参数，作为 SOH 估算的输入依据。

（二）实验对象与测试条件

实验电池：NASA 数据集中的 18650 锂电池（含 B0005、B0006、B0007 等，以 B0005 为主要验证对象）。
充电流程：1.5A 恒流充电至4.2V（18650 锂电池标准充电截止电压，修正原 3.2V 的笔误），随后恒压充电至充电电流降至 20mA（原始样本值实时采集）。
放电流程：2A 恒流放电至端电压达到截止电压（B0005 为 2.7V，原始样本值实时采集）。
停止条件：当电池容量降至初始额定容量的 70% 时（SOH=70%），终止测试。

四、健康特征分类与提取方向

健康特征主要分为四类，均基于电池充放电阶段的参数变化挖掘老化规律，具体提取方向如下：

（一）电压特征

核心逻辑：电池老化会导致充放电电压曲线显著变化，且老化与内阻增大正相关，电压变化可间接反映内阻及 SOH 状态。
曲线规律：随循环次数增加，充放电电压曲线整体前移，恒流充放电阶段达到截止电压的时间缩短。
可提取参数（衍生样本值）：电压曲线斜率、初始充电电压、放电阶段电压差、平均电压、方差电压、3.9V 至特定时间（如 1000 秒）的电压差值、3.9V 至截止电压（4.2V）的充电速率等。

（二）电流特征

核心逻辑：不同循环次数下，电流曲线的关键节点（如恒流 - 恒压充电模式切换点）会随电池老化偏移，可间接表征老化状态。
曲线规律：充电时电流曲线由平直线转为曲线的节点、放电时关键电流值，随循环次数增加呈现明显差异。
可提取参数（衍生样本值）：充放电阶段电流差、平均电流、初始电流、恒压充电阶段特定时间内（如 500 秒）的电流差值等。

（三）温度特征

核心逻辑：电池工作时的电化学反应会产生热量，温度变化规律与老化程度相关，可通过温度参数挖掘老化规律。
曲线规律：充电时温度从室温升至峰值后下降，放电时温度呈类似变化；随循环次数增加，不同老化程度电池的温度峰值位置差异显著。
可提取参数（衍生样本值）：平均温度、温度峰值、充放电阶段等时间内的温度差等。

（四）其他健康特征

包含类型：容量单调分析法、差分电压、超声波实验等。
应用说明：虽可用于 SOH 估算，但相比电压、电流、温度，缺乏实际可测性（难以通过常规传感器采集原始样本值），未作为优先选择。

五、特征筛选方法与结果

（一）筛选必要性

避免高维数据降低模型训练效率，减少过拟合风险，确保输入特征与 SOH 的强相关性，提升估算精度。

（二）筛选方法：三种相关系数分析

相关系数用于衡量变量（健康特征，即衍生样本值）与 SOH（目标变量，即 SOH 量化值）的相关程度，取值范围为 [-1,1]，0.8-1.0 为极强相关，数值越低相关性越弱。

相关系数类型	核心公式	适用场景与特点
皮尔逊相关系数（Pearson）	$r = \frac{\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^{n}(x_i - \bar{x})^2} \cdot \sqrt{\sum_{i=1}^{n}(y_i - \bar{y})^2}}$ 注：(x_i) 为第 i 个样本的特征衍生值，(y_i) 为第 i 个样本对应的 SOH 值，(\bar{x})、(\bar{y}) 为样本均值，n 为样本量（循环次数）	适用于线性关系、正态分布的连续数据，衡量线性相关性
斯皮尔曼相关系数（Spearman）	$\rho = 1 - \frac{6\sum_{i=1}^{n}d_i^2}{n(n^2 - 1)}$ 注：(x_i)、(y_i) 含义同上，(d_i) 为 x 与 y 的秩次差，n 为样本量	非参数方法，不要求正态分布，适用于非线性关系或有序数据，衡量单调相关性
肯德尔相关系数（Kendall）	$\tau = \frac{2(C - D)}{n(n - 1)}$ 注：C 为协同对数量，D 为异协同对数量，n 为样本量	非参数方法，对异常值稳健，基于秩次顺序，适用于样本量小或分布不明的数据

（三）筛选过程与结果

参考论文：《基于特征健康特征参数的锂电池 SOH 和 RUL 联合预测方法》，初始设置 3 个候选特征（衍生样本值）。
候选特征与筛选结果：
1. 恒流充电过程中 3.9V 至 1000 秒的电压差值（健康特征一）：三种相关系数均≥0.8，极强相关，保留。
2. 恒流充电过程中 3.9V 至截止电压（4.2V）的充电速率（健康特征二）：三种相关系数均≥0.8，极强相关，保留。
3. 恒压充电开始至 500 秒内的电流差值（健康特征三）：相关系数约 0.2，弱相关，剔除。
结论：确定 2 个高相关性特征作为初始输入，SOH 作为输出，构建 “特征输入 - SOH 输出” 的基础框架。

六、模型验证与优化计划

（一）初步验证：LSTM 模型

输入：筛选后的健康特征一、二（衍生样本值）。
输出：SOH（量化值）。
验证对象：NASA 数据集 B0005 电池。
样本数据：选取 B0005 电池多次充放电循环的样本（如 35 次、55 次、75 次、95 次等），提取对应特征值与 SOH 值作为训练数据。
结果：经 200 次迭代后，模型预测 SOH 与实际 SOH 的曲线拟合度较好，验证了筛选方法的可行性。

（二）后续优化计划

目标：增加 2-3 个高相关性输入特征，进一步提升 SOH 估算精度。
候选特征：初始电压、电压斜率、双差电压、双差电流、峰值温度等（均为衍生样本值）。
筛选方式：通过斯皮尔曼等相关系数分析（修正原 “GPT” 的笔误，贴合研究方法），选取相关性≥0.8 的特征加入输入。
建模方向：补充特征后，构建神经网络电池老化模型，优化估算精度。

七、核心逻辑梳理

提取充放电阶段的电压 / 电流 / 温度原始样本值 → 计算衍生样本值作为健康特征 → 用三种相关系数筛选强相关性特征（≥0.8） → 构建 “特征输入 - SOH 输出” 框架 → 经 LSTM 模型验证可行性 → 补充高相关性特征优化输入 → 提升 SOH 估算精度。