3. 特征工程（上）：容量衰减曲线、电压平台分析、dQ/dV曲线提取

各位同学，咱们今天聊聊特征工程。说实话，很多做电池寿命预测的朋友，一上来就堆模型，结果效果很差。为什么？因为特征没做好。我见过太多人拿着原始数据就往神经网络里塞，那效果能好才怪。

特征工程说白了，就是把电池那些原始的充放电数据，变成模型能听懂的语言。今天咱们先讲三个最基础、也最核心的特征：容量衰减曲线、电压平台分析、还有dQ/dV曲线。

3.1 容量衰减曲线：电池的“体检报告”

容量衰减曲线，就是电池循环寿命最直观的体现。你想想看，电池用一次，容量就少一点。把这个过程画出来，就是容量衰减曲线。

怎么提取？其实很简单。每次循环结束后，记录下放电容量。然后以循环次数为横轴，容量保持率为纵轴，画个图就行。

import pandas as pd
import numpy as np

# 假设你有一个DataFrame，包含每次循环的放电容量
def extract_capacity_fade(cycle_data):
    """
    提取容量衰减特征
    cycle_data: 包含'cycle'和'discharge_capacity'两列
    """
    # 计算容量保持率（以第一次循环为基准）
    initial_cap = cycle_data['discharge_capacity'].iloc[0]
    cycle_data['capacity_retention'] = cycle_data['discharge_capacity'] / initial_cap
    
    # 我习惯再加两个特征：衰减速率和曲率
    cycle_data['fade_rate'] = cycle_data['capacity_retention'].diff() / cycle_data['cycle'].diff()
    cycle_data['fade_curvature'] = cycle_data['fade_rate'].diff() / cycle_data['cycle'].diff()
    
    return cycle_data[['cycle', 'capacity_retention', 'fade_rate', 'fade_curvature']]

嗯，这里要注意。容量衰减曲线不是一条平滑的直线。它通常分三个阶段：

• 早期快速衰减：头几十次循环，SEI膜形成，容量掉得比较快
• 中期线性衰减：这是电池的“壮年期”，衰减比较稳定
• 晚期加速衰减：快到寿命终点时，内阻增大，容量加速下降

3.2 电压平台分析：藏在曲线里的秘密

容量衰减是宏观指标，电压平台则是微观指标。说白了，电压平台反映了电池内部的电化学反应状态。

我刚开始做电池分析时，总觉得电压曲线长得都差不多。后来才发现，每条曲线都有自己的“脾气”。

电压平台的关键特征：

特征名称	提取方法	物理意义
平台电压	取dQ/dV曲线峰值对应的电压	反映主反应的电势
平台宽度	峰值半高宽（FWHM）	反映反应均匀性
平台斜率	平台区域的dV/dQ	反映极化程度
平台面积	对平台区域积分	反映可用容量

def analyze_voltage_plateau(voltage, capacity):
    """
    分析电压平台特征
    voltage: 电压数组
    capacity: 容量数组
    """
    # 计算dQ/dV
    dq = np.diff(capacity)
    dv = np.diff(voltage)
    dqdv = dq / dv
    
    # 找峰值（平台位置）
    from scipy.signal import find_peaks
    peaks, properties = find_peaks(dqdv, height=0.1)
    
    # 提取平台特征
    plateau_voltage = voltage[peaks]
    plateau_height = properties['peak_heights']
    plateau_width = properties['widths']  # 半高宽
    
    return {
        'plateau_voltage': plateau_voltage,
        'plateau_height': plateau_height,
        'plateau_width': plateau_width
    }

3.3 dQ/dV曲线提取：电池的“心电图”

dQ/dV曲线，说白了就是容量对电压的微分。它能把电压平台上那些细微的变化放大，让你看到电池内部到底发生了什么。

为什么dQ/dV这么重要？你想想看，电池充放电时，电压变化很平缓，尤其是磷酸铁锂电池，平台区几乎是一条直线。但dQ/dV曲线就不一样了，它会形成明显的峰，每个峰对应一个电化学反应。

提取步骤：

1. 数据预处理：去除异常点，插值到等电压间隔
2. 平滑滤波：用Savitzky-Golay或移动平均
3. 数值微分：计算dQ/dV = ΔQ/ΔV
4. 峰值检测：找峰位置、高度、宽度、面积

def extract_dqdv(voltage, capacity, window_length=11, polyorder=3):
    """
    提取dQ/dV曲线特征
    """
    from scipy.signal import savgol_filter
    
    # 1. 插值到等电压间隔
    v_min, v_max = voltage.min(), voltage.max()
    v_interp = np.linspace(v_min, v_max, 1000)
    q_interp = np.interp(v_interp, voltage, capacity)
    
    # 2. 平滑处理
    q_smooth = savgol_filter(q_interp, window_length, polyorder)
    
    # 3. 计算dQ/dV
    dqdv = np.gradient(q_smooth, v_interp)
    
    # 4. 找峰值
    peaks, props = find_peaks(dqdv, height=0.05, distance=20)
    
    # 提取特征
    features = {
        'peak_voltages': v_interp[peaks],
        'peak_heights': props['peak_heights'],
        'peak_widths': props['widths'],
        'peak_areas': []  # 计算峰面积
    }
    
    # 计算每个峰的面积
    for i, peak in enumerate(peaks):
        # 找峰边界
        left = max(0, peak - int(props['widths'][i]/2))
        right = min(len(dqdv)-1, peak + int(props['widths'][i]/2))
        area = np.trapz(dqdv[left:right], v_interp[left:right])
        features['peak_areas'].append(area)
    
    return features, v_interp, dqdv

3.4 知识体系总览

下面这张图，把咱们今天讲的内容串起来了。你仔细看看，这三个特征其实是层层递进的关系。

你看，从原始数据到最终模型，中间最关键的就是特征提取和特征工程这两步。容量衰减曲线是宏观视角，电压平台是中观视角，dQ/dV曲线是微观视角。三者结合，才能全面刻画电池的健康状态。

好了，今天的内容就到这里。容量衰减曲线、电压平台分析、dQ/dV曲线提取，这三个特征你掌握了，电池寿命预测的基础就打牢了。下次咱们接着聊特征工程的下半部分——怎么把这些特征组合起来，构建更强大的预测模型。

---

公众号:蓝海资料掘金营，微信deep3321