4. 特征工程（下）：内阻增长、温度效应、循环次数与放电深度特征

好，咱们接着聊特征工程。上一节我们把电压、容量这些基础特征梳理了一遍，这一节要啃的，是真正决定电池寿命的「硬骨头」——内阻、温度、循环次数和放电深度。

说实话，我入行头两年，一直觉得只要把容量衰减拟合好就行了。直到有一次，一个储能项目在高温地区频繁报警，容量明明还有80%，系统却提前罢工了。拆开一看，内阻已经翻了三倍。从那以后，我深刻意识到：只看容量，你永远看不到电池的全貌。

4.1 内阻增长：电池衰老的「体温计」

内阻这东西，说白了就是电池内部的「阻力」。新电池内阻低，电子跑得欢；老电池内阻高，能量都耗在发热上了。

为什么内阻这么重要？

• 内阻增长是电池老化的直接表现，比容量衰减更敏感
• 高内阻会导致电池发热加剧，形成恶性循环
• 内阻异常往往是故障的前兆，比如微短路、电解液干涸

我在项目中习惯用直流内阻（DCIR）来建模。计算公式很简单：

DCIR = (V2 - V1) / (I2 - I1)

其中V1、I1是脉冲前的电压和电流，V2、I2是脉冲结束时的值。嗯，这里要注意：脉冲时间要统一，我一般用10秒脉冲，太短测不准，太长影响电池状态。

举个例子，我曾经处理过一组数据：某电池在前200次循环内阻只涨了5%，但200-300次之间突然飙升到20%。如果只用容量特征，你根本看不出问题。但内阻增长率这个特征，直接拉响了警报。

4.2 温度效应：电池的「脾气」你得摸透

温度对电池寿命的影响，怎么强调都不过分。你想想看，电池内部的化学反应，本质上就是一群离子在电解质里「游泳」。温度高了，它们游得快，但电解质也容易分解；温度低了，它们游不动，容量就出不来。

温度特征怎么提取？

• 平均温度：整个循环过程中的平均温度值
• 温度波动幅度：最高温与最低温的差值，反映热管理效果
• 高温累积时间：温度超过45℃的总时长，这个我特别看重
• 温度变化率：dT/dt，用于检测异常发热

另外，温度效应往往不是线性的。我曾经踩过一个坑：直接用线性回归拟合温度与寿命的关系，结果预测值偏差很大。后来改用阿伦尼乌斯公式做特征变换，效果好了不少：

# 阿伦尼乌斯特征变换
import numpy as np

def arrhenius_feature(T, Ea=0.5):
    """
    T: 温度（开尔文）
    Ea: 活化能（默认0.5eV）
    """
    R = 8.314  # 气体常数
    return np.exp(-Ea / (R * T))

说白了，这个变换把温度对反应速率的影响「拉直」了，模型学起来更容易。

4.3 循环次数：不只是「第几次」那么简单

循环次数这个特征，新手往往直接拿来做线性拟合。但实际项目中，循环次数与寿命的关系远没那么简单。

我常用的循环次数特征：

• 循环序号：基础特征，但需要做对数变换（log(cycle)）
• 循环区间标识：比如0-100次、100-200次，分段建模
• 累计循环深度：每次循环的放电深度累加，这个比单纯计数更有物理意义
• 循环频率：单位时间内的循环次数，反映使用强度

4.4 放电深度：电池的「疲劳度」指标

放电深度（DoD），说白了就是每次放电放了多少。放得越深，电池「累」得越厉害。

放电深度特征怎么提取？

• 单次放电深度：本次放电的DoD值
• 平均放电深度：最近N次循环的平均DoD
• 深度放电次数：DoD超过80%的次数统计
• 放电深度方差：反映使用模式的稳定性

我记得有个项目，客户说他们的电池寿命总是达不到预期。我一看数据，发现他们经常把电池从100%放到5%。虽然单次放电深度不大，但频繁的深度放电让电池「吃不消」。后来我建议他们限制放电下限到20%，寿命直接提升了30%。

放电深度与循环次数的交互特征：

# 交互特征示例
df['DoD_cycle_interact'] = df['DoD'] * np.log(df['cycle_num'])

这个交互特征捕捉了「随着循环次数增加，相同DoD造成的损伤更大」这一物理规律。说白了，老电池更「娇气」，同样的放电深度，对老电池的伤害更大。

4.5 知识体系总览

说了这么多，我画了一张图帮你理清思路。这些特征不是孤立的，它们之间相互影响、相互耦合。

这张图把四个核心特征以及它们的子特征都串起来了。你注意看右下角的交互特征，这是很多工程师容易忽略的地方。我个人的习惯是：先做单特征分析，再做交互特征，一步步来，别想一口吃成胖子。

好了，这一节的内容就到这儿。特征工程这部分，说白了就是「把物理规律翻译成模型能听懂的语言」。你做得越细致，模型就越聪明。下一节我们会聊特征选择与降维，到时候再细说怎么从一堆特征里挑出最管用的那几个。

---