3、多维特征工程：时域特征提取与频域特征提取

各位工程师朋友，咱们接着聊。上一章我们把数据清洗干净了，但原始数据就像一堆散落的零件，你得把它组装成有用的工具。这一章，我就讲讲怎么从储能设备的时序数据里，挖出真正有价值的特征。

说白了，特征工程就是「把原始数据变成模型能听懂的语言」。我个人习惯把特征分成三大类：时域的、频域的、统计的。咱们一个一个来。

3.1 时域特征提取：最直观的「肉眼可见」

时域特征，就是直接看信号随时间怎么变。我最早做储能项目时，就靠这几个特征判断电池状态，简单但有效。

3.1.1 均值（Mean）

均值反映信号的「直流分量」。比如电池电压的均值，能告诉你整体电压水平。计算公式很简单：

mean = (1/N) * Σ x_i

我在项目中遇到过一个问题：某储能柜的电压均值总是偏低，排查后发现是某个模组内阻异常增大。你看，一个均值就能暴露问题。

3.1.2 方差（Variance）

方差衡量数据的波动程度。电池电压方差突然变大，往往意味着内部短路或接触不良。公式：

var = (1/N) * Σ (x_i - mean)²

3.1.3 峰峰值（Peak-to-Peak）

峰峰值 = 最大值 - 最小值。这个特征在分析充放电切换瞬间特别有用。比如电池从充电切到放电时，电压峰峰值如果超过50mV，说明内阻可能偏大。

我习惯把这三个特征组合使用：均值看趋势，方差看稳定性，峰峰值看极端情况。三者结合，基本能覆盖90%的时域分析需求。

3.2 频域特征提取：藏在「频率」里的秘密

时域看不出来的东西，频域往往一目了然。你想想看，电池的某些故障特征，比如电化学阻抗谱中的特定频率响应，在时域里根本看不出来。

3.2.1 快速傅里叶变换（FFT）

FFT能把时域信号转换到频域。我常用的Python代码：

import numpy as np

def extract_fft_features(signal, fs):
    n = len(signal)
    fft_vals = np.fft.fft(signal)
    fft_freq = np.fft.fftfreq(n, 1/fs)
    
    # 只取正频率部分
    pos_mask = fft_freq >= 0
    fft_vals = fft_vals[pos_mask]
    fft_freq = fft_freq[pos_mask]
    
    # 提取幅值
    amplitude = np.abs(fft_vals) / n
    return fft_freq, amplitude

嗯，这里要注意：FFT结果是对称的，我们只取正频率部分就够了。我刚开始做时没注意这个，结果特征维度翻了一倍，模型训练慢得要命。

3.2.2 功率谱密度（PSD）

PSD比FFT更进一步，它告诉你不同频率成分的「能量」分布。对于储能设备，PSD能有效识别出特定频率的噪声源。

举个例子：某储能站频繁报出电压异常，时域波形看不出问题。我用PSD一分析，发现50Hz工频分量异常高——原来是接地不良导致的工频干扰。

from scipy import signal

def compute_psd(signal, fs):
    freqs, psd = signal.welch(signal, fs, nperseg=1024)
    return freqs, psd

3.3 统计特征构建：用数学语言描述数据

统计特征，说白了就是用数学指标描述数据的「形状」。我常用的统计特征有这些：

特征名称	计算公式	物理意义	应用场景
偏度（Skewness）	E[(x-μ)³]/σ³	数据分布的不对称性	判断电池是否过充/过放
峰度（Kurtosis）	E[(x-μ)⁴]/σ⁴ - 3	数据分布的尖峭程度	检测异常脉冲信号
均方根（RMS）	√(mean(x²))	信号的有效值	评估电流/电压的发热效应
波形因子	RMS / |mean|	信号波形的形状特征	区分不同类型负载

我曾经用偏度特征成功预测过一次电池热失控。当时电池电压的偏度值从-0.2突然跳到0.8，我立刻判断出电池内部发生了不可逆的化学变化。嗯，这个经验让我后来在所有项目中都把偏度作为必选特征。

3.4 知识体系总览

为了让你更直观地理解这三类特征的关系，我画了一张图：

这张图把三类特征的关系说清楚了。时域特征最直观，频域特征能发现隐藏问题，统计特征则提供数学层面的描述。三者缺一不可。

好了，这一章的内容就到这里。特征提取是数据分析的「手艺活」，多练、多总结，你也能成为高手。

---

公众号:蓝海资料掘金营，微信deep3321