01
课程导论
储能系统概述 · SOC定义与重要性 · 传统方法局限性 · 机器学习动机
基础概述
02
锂离子电池基础
工作原理 · 关键参数 · 充放电曲线 · LFP/NCM/LTO对比
电化学特性
03
SOC估算问题建模
回归视角 · 特征选择 · 标签定义 · 数据集构建
建模回归
04
数据采集与预处理
传感器采集 · 异常值检测 · 缺失值填充 · 平滑滤波
预处理滤波
05
特征工程（上）
时域特征 · 频域FFT · 统计特征（偏度/峰度）
特征频谱
06
特征工程（下）
归一化/标准化 · PCA降维 · 特征重要性评估
降维标准化
07
数据集划分与评估指标
留出法/交叉验证 · MAE/RMSE/R²/MAPE
评估指标
08
线性回归模型
多元线性回归 · 最小二乘 · L1/L2正则化 · SOC分析
线性正则化
09
支持向量回归（SVR）
SVR原理 · 核函数 · 参数调优 · SOC实战
SVR核方法
10
决策树与随机森林
决策树回归 · 随机森林集成 · 超参数调优 · 特征重要性
树模型集成
11
梯度提升树（GBDT/XGBoost/LightGBM）
Boosting原理 · XGBoost参数 · LightGBM技巧 · SOC对比
BoostingXGBoost
12
K近邻回归（KNN）
KNN回归 · 距离度量 · K值选择 · 效率优化
KNN非参数
13
多层感知机（MLP）
神经网络基础 · 激活函数 · 结构设计 · Dropout
MLP深度学习
14
循环神经网络（RNN/LSTM/GRU）
序列建模 · LSTM门控 · GRU简化 · SOC时序估算
RNNLSTM
15
卷积神经网络（CNN）应用
1D-CNN · TCN · CNN-LSTM混合 · 特征提取
CNN混合模型
16
注意力机制与Transformer
自注意力 · 位置编码 · Transformer编码器 · 时序适配
注意力Transformer
17
混合模型与集成学习
模型融合 · Stacking · Bagging/Boosting对比
集成混合
18
超参数调优
网格搜索 · 随机搜索 · 贝叶斯优化 · Optuna
调参自动化
19
模型正则化与防止过拟合
L1/L2 · 早停 · 数据增强 · Dropout & BN
正则化泛化
20
模型部署与边缘计算
量化/剪枝/蒸馏 · ONNX · TensorRT · STM32/Jetson
部署边缘
21
实时SOC估算系统设计
数据流架构 · 滑动窗口 · 推理频率 · 状态重置
系统实时
22
卡尔曼滤波与机器学习融合
EKF原理 · EKF+MLP混合 · 状态估计与误差修正
滤波融合
23
电池老化与SOH联合估计
容量衰减 · SOH定义 · SOC-SOH联合 · 迁移学习
老化SOH
24
不同温度与工况适应性
温度影响 · 多温度模型 · 工况识别 · 模型切换
温度鲁棒性
25
数据不平衡与长尾分布问题
充放电不平衡 · 极端采样 · 代价敏感 · SMOTE
不平衡采样
26
模型可解释性（XAI）
SHAP · 特征重要性 · PDP · LIME局部解释
可解释XAI
27
联邦学习与隐私保护
FATE框架 · 分布式训练 · 梯度安全 · 隐私方案
联邦隐私
28
开源工具与框架实践
PyTorch · TensorFlow · Scikit-learn · W&B实验管理
工具框架
29
项目实战：从数据到部署全流程
需求分析 · 清洗 · 特征工程 · 选型训练 · 边缘部署
实战全流程
30
前沿趋势与未来展望
PINN · 自监督学习 · 数字孪生 · 电池AI芯片 · 法规
前沿趋势