🔋 电池SOH · 寿命预测实战
📘 30章 完整目录
v2.0
01
电池SOH概述
基础
SOH定义
SOC区别
日历/循环老化
02
电池数据采集基础
电压/电流/温度
采样频率
精度影响
03
数据预处理实战
3σ/IQR异常检测
插值填充
移动平均/S-G滤波
04
特征工程·上
曲线
恒流充电时间
电压平台斜率
增量容量ICA
05
特征工程·下
EIS
欧姆内阻/电荷转移
Warburg系数
PCA降维
06
传统SOH估计方法
安时积分法
OCV-SOC查表
内阻法对比
07
基于模型的SOH估计
Thevenin/PNGV模型
EKF/UKF参数辨识
08
数据驱动方法入门
线性回归
岭回归/Lasso
SOH估计
09
SVR与SOH
核函数选择
网格搜索调参
实战案例
10
集成学习方法
随机森林
XGBoost
LightGBM对比
11
深度学习基础
感知机/多层网络
ReLU/Sigmoid
MSE/MAE
12
RNN与LSTM
时序
RNN适合时序
LSTM门控
PyTorch实现
13
CNN在SOH中的应用
1D-CNN局部特征
残差连接ResNet
14
注意力与Transformer
自注意力原理
Informer/Autoformer
15
混合模型
CNN-LSTM
CNN-Transformer
特征融合
16
迁移学习
预训练-微调
域自适应
不同电池型号
17
电池寿命预测RUL
RUL定义
指数/双指数外推
ML预测
18
不确定性量化
贝叶斯NN
MC Dropout
高斯过程GPR
19
电池组不一致性分析
串并联特性
均衡策略
被动/主动均衡
20
联邦学习与隐私保护
FedAvg
差分隐私
BMS应用
21
边缘计算与模型部署
INT8/FP16量化
TensorRT
STM32/Jetson
22
电池安全与异常检测
热失控预警
电压骤降
孤立森林
23
电池老化实验设计
循环/日历老化
C-rate/DOD
Arrhenius方程
24
电池数据集介绍
NASA/CALCE
MIT-Toyota
数据加载
25
模型评估与验证
时序交叉验证
RMSE/MAE/R²
过拟合诊断
26
超参数自动调优
网格/随机搜索
贝叶斯优化Optuna
早停法
27
可解释性分析
SHAP/LIME
特征重要性
模型解释
28
实战项目一
NASA
LSTM SOH估计
数据加载→部署
29
实战项目二
CALCE
XGBoost RUL预测
特征工程+对比
30
课程总结与前沿展望
数字孪生/PINN
固态/钠离子电池