锂离子电池健康状态估算 · 全流程实战课程目录

01课程导论与SOH基本概念

锂离子电池老化机理、SOH定义（容量衰减与内阻增长）、SOH估算的工程意义与挑战。

02电池测试与数据采集基础

充放电测试规程（CCCV、DST、UDDS工况）、高精度数据采集要求、传感器噪声与误差分析。

03Python与科学计算环境搭建

Anaconda安装、Jupyter Notebook配置、NumPy/Pandas/Matplotlib/SciPy库快速入门。

04电池数据预处理实战

异常值检测与剔除（3σ准则、IQR方法）、数据插值与重采样、SOC-OCV曲线平滑处理。

05容量衰减分析（SOH_C）

从恒流充电数据中提取容量、容量增量（ICA）分析原理、利用ICA峰值追踪容量衰退。

06内阻增长分析（SOH_R）

直流内阻（DCIR）计算、电化学阻抗谱（EIS）基础、等效电路模型（ECM）参数辨识。

07特征工程（上）

从充放电曲线中提取健康特征（HF），如等压降时间、等时间压降、差分电压（DV）特征。

08特征工程（下）

基于ICA/DV的峰值特征、统计特征（均值、方差、偏度）、特征归一化与相关性分析。

09传统机器学习方法（上）

线性回归与多项式回归用于SOH预测、正则化（Ridge/Lasso）防止过拟合。

10传统机器学习方法（下）

支持向量回归（SVR）、随机森林回归、XGBoost在SOH估算中的应用与调参。

11深度学习入门

PyTorch/TensorFlow环境搭建、全连接神经网络（FCNN）基础、激活函数与优化器选择。

循环神经网络（RNN）与长短期记忆网络（LSTM）原理、利用LSTM从电压/电流序列预测SOH。

13卷积神经网络应用

一维卷积（1D-CNN）提取局部特征、残差网络（ResNet）缓解退化问题、混合模型（CNN-LSTM）。

14迁移学习与域适应

源域与目标域概念、基于模型的迁移（微调）、基于特征的域适应（MMD、对抗训练）。

15卡尔曼滤波基础

线性卡尔曼滤波（KF）原理、扩展卡尔曼滤波（EKF）用于非线性系统、SOH作为状态变量的估计。

16粒子滤波与贝叶斯方法

序贯蒙特卡洛方法、粒子退化与重采样、粒子滤波在SOH在线估计中的应用。

17数据驱动与模型融合

集成学习（Stacking、Blending）、多模型加权融合策略、贝叶斯模型平均。

18电池老化模型

经验老化模型（指数、幂律）、半经验模型（Arrhenius修正）、物理模型（SEI膜增长模型）。

19云端与边缘部署

模型压缩（量化、剪枝、蒸馏）、ONNX导出与推理、TensorRT加速与嵌入式部署（Jetson/STM32）。

20电池管理系统（BMS）集成

SOH模块在BMS中的架构、实时估算与存储策略、CAN/Modbus通信协议解析。

21不确定性量化

蒙特卡洛Dropout、深度集成（Deep Ensemble）、预测区间与置信度评估。

22数据增强与生成

基于生成对抗网络（GAN）的电池老化数据生成、时间序列数据增强（时间扭曲、缩放）。

23异常检测与早期预警

基于重构误差的异常检测（自编码器）、基于残差的异常检测、SOH突降预警机制。

24多节电池一致性分析

电池模组中单体SOH差异分析、聚类算法（K-Means、DBSCAN）用于分选、均衡策略与SOH关系。

25快速充电协议对SOH的影响

不同快充策略（CCCV、多步恒流、脉冲充电）的老化对比、最优充电曲线搜索。

26电池热管理与SOH

温度对老化速率的影响、热模型耦合、基于SOH的热管理策略优化。

27全生命周期管理

从制造到梯次利用的SOH追踪、电池护照概念、区块链在电池溯源中的应用。

28项目实战（上）

公开数据集介绍（NASA、CALCE、Oxford）、数据加载与预处理Pipeline搭建。

29项目实战（中）

特征提取与模型训练（对比ML/DL方法）、超参数搜索（Grid Search、贝叶斯优化）。

30项目实战（下）

模型评估与可视化（RMSE、MAE、R²）、部署方案设计、课程总结与未来展望。