3. 特征工程基础：特征提取与特征选择
各位同学，咱们今天聊聊特征工程。说实话，在SOH算法里，特征工程做得好不好，直接决定了模型的上限。我见过太多人一上来就堆模型，结果数据质量不行，再牛的算法也白搭。今天我就把压箱底的经验掏出来，跟大家好好掰扯掰扯。
3.1 特征提取：从原始数据里挖金子
电池的原始数据是什么？说白了就是电压、电流、温度这三条曲线。但你不能直接把几万个数据点扔给模型，那样会撑死的。我们要做的是从这些曲线里提取出有物理意义的特征。
3.1.1 电压曲线特征
电压曲线是最能反映电池状态的。我个人习惯提取以下几类特征：
- 静态特征：充电截止电压、放电截止电压、开路电压（OCV）。这些是基础，但别小看它们。
- 动态特征：电压变化率（dV/dt）、电压平台期长度、电压拐点位置。我在项目中遇到过，电压平台期的变化往往能提前预警容量跳水。
- 积分特征：电压曲线下的面积、电压方差、电压偏度。这些统计量能捕捉曲线的整体形态。
重要提醒：电压特征提取时，采样频率很关键。我建议至少1Hz的采样率，否则高频信息会丢失。你想想看，如果采样间隔太大，电压平台期的细微变化根本抓不住。
3.1.2 电流曲线特征
电流特征往往被新手忽略，其实它藏着很多秘密。嗯，这里要注意：
- 充放电倍率：平均电流、最大电流、电流波动幅度。不同倍率下，电池的老化机制完全不同。
- 电流积分：累计充放电容量（Ah吞吐量）。这是最直接的容量消耗指标。
- 电流变化率：dI/dt的统计特征。我记得有一次做项目，发现电流突变时电压响应延迟，这个延迟时间跟内阻老化高度相关。
3.1.3 温度曲线特征
温度是电池的"脾气"，控制不好就炸毛。我建议提取：
- 温度极值：最高温度、最低温度、温升速率。特别是温升速率，能反映内阻变化。
- 温度分布：温度方差、温度偏度、温度峰度。电池内部温度不均匀，往往意味着老化加剧。
- 温度-电压耦合特征：不同温度下的电压响应差异。这个特征在低温场景下特别有用。
个人经验：我曾经在某个项目中，只用了温度方差这一个特征，就把SOH预测误差从5%降到了3%。为什么？因为温度分布越不均匀，电池内部一致性越差，老化越快。这个物理逻辑是通的。
3.2 特征选择：别让垃圾特征拖后腿
特征提取完了，你可能搞出几十上百个特征。但别高兴太早，这里面很多是冗余的，甚至是有害的。特征选择就是帮你做减法。
3.2.1 相关性分析
相关性分析是最直观的方法。说白了就是看两个特征之间有没有"暧昧关系"。
我常用的方法是计算皮尔逊相关系数：
import pandas as pd
import numpy as np
# 假设features_df是特征数据框
corr_matrix = features_df.corr(method='pearson')
# 找出高度相关的特征对（|r| > 0.95）
high_corr_pairs = []
for i in range(len(corr_matrix.columns)):
for j in range(i+1, len(corr_matrix.columns)):
if abs(corr_matrix.iloc[i, j]) > 0.95:
high_corr_pairs.append((corr_matrix.columns[i],
corr_matrix.columns[j],
corr_matrix.iloc[i, j]))
为什么要去掉高度相关的特征？因为两个特征如果几乎一样，模型会陷入多重共线性，导致权重分配不稳定。我曾经吃过这个亏，模型在训练集上表现很好，一上测试集就崩了。
另外，还要看特征与目标变量（SOH）的相关性：
| 相关系数范围 | 相关性强度 | 建议 |
|---|---|---|
| |r| > 0.8 | 强相关 | 保留 |
| 0.5 < |r| < 0.8 | 中等相关 | 保留，但需进一步验证 |
| 0.3 < |r| < 0.5 | 弱相关 | 谨慎保留 |
| |r| < 0.3 | 极弱相关 | 建议删除 |
避坑指南：我曾经天真地以为相关性高就是好特征。结果发现，电压平台期长度和累计容量这两个特征相关系数高达0.98，但它们跟SOH的相关性却只有0.3和0.4。为什么？因为这两个特征本身高度相关，但跟目标变量关系不大。所以，一定要同时看特征间相关性和特征-目标相关性。
3.2.2 主成分分析（PCA）
PCA是降维的利器。它的核心思想是：把原始特征投影到新的坐标系中，新坐标轴的方向就是数据方差最大的方向。
我一般这样用PCA：
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler
# 先标准化，这一步不能省
scaler = StandardScaler()
features_scaled = scaler.fit_transform(features_df)
# PCA降维，保留95%的方差
pca = PCA(n_components=0.95)
features_pca = pca.fit_transform(features_scaled)
# 看看每个主成分的贡献率
explained_variance = pca.explained_variance_ratio_
print(f"前{n_components}个主成分累计贡献率: {sum(explained_variance):.2%}")
你可能会问：为什么要标准化？因为PCA对尺度敏感。如果电压是3.5V，电流是10A，温度是25°C，不标准化的话，电流的方差会主导主成分，电压和温度的信息就被淹没了。
PCA的好处很明显：
- 消除特征间的多重共线性
- 降低特征维度，减少过拟合风险
- 新特征之间相互独立
但PCA也有缺点：
- 新特征失去了物理意义，你没法解释"主成分1"是什么
- 对异常值敏感，需要先做异常值处理
我的建议：在实际项目中，我通常先用相关性分析粗筛一遍，把明显冗余的特征去掉。然后再用PCA做精细降维。这样既保留了部分物理可解释性，又获得了降维的好处。你想想看，如果直接上PCA，老板问你"这个主成分代表什么"，你怎么回答？
3.3 实战经验总结
最后，我给大家总结几条实战经验：
- 特征不是越多越好。我见过有人提取了200多个特征，结果模型训练时间长了10倍，精度反而下降了。记住：少即是多。
- 物理意义优先。能用物理特征解决的问题，别用统计特征。比如内阻、容量这些直接物理量，比电压方差这种统计量更可靠。
- 交叉验证是试金石。特征选择后，一定要用交叉验证评估效果。我习惯用5折交叉验证，看特征在不同数据子集上的稳定性。
- 动态更新特征。电池老化过程中，特征的重要性会变化。比如早期电压平台期很重要，后期内阻变化更敏感。所以特征集要定期更新。
好了，特征工程这块就讲到这里。下一章咱们聊聊具体的SOH估计算法，到时候会用到今天讲的特征。记住：好的特征工程，是成功的一半。