动力电池SOH · 寿命预测

📘 30章实战目录

课程导论与电池基础 SOH定义

动力电池SOH定义、寿命预测的意义、锂离子电池工作原理与老化机理。

数据采集与预处理清洗

电池测试数据来源、电压/电流/温度数据清洗、异常值处理与插值方法。

特征工程（上） IC/DV

从充放电曲线提取健康特征（IC/DV曲线、增量容量分析）。

特征工程（下）统计·时频

统计特征（均值、方差、熵）、时域与频域特征提取。

SOH估计基础模型库仑计

基于库仑计法的容量估计、开路电压法与内阻法。

等效电路模型(ECM) RC

一阶/二阶RC模型构建、参数辨识（最小二乘法）。

卡尔曼滤波入门 EKF

标准卡尔曼滤波原理、用于SOH估计的扩展卡尔曼滤波（EKF）。

粒子滤波与SOH 重采样

粒子滤波原理、重采样技术、在SOH跟踪中的应用。

机器学习回归(上) SVR

线性回归、岭回归、支持向量回归（SVR）用于SOH预测。

机器学习回归(下) XGBoost

随机森林、梯度提升树（XGBoost/LightGBM）调参与对比。

深度学习基础 DNN

全连接神经网络（DNN）结构、激活函数、损失函数与优化器。

循环神经网络(RNN) LSTM

RNN原理、LSTM与GRU网络、序列建模用于容量衰减预测。

卷积神经网络(CNN) 1D-CNN

1D-CNN用于电池信号特征提取、时间序列分类。

注意力机制与Transformer 自注意力

自注意力原理、时间序列Transformer在寿命预测中的应用。

混合模型 CNN-LSTM

CNN-LSTM、CNN-Transformer混合架构设计与实现。

迁移学习域自适应

预训练模型、域自适应、小样本下的SOH估计策略。

贝叶斯与不确定性 GPR

高斯过程回归（GPR）、蒙特卡洛dropout、预测置信区间。

剩余寿命预测(RUL) 退化模型

基于经验退化模型（指数/幂律）、基于数据驱动的RUL预测。

多电池一致性分析聚类

电池模组中单体SOH差异分析、聚类算法（K-means/DBSCAN）应用。

电池老化实验设计 DoE

加速老化测试（日历老化/循环老化）、DoE（实验设计）方法。

特征选择与降维 PCA

主成分分析（PCA）、t-SNE、互信息与递归特征消除（RFE）。

模型评估与验证交叉验证

交叉验证、时间序列交叉验证、误差指标（RMSE/MAE/MAPE）。

模型部署与边缘计算 ONNX

模型量化、ONNX导出、在BMS嵌入式系统上的部署。

联邦学习与隐私保护联邦平均

联邦平均算法、在分布式电池数据上的SOH协同训练。

电池数字孪生 PINN

数字孪生概念、基于物理信息神经网络（PINN）的电池建模。

故障诊断与预警析锂检测

内短路检测、析锂检测、热失控预警与SOH关联分析。

电池梯次利用与SOH 分选

退役电池分选标准、SOH在梯次利用中的评估方法。

充电策略优化智能充电

基于SOH的智能充电策略、CC-CV与多阶段恒流充电优化。

实战项目一 NASA数据集

基于NASA电池数据集的SOH估计与RUL预测完整流程。

实战项目二 BMS原型

基于真实车辆运行数据的电池健康管理系统（BMS）原型开发。