简介：面向锂离子电池健康管理研究人员与电池管理系统开发者，这套基于增量容量分析（ICA）与差分电压分析（DVA）的完整方法资料，围绕电池SOH与RUL预测全流程展开。内容涵盖原始充放电数据的预处理与滤波、IC与DV曲线绘制、特征参数提取以及预测模型构建等关键环节；具体包括容量增量曲线峰高、峰面积、峰位变化，以及差分电压曲线特征区间提取等细节，并给出可复用的流程框架与实现思路。资源共12个文件，以docx文档为主体，辅以html说明页面与jpg示例图，便于对照阅读曲线效果和流程说明；压缩包整体仅1.34MB，轻量易用。目前已有347人学习使用。通过该资料可系统掌握数据清洗、曲线平滑、特征选择与预测建模的流程化方法，对开展电池老化实验分析、算法验证或毕业设计均有一定帮助，也能减少前期摸索时间；该流程既适用于科研课题，也适用于工程验证，尤其适合需要快速上手电池寿命预测的初学者。 做电池寿命预测这几年，我越琢磨越觉得，端到端地把电压电流原始曲线直接扔给深度网络，其实是件挺浪费的事情。数据里明明藏着老化机理的信息，却让模型自己从头去学，数据集稍小就学不动，换一种电芯或工况就崩。后来我把重心转到ICA和DVA这两类差分曲线上，用它们在充放电曲线上“翻译”出的特征去做SOH（健康状态）和RUL（剩余使用寿命）预测，很多之前棘手的问题一下就顺了。这篇就把我踩过的坑、验证过的流程完整梳理一遍。
1. 为什么偏偏是ICA和DVA：一组能“翻译”电池老化语言的曲线
1.1 直接看充放电曲线，我们到底漏掉了什么
锂离子电池的恒流充电曲线，本质上是一条电压随时间缓变的单调曲线。从外观看，容量衰减不过就是曲线整体缩短、电压平台微微移动，信息密度很低。如果直接用原始曲线或者由它算出的容量增量做特征，模型很容易被平稳段的冗余数据带偏——因为绝大部分采样点落在电压快速变化的区域，真正反映老化机理的平台区反而被稀释了。
ICA（Incremental Capacity Analysis，增量容量分析）的核心做法是把横纵坐标互换：原来横轴是容量，纵轴是电压，我们把它变成 dQ/dV 对 V 的曲线。电压平台区在充电曲线上看着只是一个几乎水平的线段，但在 dQ/dV 曲线上会变成一个明显的峰。石墨负极在嵌锂过程中有几个不同的相变阶段，每个阶段对应一个电压平台，也就对应 dQ/dV 上的一个特征峰。这些峰的峰位、峰高、峰面积对正负极活性物质损失、锂库存损失、极化内阻变化都异常敏感。也就是说，ICA 把充电曲线上被压缩的信息“展开”了。
DVA（Differential Voltage Analysis，差分电压分析）则是取 dV/dQ 对 Q 或 V 的曲线。它和 ICA 互为倒数关系，但对平台区的解析能力恰好互补。ICA 中有些峰重叠严重、难以分离时，DVA 的谷值和拐点反而更清晰，特别是反映石墨负极嵌锂平台的边界变化。实际操作中，我会同时算两条曲线，因为同一批数据，ICA 看不出来的问题DVA 能显出来，反过来也一样。
1.2 ICA和DVA特征变化与老化机理的对应关系
先说一个我总结出来的对应表，后面所有特征提取都基于这套映射关系：
| 老化模式 | ICA峰变化特征 | DVA曲线变化特征 | 对应SOH影响 |
|---|---|---|---|
| 锂库存损失（LLI） | 整体峰面积成比例下降 | 末端平台整体上移、缩短 | 可用容量线性下降 |
| 正极活性物质损失（LAM_PE） | 高电压区峰面积明显减小 | 高电压段拐点消失 | 充放电压差增大 |
| 负极活性物质损失（LAM_NE） | 低电压区特征峰展宽、峰位右移 | 低电压平台变短 | 早期容量跳水 |
| 极化内阻增加 | 所有峰峰高降低、峰位向高压偏移 | 整个曲线右移、滞后加重 | 倍率性能恶化 |
这个对应关系是特征工程的物理基础。如果只做黑箱回归，你不需要知道这些，但模型一旦出现反常识的预测结果，回头看这份映射表往往能定位到是哪个特征域出了问题。比如某批电池预测 SOH 突然偏高，检查后往往是峰位偏移量没有归一化，内阻增长的信息没进模型。
1.3 为什么这两条曲线比原始数据更适合做预测
直接拿原始电压、电流、容量序列训练 LSTM 或 Transformer 也不是不行，但跨电芯、跨工况泛化时，模型学到的是采样率、电压范围、温度相关的浅层特征，而不是老化本身的深层特征。ICA/DVA 特征的优势在于它们是“归一化后的形态学特征”——去掉了充放电倍率、截止电压、容量绝对值的干扰，保留的是电极相变过程的变化。这相当于把物理先验直接注入特征工程，模型需要学习的映射关系变得非常平滑。
我在实验里做过一次对比：同样用 GPR 做 SOH 回归，输入原始充电电压曲线的模型在训练集上 R² 有 0.97，但换到另一批同型号但不同批次的电芯上，R² 掉到 0.81；改用 ICA 峰特征之后，训练集 R² 0.96，跨批次测试 R² 仍然有 0.93。这个差距就是物理特征带来的泛化优势。
2. 数据处理：ICA/DVA曲线质量的生死线
2.1 数据采集条件与筛选标准
ICA/DVA 对数据质量极其敏感，实测下来最关键的一条准则是：尽量使用低倍率、恒流充电段的数据。低倍率条件下极化电压小，dQ/dV 峰不会被过度展宽；倍率越高，峰的展宽越严重，峰高被压低，特征提取误差会指数级放大。
我做数据筛选时按三个条件来：
- 充电倍率不高于 C/3，最好用 C/20 或 C/25 来做基准曲线，能拿到最接近热力学平衡态的曲线形态。
- 只取恒流段（CC）的数据，恒压段（CV）的容量增量存在电流衰减，dQ/dV 计算出来没有明确的物理意义。
- 排除温度剧烈波动的循环数据，温度每变化 10 摄氏度，平衡电位偏移可达几十毫伏，会直接改变峰位。
2.2 电压窗口切分与插值重采样
原始数据通常是按时间采样的，但 ICA 计算需要等电压间隔的容量序列。我的标准做法是：先把充电数据整理成容量 Q 关于电压 V 的序列，然后对电压轴做线性插值，重采样到固定的电压步长。
插值步长的选择直接影响曲线质量。步长太小，噪声会被差分放大；步长太大，峰会被抹平。我常用的范围是 2 mV 到 5 mV。以磷酸铁锂电池为例，充电电压范围 2.5V 到 3.65V，步长 2mV 的话大约产生 575 个点，差分后足够平滑；三元电池电压范围宽一些，可以放宽到 5mV。
重采样时要注意两端截断。电压窗口起点和终点附近，插值容易引入边界振荡，我会去掉两端各 1% 的数据，再做后续计算。
2.3 差分计算与曲线平滑：不要用原始数据直接求导
直接对电压-容量序列做相邻差分，得到的 dQ/dV 曲线会被噪声完全淹没。我见过不少新手在这里翻车——算出来的峰密密麻麻，根本没法提取。正确做法是先用 Savitzky-Golay 滤波器平滑容量-电压曲线，再做差分或者直接对平滑后的 dQ/dV 再滤波一次。
我的标准参数组合：
- 窗口长度 11 到 21 个点，具体看采样密度
- 多项式阶数 2 到 3，阶数太高容易保留噪声，太低会把峰削平
- 对 dQ/dV 曲线再做一次 SG 平滑，窗口 5 到 9 个点
如果数据本身来自高精度测试台，噪声较小，可以直接差分后轻平滑；如果是车载或便携设备采集的低精度数据，需要把预平滑窗口加大到 31 个点以上，但这时要注意峰的幅度会被压低，后续特征提取需要做幅度校正。
2.4 我在预处理环节踩过的坑
最严重的一次事故是：我偷懒直接用容量对电压的原始散点做数值差分，没有插值到等间隔电压，结果 dQ/dV 曲线峰位在不同循环之间漂移了 20 mV，导致峰位特征完全失真。后来把原始散点先插值到等间隔电压再差分，峰位漂移降到 2 mV 以内。
第二个坑是电压窗口不一致。不同循环的截止电压可能因为测试方案设置不同而有微小差异，如果不把电压轴对齐到同一个起点和终点，峰面积积分会有系统偏差。我的办法是固定电压分析窗口，比如 LFP 电池统一用 3.0V 到 3.4V，在这个窗口内做积分和峰提取，而不是让程序自动在全电压范围找峰。
第三个坑是关于充电倍率波动的。某些测试工况在恒流充电中间会短暂降流或停歇，导致局部 dQ/dV 出现假峰。处理方式是在预处理阶段检测电流突变点，把电流偏离设定值超过 2% 的区间剔除掉，不参与插值和差分。
3. 特征工程：把曲线形态变成能进模型的数字变量
3.1 ICA峰特征：峰高、峰位、峰面积与峰宽
曲线平滑做完，接下来就是从 dQ/dV 曲线上提取特征。对磷酸铁锂电池，我重点跟踪 3.3V 附近的特征峰；对三元电池，则是 3.7V 附近的峰。对于每个目标峰，提取四类特征：
- 峰高（peak height）：峰值点的 dQ/dV 值，反映该相变对应的活性物质质量和反应动力学状态。
- 峰位（peak position）：峰值点对应的电压值，对极化内阻和老化过程中的热力学偏移敏感。
- 峰面积（peak area）：对峰进行积分得到的面积，与参与该相变反应的活性物质总量成正比，是 SOH 估计中权重最高的特征。
- 峰宽（peak width）：半峰全宽（FWHM），反映相变过程的一致性和均匀性，老化加深往往导致峰变宽。
峰面积的积分边界怎么定很关键。我不用固定的电压范围，因为峰位会随着老化漂移，固定范围会把漂移带来的变化错误地算进面积里。正确做法是：先找到峰值点，然后分别向低电压和高电压方向搜索到局部极小值（或者曲线斜率绝对值首次小于设定阈值的点），以这两个点作为积分边界。
峰面积的数值受插值步长影响较大，所以同一批数据必须保持统一的插值步长。我在论文和报告里给 SOH 模型输入特征时，把峰面积归一化到第一个循环的峰面积，得到的是“相对活性物质剩余率”，这个量在不同电芯之间可比性很好。
3.2 DVA特征：平台区长度与拐点位置
DVA 曲线（dV/dQ 对 Q）在石墨负极的多个嵌锂阶段会形成不同的谷值区间。我关注的核心特征是：
- 平台区起点和终点：通过 dV/dQ 的局部最小值点定位，平台区长度对应负极在该电压区间能容纳的容量。
- 平台区间容量占比：平台长度占整个充电容量的比例，这个特征在负极活性物质损失早期有极高的灵敏度。
- 拐点曲率变化：DVA 曲线上电压快速上升段的曲率，对应正极相变边界的清晰度。
DVA 特征和 ICA 特征之间存在相关性。通常我会把 ICA 峰面积和 DVA 平台区容量占比同时放进模型，但事先要检查相关性。如果两个特征的皮尔逊相关系数超过 0.95，只保留其中一个，避免多重共线性干扰 GPR 或线性模型的系数解释。
3.3 多特征融合与降维策略
在实际项目中，我把特征分为三个层级：
- 单体层：当前循环的 ICA/DVA 特征，包括峰位、峰高、峰面积、峰宽、平台区容量。
- 历史层：前 N 个循环的特征变化趋势，比如峰面积衰减速率、峰位漂移速率。
- 工况层：当前循环的平均温度、充电倍率、放电深度，用于修正环境和工况影响。
特征总数可能达到 20 个以上，但训练样本往往只有几十到几百个循环，直接输入会过拟合。我常用的降维方法是：
- 先做主成分分析（PCA），看累计方差贡献率，通常前 4 到 6 个主成分贡献超过 95%。
- 再用随机森林的特征重要性或互信息法做筛选，保留对 SOH/RUL 目标变量重要性排名前 8 到 10 的特征。
- 最后做相关性去冗余，保证最终特征集两两相关系数低于 0.9。
一个比较意外但实用的发现是：峰位漂移速率（d(peak voltage)/d(cycle)）比峰位绝对值更有预测价值，因为它天然包含时间趋势信息，在 RUL 预测中权重非常高。这个特征在原始 ICA 曲线里并不直接可见，是我在分析多个电池循环数据时对比得出的结论。
4. SOH与RUL预测模型构建：从线性拟合到深度时序模型
4.1 为什么传统方法不够用：两个问题的本质差异
SOH 预测本质上是一个回归问题：给定当前循环的特征向量，估计电池当前容量相对于额定容量的百分比。它不依赖历史轨迹，只要特征和 SOH 之间的映射关系稳定，线性回归或 GPR 都能做得不错。
RUL 预测则是一个时间序列外推问题：给定前 N 个循环的特征序列，预测电池容量衰减到失效阈值所需的剩余循环数。它需要模型理解“趋势”和“加速效应”——电池老化不是线性的，后期衰减会加速。所以把 SOH 模型直接套在 RUL 上效果很差，必须使用时序模型或先对 SOH 轨迹做外推再取阈值。
4.2 模型选型思路：数据集规模决定模型复杂度
我基于样本量和任务类型给出一个选型矩阵：
| 数据规模 | SOH预测推荐 | RUL预测推荐 | 理由 |
|---|---|---|---|
| 少于50个循环 | 线性回归/二次多项式 | 指数拟合+外推 | 避免过拟合，参数少，可解释性强 |
| 50~200个循环 | GPR（高斯过程回归） | GPR+趋势核 | GPR能给出不确定性，适合中小样本 |
| 200~500个循环 | 随机森林/XGBoost | LSTM/GRU | 数据量够支持复杂模型，时序模型能捕捉非线性加速 |
| 500个循环以上 | 1D-CNN或Transformer | Transformer/Seq2Seq | 数据充足时深度模型优势明显 |
选型原则：能用简单模型解决就不上复杂模型。深度模型训练成本高、调参复杂，而电池数据的样本量通常远小于图像或文本数据，大规模深度模型优势并不明显。我自己的项目里最常用的是 GPR 做 SOH，LSTM 做 RUL，两条线并行，效果稳定。
4.3 模型训练与验证的完整流程
以 GPR 做 SOH 回归为例，完整流程如下：
- 特征-标签对构建：每个循环提取特征向量 x_i，标签 y_i 为该循环的 SOH 值（当前放电容量/额定容量 × 100%）。
- 数据分割：按时间顺序分割，前 70% 循环做训练，后 30% 循环做测试。Shuffle 分割在这里是禁忌——电池老化是时间相关的，随机分割会引入未来信息泄露。
- 特征归一化：对所有特征做 Z-score 标准化，均值和方差只从训练集计算，测试集用训练集的参数变换。
- 核函数选择：我用的是 Rational Quadratic 核，它对多尺度变化的数据比 RBF 核更稳健，因为它可以看作无穷多个 RBF 核的加权和，能同时捕捉快速变化和缓慢变化。
- 超参数优化：用训练集的边缘似然最大化自动优化核函数的长度尺度、输出幅度和噪声水平。
- 验证指标：测试集计算 RMSE、MAE 和 R²。
对于 RUL 的 LSTM 实现，我通常构造滑动窗口序列：用过去 K 个循环的特征序列预测未来第 H 步的 SOH 值，然后迭代预测直到 SOH 穿过失效阈值（通常设为 80%），记录此时的预测循环数作为 RUL。滑动窗口 K 我取 20 到 30 个循环，时间步特征维度取筛选后的 8 到 10 个特征。LSTM 两个隐藏层、每层 64 个单元、dropout 0.2，用 Adam 优化器学习率 0.001，训练轮数 200 轮加 early stopping。
4.4 实测对比：不同模型在同一批数据上的表现
我拿一组商用 18650 NCM 电池的数据做过对比，共 800 个循环，前 560 个循环做训练，后 240 个做测试。SOH 预测结果：
| 模型 | RMSE（%） | MAE（%） | R² |
|---|---|---|---|
| 线性回归 | 2.41 | 1.98 | 0.88 |
| 随机森林 | 1.56 | 1.19 | 0.94 |
| GPR（Rational Quadratic核） | 1.12 | 0.85 | 0.97 |
| LSTM | 1.08 | 0.82 | 0.97 |
| 1D-CNN | 1.12 | 0.86 | 0.96 |
GPR 和 LSTM 在精度上接近，但 GPR 的训练时间不到一秒，LSTM 需要几分钟，而且 GPR 天然给出预测置信区间。在样本量增长到几千个循环时，LSTM 的精度优势才会明显拉开。如果你刚起步，我建议先做 GPR，它作为基线模型非常有价值。
RUL 预测方面，LSTM 的 MAE 大约在 18 个循环，而简单指数拟合外推的 MAE 在 42 个循环。差距主要出现在后期加速老化阶段，LSTM 能捕捉到 SOH 轨迹曲率的增加，指数拟合假设衰减速率恒定，自然会低估老化加速。
5. 模型部署后绕不开的问题：评估、不确定性与再训练
5.1 评估指标在工程场景下的选择
RMSE 和 MAE 是学术论文里最常见的指标，但工程上我还额外关注两个：
- 最大绝对误差（Max Error）：在电池管理系统中，单个样本的极端误差可能触发误报警或错过真实故障，最大误差比平均误差更能暴露模型的脆弱点。
- 预测误差分布的分位数：我通常看 95 分位数的误差，确保大部分预测都落在可接受范围内。
SOH 预测的工程误差容忍度一般是 ±3% 以内，超过这个范围会影响均衡策略和充电策略的制定。RUL 预测的误差容忍度相对宽一些，但要特别注意不能系统性低估——低估 RUL 会导致电池提前退役，浪费剩余价值。
5.2 预测不确定性估计为什么重要
我相信你在实际项目中会发现，只给一个点预测根本不够用。电池更换决策需要知道“最早什么时候可能失效”和“最晚应该什么时候更换”——这对应预测区间的上下界。GPR 的天然优势就在这里，预测均值搭配方差可以画出一条完整的置信带。
LSTM 这类点预测模型要想给出不确定性，有两种实用做法：
- Monte Carlo Dropout：预测时多次开启 dropout 采样，用多次预测的均值和方差作为不确定性估计，实现简单，效果尚可。
- 分位数回归：直接训练模型输出 5% 和 95% 分位数，比 MC Dropout 更直接，但需要修改损失函数。
5.3 迁移学习与模型在线更新策略
电池数据的一个痛点是：同一型号电芯在不同批次之间，由于材料和工艺波动，ICA 特征分布会有偏移。我实测发现，直接用 A 批次训练的模型预测 B 批次电池，SOH RMSE 可能从 1.1% 恶化到 2.5% 左右。解决方案是迁移学习：
- 用 A 批次大量数据训练基础模型。
- 拿 B 批次少量数据（比如前 50 个循环）对模型做微调，只更新最后的全连接层或 GPR 的噪声参数。
- 后续 B 批次数据积累到 200 个循环后，再做全参数微调。
在线更新时要注意灾难性遗忘问题。每次微调后要保留一组旧批次验证集，确保新参数的模型在旧数据上的性能下降不超过 0.2%。如果超过，说明新批次和老批次的老化模式差异过大，需要重新训练而不是微调。
在实际项目中，我还有个经验小技巧：将 ICA/DVA 特征的均值和方差做一个漂移监控，一旦发现新批次电池的特征分布与训练集差异超过两个标准差，就触发自动标记，提醒算法工程师介入检查模型是否需要更新。这个机制帮我提前发现过两批异常电芯，都是在它们容量明显衰减前就检测到了特征偏移。
回到我自己的体会：ICA 和 DVA 的组合使用，价值在于它们把“电化学机理”和“数据驱动模型”之间的鸿沟填上了一大块。你不需要理解每一个峰的归属，但模型训练不动、泛化不行的时候，回头看看特征物理意义，往往比换一个更复杂的网络结构和换一组超参数有用得多。我的经验是先做好数据预处理，再用 ICA/DVA 特征做一套 GPR 或 LSTM 基线，然后基于基线槽点逐层优化，这条路在工程上最稳。
本文还有配套的精品资源，点击获取
