简介：针对锂电池剩余寿命预测任务，该资源提供一套基于LSTM长短期记忆神经网络的Matlab完整实现，适合从事电池健康管理、寿命预估研究的高校学生、科研人员及工程师快速上手。代码以NASA公开数据集B0005电池为对象，已完成数据处理与训练、测试流程封装，覆盖数据读取、预处理、模型构建和预测评估等关键环节，具有较强的可读性与可复现性。资源包共3个文件，包含两个m脚本（主程序与数据处理模块）及一个xlsx格式的电池数据表，压缩包仅11KB，轻量精简，便于直接运行和二次开发。目前已有150人学习浏览，可作为入门LSTM时序预测及锂电池RUL方向的基础参考。通过该资源，读者可快速理解LSTM在剩余寿命预测中的建模思路，并基于现有代码扩展特征工程、对比不同网络结构或调整训练参数，以适配更多电池数据集与工程场景。
1. 锂电池剩余寿命预测：LSTM从数据到RUL预测的完整落地
很多同行第一次看到锂电池的容量衰减曲线，都会惊讶于它的参差和“阶梯式回弹”——充放电循环并不像教科书画得那么平滑。要在这种数据上做剩余寿命预测，LSTM长短期记忆神经网络是目前工程落地最顺手的模型之一。本文拆解的这套Matlab完整源码与数据，选用某公开老化测试集中编号B0005的单体电池数据，包含数据读取、滑动窗口构造、LSTM建模、训练测试划分和RUL误差计算全套流程。适合手上有数据但搭不出时序模型、或研究生初入电池寿命预测领域的人，照着跑一遍，能少走两周弯路。
2. 数据准备的关键：B0005容量提取与滑动窗口构造
2.1 压缩包里有什么：文件结构与字段口径
拆开这份资源，核心是三个文件：RUL_LSTMTS.m是主程序，data_process.m负责从B0005.xlsx里把原始记录整理成可直接建模的序列，B0005.xlsx存放电池循环老化数据。文件表如下：
| 文件 | 作用 | 使用顺序 |
|---|---|---|
| B0005.xlsx | 电池循环老化原始记录，已按循环整理 | 1 |
| data_process.m | 读取Excel，提取容量、剔除无效行，生成长时间序列 | 2 |
| RUL_LSTMTS.m | 滑动窗口构造、LSTM训练、测试集预测、RUL计算 | 3 |
data_process.m的核心工作可以用下面这段代码概括。实际脚本里还会做缺失值检查和曲线可视化，但主干就是读取表格、定位容量列、去空值这三步：
%% data_process.m 的读取与清洗主干 data = readtable('B0005.xlsx'); % 读入已整理的Excel capCol = data.Discharge_Capacity; % 放电容量列，单位 Ah cap = capCol(~isnan(capCol)); % 剔除空值，保证序列连续 % 有些批次会混入充电容量列，务必先画图确认是放电容量 figure; plot(cap, 'b-'); xlabel('循环序号'); ylabel('放电容量 / Ah'); title('B0005 容量退化曲线');逻辑说明：readtable在Matlab 2023b里可以直接读xlsx，不需要额外工具箱；Discharge_Capacity是示意字段名，实际文件里也可能叫capacity，动手前先看表头即可。去空值是必须的，因为部分测试周期缺失容量记录，留着NaN会让trainNetwork直接报错，而不是自动跳过。
参数说明：这一段不涉及模型参数，但plot画出的曲线值得盯着看两分钟。健康的B0005电池容量会从 2Ah 左右缓慢下降，中间伴随局部回升，那是电池在静置后恢复的表现，不是数据错误。如果曲线出现突然跌到零又弹回，说明有异常放电记录，需要定位循环号后单独处理。
2.2 滑动窗口：怎么让LSTM吃下一列容量序列
LSTM 输入需要的是“一段序列 + 一个标签”。对电池RUL来说，最常用的是多对一窗口：用最近lag个循环的容量，预测下一个循环的容量。这个窗口就是历史步长。
function [X, Y] = buildWindow(cap, lag) % cap : 列向量，已完成清洗的放电容量序列 % lag : 窗口长度，例如 10，表示用10个历史循环预测第11个 n = length(cap); X = cell(n - lag, 1); Y = zeros(n - lag, 1); for i = 1 : n - lag X{i} = cap(i : i + lag - 1)'; % lag×1 的列向量 Y(i) = cap(i + lag); % 下一个循环容量 end end逻辑说明：X用元胞数组承载，每个元胞里是一个lag×1的列向量，这是sequenceInputLayer的标准输入格式。Y是对应的标量回归目标。比如lag=10时，第1个样本是容量序列第1到第10个点，标签是第11个点；第2个样本是第2到第11个点，标签是第12个点，依此类推。
参数说明：lag直接决定样本量和记忆力。滞后步长太小，模型看不到退化趋势；太大，样本数变少且容易把局部恢复当作长期规律。对B0005这类两百多次循环的数据，我一般取lag=8~15，既保留了足够上下文，又不会让训练样本缩水太多。这里的代码里n-lag是样本总数，划分训练测试前要先算清楚这个数。
2.3 训练测试划分：别随机打乱，按时间截断
很多初次接触时序预测的人会顺手用cvpartition做随机划分，这在电池RUL里是错误做法。容量退化是有先后顺序的，模型要预测的是“未来还没发生”的循环，不是从历史里随机抽一段。正确做法是按时间截断：前面80%循环训练，后面20%循环测试。
%% 在完整容量序列上构造窗口，再按时间顺序切分 rng(42); % 固定随机种子，保证结果可复现 [X, Y] = buildWindow(cap, lag); totalSamples = size(X, 1); splitIdx = round(totalSamples * 0.8); % 前80%训练 XTrn = X(1 : splitIdx); YTrn = Y(1 : splitIdx); XTst = X(splitIdx + 1 : end); YTst = Y(splitIdx + 1 : end); fprintf('训练样本数：%d， 测试样本数：%d\n', ... length(XTrn), length(XTst));逻辑说明：先构造窗口再切分，是为了保证测试样本也拥有完整的lag个历史点。如果先切容量序列、再分别构造窗口，测试集第一个样本会缺少前面的历史信息。实际跑这套源码时会发现，B0005大约两百次循环，lag=10时训练样本约一百五六十个，测试样本约三四十个，数量不大，但足够LSTM学到长期趋势。
参数说明：rng(42)不是玄学，是工程习惯。训练过程中的数据批顺序、网络初始化都依赖随机流，固定种子之后，同一份数据在相同环境下的输出基本一致，后面逐项调试参数时才不会互相干扰。
注意：测试集切出来之后，不要再对测试序列做任何形式的训练或反向传播。预测时只用
predict，这行代码看起来简单，但很多人会不小心把测试集又喂进训练循环一次。
3. LSTM结构与Matlab实现：容量退化趋势是怎么被记住的
3.1 为什么选LSTM而不是RNN或GRU
RNN在处理长序列时会遇到梯度消失，尤其是电池这种上百次循环的退化数据，最早的电压、容量信息很难传到末端。LSTM通过输入门、遗忘门、输出门把“长期记忆”单独存到单元状态里，容量这类缓慢漂移的信号恰好适合它。GRU参数更少、训练更快，但在这类小规模数据集上，LSTM的稳定性和工程资料完备度更好。
| 模型 | 长序列记忆能力 | 训练速度 | 电池RUL适用性 |
|---|---|---|---|
| RNN | 差，容易梯度消失 | 快 | 不推荐 |
| LSTM | 强，门控机制 | 中等 | 首选 |
| GRU | 较强 | 快 | 数据量大时可替代 |
实际工程里，B0005这种单电池、单健康指标的数据，不需要堆叠太多层。一层LSTM加上一层Dropout，再加一个全连接输出，已经能拟合容量退化趋势。堆两层LSTM在训练样本只有一百多的情况下很容易过拟合，训练集误差很漂亮，测试集曲线却震荡得没法看。
3.2 网络层定义：OutputMode选last还是sequence
%% 网络结构定义 numFeatures = 1; % 输入维度：只有容量一个特征 numHiddenUnits = 50; % 隐层单元数 numResponses = 1; % 输出维度：预测下一时刻容量 layers = [ sequenceInputLayer(numFeatures) lstmLayer(numHiddenUnits, 'OutputMode', 'last') dropoutLayer(0.2) fullyConnectedLayer(numResponses) regressionLayer ];逻辑说明：sequenceInputLayer(1)表示输入序列的每个时间步只有一个特征，也就是容量值。lstmLayer(50, 'OutputMode', 'last')里的last非常关键——它表示LSTM在读完整个窗口后，只输出最后一个时间步的隐状态，然后交给全连接层回归。如果误写成'sequence'，输出会是lag个预测值，每个都对应窗口内不同位置，和我们要的“预测下一时刻”对不上。
参数说明：numHiddenUnits=50是常见起点。对B0005这种曲线平滑、趋势明显的容量序列，30到80之间差别不大，50是安全区间。dropoutLayer(0.2)只影响全连接层，不破坏LSTM内部的时间记忆；数据量越小，这个比例越要谨慎，0.2已经足够，再加大会把趋势信息也丢弃。
3.3 训练选项：学习率、梯度截断与训练曲线
%% LSTM训练参数配置 options = trainingOptions('adam', ... 'MaxEpochs', 300, ... 'InitialLearnRate', 0.005, ... 'MiniBatchSize', 32, ... 'GradientThreshold', 1, ... 'Shuffle', 'every-epoch', ... 'Plots', 'training-progress', ... 'Verbose', false); net = trainNetwork(XTrnNorm, YTrnNorm, layers, options);逻辑说明：trainNetwork是Matlab深度学习工具箱提供的标准训练入口，适合这个任务体量。Shuffle设为every-epoch，即每个epoch重新打乱训练样本顺序，这是防止模型记住样本固定的排列顺序。这里的XTrnNorm和YTrnNorm是归一化之后的输入输出，在做训练之前必须把容量转换到0到1区间。
参数说明：InitialLearnRate=0.005对容量序列比较合适，过大会导致损失震荡，过小则训练太慢。GradientThreshold=1是给梯度裁剪设的阈值，电池容量曲线偶尔出现局部抖动，裁剪能避免个别梯度爆炸把权重冲过头。MaxEpochs=300对一百多训练样本来说够用，一般训练到150个epoch左右损失就基本平稳，后面的epoch主要用于微调。
3.4 归一化与反归一化：最容易出错的一步
%% 在训练集上计算归一化参数，并同步映射到测试集 cMin = min(YTrn); % 训练标签最小值 cMax = max(YTrn); % 训练标签最大值 XTrnNorm = cellfun(@(x) (x - cMin) / (cMax - cMin), XTrn, 'UniformOutput', false); YTrnNorm = (YTrn - cMin) / (cMax - cMin); XTstNorm = cellfun(@(x) (x - cMin) / (cMax - cMin), XTst, 'UniformOutput', false);逻辑说明：cellfun遍历每个元胞，把窗口内的历史容量映射到0~1区间。关键点在于cMin和cMax只用训练集标签计算，不能让测试集参与统计。如果测试集的最大值大于训练集，归一化后的测试值可能超过1，反归一化时也能还原，但这个过程中会泄露测试信息，让误差虚低。
参数说明：反归一化在预测之后统一做：
YPredNorm = predict(net, XTstNorm); YPred = YPredNorm * (cMax - cMin) + cMin;这里乘法对应前面的归一化公式，顺序不能反。
3.5 测试集预测：predict和predictAndUpdateState的差别
%% 静态单步预测：提前算好所有输入窗口 YPredOneStep = predict(net, XTstNorm); YTrue = YTstNorm; % 反归一化 YPred = YPredOneStep * (cMax - cMin) + cMin; YTrue = YTst * (cMax - cMin) + cMin;逻辑说明：predict是无状态预测，每个测试样本独立计算，互不干扰。它只适合评估模型“看到某个窗口后能不能预测下一时刻”。如果要做真正的剩余寿命推演，从测试起点开始把预测值当作历史继续滚动，需要predictAndUpdateState，这段在最后一部分展开。
注意：训练时如果用了
Shuffle，模型内部的状态在每个batch会被重置，这正常；不要因为测试时状态重置就怀疑结果。
4. 预测后处理与RUL计算：别只看曲线贴得近不近
4.1 剩余寿命的定义：阈值、首次越线与训练结束点
容量预测是一回事，RUL是另一回事。业界常用的寿命终止EOL标准是容量降到额定容量的80%。对B0005电池，额定容量2Ah，阈值取1.4Ah。预测出未来容量曲线后，找第一次低于1.4Ah的循环位置，这个位置与当前时刻的差值就是RUL。
%% RUL计算：在预测容量序列上找首次越线点 eolThreshold = 1.4; % 寿命终止容量阈值，单位 Ah eolTrueIdx = find(YTrue <= eolThreshold, 1, 'first'); eolPredIdx = find(YPred <= eolThreshold, 1, 'first'); % 如果测试段内还没降到阈值，说明预测偏乐观，需要外推 if isempty(eolPredIdx) eolPredIdx = length(YPred); end rulTrue = eolTrueIdx - lag; % 相对训练结束点的剩余循环数 rulPred = eolPredIdx - lag; fprintf('真实RUL：%d 个循环，预测RUL：%d 个循环\n', rulTrue, rulPred);逻辑说明：find(..., 1, 'first')拿到的索引是测试段内的相对位置。因为测试样本从训练段结束之后的第一个窗口开始，真实的寿命终点未必恰好在最后一个测试样本，所以当预测值一直高于1.4Ah时，eolPredIdx为空，这里做了兜底处理，把预测RUL截断到测试段末尾，同时这个信号也说明预测偏保守。
参数说明：阈值1.4不是拍脑袋定的。如果项目给的是能量型电池、额定容量1.5Ah，那EOL阈值就变成1.2Ah，这套代码里只需改eolThreshold一个常量。更精细的做法是在越线点前后两个循环之间做线性插值，把RUL细化到小数循环，对工程决策意义不大，但对论文精度有帮助。
4.2 RMSE、MAE、MAPE：三个指标分别说明什么问题
%% 评估指标 predErr = YPred - YTrue; RMSE = sqrt(mean(predErr.^2)); MAE = mean(abs(predErr)); MAPE = mean(abs(predErr ./ YTrue)) * 100; fprintf('RMSE = %.4f Ah\n', RMSE); fprintf('MAE = %.4f Ah\n', MAE); fprintf('MAPE = %.2f %%\n', MAPE);逻辑说明：RMSE对较大误差更敏感，能体现预测曲线是否出现局部大偏差；MAE更平均地反映整体偏移；MAPE把误差除以真实容量值，适合比较不同电池、不同数据的预测水平。对B0005这类2Ah级别的电池，RMSE小于0.03Ah、MAPE小于2%，已经是相当能用的预测结果。
参数说明：这三个指标都基于测试集所有样本统计，如果测试段内恰好有一个电池容量异常回升点，RMSE会被明显拉高。看到异常值时先回到数据段确认是不是真实衰减特征，不要急着调模型。
4.3 训练误差 vs 测试误差：绘制两条曲线的对比技巧
%% 训练集与测试集误差对比 figure; plot(YTrue, 'b'); hold on; plot(YPred, 'r--'); plot(YTrn(end-50:end), 'k:'); % 训练段尾部作为参考 legend('真实测试容量', '预测测试容量', '训练段尾部容量');逻辑说明：这种画法的价值在于，能直观看到训练段尾部到测试段是否平滑衔接。LSTM如果出现过拟合，训练段尾部拟合很好，测试段一开始就明显偏离；如果欠拟合，训练段尾部就和真实曲线有可见差距。
5. 避坑与常见问题：LSTM做电池RUL预测最容易翻车的五个细节
5.1 预测曲线比真实曲线整体右移：单步预测与滚动预测混用
现象：测试集误差看着不大，但把预测值和真实值画在一起，预测曲线总要比真实曲线滞后几个循环，像被整体向右推了一段。
原因：这是典型的单步预测递归误差累积。predict一次性给出所有窗口的输出，但真实工程场景里，预测第k+1个循环时，第k个循环还没有真实值，只能拿预测值补位。误差一步传一步，曲线自然右移。
解决：如果你评估目标是“模型的单步拟合能力”，用predict没问题；但RUL关心的是未来连续退化，必须写滚动预测。先给模型一个真实历史窗口，之后每步用上一步预测值作为新输入，代码如下：
%% 滚动预测：从测试起点逐步迭代 % 使用训练段最后 lag 个真实容量作为初始状态 currentSeq = XTrn{end}; % lag×1 真实历史窗口 predCap = zeros(length(XTst), 1); for i = 1 : length(XTst) predCap(i) = predict(net, currentSeq); currentSeq = [currentSeq(2:end); predCap(i)]; end逻辑说明：currentSeq每次滚动时丢掉最旧一个点，把新预测值补到序列末尾，保持窗口长度不变。这样预测的是真正的未来轨迹，而不是依赖已经存在的真实值。
5.2 测试RMSE低得离谱但曲线完全不合理：归一化参数泄漏
现象：训练完测试RMSE只有0.01，看起来非常理想，但把预测曲线画出来，发现预测值集中在很小的区间内，和真实容量的绝对量级对不上。
原因：归一化时用了全体数据的min和max，测试段的信息（比如最高和最低容量）提前进入了训练阶段，模型本质上“看过”测试答案。这在电池数据上特别隐蔽，因为容量序列整体下降，测试段的min往往就是全局min，混进去之后训练目标直接被压缩，误差自然虚低。
解决：归一化参数只能来自训练段。测试段的归一化、反归一化用的都是训练段的cMin、cMax。检查方法是在代码里打印cMin、cMax，看它们是不是只由YTrn算出。
提示：凡是看到 RMSE 小于 0.01，先不要高兴，优先排查归一化泄漏和数据是否被重复喂进训练集。
5.3 训练损失曲线像心电图：学习率过大或者数据抖动太强
现象：训练进度图里损失不是平滑下降，而是上下剧烈跳动，甚至到后期还在大幅震荡，最终测试曲线也跟着震荡。
原因：InitialLearnRate太大，权重每次更新都跨过最优区域；另一个原因是容量曲线里有局部回升段，LSTM试图同时拟合长期趋势和短期回升，造成损失波动。
解决：把学习率从0.005降到0.001，同时把GradientThreshold保持在1。如果数据抖动确实强，可以对容量序列做轻度平滑，例如smoothdata(cap, 'movmean', 3)，但不要用大的滑动窗口，否则会抹掉真实衰减趋势中的恢复特征，后续RUL会系统性偏乐观。
5.4 RUL预测偏差很大，但容量预测准确：阈值位置和训练结束点不一致
现象：容量预测曲线和真实曲线贴得很近，RMSE小于0.02，但算出来的RUL差了二十多个循环。
原因：RUL计算依赖两个绝对点——寿命阈值1.4Ah和“当前训练结束点”。如果训练结束点不是整数循环对应位置，比如最后一个训练窗口的末端是第150个循环，而测试段第一样本其实是151-160循环，RUL的起算点和eolPredIdx对齐错位，结果自然差。
解决：确保测试段的第一个样本对应循环序号是训练结束循环序号 + 1，并且RUL统一用“循环数”为单位，不要用样本索引直接相减。代码里rulTrue = eolTrueIdx - lag的-lag就是为了把样本索引换算成相对训练结束点的循环位置，改动之后务必同步检查。
5.5 同一份代码在不同机器上结果对不上：随机种子和版本差异
现象：在自己电脑上RMSE是0.025，换到实验室电脑变成0.031，模型明明没改。
原因：LSTM初始化权重是随机的，如果没有固定随机数种子，每次运行权重的初始值不同；同时Matlab版本、CUDA后端也影响计算结果。
解决：训练前用rng(42)固定全局随机流，训练选项里不要开'Plots'之外的随机路径。如果仍要跨版本保持完全一致，干脆在CPU上跑，'ExecutionEnvironment', 'cpu'，虽然慢一分钟，但可复现性比GPU稳定得多。
6. 跑通之后再做两件事：多起始点验证与在线滚动更新
一套代码跑通只是第一步。真正用来辅助决策时，我习惯从测试段里挑出三个不同的起始循环，分别滚动预测RUL。比如训练段结束于第150循环，就分别从第150、160、170循环开始预测，看三条预测轨迹的分散程度。如果三条曲线在后续20个循环内就明显分叉，说明模型对初始状态敏感，这时要检查是否过拟合，或者训练样本不足。
第二件事是状态化滚动更新。在实际电池管理场景中，每个新循环结束都会拿到真实容量，这些新数据不应浪费。利用predictAndUpdateState，模型可以在预测的同时记住内部状态，随着真实数据到来即时修正：
%% 带状态更新的在线预测 net = resetState(net); % 预测前重置状态，避免历史干扰 predCap = zeros(length(XTst), 1); for i = 1:length(XTst) [net, predCap(i)] = predictAndUpdateState(net, currentSeq); currentSeq = [currentSeq(2:end); YTrue(i)]; % 用真实值更新窗口 end区别在于每步输入的是真实容量，而不是预测容量，模型状态随真实事件线推进，RUL预测会更贴近实际。这套源码里静态预测部分已经很完整，但加上这个在线更新思路，才能算真正落地到电池管理场景。从那以后我每次做电池寿命数据，都会先写rng(42)、确认EOL阈值、再跑滚动预测，宁可慢几分钟也不跳过验证。这半年下来，翻车次数少了很多，希望帮到你。
本文还有配套的精品资源，点击获取
