电池寿命预测（Python代码，K最近邻回归模型（KNN）、支持向量机回归模型（SVM）和随机森林回归模型（Random Forest）三种模型,添加了中文注释）

1.数据集来源:可以在这里找到公共数据集：BatteryArchive.org从HNEI来源中选择了14个数据库。.csv文件数据是来自名为'HNEI_18650_NMC_LCO_25C_0-100_0.5/1.5C_'的时间序列。(

夏威夷自然能源研究所研究了14节NMC-LCO 18650电池，其标称容量为2.8安时，这些电池在25°C下以C/2充电速率和1.5C放电速率进行了1000次循环充放电。

基于这个源数据集，我创建了展示每个循环中电压和电流行为的特征。这些特征可以用于预测电池的剩余可用寿命（RUL）。数据集包含了这14节电池的特征数据。

)

下载官网界面

数据：每一列为：循环索引：循环次数 ：放电时间（秒） ：4.15V时刻（秒） ：恒定电流时间（秒） ：3.6-3.4V递减时间（秒） ：最大放电电压（伏特） ：最小充电电压（伏特） ：充电时间（秒）; 总时间（秒）; RUL：目标

开始位置

截止位置

或者也可以关注开源代码：https://github.com/ignavinuales/Battery_RUL_Prediction去更多详细了解数据集

本次项目代码的主要流程

1. 导入必要的库，包括NumPy、Pandas、Plotly、Seaborn等。
2. 读取名为Battery_RUL.csv的数据文件并显示前几行数据。
3. 为数据集添加一个名为Battery ID的新列，并将电池ID分配给每个数据点。
4. 根据电池ID将数据分为训练集和测试集。
5. 创建相关性矩阵，并绘制相关性热力图，用于了解传感器之间的相关性。
6. 使用Pandas Profiling库查找传感器中的常数值列，并将其删除。
7. 计算传感器之间的相关性矩阵，删除高相关性的特征。
8. 列出训练集中的特征以及它们的缺失值数量。
9. 绘制每个传感器随剩余使用寿命（RUL）的变化曲线。
10. 创建一个函数backward_regression，用于进行后向逐步回归选择特征。
11. 在训练数据上应用backward_regression函数，选择一组特征。
12. 使用Min-Max标准化对特征进行预处理。
13. 创建K最近邻回归模型（kNN），训练模型并计算性能指标。
14. 创建支持向量机回归模型（SVM），训练模型并计算性能指标。
15. 创建随机森林回归模型（Random Forest），训练模型并计算性能指标。
16. 绘制实际值与预测值的散点图，并计算R-squared误差和均方根误差。
17. 绘制测试数据的RUL随时间的变化曲线。
18. 显示性能指标的数据框。

效果视频：电池寿命预测（Python代码，K最近邻回归模型（KNN）、支持向量机回归模型（SVM）和随机森林回归模型（Random Forest）三种模型,添加了中文注释_哔哩哔哩_bilibili

效果图

KNN 模型：

SVM

RF