一、项目背景
锂电池已广泛应用于新能源汽车、储能电站、消费电子、可穿戴设备、航天器与医疗器械等领域。随着电动化与储能产业的高速发展，电池管理系统（BMS, Battery Management System） 的智能化程度直接决定了电池系统的安全性、经济性与使用寿命。BMS 中有三大核心预测任务，分别对应电池使用的不同时间尺度：
- SOC（实时电量估计） —— 秒级：回答"现在还剩多少电"；
- SOH / Capacity（健康状态估计） —— 数百循环：回答"电池老化了多少"；
- Cycle Life / RUL（循环寿命预测） —— 整个生命周期：回答"还能用多久"。
然而，锂电池的老化过程是一个高度非线性、多物理场耦合、强时变的复杂电化学现象，传统的等效电路模型（ECM）与电化学模型（P2D）普遍存在参数漂移、求解代价大、跨型号迁移困难等问题。近年来，数据驱动方法在国际顶刊上不断刷新预测精度上限，但也出现了一个普遍的现象：模型复杂度不断上升，但在公开数据集上的增量提升越来越有限。这引出了课题组关注的核心问题：
在同等数据条件下，能否用更简洁、更易部署的模型，达到甚至超过复杂深度学习方法的性能？
二、项目目标
围绕锂电池 BMS 的三大预测任务，构建一套数据驱动、可解释、轻量化、跨数据集可迁移的统一预测框架，实现：
- 基于国际公开数据集（XJTU / MIT / TJU / HUST / UNIBO / NASA 等）的全流程复现与可重复实验；
- 系统性对比 LSTM / PINN / Elastic Net / XGBoost / MLP 等代表性方法在三大任务上的性能边界；
- 在 SOH 与 Cycle Life 两条主线上追赶并超越《Nature Communications》《Nature Energy》所报告的基准；
- 输出端到端可部署的轻量化模型，支撑后续向储能站、电动汽车、家用储能等实际场景推广。
三、三大预测任务
| 预测任务 | 时间尺度 | 核心问题 | 直观类比 |
|---|---|---|---|
| SOC 实时电量估计 | 秒级，单次放电内 | 现在还剩多少电？ | 汽车油表 |
| SOH / Capacity 健康状态估计 | 数百循环，长期退化 | 电池老化了多少？ | 油箱是否"缩水" |
| Cycle Life / RUL 寿命预测 | 整个生命周期 | 总共能用多久？ | 发动机总寿命 |
SOH 与 Capacity 的关系：SOH = Capacity / Capacity_nominal，两者本质是同一问题的不同表达，分别由不同论文从不同技术路线进行研究。
四、研究基础：四篇代表性论文对比
课题组在复现与精读的基础上，对三大任务中的四篇代表性论文进行了系统性对比分析，明确了各方法的适用场景与精度边界：
| 任务 | 论文 | 作者 / 机构 | 年份 | 期刊 | 方法 |
|---|---|---|---|---|---|
| SOC | Deep LSTM SOC Estimation | Wong / 澳门理工 + 博洛尼亚 | 2021 | ACM GoodIT | Deep LSTM 时序建模 |
| SOH | Physics-informed NN for Battery Degradation | Wang / 西安交通大学 | 2024 | Nature Communications | 物理信息神经网络 PINN |
| Capacity | Capacity Estimation from Voltage Relaxation | Zhu / 同济 & KIT | 2021 | Research Square | 电压弛豫 + MLP / XGBoost |
| Cycle Life | Cycle Life Prediction Before Degradation | Severson / MIT & Stanford | 2019 | Nature Energy | 早期循环特征 + Elastic Net |
五、核心实验进展
1. SOH 预测 · XJTU 数据集
数据集：XJTU 电池数据集，55 块电池，6 种充电策略（2C / 3C / R2.5 / R3 / RW / Sim_satellite）。下图为 55 块电池的容量随循环次数衰减曲线 —— 不同颜色代表不同电池，展示了数据集良好的异质性与覆盖度：
方法：Classic MLP（16→64→32→16→1，参数量 3,713）。从充电末期 4.0–4.2V 电压窗口提取 16 维电压 / 电流统计特征作为输入。
三轮递进实验：
| 实验 | 训练数据 | 样本量 | 测试 MAPE | 泛化间隙 |
|---|---|---|---|---|
| 单电池 | 1 块 Sim_satellite | 942 | 4.23% | 5.68% |
| 8 电池（同类型） | 6 块 Sim_satellite | ~6,000 | 1.50% ± 0.18% | 0.67% |
| 55 电池（全 XJTU） | 43 块 / 6 种类型 | ~23,000 | 0.82% | ≈ 0 |
样本量从 942 扩展到 23,000，MAPE 从 4.23% 降至 0.82%，泛化间隙从 5.68% 缩小到接近零 —— 有力验证了数据规模与多样性对 SOH 预测的关键作用。
与 Wang PINN（Nature Communications 2024）对比：
| 方法 | MAPE | 参数量 | 训练设置 |
|---|---|---|---|
| Classic MLP（本工作） | 0.82% | 3,713 | 43 块 XJTU 电池训练 |
| PINN（常规实验） | 0.85% | 7,781 | 多数据集联合（387 块电池） |
| PINN（小样本实验） | 1.41% | 7,781 | 单电池（~900 样本） |
| PINN-MLP | 3.43% | 7,781 | 单电池 |
关键结论：本工作以 48% 的参数量 取得了略优于 PINN 常规实验的精度，且架构简单、训练快速（约 15 秒）、部署容易。在 8 块未参与训练的 Sim_satellite 电池上，平均 MAPE 1.62%、最佳 1.21%、标准差 0.33%，表明模型具备良好的跨电池泛化能力。
2. 寿命预测 · MIT 数据集
数据集：MIT 电池数据集，116 块 LFP 电池（原 121 块，剔除 5 个异常值）。对标论文：Severson et al., Nature Energy, 2019。
方法演进：
| 模型 | 特征数 | MPE | RMSE (cycles) | R² |
|---|---|---|---|---|
| Elastic Net（论文方法复现） | 11 | 19.52% | 180 | — |
| XGBoost（11 特征） | 11 | 15.17% | — | — |
| MLP-Top3 | 3 | 9.87% | — | — |
| XGBoost-Top4（本工作） | 4 | 9.05% | 97.0 | 0.79 |
| Severson Nature Energy 2019 基准 | — | 9.10% | — | — |
Top 4 特征：variance_dQ（容量衰减方差）、minimum_dQ（衰减最小值）、charge_time（充电时间）、kurtosis_dQ（衰减峰度）。
核心发现 —— "少即是多"：4 个精选特征的表现反而优于 11 个全特征，说明特征质量比数量更重要，冗余特征引入噪声反而降低性能。这一发现对工程落地具有重要意义 —— 用更少的测量成本实现更高的预测精度。
分类预测（以 cycle_life=550 为界，高/低寿命分组）：
| 方法 | 数据需求 | 准确率 | ROC-AUC | 特征数 |
|---|---|---|---|---|
| Variance Model（100 次循环） | 1–2 周 | 91.7% | 0.970 | 2 |
| Full Model（100 次循环） | 1–2 周 | 87.5% | 0.933 | 11 |
| 极早期分类（5 次循环） | 2–3 天 | ~92% | ~0.95 | 2 |
三种方法对应不同应用场景：极早期 5 次循环用于生产线快速筛选；100 次循环分类用于可靠分级；100 次循环回归用于精确预测具体寿命。
3. 关键成果总览
六、创新点与工程亮点
- "简单胜复杂"的方法论验证 —— 3,713 参数的 MLP 在同一数据集上匹配 7,781 参数的 PINN；4 个精选特征优于 11 个全特征。数据规模与特征质量的价值往往高于模型复杂度的增加。
- 国际顶刊基准的追赶与超越 —— SOH（vs. Nature Communications 2024）与 Cycle Life（vs. Nature Energy 2019）两条主线均达到或略优于国际已公开基准。
- 端到端可复现的研究链路 —— 从公开数据集 → 预处理 → 特征工程 → 模型训练 → 评估 → 跨电池泛化验证，全流程脚本可重复执行。
- 指标口径严谨对齐 —— 明确区分 PINN 常规实验（多数据集联合）与小样本实验（单电池）；明确标注 MAPE 与 MPE 的计算等价关系。
- 轻量化部署友好 —— 所有核心模型（MLP / XGBoost）均为秒级训练、毫秒级推理，便于集成到嵌入式 BMS 与边缘网关。
七、应用场景
- 电动汽车与储能站 BMS —— 为动力电池与储能电池提供在线 SOC / SOH 监测与寿命预测，降低运维成本、延长使用寿命；
- 电池出厂筛选与分级 —— 基于前 5–100 次循环数据，快速预测电池寿命分组，实现电池分选与二次利用（梯次利用）的精细化管理；
- 退役电池评估 —— 对退役动力电池进行健康状态与剩余寿命评估，支撑梯次利用决策；
- 新能源产品研发 —— 作为新型电池化学体系研发过程中的快速评测工具，替代漫长的全生命周期实测；
- 课程与科研演示平台 —— 作为高校人工智能、新能源、智能装备等相关课程的参考实现。
八、数据集与工具链
| 数据集 | 来源 | 电池数 | 用途 |
|---|---|---|---|
| XJTU | 西安交通大学 | 55 块 | SOH / 充电过程特征 |
| MIT | MIT & Stanford | 121 块 LFP | 寿命预测 |
| TJU | 同济大学 & KIT | — | Capacity / 电压弛豫特征 |
| HUST | 华中科技大学 | — | SOH 迁移学习 |
| UNIBO Powertools | 博洛尼亚大学 | 27 块 | SOC / 多品牌多容量 |
| NASA PCoE | NASA Ames | — | RUL 基准 |
模型工具链：PyTorch（MLP / LSTM / PINN）、XGBoost、scikit-learn、SciPy、pandas / NumPy / Matplotlib。