锂离子电池健康因子提取与SOH/RUL预测实战：基于NASA老化数据-代码聚汇网

锂离子电池健康因子提取与SOH/RUL预测实战：基于NASA老化数据

The script·2026-08-31·阅读 22 GEO检测（免费）

锂离子电池NASA数据集健康因子

|难度：普通|阅读约 33 分钟

1. 项目背景与数据理解

做电池状态预测这一块的人，大概率都绕不开NASA PCoE（Prognostics Center of Excellence）那套锂离子电池老化数据集。这套数据从2003年左右开始公开，到现在快二十年了，依然是电池健康管理领域用得最多的公开基准数据集之一。我最初接触它是在做动力电池SOH估算相关的课题，当时死活找不到合适的实测数据，公司自测数据又涉及保密问题，最后兜兜转转还是回到了NASA这套数据上。

它之所以“好用”，核心在于：完整记录了一批18650电芯从出厂到寿命终结的反复充放电循环，并且包含了每个循环下的电压、电流、温度曲线。换句话说，你既能从里面提取出内阻、容量这类直接健康因子，也能构造出等压时间差、IC曲线峰高等间接健康因子。

这套数据里用得最多的是第5到第7组（B0005、B0006、B0007、B0018等）。每组包含多个电芯，每颗电芯都是在室温下重复“恒流恒压充电 + 恒流放电”循环，中间每隔一段时间插入一次阻抗测量。注意，它并不是每个循环都测阻抗，而是定期测，所以想拿阻抗做连续特征的话，还得先处理采样不均匀的问题。

1.1 数据文件结构与预处理判断

数据文件是MATLAB格式的 .mat，这个是个坑点，很多人一开始装了 scipy.io.loadmat 就直接读，结果发现读出来的结构体层层嵌套，半天拼不出一个DataFrame。我建议用下面这个方式，一次把电池编号、循环类型、电压、电流、温度都整理清楚：

python复制import scipy.io
import pandas as pd
import numpy as np

def load_nasa_battery(path):
    mat = scipy.io.loadmat(path)
    # 典型的NASA电池文件结构是 data[0][0]['cycle'][0][0]
    cycles = mat[list(mat.keys())[-1]][0, 0]['cycle'][0, 0]
    records = []
    for i in range(cycles.shape[1]):
        cyc = cycles[0, i]
        cyc_type = str(cyc['type'][0])
        if cyc_type == 'discharge':
            # 放电循环
            volt = cyc['data'][0, 0]['Voltage_measured'][0, 0].flatten()
            curr = cyc['data'][0, 0]['Current_measured'][0, 0].flatten()
            temp = cyc['data'][0, 0]['Temperature_measured'][0, 0].flatten()
            time = cyc['data'][0, 0]['Time'][0, 0].flatten()
            cap = cyc['data'][0, 0]['Capacity'][0, 0].flatten()[-1]  # 放电容量
            records.append({
                'cycle': i + 1,
                'type': cyc_type,
                'voltage': volt,
                'current': curr,
                'temperature': temp,
                'time': time,
                'capacity': cap
            })
        elif cyc_type == 'charge':
            # 充电循环同样提取，但容量不在此列
            volt = cyc['data'][0, 0]['Voltage_measured'][0, 0].flatten()
            curr = cyc['data'][0, 0]['Current_measured'][0, 0].flatten()
            temp = cyc['data'][0, 0]['Temperature_measured'][0, 0].flatten()
            time = cyc['data'][0, 0]['Time'][0, 0].flatten()
            records.append({
                'cycle': i + 1,
                'type': cyc_type,
                'voltage': volt,
                'current': curr,
                'temperature': temp,
                'time': time,
                'capacity': None
            })
    return pd.DataFrame(records)

这段代码把“放电容量”直接放在放电循环记录里，后面取容量特征就非常顺手。预处理时有一个陷阱：NASA数据里每个循环的采样点数并不完全一致，有的放电循环只有几十个点，有的有上百个点。如果你直接把所有循环的电压曲线堆叠成矩阵，必然对不齐，后面做特征提取时要格外小心。

1.2 数据筛选与截止点判断

NASA官方的寿命终止阈值一般定义为额定容量的70%，对于B0005这类标称容量2Ah的电芯，也就是到1.4Ah左右就认为寿命结束。但实际处理数据时，我建议先画出所有电芯的容量衰减曲线，再看要不要设置统一的截止点。

以B0005、B0006为例，B0006的老化速度明显快于B0005。如果放在同一个预测模型里，简单把所有电芯的循环数对齐到同一个长度，会让模型在校准阶段就产生偏差。我的做法是：保留每个电芯完整生命周期，但建模时统一用“当前容量相对首循环容量的比例”作为标签，而不是绝对容量值。这样不同电芯之间的初始容量差异被归一化，模型学到的规律更偏向于一致的老化模式。

另外，数据里偶尔会在某个循环出现异常跳变，比如某个放电循环的容量突然跌了0.1Ah，下一个循环又恢复了。这类数据点不是故障，但会让差分特征产生虚假尖峰。我看到很多文章里直接套用原始数据，模型结果虽然也能跑，但方差很大。个人习惯是先用中值滤波或者移动平均把容量序列平滑一遍，再做特征提取。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. 健康因子提取的核心思路

健康因子是状态预测的“输入”。你喂给模型什么样的特征，基本决定了预测精度的上限。这点在电池领域尤其明显：同一套算法，特征工程做得好不好，结果能差出两三个百分点。

所谓健康因子，通俗理解就是“能用数据直接算出来、又能反映电池老化状态的一组指标”。有的人直接只用容量和内阻，这当然也行，但实际工程中你会发现，容量不能在线实时测量（要完整跑完一次充放电才知道），内阻测量又依赖特定激励信号。所以在真实场景里，我们要找的是一类“边充电边能算出来”的指标，这也是NASA数据集特别适合练手的原因——它包含完整的充放电曲线，你可以随意构造各种特征。

我在这套数据上常用的健康因子分三类：容量相关、电压曲线相关、温度相关。

2.1 等压时间差特征

等压时间差（Equal Voltage Time Difference, EVTD）是专门针对“充电曲线形状变化”设计的特征。它的物理直觉是这样的：电池老化后，内阻增大、容量衰退，在同样的充电电压区间内，充电时间会变短。特别是恒流充电阶段，相同电压跨度（比如从3.8V充到4.0V）所花的时间，随着循环数增加会显著缩短。

实现时最关键的是插值对齐。因为原始电压采样点不是正好落在3.8V或4.0V上的，你得用线性插值把“到达某个特定电压的时间”算出来：

python复制def equal_voltage_time(voltage, time, v_low=3.8, v_high=4.0):
    # 只在充电段使用，要求电压单调上升
    t_low = np.interp(v_low, voltage, time)
    t_high = np.interp(v_high, voltage, time)
    return t_high - t_low

这里有个细节：不同电芯的充电曲线起始电压不一样，如果固定取3.8V—4.0V，有些早期循环的曲线可能根本覆盖不到这个区间，就会导致 np.interp 跑到外部延伸，产生不可信的负值或零值。所以我通常会先统计所有循环的电压范围，选一个大家都能覆盖到的公共区间，比如3.85V到4.1V，或者根据数据分布自适应选择。

我实际跑完B0005的EVTD曲线后，能看到一条非常明显的单调下降趋势，从早期循环的1200多秒一路衰减到后期只有600多秒，相关性很好。这个特征还可以进一步做归一化，除以首循环的EVTD，得到一个“剩余充电时间比”，作为RUL预测的输入非常有效。

2.2 容量增量IC曲线分析

增量容量分析是另一个经典工具。它的做法是把 dQ/dV 作为纵轴，V 作为横轴，画出IC曲线。电池在老化过程中，IC曲线上的峰位置会偏移、峰高会降低，这些变化和材料活性物质损失、内阻增加直接相关。

IC曲线最大的问题是：数值微分对噪声非常敏感。直接对原始电压和容量做差分，曲线毛刺多到你几乎找不到峰值。我常用的处理流程是：

先用滑动窗口对电压和容量分别做平滑（Savitzky-Golay滤波器，窗口长度视采样率而定，我一般取21到31，多项式阶数取3）。
将电压轴分箱（bin），比如每5mV一个箱子，把落在同一个箱子内的容量点求平均。
对分箱后的数据再做一次差分，得到 dQ/dV。

python复制from scipy.signal import savgol_filter

def ic_curve(voltage, capacity, v_bin=0.005):
    # 平滑
    v_s = savgol_filter(voltage, window_length=25, polyorder=3)
    q_s = savgol_filter(capacity, window_length=25, polyorder=3)
    # 分箱
    v_bins = np.arange(v_s.min(), v_s.max(), v_bin)
    q_binned = np.interp(v_bins, v_s, q_s)
    # 数值微分
    dqdv = np.gradient(q_binned, v_bins)
    return v_bins, dqdv

这个 np.interp 的目的是把不等间距的电压点重采样到等间距的电压网格上，这样后面做差分时步长一致，结果才稳定。

IC曲线的峰值提取可以做得很细，比如用 scipy.signal.find_peaks 找峰高和峰位，然后跟踪峰高随循环数的衰减趋势。但做实操时我建议先从视觉上确认一下每个循环的IC曲线形状，再决定自动提取策略。B0018和B0005两者的IC曲线形状差异很大，一个两峰明显，一个峰值区域偏平，完全靠固定阈值自动提取容易翻车。

2.3 温度与充放电倍率修正

NASA数据里还记录了三块温度传感器的读数，分别贴在电池表面不同位置。温度对老化影响很大，表面温度在循环过程中的变化趋势也能反映内阻变化，但我需要提醒的是：温度特征不要直接作为唯一强特征用，它跟环境温度高度耦合，稍有波动就会污染模型。

我的做法是把“平均温度”和“最高温度”作为辅助特征，同时关注“温度变化的包络面积”，也就是温度曲线和时间轴围成的面积。这个特征对内部热积累有较好的表征能力，而且相对平滑，不太受单个波动点影响。

还有一个容易忽略的问题：NASA数据中部分早期循环用的充放电策略和后期的实验条件略有差异，个别电芯中间的“参考充放电性能测试”循环会改变充放电倍率。如果你不管这些倍率变化，直接把所有循环当同一工况处理，特征提取的物理一致性就破了。我的经验是先按“type”过滤出标准的充电/放电循环，并检查每个循环电流的均值是否落在预期的倍率范围内，超出预设范围的循环单独标记，不参与特征序列构建。

3. 状态预测建模与实现

健康因子提取完，下一步就是预测。这里“状态预测”至少可以拆成两个方向：一是SOH回归，预测当前容量或健康状态；二是RUL预测，预测还能再跑多少个完整循环。两者的目标不同，模型设计也有差别，但特征工程部分可以共用一套。

3.1 特征矩阵构建与训练集划分

把所有电芯的EVTD、容量、IC峰高等特征按循环顺序排开，就得到了原始特征矩阵。这里我做了一个比较关键的设计：特征序列采用“历史窗口”形式输入模型。也就是用前K个循环的特征来预测第K+1个循环的目标值。窗口长度K一般取10到20，太短预测波动大，太长会引入大量过去的信息，模型对突变不敏感。

为了防止同组电芯的前后循环数据在训练集和验证集之间“串场”，切分时我不用随机打乱，而是按电芯ID分组切分。比如用B0005、B0006、B0007作为训练电芯，B0018作为验证电芯，这样可以测试模型的跨电芯泛化能力。你如果直接用随机切分，同一颗电芯的早期循环出现在训练集、晚期循环出现在验证集，看起来指标很好，但实际部署时面对一个新电芯，根本不可能有这种前提。跨电芯切分才是更贴近工程的做法，结果也更可信。

3.2 SOH回归建模：从线性模型到树模型的演进

SOH回归最简单有效的基线是线性模型。把EVTD和容量作为双特征，对容量做线性回归，效果其实已经不错。为什么？因为这两个特征跟容量的相关性足够高，而且在正常老化区间内近似线性。

但线性模型在高循环段会有系统性偏差：当容量衰减到额定容量85%以下后，衰减速度往往加快，EVTD和容量的关系不再是一条直线。所以我后来转向了Gradient Boosting或随机森林，这类树模型能自动捕捉阈值切分，比如“EVTD低于某值后，容量衰减斜率变大”这种非线性关系。用 sklearn 的 RandomForestRegressor，特征重要性排序出来，EVTD几乎总是排名第一，容量本身排第二，温度相关特征排第三左右。

有一点要提醒：树模型不需要归一化，但如果你后面要接LSTM或Transformer之类的神经网络，归一化是必须的。推荐用 MinMaxScaler 按特征维度做归一化，而不是把所有特征压缩到同一个范围，否则各自量纲差异会让模型训练初期梯度不稳。

python复制from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_absolute_error

# X为窗口拼接后的特征矩阵，y为对应的容量值
model = RandomForestRegressor(n_estimators=400, max_depth=12,
                              min_samples_leaf=2, random_state=42)
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
print('MAE:', mean_absolute_error(y_test, y_pred))

我用B0018作为验证集，随机森林的SOH预测MAE大概能压到0.02Ah以内，换算成容量比例大约1%误差。如果只用线性回归，MAE会接近0.05Ah左右。差距主要出现在后20%寿命段，那里的非线性效应太明显了。

3.3 RUL预测：用循环编号作为时间轴

RUL预测一般定义为“还能正常工作的循环数”，也就是从当前循环到寿命终止点的剩余循环数。这个目标不是回归一个连续容量值，而是回归一个计数值。

常见做法有直接回归和间接阈值法两种。间接阈值法更直观：先用上面的SOH模型预测后续循环的容量，然后找到容量低于寿命阈值（1.4Ah）的那个循环，用它的循环编号减去当前循环编号，就是RUL。这样做的好处是你能看到预测的整个容量衰减轨迹，而不是只给一个数。

直接回归法则直接把RUL当作标签训练一个序列模型，比如LSTM。LSTM的优势在于能够利用循环之间的时间依赖，捕捉容量衰减的“惯性”。我常用的输入格式为：每个样本是长度为K的时间窗口，窗口内的特征是[EVTD，IC峰高，平均温度]，输出是对应窗口末尾时刻的RUL。

python复制from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout

model = Sequential([
    LSTM(64, activation='tanh', return_sequences=True, input_shape=(K, 3)),
    Dropout(0.2),
    LSTM(32, activation='tanh'),
    Dense(1)
])
model.compile(optimizer='adam', loss='mae')

训练时一定要监控验证集上的MAE，并且用早停（early stopping）。LSTM在电池这种样本量不大的场景里很容易过拟合，B0005到B0018加起来也就一百多个循环样本，窗口滑动后样本量稍微多一些，但依旧不能算大数据。我实际训练时把batch size定在8，epoch上限200，patience设20，差不多都在100个epoch以内就停了。

3.4 预测结果评估与误差可视化

评估预测结果时，不要只看总体MAE或RMSE，还得看“误差随寿命阶段的分布”。我通常会画一张“真实RUL vs 预测RUL”的散点图，并叠加一条y=x参考线。如果预测点在低RUL段（比如还剩20到30个循环）明显偏离参考线，说明模型在寿命末端的预测能力不足。

还有一种更实际的做法：把预测结果转换为“剩余寿命百分比”的误差，即平均绝对百分比误差（MAPE）。这样不同电芯之间可以横向比较。我实际跑B0018的MAPE大约在12%到15%之间，不算特别好，但考虑到只用了几十次循环的窗口数据，这个水平在线上场景中是可以接受的。

4. 实操踩坑与常见问题排查

这部分我总结一下我在跑NASA数据集时踩过的坑，希望能帮读者省掉一些重复劳动。

4.1 数据加载阶段的问题

第一个坑是.mat文件的版本兼容。用 scipy.io.loadmat 读取旧版MATLAB文件时，如果遇到 Matlab v7.3 格式（HDF5格式），会直接报错。NASA这套老数据一般是v5格式，但你如果下载到别人二次整理的版本，就不一定了。遇到这种情况可以用 h5py 读取，但读出来的结构完全不同，代码要重写。

第二个坑是结构体字段名不统一。不同组的电池文件里，字段命名可能略有差异，比如有的叫 Voltage_measured，有的叫 Voltage。写通用加载函数时，建议先用 mat.keys() 打印所有键名，再做一层字段别名映射，别直接硬编码。

第三个坑是充电和放电循环的“type”标记，某些文件里可能有 ‘impedance’ 类型。如果加载时不加过滤，后面按循环编号对齐时会对不上。我的做法是加载后立刻按type过滤，只保留charge和discharge，并重新编号。

4.2 特征提取阶段的问题

等压时间差特征提取时，np.interp 行为是线性插值，但如果电压序列本身就不是严格单调上升（充电段一般没问题），会导致插值结果出现错误。最好在插值之前检查 np.all(np.diff(voltage) > 0)，不满足就直接丢弃该循环，或者在插值前做一次排序。

IC曲线分析时，分箱粒度选多少很关键。太细（比如1mV一箱）噪声放大严重；太粗（比如20mV一箱）峰值被抹平。我试下来5mV到10mV比较合适，但这跟采样率有关，建议先画几条曲线看看效果再调。

还有一个常见问题：同一个循环内容量和电压的采样时刻可能错位。有的电池文件里 Capacity 这个字段本身是累计Ah值，它和 Time 是对应的，但和电压数组长度不一定相等。出现这种情况时，建议直接用 Time 作为公共轴，先把电压和容量都插值到统一时间网格上，再计算IC曲线，不在原始采样点上操作。

4.3 建模阶段的问题

特征序列里如果有NaN，树模型还能勉强跑，但LSTM会直接崩。所以建模前要检查特征矩阵是否包含NaN，并选择填充策略。电池特征出现的NaN通常是因为某个循环的EVTD没算出来（电压没覆盖到区间），我一般用前后循环的平均值填充，绝不向后填充，因为这会引入未来信息。

窗口滑动构造训练样本时，要小心“标签泄漏”。如果你用第K到K+9个循环的特征来预测第K+10个循环的容量，那么训练时第K+9到K+10之间绝对不能混入第K+10个循环之后的信息。最稳妥的方式是把窗口构造写成一个独立的函数，每次只允许访问窗口内的特征和标签。

跨电芯验证时，偶尔会遇到“验证电芯的特征分布和训练电芯差异很大”的情况，比如B0018的IC曲线峰高明显比B0005高。这时模型预测误差会偏大，属于正常现象。可以通过给训练集增加数据增强（比如给特征加少量高斯噪声）来提升泛化能力，但不要指望彻底消除分布差异。

最后关于硬件和算力：这套流程在普通笔记本上就能跑完。特征提取部分是纯CPU计算，几十颗电芯的数据几分钟就能出来；LSTM训练也不到一分钟一个epoch。不需要上服务器，我平时就是一台笔记本加上Jupyter环境跑完整个流程。

5. 从实验到工程化的补充建议

如果你只是拿NASA数据集做个课程设计或者练习，上面这些内容已经够用了。但如果你打算把这套方法迁移到实际项目中，还有几个很现实的问题需要考虑。

第一，在线场景下无法跑完完整循环。NASA数据是离线采集，每个循环都有完整的充放电曲线。但实际系统中，电池不一定每次都充满或放空，所以你提取EVTD时可能没有固定的电压区间可用。这种情况下，可以改用“部分充电片段”来做特征提取，比如只用当前电量区间内的电压爬升速率，或者用短时脉冲激励下的电压响应。

第二，实际电芯的不一致性远高于NASA数据。NASA数据里的电芯筛选和测试环境控制都做得比较好，而实际生产的电芯即使同一批次，初始容量也有3%到5%的方差。这意味着你训练集和部署目标之间的分布偏移会更大，跨电芯泛化能力的验证就更重要。

第三，硬件部署上的算力限制。神经网络模型在边缘设备上不一定跑得动，尤其是LSTM这种循环结构。实际项目里更常见的做法是把特征提取和SOH回归做成轻量化的规则模型或单棵决策树，或者用蒸馏后的轻量级网络。我的建议是先跑通完整方案，再根据部署目标做模型压缩。

第四，数据更新的闭环。电池老化是一个缓慢的过程，在实验室里快速老化几个月的电芯，在真实工况下可能要用一两年才衰减到同等程度。这意味着模型上线后会面临长时间没有新数据的情况，需要设计定期校准的机制，比如每隔一段时间用少量新数据做增量训练。

这些内容已经超出了NASA数据集本身，但它们是每一个把电池预测模型推向落地的人都绕不开的问题。

6. 后续可以扩展的方向

最后说说这个项目的扩展空间，给真正想深入研究的朋友一些思路，这也是我踩了无数次坑后才逐渐理清的。

一个方向是多电芯联合建模。NASA数据里可用的电芯数量不多，但对算法验证来说足够了。你可以尝试把所有电芯的数据合并训练，用元学习的思想设计一个模型，让它见过一颗新电芯的前几个循环后就能快速校准，这对实际应用非常有价值。

另一个方向是融合更多维度的数据，比如电化学阻抗谱（EIS）数据。NASA数据里有定期阻抗测量的结果，虽然采样稀疏，但能够提供更直接的内部状态信息。你可以研究如何把稀疏的EIS信息与密集的充放电特征结合起来，弥补在线无法频繁测阻抗的短板。

还有一个方向是“数字孪生”思路。用NASA数据训练一个经验退化模型，再叠加一个电化学机理模型，形成混合模型。经验模型负责捕捉整体衰退趋势，机理模型负责解释内部物理变化。这种混合方法在预测精度和可解释性上都能有不错的表现。

如果你只是想在现有数据集上做更精细的预测，可以尝试直接预测整个容量衰减曲线，而不是只预测一个点。把容量序列当作一个“轨迹”来生成，然后读取轨迹上与寿命阈值相交的位置。这个思路在文献里叫“轨迹预测”，目前还挺热，NASA数据集是一个很好的练兵场。

我在实际操作中最深的一点体会是：电池预测项目的成败，往往不取决于你用了多么高级的模型，而取决于你对数据的理解深度。同一份NASA数据集，有人只看到了一堆曲线，有人能从中提炼出几十个有物理意义的健康因子。这种差异在门槛低、数据公开的课题里，直接决定了项目成果的上限。所以如果你刚开始接触这个方向，我建议先耐着性子把数据掰开揉碎看一遍，再动手建模，收益会大得多。