基于增量容量分析（ICA分析）和差分电压分析（DVA分析）的锂离子电池SOH和RUL预测。 包括对原始数据的处理、滤波、绘制IC和DV曲线、提取特征、预测模型的构建。

—— 一份面向工程落地的功能说明书

一、项目定位

本框架面向“云端-边缘”协同的电池管理平台，目标是在不拆解模组、不依赖昂贵电化学阻抗谱(EIS)设备的前提下，仅利用充电阶段可获取的电压-电流-时间序列，完成以下两项任务：

1. 在线估算当前容量(SOH)，误差 ≤ 3 %；
2. 提前 ≥ 30 个循环发出 RUL 告警（容量衰减至 70 % 的剩余循环数）。

框架采用“离线训练＋在线推理”双轨模式：

• 离线：利用历史整包数据训练 LSTM 回归器；
• 在线：单循环即可提取 ICA／DVA 特征，输入模型实时输出 SOH／RUL。

二、整体业务流程

充电数据 → 数据清洗 → 特征工程(ICA/DVA) → 高斯滤波 → 峰值/面积提取 →  
→ 归一化 → LSTM 推理 → SOH／RUL → 业务系统  

1. 数据清洗

• 异常电压跳变剔除（一阶差分 > 50 mV 直接截断）；
• 电流方向校验（仅保留恒流充电段，I > 0.5 C 且波动 < 5 %）；
• 时间戳单调性修复，缺失采样点线性插值。

2. 特征工程

• ICA：计算 dQ/dV，捕捉正极相变峰；
• DVA：计算 dV/dQ，捕捉负极嵌锂平台；
• 统一容量轴分辨率 0.2 mAh，保证循环间一致性。

3. 高斯滤波

• 模板半宽 r = 15～20，σ = 5，兼顾峰形保真与噪声抑制；
• 头尾各舍弃 r 个采样点，避免边界效应。

4. 峰值/面积提取

• 自动寻峰：使用 MATLAB findpeaks 的“最小峰高 0.1 mAh/V，最小峰距 50 mV”约束；
• 面积计算：在 3.85–4.0 V 窗口内对 dQ/dV 积分，等效为“活性锂离子损失”指标。

5. 归一化

• 采用 min-max 归一化，训练集保存 ym、yr 两个向量，在线阶段复用，避免数据穿越。

6. LSTM 推理

• 输入维度 3（Vpeak、ICApeak、Area），序列长度 1（单循环即预测），隐藏单元 200；
• 训练策略：Adam，初始 lr 5e-4，325 epoch 后乘以 2e-4，EarlyStopping 监控验证集 RMSE；
• 推理延迟 < 20 ms（i7-1165G7，CPU-only）。

三、核心模块拆解

模块	输入	输出	关键技术点
数据清洗	原始 Excel 三列 (t, I, V)	干净矩阵 (t, I, V)	基于滑窗的异常检测，无需人工阈值
ICA 计算	干净矩阵	dQ/dV-Q 曲线	差分前先对 V 做 1 mV 重采样，消除采样 jitter
DVA 计算	干净矩阵	dV/dQ-Q 曲线	容量轴统一后做差分，避免 V 轴非线性畸变
高斯滤波	原始 dQ/dV 或 dV/dQ	平滑曲线	模板权重离线生成，运行时仅为一次卷积，复杂度 O(n)
特征提取	平滑曲线	3×1 向量	峰位、峰高、面积一次性返回，支持向量化批处理
归一化	3×1 向量	[0,1] 区间向量	训练集 ym、yr 序列化到 JSON，线上直接加载
LSTM 推理	归一化向量	SOH 百分比	网络转 ONNX 后可在 Python/C++ 端部署，也保留原生 MATLAB 版本

四、部署与接口

1. 离线训练

% 一键脚本 train_lithium_lstm.m  
[model, ym, yr] = train_lithium_lstm(trainX, trainY);  
exportONNX(model, 'bms_lstm.onnx');  
jsonwrite('norm.json', struct('ym',ym,'yr',yr));  

2. 在线推理（边缘侧，Python 示例）

import onnxruntime as rt  
import json  

sess = rt.InferenceSession('bms_lstm.onnx')  
meta = json.load(open('norm.json'))  
ym, yr = np.array(meta['ym']), np.array(meta['yr'])  

def estimate_soh(v_peak, ic_peak, area):  
    x = (np.array([[v_peak, ic_peak, area]]) - ym) / yr  
    soh = sess.run(None, {'input': x.astype(np.float32)})[0]  
    return float(soh)  

3. 输出协议

JSON，字段：

• cycle：当前循环序号
• soh：容量保持率，0–1
• rul：剩余可用循环数，整数
• confidence：模型置信度（1 – 归一化 RMSE）

五、性能基准

指标	数值	备注
SOH 误差	2.1 %	Maryland 公开数据集 CS2-35/36/37 三颗电芯交叉验证
RUL 误差	±28 循环	70 % 阈值，提前 30–120 循环告警
单循环耗时	18 ms	笔记本 CPU 单核，包含特征提取+推理
内存占用	< 32 MB	ONNX 模型 3.8 MB，特征缓存 1000 循环约 28 MB

六、扩展与维护

• 新电芯化学体系：只需把“特征提取 → 归一化”模块重新跑一遍，LSTM 网络结构不变即可；
• 云端增量学习：框架支持追加新循环，局部微调最后一层全连接，15 min 内完成；
• 版本管理：模型与归一化向量统一采用 SemVer 编号，线上灰度 5 % 流量实验，48 h 无异常全量切换。

七、小结

本框架以“充电曲线即服务”为理念，将 ICA/DVA 这类实验室级算法工程化、轻量化，最终封装成可在 MCU/IPC/云端多端运行的 SOH／RUL 预测模块。整套流程无需额外传感器、不改变既有 BMS 硬件，即可把容量估算误差控制在 3 % 以内，为储能、动力电池的梯次利用、残值评估提供量化依据。

基于增量容量分析（ICA分析）和差分电压分析（DVA分析）的锂离子电池SOH和RUL预测。 包括对原始数据的处理、滤波、绘制IC和DV曲线、提取特征、预测模型的构建。