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。

概述

本系统是一套面向锂离子电池健康状态（State of Health, SOH）与剩余使用寿命（Remaining Useful Life, RUL）预测的 MATLAB 实现方案，基于马里兰大学公开电池数据集（Maryland Dataset）开发。系统核心方法融合了增量容量分析（Incremental Capacity Analysis, ICA）与差分电压分析（Differential Voltage Analysis, DVA）两种电化学特征提取技术，并结合高斯滤波降噪与长短期记忆网络（LSTM）进行时序建模与预测。

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。

整套系统模块清晰、流程完整，涵盖原始数据读取、电化学特征计算、信号平滑处理、关键特征提取、归一化预处理，以及最终的深度学习建模与可视化评估。

---

系统架构与核心模块

系统由多个相互协作的 MATLAB 脚本与函数组成，整体架构可分为以下四个阶段：

1. 数据预处理与特征计算

系统从两个主要数据源读取原始电池循环数据：

• CS2_37.xlsx：包含每个循环中的时间、电压、电流、循环编号等原始充电数据；
• CS2_371.xlsx：包含每个循环对应的实测容量值（用于 SOH 标签）。

在 ICAMaryland.m 和 DVAMaryland.m 中，系统分别实现 ICA 与 DVA 的核心计算逻辑：

• ICA（dQ/dV）：通过数值微分计算单位电压变化对应的电荷量变化，反映电池内部相变特征；
• DVA（dV/dQ）：计算单位电荷变化对应的电压变化，对老化引起的电极动力学变化敏感。

计算过程中采用滑动窗口策略（步幅 stride = 1），并利用充电时间与电流积分估算瞬时容量。

2. 信号平滑与噪声抑制

原始 ICA/DVA 曲线因测量噪声和离散采样而波动剧烈，影响特征提取稳定性。系统引入自定义 高斯滤波器（Gaussianfilter.m）对信号进行平滑处理：

• 滤波器支持可调窗口半径 r 与标准差 sigma；
• 采用对称高斯核对信号进行卷积，保留主要峰形特征的同时有效抑制高频噪声；
• 边界区域通过零填充处理，避免边缘失真。

该模块显著提升了后续峰值检测的鲁棒性。

3. 关键老化特征提取

在 extractpeakCS237.m 与 DVpeak.m 中，系统从平滑后的 ICA/DVA 曲线中自动提取与电池老化高度相关的特征量：

• ICA 峰值高度：反映活性材料损失程度；
• ICA 峰值电压位置：指示电极电位偏移，与锂沉积或SEI增长相关；
• 特定电压区间内的容量积分（如 3.85–4.0 V）：作为结构退化的代理指标；
• DVA 曲线拐点或平台起始容量：用于表征内阻增长。

所有提取的特征均与实测容量计算皮尔逊相关系数，验证其与 SOH 的强相关性，确保特征有效性。

4. 深度学习建模与预测

系统采用 LSTM 神经网络（LSTM.m）对多维老化特征进行时序建模：

• 输入特征包括：ICA 峰值电压、ICA 峰高、特定区间容量等；
• 输出为目标循环的归一化容量（即 SOH）；
• 网络结构包含一个 LSTM 隐含层（200 单元）与全连接回归输出层；
• 使用 Adam 优化器，并采用分段学习率策略提升收敛稳定性；
• 支持状态更新式预测（predictAndUpdateState），适用于在线 RUL 预测场景。

训练完成后，系统对测试集进行滚动预测，并通过反归一化还原真实容量值，最终计算 RMSE 评估精度，并可视化真实值与预测轨迹。

---

可视化与结果分析

系统提供丰富的可视化支持：

• ICA/DVA 曲线对比图：展示原始信号与高斯滤波后曲线的差异；
• 多循环叠加色阶图（colorbarbaric.m / colorbarbardv.m）：以颜色映射循环次数，直观呈现老化过程中峰形演变；
• 特征与 SOH 归一化对比图：验证所提特征与容量衰减趋势的一致性；
• LSTM 预测结果图：标注预测起点与寿命终止阈值（如 80% SOH），清晰展示预测性能。

---

技术亮点

1. 双模特征融合：同时利用 ICA 与 DVA，从电荷与电压两个维度捕捉老化机制；
2. 自适应特征提取：无需人工标注峰位，通过自动峰值检测实现端到端特征生成；
3. 工程友好设计：模块化脚本结构，便于替换数据源、调整滤波参数或更换预测模型；
4. 可解释性强：所选特征具有明确的电化学物理意义，避免“黑箱”预测。

---

应用场景

本系统适用于：

• 电池管理系统（BMS）中的在线 SOH 估计；
• 电池实验室的老化机理分析；
• 退役电池筛选与梯次利用评估；
• 锂电 RUL 预测算法的基准测试平台。

---

总结

该系统完整实现了从原始充电数据到 SOH/RUL 预测的全流程，技术路线成熟、逻辑严谨、可复现性强。通过结合电化学特征工程与深度学习时序建模，为锂离子电池健康管理提供了兼具准确性与可解释性的解决方案，具备良好的工程应用潜力与学术参考价值。