LSTM实现锂电池SOH估计：从NASA数据集到MATLAB实战全流程

1. 从容量衰减现象聊起：SOH估计为什么一直难落地

1.1 SOH的工程定义与常用估算思路

先交代SOH到底是什么。工程上最常用的定义是容量法：

SOH = 当前最大可用容量 / 额定容量 × 100%

比如一块额定2Ah的电池，循环几百次后实测最大放电容量只有1.6Ah，那SOH就是80%。除了容量法，还有内阻法——通过内阻增长率估计健康状态，因为电池老化初期SEI膜增厚会导致内阻上升，但它和SOH之间往往不是完全线性的关系，工程上通常作为辅助判据。真正在BMS里做主判据的，绝大多数还是容量。

我在复现NASA开源老化数据集时，采用的就是容量法。每个放电循环里，把放电电流对时间积分得到实际放电容量，除以初始容量，就是该循环的SOH曲线。这样做的好处是标签干净、可解释性强，适合作为算法学习案例。

1.2 传统建模方法在动态工况下的瓶颈

刚开始做电池健康估计，容易先入为主去套电化学模型或者等效电路模型。电化学模型要解偏微分方程组，涉及锂离子浓度、SEI膜生长、副反应速率等一堆参数，参数辨识需要专业的电化学工作站数据，放到车载或储能BMS里很难落地。等效电路模型加扩展卡尔曼滤波相对实用，但它的精度严重依赖R0、Rct这些等效参数的辨识质量，动态工况下内阻变化非常剧烈，估算误差容易漂移。

后来被证明比较有效的是数据驱动路线，比如BP神经网络、支持向量机。它们的问题是：如果只是把几个静态退化特征塞进模型，比如“当前循环数”“当前容量”，模型取得的是瞬时映射关系，忽略了容量衰减过程中前后循环之间的关联。电池老化是有记忆的——上一段高温循环导致的老化加速，会继续影响后面几十个循环的容量轨迹。这种长期依赖，静态模型很难捕捉。

1.3 LSTM凭什么切入这个场景

LSTM是循环神经网络的一种变体，它的核心特点，是能在时间维度上保留和丢弃信息。容量衰减序列天然是一个时间序列，前期的使用工况、老化速率、容量恢复现象都会对后续状态产生持续影响。把LSTM用于SOH估计，本质上是让网络自己从历史循环数据中学习“当前健康状态由过去哪些因素共同决定”的映射关系，而不是人去手工设计一个复杂的电池衰退方程。

我在MATLAB里跑通这个案例之后，最大的感受是：LSTM并没有替代电池物理，它替代的是你手工造特征和调曲线拟合方程的精力。你只需要给它一组可测的序列数据，它就能把非线性退化趋势学出来。这篇文章会从数据、原理、代码、评估、坑位几个维度，完整记录整个复现过程。

2. 数据集是地基：NASA老化数据的读取与特征提取

2.1 NASA数据集的结构说明

NASA PCoE公开的锂离子电池老化数据集，可以说是SOH估计方向最常用的benchmark之一。其中B0005、B0006、B0007、B0018这几节电池使用频率最高。它们的循环协议比较统一：以1.5A恒流充电到4.2V，然后转恒压充电，直到电流降到20mA以下；放电则以2A恒流放到截止电压2.7V左右，每次循环之间还有休息阶段，并定期测一次阻抗谱。

MATLAB加载这类数据很直接，因为是标准的.mat文件：

data = load('B0005.mat'); B = data.B0005;

加载之后你会得到一个嵌套结构体，每个循环里有type字段，分为charge、discharge、impedance三类。实际使用时，很多人会在这里翻车：不同来源的.mat文件，字段名可能不一样。有的版本里放电数据叫Voltage_measured，有的整理后改成了voltage。我建议第一件事先执行：

fieldnames(B) % 查看顶层字段 fieldnames(B.cycle(1).data) % 查看单个循环内的数据字段 % 或者用 whos 查看当前工作区的变量情况

不要假设字段名，先看一眼，再往下写提取逻辑。这个习惯可以帮你省下大量调试时间。

2.2 健康因子怎么选：不要只盯着容量

提取容量是必须的，因为SOH标签本身由容量求出。但输入特征如果也只有容量，会带来一个隐患：模型很容易把“上一循环容量”直接搬移成“下一循环容量”，这在单电池数据上效果很好，跨电池泛化时就会崩。所以案例里我更推荐的做法，是构造一组与老化相关性高、又有独立测量意义的健康因子。

常用的健康因子包括：

以NASA数据为例，提取放电容量和温度峰的代码逻辑大致这样：

cycleData = B.cycle; capacity = []; tempPeak = []; for k = 1:numel(cycleData) if strcmp(cycleData(k).type, 'discharge') d = cycleData(k).data; t = d.Time; i = d.Current_measured; v = d.Voltage_measured; cap = trapz(t, i) / 3600; % 积分得到Ah capacity(end+1, 1) = cap; %#ok<SAGROW> tempPeak(end+1, 1) = max(d.Temperature_measured); %#ok<SAGROW> end end

注意trapz积分得到的是安时数，除以3600后得到安时。如果你看到的版本里已经有Capacity字段，直接用也行，但我还是习惯自己积分一遍，至少心里有数。

2.3 训练集/测试集划分：时序问题比你想的严重

拿到SOH序列后，第一步不是急着建模型，而是想清楚怎么划分数据。很多复现教程随机打乱样本后做交叉验证，这在时间序列预测里是严重错误。相邻循环的容量高度相关，随机拆分等于让模型通过训练集里的“邻居样本”偷看到了测试集答案，测试误差会虚低得离谱。

正确做法是严格按时间顺序划分：前80%的循环作为训练集，后20%作为测试集。如果要做验证集，也必须在训练集尾部切分，不能从全序列里随机抽。另一条容易踩的坑是归一化参数。我在第一轮复现时，顺手用整个序列的均值和方差做了标准化，结果验证集误差好看到不行，后来才发现测试集的信息早就通过归一化参数混进了特征里。正确姿势是：

trainIdx = 1:round(0.8 * numel(capacity)); mu = mean(capacity(trainIdx)); sigma = std(capacity(trainIdx)); capacityNorm = (capacity - mu) / sigma;

训练完模型后做预测时，再把预测结果用capacityPred = yPred * sigma + mu映射回真实量纲。这套流程看起来简单，却是整个案例中决定结果真实性的关键。

3. LSTM为什么能记住电池的老化轨迹

3.1 从普通RNN的梯度困境说起

想理解LSTM，得先看普通RNN的问题在哪。RNN的隐藏状态由当前输入和上一时刻隐藏状态共同决定，理论上可以处理任意长度的序列。但在反向传播时，梯度要沿着时间步一层一层往回传，每一步都会乘一个权重矩阵。当序列较长时，小于1的梯度不断相乘，就会指数级衰减，最终靠近序列前端的参数几乎收不到梯度信号，这就是梯度消失。梯度大于1则会指数爆炸，造成训练不稳定。

电池老化恰好是“远期状态影响当前”的典型问题。比如第10个循环经历了一次高温过放，这种损伤的影响可能在后面几十个循环里持续体现。普通RNN在这种情况下，很难把这么长时间的依赖关系有效传递下来。

3.2 细胞状态与三个门控的工程直觉

LSTM的核心改进是增加了一条细胞状态通道C_t。这条通道像传送带，允许信息在时间步之间近乎无损地流动。门控结构负责决定传送带上哪些信息要保留、哪些要更新、哪些要输出：

• 遗忘门：决定上一时刻细胞状态中哪些老化信息要“忘记”。比如某个循环的高温事件已经过去，系统可以降低它的影响权重。
• 输入门：决定当前循环观测到的特征里，哪些新信息值得写入细胞状态。比如容量出现跳水，这种异常信号应该被记住。
• 输出门：决定当前细胞状态中哪些信息要输出到隐含状态，供最终回归层使用。

从工程视角看，不用纠结门控的数学推导，把它理解成“带读写权限的记忆管理器”就行。MATLAB的lstmLayer里这些机制都是封装好的，你需要设计的只是网络容量和输入形式。

3.3 为什么不是MLP、GRU或双向LSTM

我也试过用MLP做SOH估计：取过去20个循环的SOH值拼成20维向量，直接接全连接层输出当前SOH。效果并不是不能用，但网络对时间顺序完全不敏感，你把第1个和第20个循环的位置调换一下，它学到的东西是一致的，这会丧失退化趋势的先后信息。

GRU是LSTM的简化版，参数更少、训练更快，在小数据量场景下往往能达到和LSTM接近的效果。如果后续数据量大，或者要做多步预测，我会更倾向GRU或LSTM加注意力机制。双向LSTM在分类和序列标注领域效果很好，但注意，在线SOH估计场景下，预测时刻的未来信息根本不可用，即使训练时用双向LSTM能得到更低的训练误差，部署时也会露馅，所以入门案例不建议碰。

LSTM本身的变体也很多，比如带peephole连接的版本、多层堆叠、layer normalization后的LSTM块。作为学习案例，先把单层或双层标准LSTM跑通，后面再去优化结构。

4. MATLAB实操：从滑窗构造到训练完成的完整流程

4.1 数据预处理与归一化细节

准备好容量和温度特征后，下一步是构造滑窗样本。我把窗口宽度设为20，意味着用前20个循环的健康状态去预测第21个循环的SOH。窗口太短学不到长期趋势，太长则样本急剧减少。B0005全寿命只有160多次循环，窗口40以上时有效样本只剩下120个左右，网络很容易欠拟合；窗口5时模型偏向记住短期斜率，预测曲线波动大。

构造代码：

windowSize = 20; X = {}; Y = []; for i = windowSize + 1 : numel(sohNorm) % 输入：前 windowSize 个归一化SOH X{end+1, 1} = sohNorm(i - windowSize : i - 1)'; % 标签：当前循环归一化SOH Y(end+1, 1) = sohNorm(i); end

如果要把温度特征也加进来，可以让每个X{i}变成2行windowSize列，第一行是SOH归一化序列，第二行是温度峰归一化序列。输入层的numFeatures设为2即可。这里有一个容易被忽视的问题：滑窗构造后的样本之间其实也存在时间重叠，相邻样本共享大量历史数据，所以简单打乱后训练确实会加快收敛，但验证时一定要保持时间顺序，否则又会引入泄漏。

4.2 网络结构定义：回归任务的LSTM怎么搭

MATLAB里搭建LSTM回归网络非常直接。核心代码：

numFeatures = 1; % 输入特征维度 numHiddenUnits = 32; % LSTM隐藏单元数 layers = [ sequenceInputLayer(numFeatures, 'Name', 'input') lstmLayer(numHiddenUnits, 'OutputMode', 'last', 'Name', 'lstm1') dropoutLayer(0.2, 'Name', 'dropout') fullyConnectedLayer(16, 'Name', 'fc1') reluLayer('Name', 'relu') fullyConnectedLayer(1, 'Name', 'output') regressionLayer('Name', 'reg') ];

一个关键选项是OutputMode。这里用'last'，意思是LSTM只输出最后一个时间步的隐藏状态，然后接全连接层回归出一个SOH值。如果设成'sequence'，网络会输出每个时间步的结果，适合序列到序列的预测任务，比如未来多循环SOH曲线预测，但入门案例用'last'更直观。

dropoutLayer放在LSTM之后，可以在小数据场景下抑制过拟合。fullyConnectedLayer降到16维再输出1维，是为了给回归留一个非线性映射空间，避免直接从32维隐藏状态强压到1维导致拟合不够平滑。

4.3 训练选项怎么定：为什么是Adam和GradientThreshold

训练配置我这样写：

options = trainingOptions('adam', ... 'InitialLearnRate', 0.005, ... 'MaxEpochs', 300, ... 'MiniBatchSize', 16, ... 'GradientThreshold', 1, ... 'ValidationData', {XVal, YVal}, ... 'ValidationFrequency', 10, ... 'Plots', 'training-progress', ... 'Verbose', false); net = trainNetwork(X, Y, layers, options);

这里几个参数值得展开。GradientThreshold设为1，我踩过坑：有一次不设阈值，训练到第20个epoch时loss突然变成NaN，排查半天发现是RNN时间展开后梯度爆炸。RNN的梯度范数在训练过程中可能突然飙升，设个阈值相当于给梯度加保险丝。MiniBatchSize用16而不是32或64，是因为整个有效训练样本也就100多个，batch太大每次梯度更新次数太少，模型收敛慢且不稳定。InitialLearnRate用0.005，配合Adam自适应调整，对小网络来说是一个试出来的合理起点，也可以从0.01开始加个学习率下降策略。

4.4 训练过程监控：看什么，不看什么

训练时MATLAB会画出loss曲线。一个常见误区是只盯着训练loss降到多低。训练loss降到0.1%以下并不代表模型好，如果验证集loss不降反升，说明已经过拟合。我建议把窗口切成三段：训练段、验证段、测试段。训练段用于更新权重，验证段用于监控过拟合并决定是否早停，测试段只在全部训练结束后跑一次。这样得到的结果才可信。

如果验证loss在第50个epoch后持续走高，可以手动减小学习率或加大dropout到0.3；如果loss在0.01附近剧烈震荡，优先调小学习率，而不是盲目加网络层数。

4.5 反归一化与结果输出

训练完成后，测试集预测值要映射回真实SOH百分比。别忘了正交归一化时的mu和sigma来自训练集，这里也要用同一组统计量：

predNorm = predict(net, XTest); predSOH = predNorm * sigma + mu; trueSOH = YTest * sigma + mu; err = predSOH - trueSOH;

到这里，一个完整的“数据加载—滑窗构造—LSTM训练—预测”流程就跑通了。

5. 模型评估与结果解读：不能只看loss曲线

5.1 回归模型的量化指标怎么选

判断SOH估计模型效果，常用三个指标：

在公开数据集上，如果预测SOH的测试RMSE控制在2%以内，已经算是不错的结果。我实际复现B0005时的结果大致是：训练段RMSE约0.4%，测试段RMSE约1.1%~1.5%。如果测试RMSE大于3%，先检查数据划分是否有泄漏，再检查窗口长度和学习率。

5.2 结果可视化的正确打开方式

可视化不能只画一条预测线和真实线。我一般画三张图：

第一张是SOH随循环数的对比曲线，能直观看到预测在哪个区间开始偏离。老化后期，尤其是SOH低于85%以后，容量衰减往往加速，尾部曲率变大，而训练数据里这个区间的样本占比小，预测误差会明显放大。

第二张是残差随循环数的散点图。如果残差不是随机分布在0轴附近，而是出现明显的“先正后负”或“先负后正”趋势，说明模型没有捕捉到某个系统性的退化模式，可能是特征不足或窗口过短。

第三张是预测值与真实值的散点图，加一条y=x对角线。点越贴对角线，说明模型越准。如果点在高SOH段聚集很紧密，但在低SOH段明显发散，说明模型对寿命末期的外推能力比较弱。

5.3 一个容易被忽略的稳定性检验

跑完上述流程后，我还会做一个很简单的对照实验：把训练样本随机打乱顺序，重新训练同样结构的LSTM。如果打乱顺序后测试集误差仍然很小，说明模型很可能只学会了“输出接近全局均值”，并没有真正学到时序依赖关系。这种情况下，即使指标好看，模型也没有实用价值。

真正的时序模型应该对数据顺序敏感，打乱顺序后训练误差和测试误差都应明显变差。这个实验不花时间，但能帮你识别“假学习”。

6. 工程化踩坑记录与后续提升方向

6.1 数据泄漏：最隐蔽也最致命的错误

我把数据泄漏单独拎出来说，因为这是复现论文时最容易中招的环节。除了前面提到的随机划分和归一化统计量泄漏，还有一种更隐蔽的情况：在用多电池数据训练时，如果把B0005、B0006、B0007全部混合后再随机切分，模型可能在训练阶段已经见过了同一电池不同循环段的信息，测试阶段只是“回忆”而已。跨电池评估必须做到电池级别隔离：用三节电池训练，留一节电池从未参与训练做测试。这个准则适用于所有数据驱动电池估计任务，不止LSTM。

6.2 跨电池泛化没你想的那么乐观

用B0005训练、B0005测试，效果很好；但换到B0006测试，误差可能直接飙到4%、5%。原因在于每个电池的初始容量、自放电速率、SEI膜状态都有差异，模型训练时很容易捕捉到B0005独特的退化节奏。改善思路有两个方向：

一是多电池混合训练，让网络见过更多变的退化模式。二是引入“相对健康因子”，比如把每个电池的容量都用自身初始容量归一化，让标签变成相对值而不是绝对值，跨电池时至少不会因为初始容量不同而整体偏移。更深层的做法是在目标电池上用小批量最新数据做迁移学习微调，只更新最后几层权重：

% 加载已有模型 net freezeWeights = true; % 只训练后几层 layers = layerGraph(net.Layers); % 对指定层设置学习率倍率，冻结前层

迁移学习的核心思想，是前几层学到的是通用老化特征，后几层学到的是具体电池的映射关系，微调时只调整后几层，能大幅减少对目标电池样本量的需求。

6.3 窗口长度、学习率、隐藏单元数的试参心得

这三个超参是整个案例里对结果影响最大的。我用过一组手动网格搜索，大致结论如下：

• windowSize：10、20、30之间差异不太大，但5和50都会明显变差。B0005这种160多次循环的数据量，20左右是甜点。
• numHiddenUnits：16、32、64都可以，32通常够用；加到128在小数据上容易过拟合，训练时间还翻倍。
• InitialLearnRate：0.001偏慢但稳，0.01有时会出现loss震荡，0.005是比较省心的中间值。
• dropout：0.2~0.3之间对LSTM层后面的全连接有正向作用，太小约等于没有，太大会导致欠拟合。

如果后续数据集更大，可以用bayesopt做贝叶斯超参搜索，但前提是数据划分正确，否则搜索出来的“最优参数”大概率是在为泄漏买单。

6.4 从单点预测到多步预测的扩展思路

入门案例做的是“用前20个循环预测下一个循环”，这是单步回归。实际工程里，BMS需要知道未来50个循环内SOH会不会跌到80%以下，这就涉及到多步预测。一种可行方案是迭代预测：把预测出的SOH作为历史数据的一部分，继续滚动预测下一个点。这种方案实现简单，但误差会随时间步长累积。

更稳的方案是训练序列到序列模型：输入长度为20的SOH片段，输出长度为10的SOH片段，OutputMode设为'sequence'。MATLAB里调整网络结构即可，但训练数据和标签的构造方式也会相应改变。这个方向可以作为进阶任务，把当前案例当作基础版，后续逐步扩展。

6.5 部署时的一些工程建议

线上部署LSTM做SOH估计，不可能像训练环境里那样每循环都精确计算一次放电容量。真实场景中更多是用充电曲线片段、脉冲内阻测试等间接信息作为输入。所以我在做完这个学习案例后，已经把注意力转向“部分片段输入”的建模方式：不依赖完整放电过程，只用前5分钟恒流充电段的电压变化和温度变化来预测SOH。这类方法和LSTM结合，才是工程落地价值更高的方向。

最后分享一个我自己的习惯：复现任何SOH估计论文，我都先把B0005从头跑一遍基线，再用B0006做跨电池测试，两步都不出问题，才会继续深入复杂方法。别急着上注意力机制和Transformer，先把时序划分、归一化、反归一化这些基本功练扎实，比堆模型结构有用十倍。