基于LSTM的锂电池剩余寿命预测Matlab实现与调优

简介：面向锂电池健康管理、电池管理系统相关研究人员与工程师，提供一套基于长短期记忆（LSTM）神经网络的锂电池剩余寿命预测Matlab完整实现。资源直击剩余使用寿命（RUL）预测中数据准备与网络搭建两大难点，使用NASA公开数据集中B0005电池的充放电记录，已完成训练集和测试集划分，可在Matlab2023b环境下直接运行。资源包共3个文件，含两个.m脚本（预测主程序与数据预处理）和一份Excel数据文件，整体仅11KB，结构精简、易于替换数据或迁移到其他项目。目前已有147人学习下载，适合有时序建模或深度学习基础的读者对照源码快速上手。代码完成从数据读取、归一化处理、LSTM建模拟合到剩余寿命预测的完整流程，可直观看到电池容量衰减曲线与预测结果，帮助理解LSTM在退化趋势建模中的关键参数与训练策略，也为扩展对比GRU、RNN等模型提供了轻量化起点。

1. 先别急着搭网络：锂电池剩余寿命预测到底要拟合什么

“锂电池剩余寿命预测”这个标题下，第一反应通常是让网络直接输出一个整数：这组电池还能用 80 个循环还是 200 个循环。实际做的时候我不会这么干。LSTM 在这里真正拟合的是容量衰减曲线上的下一段取值，等曲线预测到 80% 名义容量阈值以下，再倒推剩余循环数。原因是电池退化过程非平稳，直接回归一个总循环数等于把时间轴上的强耦合关系压缩成一个离散值，几十上百个样本根本学不动；而容量序列的局部依赖规律性强得多，序列模型好上手，阈值映射也方便和实验终止条件对应。这套流程主要解决两类需求：刚接手剩余寿命预测任务、想在 Matlab 里两三天跑通最小闭环的工程师；以及原本用 Python LSTM 做时序预测、需要换成 Matlab 工程链路的人。

2. 锂电池剩余寿命预测的第一步：RUL 定义、特征选择和标签构造

2.1 名义容量、SOH 与 RUL：先把预测目标统一

拿到一份电池老化数据，第一件事不是看 LSTM 参数，而是定义 RUL。RUL 的常见口径有两个：以循环数为单位的剩余寿命，比如还能跑 120 个完整充放电循环；以容量为单位的剩余可用容量，比如当前还能释放标称容量的 78%。这两个口径会直接影响标签的数值分布。多数工程落地场景按容量阈值走：电动载具以初始容量 80% 为寿命终点，储能备用场景有时放宽到 70%。RUL 的计算就是“寿命终止时的循环编号 − 当前循环编号”。这个减法看起来简单，但它是后面所有标签和评价指标的地基。

% 从 csv 读入容量序列，构造 SOH 和 RUL 标签 data = readtable('aging_data.csv'); cap = data.Capacity; % 每次循环后的实测放电容量 cycles = data.Cycle; % 对应循环编号 soh = cap / cap(1); % 用首循环容量做基准，得到百分比 eol = find(soh <= 0.8, 1, 'first'); % 第一个低于 80% 的点算寿命终止 if isempty(eol) eol = numel(soh); % 数据没到阈值，就用末尾兜底 end rul = max(0, eol - cycles); % 当前时刻距离寿命终止的循环数

这段代码把“容量衰减”和“剩余寿命”之间的换算固定下来。用首循环容量做基准，是为了抹掉不同批次电池出厂容量的个体差异；eol 取第一个低于阈值的位置，是因为容量一旦跨过阈值基本不会回升，取第一个点可以避免后期波动被算进寿命区间。rul 加上 max 是为了防止实验数据里出现低于阈值后继续循环的样本，负标签会让回归损失直接失效。如果你的数据里同时记录了内阻，建议把内阻也读进来放在特征矩阵里，内阻的抬升往往比容量下降出现得更早，对寿命中前段的预测有帮助。

2.2 特征取舍：容量单序列和三特征组合的差别

在 RUL 预测里，LSTM 的输入可以是单变量序列，也可以是多变量序列。单变量就是容量或 SOH 一条曲线；多变量通常加温度均值和恒流充电时间。判断要不要加特征的标准不是“特征越多越好”，而是这个特征是否和电化学老化有直接因果联系。恒流充电时间会随内阻升高而变短，温度峰值能反映副反应强度，这两个特征在电池寿命中后段的信息量明显高于前段。如果数据来自多个电池且每个电池的工况不一致，我优先用容量加温度峰值；如果只有一组曲线，就用容量单序列起步，先跑通再加其他输入。

容量单序列是最稳的起点，不是因为信息够多，而是因为它直接反映可用能量的损失。温度均值的问题在于它把一次循环里的温度变化压成一个数，丢失了极值出现的位置；恒流充电时间则完全依赖实验中的充电协议，一旦充电策略调整，训练好的特征关系就作废。所以我一般把多特征作为后期优化项，而不是第一个版本就堆进去。

2.3 滑窗与时间轴划分：验证集不能夹在中间

RUL 预测的每个标签都依赖历史窗口，滑窗的构造方式决定模型能看到多长的历史。常见做法是取 windowLength 个连续循环作为输入，预测窗口之后 k 步的容量。如果预测目标是“下一个循环点的容量”，k 取 1；如果要提前预警，可以取更大 k。下面这段代码同时完成滑窗构造和时间轴划分：

windowLength = 50; k = 1; n = numel(soh) - windowLength - k + 1; X = cell(n, 1); Y = zeros(n, 1); for i = 1 : n X{i} = soh(i : i + windowLength - 1); % 1×windowLength 的向量 Y(i) = soh(i + windowLength + k - 1); % 窗口后第 k 步的 SOH end split = round(n * 0.7); Xtr = X(1 : split); Ytr = Y(1 : split); Xte = X(split + 1 : end); Yte = Y(split + 1 : end);

这里 X 必须是列方向 cell 数组，每个 cell 是一个样本序列，这是 Matlab 对序列输入的基本要求。如果是多特征，就把 X{i} 改成 features × windowLength 的矩阵，第一维是特征数，第二维是时间步。样本之间是同一个电池的连续切片，因此测试集不能随机打乱后从中间截取。上面这个划分是时间轴上严格前 70% 训练、后 30% 测试，能避免测试窗口污染训练统计量。随机划分在浅层模型里问题不大，放进 LSTM 的滑窗数据里会造成同一段容量曲线同时出现在训练集和测试集，验证集上 R² 虚高到 0.99 以上，这种结果拿出去没有说服力。

3. Matlab 里的 LSTM 回归网络：从序列输入到剩余寿命输出

拿到这类“Matlab 完整源码和数据”的资源，我建议先看两个文件而不是直接点运行：数据文件的列名和滑窗脚本的窗口位置。列名决定特征怎么对齐，窗口滑动的起止位置决定样本的时间语义。很多源码的问题都出在这两处，要么数据里混入了实验无效段，要么窗口滑过了不同电池的片段拼接处。把这两处确认好，再进 lstmLayer 调参数才有意义。

3.1 一个单层 LSTM 网络：为什么 OutputMode 用 last

网络的目标是把一段长度为 windowLength 的 SOH 窗口映射成一个容量预测值，因此这是一个序列到点的回归结构。首层 sequenceInputLayer 说明输入是序列；lstmLayer(64, 'OutputMode', 'last') 表示只在最后一个时间步输出隐藏状态，把这个状态压缩成窗口末的容量表征；dropout 层抑制小样本过拟合；fullyConnectedLayer(1) 把 64 维隐藏状态压成 1 个标量；regressionLayer 负责 MSE 损失。不需要堆叠多层 LSTM，几百个滑窗样本的单电池场景，两层以上的收益非常有限，调参成本却不小。

numFeatures = 1; numHiddenUnits = 64; layers = [ sequenceInputLayer(numFeatures, 'Normalization', 'none') lstmLayer(numHiddenUnits, 'OutputMode', 'last') dropoutLayer(0.2) fullyConnectedLayer(1) regressionLayer ];

sequenceInputLayer 的 numFeatures 必须和 X{i} 的行数一致。这里输入是单特征，所以是 1；若加入温度和恒流充电时间，需要把 numFeatures 改成 3，并且滑窗构造里的 X{i} 要改成特征矩阵。Normalization 设置成 none，因为我习惯在数据预处理阶段手动做标准化，预测阶段再用同一套均值和方差反标准化回来，操作路径更直观。lstmLayer 的隐藏单元数控制在 32 到 96 之间，太少学不到容量衰减的长期依赖，太多在小样本上很快过拟合。dropout 放在 LSTM 之后只能压全连接层的过拟合，管不到 LSTM 内部权重；想限制内部过拟合，需要调整训练选项里的 L2Regularization 参数。

3.2 训练配置：学习率调度和批量大小的常见设定

训练用 adam 优化器默认参数就能跑得不错，需要重点调的是三个量：初始学习率、学习率衰减周期和批量大小。初始学习率从 0.005 起，观察训练损失曲线的震荡幅度；震荡明显就降到 0.001。学习率衰减用 piecewise，每 80 轮减半，让模型在后期更精细地逼近。MiniBatchSize 在几十到几百个样本时用 32 或 64，它影响的是梯度估计的噪声，不是显存上限。

options = trainingOptions('adam', ... 'InitialLearnRate', 0.005, ... 'LearnRateSchedule', 'piecewise', ... 'LearnRateDropFactor', 0.5, ... 'LearnRateDropPeriod', 80, ... 'MaxEpochs', 300, ... 'MiniBatchSize', 32, ... 'Shuffle', 'never', ... 'Verbose', 1, ... 'Plots', 'training-progress'); net = trainNetwork(Xtr, Ytr, layers, options);

Shuffle 设置成 never，是因为滑窗构造出的样本之间有重叠，打乱顺序对训练损失影响不大，但会破坏测试时的时间序列含义。保留 never 能让训练收敛曲线更可控。如果样本长度参差，trainNetwork 默认按批内最长序列 padding，必须显式检查所有滑窗长度一致；滑窗构造时统一 windowLength 就不会碰到这个坑。ValidationData 在这里没有指定，我倾向于把最后一段序列留作盲测，而不是让训练过程提前看到它，这样测试指标更贴近真实使用场景。

4. 预测评价与参数调优：RMSE、R² 和窗口长度上的三个常见问题

4.1 反标准化与三个评价指标：RMSE、MAE、R²

预测之后第一件事是反标准化，否则 RMSE 的单位是无量纲的标准化量，无法对应到容量百分比。反标准化必须用训练集统计量，不能用整条序列的均值和方差。

% 用训练集统计量反标准化 mu = mean(soh(1 : split)); sigma = std(soh(1 : split)); yPred = predict(net, Xte, 'MiniBatchSize', 32); yPred = yPred * sigma + mu; % 反标准化回 SOH yTrue = Yte * sigma + mu; rmse = sqrt(mean((yTrue - yPred).^2)); mae = mean(abs(yTrue - yPred)); ssRes = sum((yTrue - yPred).^2); ssTot = sum((yTrue - mean(yTrue)).^2); r2 = 1 - ssRes / ssTot;

mu 和 sigma 必须只来自训练段，也就是第 2 章里 split 之前的样本。常见错误是先把整条 soh 序列统一标准化再划分训练测试，这时测试区间的统计量已经包含未来信息，预测结果虚好。RMSE 和 MAE 的单位都是 SOH 百分比，两个值接近说明误差分布均匀；RMSE 明显大于 MAE 说明存在个别大误差点，通常出现在寿命末端容量骤降段。R² 在此任务里天然容易被单调趋势推高，因为容量序列本身就是递减的，模型只学到一个下降趋势也可能拿到 0.97 的 R²，所以报告 R² 时必须同时报告最大绝对误差。

4.2 窗口长度的敏感性：20、50、100 怎么选

滑窗长度决定 LSTM 能看到多长的退化历史。太短，模型只能抓住局部波动，预测曲线在真实容量附近来回抖动；太长，窗口起点覆盖到电池早期的高容量段，对寿命中段预测的响应会滞后。一般做法是固定其他参数，分别跑 windowLength 为 20、50、100 的三组实验，把测试段按时间等分成早期、中期、后期三段分别看 RMSE。只算一个总指标，短窗口和长窗口的差异会被平均掩盖。

如果要部署在线预测，窗口长度不能太大，否则系统刚启动时拿不出足够历史数据，前几个预测点只能丢弃。这时候 20 到 30 的短窗口更现实；离线分析则可以放宽到 50 以上。

5. 排错清单与一个可上手的盲测验证技巧

5.1 三个高频报错与排查顺序

第一个高频报错是 Invalid training data，提示基本都指向 cell 内部维数不一致。检查办法是随机取三个训练样本，disp 出每个样本的大小，确认特征维数和序列长度完全一致。第二个是训练损失不降或验证集 R² 为负，优先检查标准化是否用了整条序列统计量，然后把 InitialLearnRate 调低到 0.001 重新训练。第三个是 predict 输出形状不对：序列到点模型返回的是 n×1 列向量，直接用；如果改过 OutputMode 成 sequence，返回的是和时间步等长的序列，需要自己取最后一列或最后一个时间步。

5.2 只有一个电池时怎么做盲测

实验数据往往只有一组完整老化曲线，这时用整条曲线训练和测试，指标都会很好看，但部署时会现原形。更接近实际的做法是：取前 70% 循环做训练，从寿命中段开始逐点预测到寿命终点。每个预测点都用当前时刻之前的 windowLength 个真实 SOH 作为输入，预测下一个循环的容量：

startPred = round(numel(soh) * 0.7); predSoh = soh; for t = startPred : numel(soh) - 1 win = soh(t - windowLength + 1 : t); % 取真实 SOH 组成的窗口 predSoh(t + 1) = predict(net, {win}); end

这个验证里模型在每个 t 都用真实历史值推进，只预测下一步，衡量的是单步预测能力。要评估多步预测，就把前一步的预测值填入滑窗尾部继续迭代，再统计预测序列里第一个低于 0.8 的位置，和真实 eol 对比相差几个循环，这个差值才是你在报告里能写出去的“提前多少个循环预警”的结论。

本文还有配套的精品资源，点击获取