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

eqXUIrcRQM

673人浏览 · 2026-03-19 08:45:00

eqXUIrcRQM · 2026-03-19 08:45:00 发布

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。

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。