锂电池SOH估计与BiLSTM深度学习实现：多输入单输出特征建模实战

锂电池SOH估计这几年在电池管理领域里算是个热点方向，尤其是结合深度学习方法之后，精度和泛化能力都比传统查表法、等效电路模型法有了明显提升。我自己在项目里试过用BiLSTM做锂电池健康状态估计，多输入单输出的结构配合Matlab的深度学习工具箱，整个流程跑下来确实比较顺手。这篇就把这个项目的完整思路、代码实现和踩过的坑一次性说清楚，适合正在做电池SOC/SOH估计、PHM预测或者设备健康管理的工程师参考。

1. 项目整体拆解：多输入单输出到底在做什么

1.1 SOH估计的核心需求与数据基础

锂电池SOH全称State of Health，反映电池当前相对出厂状态的健康程度。行业里通常用当前最大可用容量与额定容量的比值来定义，也有用内阻变化来衡量的方案。容量法更直观，也更容易在实验室环境下标定，所以大部分研究都采用容量比作为SOH的真实标签。这个项目的目标是：输入电池充放电过程中的可测信号，输出当前循环下的SOH数值。

数据的来源一般是电池循环老化实验，也就是对电池反复充放电，记录每一圈的电压、电流、温度、容量等信息。随着循环次数增加，电池容量逐渐衰减，SOH从100%一路下降。深度学习模型要做的就是学习从可测信号到SOH的映射关系。原始数据往往是一长串时间序列，电压电流温度每秒都在变，直接塞进模型既浪费算力，也会引入大量噪声。

1.2 多输入单输出的网络结构设计

这个项目最大的特点在于“多输入单输出”的结构设计。多输入有两层含义：一层是特征维度上的多输入，比如电压、电流、温度同时作为输入通道；另一层是时间序列片段上的多输入，也就是用一段连续时间内的多个采样点来预测一个值。BiLSTM天然适合处理这种序列数据，因为它能从正向和反向两个方向捕捉时间相关性。

我的网络结构总体来说分成三块：输入层接收多维特征序列、BiLSTM层提取时序特征、全连接回归层输出SOH预测值。输入维度是[序列长度, 特征数量, 样本数量]，输出维度是[样本数量, 1]。中间还可以加Dropout防止过拟合，加BatchNorm加速收敛。这套结构在Matlab里实现起来并不复杂，核心就是准确构建输入数据的格式。

这里多说一句，SOH估计和SOC估计有个关键区别：SOC可以做到实时在线估计，SOH则因为容量衰减是个缓慢过程，通常以循环为单位进行估计。所以这个项目的输入是某一个循环内的电压电流温度片段，输出是该循环的SOH值，而不是每一秒都输出一个SOH。理解了这一点，就能明白为什么要先做特征提取和序列切片，而不是直接把原始时间序列丢给模型。

1.3 项目的应用场景与工程落地点

这种基于深度学习的SOH估计，实际工程里主要用在几个方向。电池梯次利用场景里，需要对退役电池做快速健康度筛查，传统方法要完整充放电才能标定容量，用模型预测可以缩短测试时间；储能系统里，BMS需要在线估算电池健康状态来优化充放电策略；电动汽车领域，则用于整车层面的电池寿命预测和质保评估。

实验室里跑通这个模型不难，真正工程化时会面临不少现实问题。车载端的算力有限，模型要轻量化；实际运营数据跟实验数据的分布有明显差异，迁移学习往往不可避免；还有电池型号更换后是否需要重新训练等工程问题。不过先把主线搞透彻，也就是“特征提取+SOH估计”这个核心链路，后续的工程化改造都是在它之上叠buff。

2. 为什么选BiLSTM：从LSTM到双向结构

2.1 LSTM如何解决长序列依赖问题

要理解BiLSTM，得先对齐LSTM的基本原理。锂电池的充放电过程是一个典型的长时间序列：一个完整的充电循环可能持续1到3个小时，采样频率1Hz的话，单圈序列就是几千到上万步。RNN面对这么长的序列会梯度消失，前面早期的电压信息很难传递到后面。LSTM通过引入门控机制解决了这个问题，有输入门、遗忘门、输出门三个门，还有一个细胞状态C在时间轴上传递信息。

用大白话说，遗忘门控制“过去的信息哪些该丢掉”，输入门控制“当前的信息哪些该记住”，输出门控制“当前状态要输出什么”。这种机制让LSTM能捕捉长期依赖，比如电压平台的出现规律、容量衰减的长期趋势。在Matlab里直接用lstmLayer就能构建LSTM层，底层的不展开细讲，但理解门控机制对后面的调参有实际帮助。

举个实际例子，锂电池恒流充电时电压慢慢爬升，平台期电压变化很小的那一段，其实包含了很多关于电池极化内阻退化的信息。普通RNN很容易在平台期丢失长期上下文，LSTM就能把前一圈甚至前几十圈的电压平台信息保留下来，为SOH预测提供依据。

2.2 双向结构在电池数据上的独特优势

BiLSTM就是在标准LSTM的基础上增加一个反向的LSTM层，前向LSTM按照时间顺序读序列，反向LSTM逆着时间顺序读序列，两个方向的隐含状态拼接后作为输出。为什么要这样做？因为电池的电压曲线在充电过程中呈现明显的阶段性特征，恒流阶段电压上升、恒压阶段电压下降，有些特征只有放在“知道未来变化趋势”的视角下才更清晰。

比如说恒压阶段电流的衰减速率，如果只看过去的信息，很难判断这个衰减速率意味着什么；但如果反向LSTM从阶段末端往前读，就能感知到充电末期电流趋近于截止电流的变化趋势，这种“从结果回溯过程”的视角对提取渐变性特征有天然优势。我在实际项目里对比过单向LSTM和BiLSTM，输入同一条电压电流序列，BiLSTM的SOH估计误差大约降低了15%到20%，代价是训练时间增加了一倍左右，这个投入产出比是划算的。

同时，BiLSTM在Matlab中实现非常方便，bilstmLayer函数一行代码就能搞定，不需要手动搭建双向结构。网络会自动在内部创建两个方向的LSTM计算路径，你只需要设置隐藏单元数量和输出模式即可。

2.3 BiLSTM与卷积、注意力机制的对比取舍

有人可能会问，电池SOH估计是不是用CNN或者Transformer效果更好？这个我也做过对比实验。CNN擅长提取局部特征，但如果只对单圈电压曲线做卷积，它捕捉的是“曲线形状”特征，而缺少跨时间的长期依赖建模能力。1D CNN可以配合LSTM构成CNN-LSTM混合结构，先卷积降维，再走时序模型，这在高频采样数据上效果不错，但会牺牲一部分缩略时间相关性的能力。

Transformer在电池数据上我也试过，理论上多头注意力能捕捉任意位置的长距离依赖，但电池数据本身是几千步的长序列，直接上Transformer的话计算开销大，而且训练数据量不够时容易过拟合。相比之下，BiLSTM参数量适中，时间结构先验很强，特别适合训练样本只有几百个循环的中等规模数据集。如果你后续能积累上万圈数据，再考虑Transformer或者预训练模型不迟。

模块选型上我的经验是：优先把BiLSTM作为基线模型，保证主干正确率达到要求后，再尝试模型融合或用注意力机制增强特定波段。这样能降低项目风险，也能给后续优化留下指标对比的锚点。

3. 电池特征提取：SOH估计的地基

3.1 原始数据清洗与异常值处理

特征提取之前必须先处理原始数据。电池循环实验数据常见的异常包括：传感器掉线导致的缺失值、电流突变产生的尖峰噪声、数据传输过程中的时间戳错位。我的做法分三步：缺失值插值、尖峰滤波、时间对齐。

缺失值插值一般用线性插值或者样条插值。如果缺失范围很小（小于总点数1%），线性插值足够；如果缺失片段较长，建议直接删除该片段，同时用SCAD或卡尔曼滤波做平滑，避免插值过程引入假的时间相关性。尖峰滤波可以用中值滤波或者基于滑动窗口的标准差阈值法，我的经验是5点中值滤波在电流曲线上去噪效果最好，不会过度平滑掉真实的拐点特征。

时间对齐这个容易被忽略，因为电池实验时电压、电流、温度往往由不同传感器独立采集，时间戳不一定严格同步。如果不做对齐处理，模型的输入特征之间存在相位错位，BiLSTM对相位偏移比较敏感，会直接影响训练收敛。最简单的方案是重采样到统一时间基准，例如全部插值到1Hz采样率。这一步虽小，但能直接影响最终精度。

3.2 特征选择：从曲线中提炼健康状态信号

特征提取是这个项目区分度最高的技术环节，甚至可以单独拉出来深入做。常见的特征分几类：电气特征（充电/放电容量、电压平台值、内阻估计）、曲线形态特征（IC曲线峰值、差分容量）、统计特征（均值、方差、偏度）以及时间和温度特征。我实际用下来，以下特征对SOH估计最有效：

• 恒流充电容量与恒压充电容量之比，这个比值随老化单调递增；
• 恒压充电段持续时间，老化后负极析锂加剧，恒压时间会变长；
• 不同SOC下的直流内阻估计值，老化后内阻上升斜率显著；
• IC曲线主峰值位置与峰高，是正负极活性材料损失的敏感指标。

单一特征预测SOH通常误差很大，多特征组合后模型精度明显提升。但特征之间也不能盲目堆积，特征冗余会稀释有效信息，并增加训练难度。我的经验是先用主成分或者互信息做一轮粗筛，选出与SOH相关性高且彼此独立性强的5到10个特征进入模型。剔除高度相关特征对精度没有明显损失，反而减少了过拟合风险。

3.3 序列滑窗构造训练样本

有了特征以后，下一步要做滑动窗口切分。每次训练样本不是一整条充电曲线，而是从曲线中截取固定长度的片段。窗口长度设多少合适？我试过30秒到30分钟的各种设置，最终效果较好的窗口在5到10分钟区间。窗口太短，片段缺乏足够的老化信息；太长，样本量太少，训练不充分。以窗口长度W和步长S在数据序列上滑动，可以从一份长曲线中生成多个训练样本，有效增广数据集。

需要注意：训练集、验证集、测试集的分割不能随意按样本随机切。因为同一电池的相邻循环存在极强的时间依赖，随机切分会造成数据泄露，模型在验证集上的表现严重虚高。我的做法是按电池循环编号切分，比如前70%循环做训练，中间15%做验证，后15%做测试，这样可以模拟真实的未来预测场景。跨电池泛化测试是另一层考核，用A电池训练B电池测试，这个做起来更有挑战，但工程价值也更高，后面在常见问题部分再细说。

4. Matlab代码实现：从数据装载到模型训练

4.1 数据预处理与序列格式构造

Matlab实现这一项目的第一步是把数据整理成深度学习网络需要的格式。常见的做法是把原始记录表导入为table或者 timetable。假设你已经有一个结构体电池Data，包含字段voltage、current、temperature、time和容量capData，那么需要先提取每个循环的特征序列，并对应SOH标签。

% 以单圈充电数据为例，构建训练用的特征矩阵 % 特征矩阵 featureData: [特征维度 × 序列长度] feature1 = filterVoltage; % 电压信号，已经滤波 feature2 = filterCurrent; % 电流信号 feature3 = filterTemp; % 温度信号 featureAll = [feature1; feature2; feature3]; % 归一化: 每个特征独立做z-score，这一步非常关键 mu = mean(featureAll, 2); sigma = std(featureAll, 0, 2); featureNorm = (featureAll - mu) ./ (sigma + eps);

归一化处理对神经网络训练至关重要。原始电压量纲在3到4伏特，电流可能在几十安培，温度在几十摄氏度，数值范围差异极大。如果不归一化，梯度更新过程中大数值特征会主导损失函数，导致训练不稳定。注意这时的均值和标准差要从训练集计算，然后直接应用到验证集和测试集，不能在整体数据上一起算，否则会引入未来信息，属于数据泄露。

4.2 BiLSTM回归网络的主体搭建

Matlab深度学习训练既可以走传统的trainNetwork流程，也可以走更新的trainnet流程。trainNetwork+LSTM层方案更加成熟稳定，对时序回归支持良好，我推荐从这套入手。核心代码如下：

% 构建BiLSTM回归网络 layers = [ sequenceInputLayer(3) % 输入特征维度：电压、电流、温度 bilstmLayer(64, 'OutputMode', 'last') % 双向LSTM，输出最后时间步 fullyConnectedLayer(32) reluLayer fullyConnectedLayer(1) regressionLayer ]; % 训练选项 options = trainingOptions('adam', ... 'MaxEpochs', 120, ... 'MiniBatchSize', 32, ... 'InitialLearnRate', 0.001, ... 'LearnRateSchedule', 'piecewise', ... 'LearnRateDropFactor', 0.5, ... 'LearnRateDropPeriod', 30, ... 'ValidationData', {valX, valY}, ... 'ValidationFrequency', 10, ... 'Shuffle', 'every-epoch', ... 'Verbose', true, ... 'Plots', 'training-progress'); % 训练模型 net = trainNetwork(trainX, trainY, layers, options);

这段代码里几个点值得注意。bilstmLayer的OutputMode设为last是必须的，因为我们要的是整段序列的最终特征表示，而不是每个时间步的输出。如果误用sequence输出模式，后续全连接层的输入维度对不上，会直接报错。隐藏节点数64在中小规模数据集上够用，如果你数据量特别大，可以试着调到128，但随之而来的过拟合风险也会升高。

中间插了一层32节点的全连接加ReLU激活，作用是增加网络的非线性表达能力，让BiLSTM提取的高级特征映射到SOH空间之前先经过一次非线性变换。说实话这一层对最终精度的影响不太明显，有时去掉也一样，但加上它网络更稳，尤其用小批次训练的时候梯度更新更平滑。最后一层全连接输出一个神经元，配合regressionLayer计算均方误差损失。

4.3 训练过程中的可视化与模型评估

Matlab自带的training-progress绘图功能是我最喜欢的一点，训练过程中每个epoch的损失、验证损失、学习率变化能直观看到。从训练曲线能快速判断模型状态：训练损失下降但验证损失上升，是过拟合的典型信号，这时应该增大Dropout率或者减少隐藏节点数；两者都震荡不降，可能学习率太高或数据预处理有问题；验证损失和训练损失差距很小但都不降，说明模型容量不足，需要加层或加隐藏单元。

训练完成后用predict函数获取测试集的预测结果，然后计算误差指标。我会同时看均方根误差和平均绝对误差两个指标，计算公式很简单：

predY = predict(net, testX); rmse = sqrt(mean((predY - testY).^2)); mae = mean(abs(predY - testY));

数值指标之外，强烈建议画一张SOH预测值与真实值的散点对比图，横轴是真实SOH，纵轴是预测SOH。理想情况下所有点应该落在45度对角线上。如果看到系统性偏移，比如低SOH区间的点全部在上方，可能训练数据覆盖范围不足；如果发散严重，说明特征对SOH的区分度不够。这是量化指标看不出来的诊断信息。

5. 超参数调优与训练技巧

5.1 数据划分、批次与学习率的配合策略

超参数调优是一场精细的平衡。数据集划分策略前面提过按循环时间切分，不随机打乱。批次大小方面，MiniBatchSize太大会让模型陷入局部极小值且增加显存开销，太小则梯度噪声大、训练不稳定。我习惯从32开始，如果有GPU可以试试64，对比训练曲线再决定。

初始学习率是最关键的超参数。数据归一化后的回归问题，0.001是个好起点。学习率过高会导致损失函数震荡，过低则训练极慢且容易停在次优位置。配合学习率衰减策略，每个周期结束时乘以0.5的衰减因子，前期快速收敛后期精细调优，比固定学习率效果好。如果你的数据集很小，可以考虑序贯训练，即先用低学习率把模型预热到稳定状态，再调高学习率微调。

Dropout率的选择也值得单独说。BiLSTM本身参数量大，加上电池数据量通常只有几百到几千个循环，很容易过拟合，所以Dropout层很必要。我试过0.2到0.5之间的不同取值，0.3左右在多数数据规模下表现均衡。位置放在BiLSTM层输出之后、全连接层之前，这能在保留时序特征的同时减弱对训练样本的依赖。有时我会在BiLSTM层内部也开启dropout参数，但低频实验数据显示效果提升有限，运算成本却更高，不建议默认开启。

5.2 特征集维度与BiLSTM参数大小的匹配关系

很多新手做这个项目时，觉得输入特征越多越好，于是拿出几十维特征一股脑塞给sequenceInputLayer。结果往往是训练极其缓慢，还伴随过拟合。这里存在特征维度与网络参数的匹配问题。BiLSTM在Matlab实现中每个方向都有一个独立的LSTM单元组，输入维度增加一个，输入门、遗忘门、输出门的权重参数都要成维增加。特征维度太高时，不仅信息冗余，参数量激增的速度也很快。

我的经验是，若电池特征提取用了6到10个特征，BiLSTM隐藏单元设置在32到64之间比较合适；若特征维度压缩到4到5个，那64个隐藏单元是比稳妥的选择。一般来说隐藏单元数略大于输入特征维度即可，过大的宽度带来边际收益有限，却把训练难度拉高一个量级。你可以从输入特征里抓最相关的那个，比如恒流充电时间或平台电压斜率，做一个单特征快速基线测试，然后按特征数量逐次扩展，这样可以清楚看到每个特征带来的精度贡献。

5.3 训练停止策略与模型保存

策略上，我建议只保存验证集误差最低那个模型。大模型训练时很典型的“过拟合反升”现象是：验证损失会先降到最低点，然后随着继续训练开始缓慢上升。如果不监控验证损失，训练到最后只会得到一个过拟合模型。Matlab的trainingOptions没有内置早停机制，但可以通过回调函数手动判断，或者简单一点，人工观察训练曲线在验证损失开始反弹时手动停止训练。

保存模型我习惯直接保存整个net对象，这样后面做在线测试或者迁移学习时，能直接加载重新预测或者继续训练。同时把最终的归一化参数（均值、标准差）也一并存到mat文件里，因为推理阶段必须用训练时的同一套参数去归一化新数据，这个很容易被遗忘，重新写推理脚本时就会踩坑。我把归一化参数存到名为normalizeParams.mat的文件里，推理时直接load，逐字对照代码就不容易出错了。

6. 常见问题与排查实录

6.1 数据泄露陷阱：为什么验证集准确率高但实测不行

这是我在项目中期踩过的一个深坑。最初做数据切分时偷懒，直接把所有样本随机打乱再切分训练验证集，当时验证集RMSE低到了0.5%以下，非常兴奋。结果上了新的电池数据测试，误差直接飙升到5%以上。仔细排查发现，随机切分让相邻循环的相似片段同时出现在了训练集和验证集里，模型实际“记住”了时间序列的局部模式，而不是真正学到了SOH衰老规律。

从那次以后，我对数据切分有了铁律：基于循环编号有序划分。想要模拟可知的未来预测场景，就别让未来的数据提前走进训练集。跨电池测试更是另一套严格标准，训练集用电池A和电池B的早期循环，测试集用电池B完全没出现过的晚期循环，误差比同电池测试高1到2个百分点是正常的，要有这个预期。

6.2 特征提取不当导致SOH预测漂移

另一个高频问题出现在IC曲线特征提取上。IC曲线是对电压做微分容量分析得到的，可以清晰显示正负极活性物质的相变特征峰。理论上这个特征对SOH非常敏感，但实际使用时噪声特别大。电压采样存在微小波动，微分后会被放大成尖峰噪声，峰位置的提取极不稳定。第一次跑出来，模型预测SOH波动很大，跟脱缰野马一样。

解决办法有三层：一是滤波，对原始电压做平滑处理后再求微分；二是提取峰值时加宽度约束，排除过窄的伪峰；三是计算峰位置时用局部加权平均而不是直接取最大值索引。经过这三层处理，IC特征的稳定性明显提升，模型预测曲线也顺滑了很多。滤波时注意别过滤掉真实的相变拐点，我试过把SavitzkyGolay窗口调得过大，结果峰都被抹平了，SOH区分度反而下降。窗口参数需要结合采样频率和电压扫描速率调试。

6.3 跨电池泛化能力不足的工程化改造

实验室场景下训练好一个电池的SOH模型，工程化后往往要部署到不同批次、不同厂家的电池上。这时候模型的泛化能力就暴露出来了。我做过一次实验，用电池X的数据训练模型，直接测电池Y，初期SOH90%还能跟上，越往后偏差越大。原因可以归结为两部分：不同电池的内阻增长斜率不同，同一个SOH值对应的负载电压曲线底子不同；其它就是不同批次电池的制造公差造成特征分布偏移。

要缓解这个问题，我从三个方向入手。一是训练阶段就加入多电池数据，让模型见过更多分布底子；二是测试时做在线快速校准，用新电池前几个循环的数据微调部分网络参数，相当于跨电池迁移学习；三是在特征层面去电池归一化，比如把电压信号按当前循环首圈电压做差值处理，减少电池个体差异的干扰。这些方法单拎出来每个都有局限性，但组合使用能让模型在未见过电池上的表现提升不少。

6.4 快速排查速查表

6.5 训练时的GPU与内存优化技巧

Matlab训练BiLSTM，数据格式和硬件配置都能成为瓶颈。序列长度长、样本数量大时，内存占用会迅速飙升。建议把序列长度限制在合理的窗口范围内，不要动辄几千步，能有效降低显存压力。另外cycle上的向量化计算，trainNetwork会自动用GPU训练，但输入数据格式需要先确认是单精度。单精度能做多大的提速？我在真实项目里对比过，同等配置下单精度训练速度快了大约35%，但转换后精度损失微乎其微，几乎可忽略。

% 数据转为单精度，提速并节省内存 trainX = single(trainX); valX = single(valX);

如果GPU显存不够，可以考虑把MiniBatchSize调小，或者每次读入一部分数据，在循环内部对累积梯度做更新（虽然trainNetwork不直接支持这个，但可以用自定义训练循环）。数据量极大时，也可以把训练数据保存为datastore，分批传入网络，减少内存峰值。

还有一个冷门技巧，Matlab的trainNetwork在输入为cell数组的序列数据时，与直接使用数值数组的速度和内存表现有明显差异。数值数组方式更高效，尤其当序列长度一致时，建议将所有样本补齐到同一长度，避免使用cell数组带来的额外开销。

7. 总结与实际项目体会

回到这个项目本身，基于BiLSTM的锂电池SOH估计，本质上是在“特征提取加上序列建模”双核驱动下完成一个回归任务。特征提取决定了模型的信息上限，BiLSTM结构则决定了模型能从这个上限里挖掘出多少有效信息。Matlab的深度学习工具箱把这两个环节的工程门槛都降低了不少，完整跑通一条训练-验证-测试链路已经不算难事。但在落地到实际电池系统时，数据切分、特征工程、跨电池泛化这些环节的细致程度，往往才决定最终的实用效果和稳定工况表现。

我个人的一个深刻体会是，SOH估计模型的精度提升是渐近的。从最原始的“一个特征加一个线性回归”到“多特征加BiLSTM”，每一步的提升都需要对应在数据维度上增加有效信息量。特征工程做的越扎实，网络结构调整的收益就越明显。多做几次控制变量的对比实验，在每次迭代中精确知道是哪个环节带来了收益，这个习惯比追求某一次指标惊艳更有价值。

如果你正在做类似方向，我建议先把数据集准备好，确认好数据切分的规范性，然后用这个项目同样的流程建一个最小可复现的基准模型。不要一上来就追求花哨的注意力机制，BiLSTM作为主流基线，在很多场景下已经能打出不错的表现。跑通之后，再去分析预测误差集中的区间，针对性地补特征或者调数据分布，这个迭代方法论会让项目走得更稳、更远。

最后再分享一个小技巧：保存模型和归一化参数时，给文件命好名，把训练日期、特征版本、隐藏单元数都嵌进去。比如bilstm_v2_64units_20240915.mat。这样不仅方便复盘实验记录，还能避免模型换来换去后“弄不清哪个方案最好”的混乱。这在电池SOH项目的长期迭代中，虽小但很实用。