简介这份资源面向计算机相关专业正在做毕业设计、课程设计或期末大作业的学生以及需要项目实战练习的学习者提供一套基于随机森林模型的锂离子电池剩余寿命预测完整方案。项目采用机器学习与物理建模相结合的思路通过电池充放电循环数据构建特征并训练随机森林回归模型实现剩余寿命的预测与评估代码经导师指导并获评审认可适合作为高分毕设参考。资源包共116个文件以106个xlsx数据表、5个py脚本、4个csv文件和1个md说明文档为主压缩包约152.94MB涵盖原始数据、数据处理脚本、预测主程序及README说明目录结构清晰便于按模块查阅与复现。目前已有76人学习下载。读者可从中获得完整可运行的源码、数据预处理与特征工程示例、模型训练与预测流程以及配套文档说明帮助快速理解随机森林在电池寿命预测中的应用并完成自己的项目。1. 锂电池剩余寿命预测一份能跑通的随机森林实战源码锂电池循环充放电数据拿到手很多人第一反应是上 LSTM 或者 Transformer结果数据量不够、训练半天不收敛答辩时被问「为什么不用传统机器学习」直接卡壳。这份资源走的是另一条路用随机森林做锂离子电池剩余寿命RUL预测输入是 NASA 公开的 CS2 系列电池老化数据输出是还能循环多少次。整个包里有四个电池的原始 CSV、四个对应的处理脚本、一个预测主脚本和一份 README结构清晰到可以直接拆开看每一步在干什么。适合正在做机器学习课程设计、毕业设计或者想找一个完整「数据清洗→特征工程→模型训练→结果输出」闭环练手的人。它不炫技但每个环节都能落地。2. 数据管线拆解从 CS2_35 到可训练特征矩阵2.1 为什么选随机森林而不是深度学习先把这个选型问题说清楚因为答辩时大概率会被问到。NASA 的 CS2 系列电池数据每个电池也就一百多个循环每个循环采集电压、电流、温度、容量等几条曲线。样本量放在深度学习语境下属于「极小数据集」随便一个两层 LSTM 参数量都能过万过拟合几乎是必然的。随机森林回归Random Forest Regressor在这个场景下的优势很实际它靠多棵决策树投票对样本量要求低特征维度也不用做太复杂的归一化还能直接输出特征重要性排序——这个排序在论文里就是现成的「特征分析」章节素材。另一个容易被忽略的点是训练速度。用 sklearn 的 RandomForestRegressor默认 100 棵树在普通笔记本上几秒就能跑完一轮调参迭代成本极低。对于需要反复改特征、改窗口大小的毕设场景这个反馈速度比等 GPU 跑半小时强太多。常见做法是先用随机森林把 baseline 跑出来再考虑要不要上更复杂的模型做对比实验。2.2 四个处理脚本的分工与执行顺序资源里四个处理_CS2_XX.py脚本不是重复代码每个对应一块电池的原始数据。CS2_35、CS2_36、CS2_37、CS2_38 是 NASA 数据集里四块同型号 18650 电池的循环老化记录它们的失效阈值和初始容量略有差异所以需要分别处理再合并。执行顺序建议按电池编号来先跑处理脚本生成中间特征文件再跑预测脚本。# 处理_CS2_35.py 的核心逻辑示意其他三个脚本结构一致 import pandas as pd import numpy as np # 读取原始循环数据原始文件通常包含 voltage、current、temperature、capacity 等列 raw pd.read_csv(CS2_35.csv) # 按循环编号分组每个循环提取统计特征 cycles raw.groupby(cycle).agg( cap_max(capacity, max), # 该循环最大放电容量直接反映老化程度 cap_min(capacity, min), vol_mean(voltage, mean), # 平均电压反映内阻变化趋势 vol_std(voltage, std), # 电压波动间接反映极化 temp_max(temperature, max), # 最高温度异常发热往往对应容量跳水 temp_mean(temperature, mean) ).reset_index() # 构造 RUL 标签当前循环到失效循环的剩余次数 EOL 0.7 # 常见做法是以初始容量的 70% 作为寿命终止阈值 initial_cap cycles[cap_max].iloc[0] cycles[RUL] cycles[cycle].apply( lambda c: cycles[cycles[cap_max] initial_cap * EOL][cycle].min() - c if len(cycles[cycles[cap_max] initial_cap * EOL]) 0 else 0 ) cycles.to_csv(CS2_35_features.csv, indexFalse)这段代码的逻辑分三步先按循环聚合统计量把原始时间序列压成每个循环一行特征再用容量阈值定义 RUL 标签最后落盘成中间文件。参数上最需要留意的是EOL 0.7NASA 数据集常用 70% 初始容量作为失效标准但不同论文有取 80% 的改这个值会直接改变标签分布进而影响模型输出。groupby(cycle)里的列名要和原始 CSV 实际列名对齐如果下载的数据列名是Capacity而不是capacity这里会直接报 KeyError。2.3 特征矩阵的合并与训练集划分四个处理脚本跑完后会得到四个特征 CSV预测脚本需要把它们合并成一个总表。这里有个细节不同电池的初始容量不同直接合并会让模型学到「电池编号」这个无关特征。常见做法是加一列battery_id做分组或者对容量做归一化后再合并。# 预测.py 中合并与划分的关键片段 import pandas as pd from sklearn.ensemble import RandomForestRegressor from sklearn.model_selection import train_test_split from sklearn.metrics import mean_absolute_error, r2_score # 合并四块电池的特征 dfs [pd.read_csv(fCS2_{i}_features.csv) for i in [35, 36, 37, 38]] data pd.concat(dfs, ignore_indexTrue) # 特征列与标签列分离 feature_cols [cap_max, cap_min, vol_mean, vol_std, temp_max, temp_mean] X data[feature_cols] y data[RUL] # 按 8:2 划分random_state 固定保证可复现 X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42 ) # 随机森林回归n_estimators 先给 100max_depth 不限制 model RandomForestRegressor(n_estimators100, random_state42, n_jobs-1) model.fit(X_train, y_train) pred model.predict(X_test) print(MAE:, mean_absolute_error(y_test, pred)) print(R2:, r2_score(y_test, pred))train_test_split的random_state42是固定随机种子保证每次划分一致方便对比不同参数的效果。n_jobs-1让训练用满所有 CPU 核心小数据集上感知不明显但习惯可以保留。评估指标用 MAE 和 R2MAE 直接告诉你预测的剩余循环数平均差多少次R2 看整体拟合程度。如果 MAE 超过 20说明特征或标签构造有问题优先回去检查 EOL 阈值和容量列是否取错。3. 随机森林调参与特征重要性分析3.1 关键参数怎么改、改完看什么RandomForestRegressor 的参数不少但真正影响这个场景的就这么几个。n_estimators是树的数量默认 100加到 200 通常能降一点方差但超过 300 收益就很小了训练时间线性增长。max_depth控制单棵树深度不设限时树会一直分到叶子纯净小数据集上极易过拟合建议从 5 开始试逐步加到 10。min_samples_leaf是叶子节点最少样本数设成 2 或 3 能有效防止模型记住噪声。# 一组可对比的参数配置直接改字典就能跑 param_grid { n_estimators: [100, 200], max_depth: [5, 8, 10], min_samples_leaf: [1, 2, 3] } from sklearn.model_selection import GridSearchCV grid GridSearchCV( RandomForestRegressor(random_state42, n_jobs-1), param_grid, cv3, scoringneg_mean_absolute_error ) grid.fit(X_train, y_train) print(最优参数:, grid.best_params_) print(最优 MAE:, -grid.best_score_)GridSearchCV的cv3表示三折交叉验证小数据集上折数不宜多否则每折训练样本太少。scoring用负 MAE 是因为 sklearn 的评分函数统一是「越大越好」MAE 本身越小越好所以取负。跑完best_params_直接给你最优组合best_score_记得取负还原成 MAE。这套流程在答辩时可以直接作为「超参数优化」章节的内容。3.2 特征重要性排序与物理意义解读随机森林自带feature_importances_属性输出每个特征对预测的贡献度。这个结果不只是数字它和电池老化机理是对得上的。import matplotlib.pyplot as plt importances model.feature_importances_ for name, imp in sorted(zip(feature_cols, importances), keylambda x: -x[1]): print(f{name}: {imp:.4f}) plt.barh(feature_cols, importances) plt.xlabel(Importance) plt.tight_layout() plt.savefig(feature_importance.png, dpi150)跑出来通常cap_max和vol_mean排前两位这符合预期容量衰减是电池老化的直接表现平均电压下降反映内阻增大。temp_max的重要性一般排第三或第四说明温度对寿命有影响但不是主导。如果跑出来某个特征重要性异常高比如超过 0.8大概率是数据泄漏——比如把cycle列误当特征传进去了因为循环数和 RUL 是强相关的。检查feature_cols里有没有混入标签衍生列这是血泪经验。4. 避坑与排查跑不通时先看这几条4.1 现象KeyError 报列名不存在原因NASA 原始 CSV 的列名可能是Capacity、Voltage这种首字母大写格式而处理脚本里写的是小写。不同来源的数据文件列名不统一直接跑必翻车。解决在读入后先print(raw.columns.tolist())看一眼实际列名再用raw.rename(columns{Capacity: capacity, ...})统一。或者干脆在脚本开头加一个列名映射字典一次性改完。4.2 现象RUL 出现大量负值原因EOL 阈值设得太低比如初始容量 2.0Ah阈值设 0.7 倍是 1.4Ah但有些电池还没降到 1.4Ah 数据就结束了导致min()返回 NaN 或后续计算出负数。解决先画一下每块电池的容量衰减曲线确认失效点是否在数据范围内。如果数据没覆盖到失效要么换电池要么把 EOL 调高到 0.8 甚至 0.85。标签构造前加一句assert (cycles[RUL] 0).all()做防御。4.3 现象模型 R2 很高但预测曲线明显滞后原因用了随机划分train_test_split同一个电池的相邻循环被分到了训练集和测试集模型实际上在「插值」而不是「外推」。这是时间序列预测里最经典的翻车点。解决按电池划分比如用 CS2_35、36、37 训练CS2_38 测试。或者按循环顺序切分前 70% 循环训练后 30% 测试。改完之后 R2 通常会降但那个数字才是真实泛化能力。4.4 现象每次跑出来结果不一样原因random_state没固定或者train_test_split和模型初始化用了不同的随机种子。解决在脚本开头统一设SEED 42所有涉及随机的函数都传random_stateSEED。包括train_test_split、RandomForestRegressor、GridSearchCV的cv参数。固定之后结果可复现调参才有意义。4.5 现象特征重要性里cycle排第一原因cycle列被误当特征传入了。循环数和 RUL 是直接函数关系模型学到这个等于作弊。解决检查feature_cols列表确保只包含传感器衍生特征不包含循环编号、时间戳、电池 ID 这类元信息。如果确实想用循环数那 RUL 标签的定义方式要改不能再用「失效循环减当前循环」。5. 进阶技巧用滑动窗口构造时序特征提升预测精度基础版把每个循环压成一行统计量丢掉了循环之间的演化信息。一个成本很低但效果明显的改进是加滑动窗口特征对每个循环取它前 N 个循环的容量均值、方差、斜率作为额外特征。这样模型能看到「容量正在加速下降」这种趋势而不只是当前值。# 在特征工程阶段加滑动窗口统计 WINDOW 5 # 窗口大小常见取 3 到 10 for col in [cap_max, vol_mean]: data[f{col}_roll_mean] data.groupby(battery_id)[col].transform( lambda s: s.rolling(WINDOW, min_periods1).mean() ) data[f{col}_roll_std] data.groupby(battery_id)[col].transform( lambda s: s.rolling(WINDOW, min_periods1).std() ) data[f{col}_diff] data.groupby(battery_id)[col].diff().fillna(0)groupby(battery_id)是关键防止跨电池计算滑动窗口。min_periods1让前几个循环也有值不至于产生 NaN。diff()算一阶差分直接反映变化速率。加完这些特征后重新训练MAE 通常能降 10% 到 20%。但要注意特征维度增加后max_depth可能要相应调小否则过拟合风险上升。验证改进是否有效别只看一次划分的结果。用cross_val_score跑五折对比加特征前后的平均 MAE 和标准差。如果标准差很大说明结果不稳定可能是某块电池的数据分布和其他差异太大考虑做电池级别的归一化。从那以后我每次拿到新的电池数据都强制先画三张图容量衰减曲线、电压均值曲线、温度最大值曲线。这三张图看完EOL 阈值怎么定、特征怎么选、有没有异常循环心里基本有数了。希望帮到你。本文还有配套的精品资源点击获取 锂电池剩余寿命预测实战：随机森林完整源码与调参指南
简介这份资源面向计算机相关专业正在做毕业设计、课程设计或期末大作业的学生以及需要项目实战练习的学习者提供一套基于随机森林模型的锂离子电池剩余寿命预测完整方案。项目采用机器学习与物理建模相结合的思路通过电池充放电循环数据构建特征并训练随机森林回归模型实现剩余寿命的预测与评估代码经导师指导并获评审认可适合作为高分毕设参考。资源包共116个文件以106个xlsx数据表、5个py脚本、4个csv文件和1个md说明文档为主压缩包约152.94MB涵盖原始数据、数据处理脚本、预测主程序及README说明目录结构清晰便于按模块查阅与复现。目前已有76人学习下载。读者可从中获得完整可运行的源码、数据预处理与特征工程示例、模型训练与预测流程以及配套文档说明帮助快速理解随机森林在电池寿命预测中的应用并完成自己的项目。1. 锂电池剩余寿命预测一份能跑通的随机森林实战源码锂电池循环充放电数据拿到手很多人第一反应是上 LSTM 或者 Transformer结果数据量不够、训练半天不收敛答辩时被问「为什么不用传统机器学习」直接卡壳。这份资源走的是另一条路用随机森林做锂离子电池剩余寿命RUL预测输入是 NASA 公开的 CS2 系列电池老化数据输出是还能循环多少次。整个包里有四个电池的原始 CSV、四个对应的处理脚本、一个预测主脚本和一份 README结构清晰到可以直接拆开看每一步在干什么。适合正在做机器学习课程设计、毕业设计或者想找一个完整「数据清洗→特征工程→模型训练→结果输出」闭环练手的人。它不炫技但每个环节都能落地。2. 数据管线拆解从 CS2_35 到可训练特征矩阵2.1 为什么选随机森林而不是深度学习先把这个选型问题说清楚因为答辩时大概率会被问到。NASA 的 CS2 系列电池数据每个电池也就一百多个循环每个循环采集电压、电流、温度、容量等几条曲线。样本量放在深度学习语境下属于「极小数据集」随便一个两层 LSTM 参数量都能过万过拟合几乎是必然的。随机森林回归Random Forest Regressor在这个场景下的优势很实际它靠多棵决策树投票对样本量要求低特征维度也不用做太复杂的归一化还能直接输出特征重要性排序——这个排序在论文里就是现成的「特征分析」章节素材。另一个容易被忽略的点是训练速度。用 sklearn 的 RandomForestRegressor默认 100 棵树在普通笔记本上几秒就能跑完一轮调参迭代成本极低。对于需要反复改特征、改窗口大小的毕设场景这个反馈速度比等 GPU 跑半小时强太多。常见做法是先用随机森林把 baseline 跑出来再考虑要不要上更复杂的模型做对比实验。2.2 四个处理脚本的分工与执行顺序资源里四个处理_CS2_XX.py脚本不是重复代码每个对应一块电池的原始数据。CS2_35、CS2_36、CS2_37、CS2_38 是 NASA 数据集里四块同型号 18650 电池的循环老化记录它们的失效阈值和初始容量略有差异所以需要分别处理再合并。执行顺序建议按电池编号来先跑处理脚本生成中间特征文件再跑预测脚本。# 处理_CS2_35.py 的核心逻辑示意其他三个脚本结构一致 import pandas as pd import numpy as np # 读取原始循环数据原始文件通常包含 voltage、current、temperature、capacity 等列 raw pd.read_csv(CS2_35.csv) # 按循环编号分组每个循环提取统计特征 cycles raw.groupby(cycle).agg( cap_max(capacity, max), # 该循环最大放电容量直接反映老化程度 cap_min(capacity, min), vol_mean(voltage, mean), # 平均电压反映内阻变化趋势 vol_std(voltage, std), # 电压波动间接反映极化 temp_max(temperature, max), # 最高温度异常发热往往对应容量跳水 temp_mean(temperature, mean) ).reset_index() # 构造 RUL 标签当前循环到失效循环的剩余次数 EOL 0.7 # 常见做法是以初始容量的 70% 作为寿命终止阈值 initial_cap cycles[cap_max].iloc[0] cycles[RUL] cycles[cycle].apply( lambda c: cycles[cycles[cap_max] initial_cap * EOL][cycle].min() - c if len(cycles[cycles[cap_max] initial_cap * EOL]) 0 else 0 ) cycles.to_csv(CS2_35_features.csv, indexFalse)这段代码的逻辑分三步先按循环聚合统计量把原始时间序列压成每个循环一行特征再用容量阈值定义 RUL 标签最后落盘成中间文件。参数上最需要留意的是EOL 0.7NASA 数据集常用 70% 初始容量作为失效标准但不同论文有取 80% 的改这个值会直接改变标签分布进而影响模型输出。groupby(cycle)里的列名要和原始 CSV 实际列名对齐如果下载的数据列名是Capacity而不是capacity这里会直接报 KeyError。2.3 特征矩阵的合并与训练集划分四个处理脚本跑完后会得到四个特征 CSV预测脚本需要把它们合并成一个总表。这里有个细节不同电池的初始容量不同直接合并会让模型学到「电池编号」这个无关特征。常见做法是加一列battery_id做分组或者对容量做归一化后再合并。# 预测.py 中合并与划分的关键片段 import pandas as pd from sklearn.ensemble import RandomForestRegressor from sklearn.model_selection import train_test_split from sklearn.metrics import mean_absolute_error, r2_score # 合并四块电池的特征 dfs [pd.read_csv(fCS2_{i}_features.csv) for i in [35, 36, 37, 38]] data pd.concat(dfs, ignore_indexTrue) # 特征列与标签列分离 feature_cols [cap_max, cap_min, vol_mean, vol_std, temp_max, temp_mean] X data[feature_cols] y data[RUL] # 按 8:2 划分random_state 固定保证可复现 X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42 ) # 随机森林回归n_estimators 先给 100max_depth 不限制 model RandomForestRegressor(n_estimators100, random_state42, n_jobs-1) model.fit(X_train, y_train) pred model.predict(X_test) print(MAE:, mean_absolute_error(y_test, pred)) print(R2:, r2_score(y_test, pred))train_test_split的random_state42是固定随机种子保证每次划分一致方便对比不同参数的效果。n_jobs-1让训练用满所有 CPU 核心小数据集上感知不明显但习惯可以保留。评估指标用 MAE 和 R2MAE 直接告诉你预测的剩余循环数平均差多少次R2 看整体拟合程度。如果 MAE 超过 20说明特征或标签构造有问题优先回去检查 EOL 阈值和容量列是否取错。3. 随机森林调参与特征重要性分析3.1 关键参数怎么改、改完看什么RandomForestRegressor 的参数不少但真正影响这个场景的就这么几个。n_estimators是树的数量默认 100加到 200 通常能降一点方差但超过 300 收益就很小了训练时间线性增长。max_depth控制单棵树深度不设限时树会一直分到叶子纯净小数据集上极易过拟合建议从 5 开始试逐步加到 10。min_samples_leaf是叶子节点最少样本数设成 2 或 3 能有效防止模型记住噪声。# 一组可对比的参数配置直接改字典就能跑 param_grid { n_estimators: [100, 200], max_depth: [5, 8, 10], min_samples_leaf: [1, 2, 3] } from sklearn.model_selection import GridSearchCV grid GridSearchCV( RandomForestRegressor(random_state42, n_jobs-1), param_grid, cv3, scoringneg_mean_absolute_error ) grid.fit(X_train, y_train) print(最优参数:, grid.best_params_) print(最优 MAE:, -grid.best_score_)GridSearchCV的cv3表示三折交叉验证小数据集上折数不宜多否则每折训练样本太少。scoring用负 MAE 是因为 sklearn 的评分函数统一是「越大越好」MAE 本身越小越好所以取负。跑完best_params_直接给你最优组合best_score_记得取负还原成 MAE。这套流程在答辩时可以直接作为「超参数优化」章节的内容。3.2 特征重要性排序与物理意义解读随机森林自带feature_importances_属性输出每个特征对预测的贡献度。这个结果不只是数字它和电池老化机理是对得上的。import matplotlib.pyplot as plt importances model.feature_importances_ for name, imp in sorted(zip(feature_cols, importances), keylambda x: -x[1]): print(f{name}: {imp:.4f}) plt.barh(feature_cols, importances) plt.xlabel(Importance) plt.tight_layout() plt.savefig(feature_importance.png, dpi150)跑出来通常cap_max和vol_mean排前两位这符合预期容量衰减是电池老化的直接表现平均电压下降反映内阻增大。temp_max的重要性一般排第三或第四说明温度对寿命有影响但不是主导。如果跑出来某个特征重要性异常高比如超过 0.8大概率是数据泄漏——比如把cycle列误当特征传进去了因为循环数和 RUL 是强相关的。检查feature_cols里有没有混入标签衍生列这是血泪经验。4. 避坑与排查跑不通时先看这几条4.1 现象KeyError 报列名不存在原因NASA 原始 CSV 的列名可能是Capacity、Voltage这种首字母大写格式而处理脚本里写的是小写。不同来源的数据文件列名不统一直接跑必翻车。解决在读入后先print(raw.columns.tolist())看一眼实际列名再用raw.rename(columns{Capacity: capacity, ...})统一。或者干脆在脚本开头加一个列名映射字典一次性改完。4.2 现象RUL 出现大量负值原因EOL 阈值设得太低比如初始容量 2.0Ah阈值设 0.7 倍是 1.4Ah但有些电池还没降到 1.4Ah 数据就结束了导致min()返回 NaN 或后续计算出负数。解决先画一下每块电池的容量衰减曲线确认失效点是否在数据范围内。如果数据没覆盖到失效要么换电池要么把 EOL 调高到 0.8 甚至 0.85。标签构造前加一句assert (cycles[RUL] 0).all()做防御。4.3 现象模型 R2 很高但预测曲线明显滞后原因用了随机划分train_test_split同一个电池的相邻循环被分到了训练集和测试集模型实际上在「插值」而不是「外推」。这是时间序列预测里最经典的翻车点。解决按电池划分比如用 CS2_35、36、37 训练CS2_38 测试。或者按循环顺序切分前 70% 循环训练后 30% 测试。改完之后 R2 通常会降但那个数字才是真实泛化能力。4.4 现象每次跑出来结果不一样原因random_state没固定或者train_test_split和模型初始化用了不同的随机种子。解决在脚本开头统一设SEED 42所有涉及随机的函数都传random_stateSEED。包括train_test_split、RandomForestRegressor、GridSearchCV的cv参数。固定之后结果可复现调参才有意义。4.5 现象特征重要性里cycle排第一原因cycle列被误当特征传入了。循环数和 RUL 是直接函数关系模型学到这个等于作弊。解决检查feature_cols列表确保只包含传感器衍生特征不包含循环编号、时间戳、电池 ID 这类元信息。如果确实想用循环数那 RUL 标签的定义方式要改不能再用「失效循环减当前循环」。5. 进阶技巧用滑动窗口构造时序特征提升预测精度基础版把每个循环压成一行统计量丢掉了循环之间的演化信息。一个成本很低但效果明显的改进是加滑动窗口特征对每个循环取它前 N 个循环的容量均值、方差、斜率作为额外特征。这样模型能看到「容量正在加速下降」这种趋势而不只是当前值。# 在特征工程阶段加滑动窗口统计 WINDOW 5 # 窗口大小常见取 3 到 10 for col in [cap_max, vol_mean]: data[f{col}_roll_mean] data.groupby(battery_id)[col].transform( lambda s: s.rolling(WINDOW, min_periods1).mean() ) data[f{col}_roll_std] data.groupby(battery_id)[col].transform( lambda s: s.rolling(WINDOW, min_periods1).std() ) data[f{col}_diff] data.groupby(battery_id)[col].diff().fillna(0)groupby(battery_id)是关键防止跨电池计算滑动窗口。min_periods1让前几个循环也有值不至于产生 NaN。diff()算一阶差分直接反映变化速率。加完这些特征后重新训练MAE 通常能降 10% 到 20%。但要注意特征维度增加后max_depth可能要相应调小否则过拟合风险上升。验证改进是否有效别只看一次划分的结果。用cross_val_score跑五折对比加特征前后的平均 MAE 和标准差。如果标准差很大说明结果不稳定可能是某块电池的数据分布和其他差异太大考虑做电池级别的归一化。从那以后我每次拿到新的电池数据都强制先画三张图容量衰减曲线、电压均值曲线、温度最大值曲线。这三张图看完EOL 阈值怎么定、特征怎么选、有没有异常循环心里基本有数了。希望帮到你。本文还有配套的精品资源点击获取