随机森林回归实现锂电池SOH估计：Matlab特征工程与参数调优全攻略

简介：一套基于RF随机森林算法的锂电池健康状态（SOH）估计Matlab实现，面向从事电池管理、新能源系统及故障诊断研究的学生与工程师，用于解决锂电池容量衰减预测与健康评估问题。资源包内含完整可运行的脚本主程序、已预处理的NASA B0005电池数据集（mat格式）以及SOH预测结果表格（xlsx），共3个文件，压缩包仅12KB，轻量且易部署。目前已有141人学习下载。代码在Matlab2023b环境下运行验证，结构清晰、可读性强；随机森林方法适合多维特征回归建模，读者可直接替换数据路径完成训练与测试，也可方便扩展至其他电池或健康指标预测场景。配合作者多年Matlab与深度学习算法仿真经验，整套资料适合快速上手锂电池SOH估计、复现实验或支撑毕业设计。

1. 锂电池SOH估计：为什么随机森林能把这个寿命回归问题变成工程问题

做锂电池SOH估计的人，最常遇到的不是模型不会跑，而是模型跑完没法用。SOH（State of Health）是当前最大容量与额定容量的比值，传统办法要完整充电、完整放电，放到实际BMS里根本等不起。随机森林回归算法能在中等样本量下，把充电电压、电流、温度这类时序曲线变成强特征，直接回归SOH，且不需要假设特定的退化方程。用Matlab做这件事的完整链路是：特征构造 → TreeBagger/fitrensemble 训练 → OOB 验证 → 按电池分组评估。这篇文章写给手里有电池充放电数据、想用随机森林实现SOH估计但不想只看论文的工程师。我会把能直接复现的最小代码、参数设置和最容易翻车的坑一起讲透。

2. 先做特征：从充放电曲线里抽出能描述老化的信息

2.1 容量不能直接测，随机森林被逼着看曲线形状

SOH 的物理定义很干净：当前最大可用容量除以额定容量。但工程里麻烦的是“当前最大可用容量”必须通过一次完整的恒流放电积分才能得到，放在实验室里可以，放到实际电池包上既不现实也伤寿命。所以我一般把 SOH 估计拆成另一个回归问题：用一段容易获取的充电电压、电流、温度曲线，去映射当前容量衰减状态。

随机森林在这里的优势不是它比神经网络聪明，而是它对特征工程的要求更理性。老化过程与特征的关系是非线性的，树模型天然能处理阈值和交互效应。举例来说，同一批电池，新电池的恒流充电可能在 1200 秒内从 3.0V 冲到 4.2V，老化到 80% SOH 之后，这段充电时间会明显缩短，电压平台也会发生细微移动。这些现象不必写成精确的解析公式，只要把能描述曲线形态的标量提取出来，随机森林就能自动切分阈值。

常见的做法是先从一次充电过程里提取基础统计特征：恒流充电时长、充电容量积分、电压区间跨度、平均电压、最高温度、最高电压平台出现的位置。不要小看这些简单特征，实际项目里我见过只用充电时长和平均温度两个特征，随机森林就能把 SOH 误差压到 3% 以内的案例。特征数量不是越多越好，但少了确实会让模型失去区分度。

这里要注意一个问题：很多人喜欢把电池包的电压、电流、温度整段序列直接喂给模型，这在随机森林里是不推荐的。随机森林不具备时序建模结构，它对每个特征只做独立的分裂判断，如果喂入 10000 个时间序列点，它会把计算量浪费在大量相关性极高的变量上，模型却不一定更好。关键是把曲线压缩成有物理含义的统计量。

2.2 增量容量曲线：把电压平台变成峰特征

电压平台区是锂电池老化最敏感的窗口。所谓增量容量（Incremental Capacity，IC）曲线，就是对充电电压做 dQ/dV 计算，得到的曲线会出现多个峰。每个峰对应一个电化学相变阶段，峰的位置和高度会随着锂损失、内阻增加而移动。相比直接用电压曲线观察平台的细微差异，IC 峰的变化更明显，也更适合作为随机森林的输入。

我用 Matlab 实现 IC 曲线时，通常直接在恒流充电段上做数值差分。要小心的是电压采样分辨率不够高时，differential 会把噪声放大，甚至出现 inf 和 NaN。更稳妥的做法是先对电压做平滑，再对 dQ/dV 做平滑，然后取峰特征。下面这段代码是特征构造阶段最核心的计算过程：

% 假设 runs 是循环老化实验的结构体数组 % 每个 runs(i) 有 time、voltage、current、capacity 字段 numRuns = numel(runs); icPeak = cell(numRuns, 1); % 存储每个循环的IC峰值 icLoc = cell(numRuns, 1); % 存储IC峰对应电压位置 for i = 1:numRuns t = runs(i).time; v = runs(i).voltage; I = runs(i).current; % 恒流充电，I 近似常数 dv = [0; diff(v)]; % 电压差分 dq = I .* [0; diff(t)]; % 容量差分：I * dt ic = dq ./ (dv + eps); % dQ/dV，加 eps 防止除零 % 把电压分辨率太低导致的尖刺置为 NaN ic(abs(dv) < 0.005) = NaN; % 移动平均平滑，窗口大小取决于采样率 win = 15; ic_s = movmean(ic, win, 'omitnan'); % 找峰：这里用 MinPeakProminence 排除毛刺伪峰 [pks, locs] = findpeaks(ic_s, 'MinPeakProminence', 0.02 * max(ic_s)); icPeak{i} = pks; icLoc{i} = v(locs); end

这段代码的关键逻辑是：先还原 dQ/dV 曲线，再做平滑和找峰。参数win=15并不是固定值，它取决于充电数据的采样频率。如果采样率很高，电压每几个点变化很小，差分后的 dQ/dV 噪声会很明显，窗口可以加大到 30 甚至 50；如果采样率低，窗口过大反而会把真实的峰磨平。MinPeakProminence同样需要按实际曲线幅度调整，通常取最大峰值高度的 2% 到 5% 都能得到稳定结果。

我只取了每个循环 IC 曲线的前两个峰的峰高和位置作为特征，因为主峰和次峰能体现主要的相变过程。第三、第四个峰往往太微弱，受噪声影响大，放进模型里反而增加不稳定。对于磷酸铁锂电池，电压平台非常平坦，差分容易出现极端值，更要严格做好平滑和 NaN 清理，这也是磷酸铁锂和三元锂在特征工程上的明显差异。

2.3 特征矩阵长什么样：一份能喂给 TreeBagger 的表格

把曲线压缩成标量之后，整个 SOH 估计就变成一个标准表格回归问题。每一行是一个充电循环（或一个充电片段），每一列是一个特征，最后一列是对应的 SOH 标签。下面是我在项目中常用的特征集合表。

目标变量 SOH 一般这样计算：每个循环先记录当前最大容量cap，然后用cap / ratedCapacity得到 SOH。注意 SOH 通常用小数表示（0.80 表示 80%），也可以用百分比，两者训练效果一致，只是最后的误差指标解释不同。

数据划分是整个流程里最容易被忽视的部分。随机森林建模时，如果按“所有循环里随机抽 80% 做训练、20% 做测试”，结果是典型的数据泄漏。同一个电池的第 5 次循环和第 50 次循环会被分别分到训练和测试组，模型实际上已经见过同一个电池退化轨迹的一部分，测试误差会异常低。正确做法是按电池编号分组留出。比如一共有 8 块电池老化数据，拿其中 6 块的全部循环做训练，剩下 2 块的全部循环做测试。这样能模拟“模型遇到没见过的电池”的真实场景。

下面这段代码示意了分组划分方式：

rng(42); battId = arrayfun(@(x) x.battId, runs); % 每个循环所属的电池编号 allBatts = unique(battId); nTestBatt = 2; testBatts = allBatts(randperm(numel(allBatts), nTestBatt)); isTest = ismember(battId, testBatts); X_train = X(~isTest, :); SOH_train = SOH(~isTest); X_test = X(isTest, :); SOH_test = SOH(isTest);

如果后续要做模型调参，仍然要在训练组内部做交叉验证，测试组不能碰。我建议把测试组电池单独隔离，调参阶段只看 OOB 误差和训练集交叉验证误差，最后才用测试组做一次评估。这样得到的误差数字才敢写进报告。

3. 用Matlab把随机森林SOH估计跑起来：最小可运行代码

3.1 用 TreeBagger 训练回归森林

Matlab 里实现随机森林回归有两个常用入口：老牌的TreeBagger和更现代的fitrensemble。我做 SOH 估计更倾向用TreeBagger，因为它在回归模式下可以直接拿 OOB 误差曲线、特征重要性这些诊断信息，而且接口稳定，对于小样本数据更好控制。

下面这段代码是完整的最小训练流程，假设你已经通过上一节的特征工程得到了矩阵X和标签向量SOH，并且已经做了按电池分组划分。

% 数据划分结果来自上一节 % X_train: 训练特征矩阵 % SOH_train: 训练标签 % X_test: 测试特征矩阵 % SOH_test: 测试标签 ntrees = 300; rf = TreeBagger(ntrees, X_train, SOH_train, ... 'Method', 'regression', ... 'MinLeafSize', 5, ... 'NumPredictorsToSample', max(1, round(size(X_train, 2) / 3)), ... 'OOBPrediction', 'on', ... 'OOBVarImp', 'on', ... 'SampleWithReplacement', 'on');

这里几个参数值得展开讲：

ntrees是决策树的数量。SOH 估计的样本量通常不大，几十到几百个循环，300 棵树是一个够用的起点。树太少会导致单棵树噪声影响大，多了虽然不会过拟合，但训练时间和模型文件体积都会上升。我一般先用 300 看 OOB 误差曲线，如果曲线在 150 棵树之后已经进入平台期，再降到 200 或 150，避免存一个又大又不讨好的模型文件。

MinLeafSize是叶子节点最少样本数。它直接影响每棵树的深度。SOH 样本少的时候，如果设成 1，每棵树会努力记住每个训练样本，虽然袋外误差通常不会太差，但模型的局部形状会非常毛躁。设成 5 到 10 可以让树更保守，测试误差往往更稳定。这是一个需要和训练误差一起权衡的参数。

NumPredictorsToSample是每次分裂时随机抽选的特征数量。回归的默认值是特征总数的三分之一。如果特征数量只有 6 到 8 个，三分之一会让每棵树的选择空间太小，这时可以改为全部特征，让每棵树都不遗漏重要变量。特征数量在 20 以上时，三分之一是比较稳妥的起点。

OOBPrediction和OOBVarImp打开后，会自动保存每个样本的袋外预测和变量重要性，方便训练结束后做诊断，建议单机训练时始终打开。

3.2 预测与误差评估：不要只看 R2

训练完成之后，用测试组数据做预测的代码非常短：

[SOH_pred, ~] = predict(rf, X_test); % 计算评估指标 rmse = sqrt(mean((SOH_test - SOH_pred).^2)); mae = mean(abs(SOH_test - SOH_pred)); ssRes = sum((SOH_test - SOH_pred).^2); ssTot = sum((SOH_test - mean(SOH_test)).^2); r2 = 1 - ssRes / ssTot; fprintf('RMSE = %.4f, MAE = %.4f, R2 = %.4f\n', rmse, mae, r2);

这里必须提醒一个容易误解的点：SOH 如果以小数形式存储，RMSE 是 0.02 意味着平均误差 2%，看起来很好；但如果数据里 SOH 的变化范围只有 0.8 到 1.0，R2 可能被一个很小的绝对误差放大或缩小。所以我通常同时报告 RMSE 和 MAE，再画一张实测 SOH 和预测 SOH 的散点图：

figure; plot(SOH_test, SOH_pred, 'o'); hold on; plot([min(SOH_test), max(SOH_test)], ... [min(SOH_test), max(SOH_test)], 'r--', 'LineWidth', 1.5); xlabel('实测 SOH'); ylabel('预测 SOH'); axis equal; grid on;

散点图上如果点围绕对角线均匀分布，说明模型没有明显的系统性偏差。如果点整体偏到对角线一侧，则说明模型在某些 SOH 区间有系统性低估或高估，需要回头检查特征是否缺少了某个老化敏感量。比如当电池进入中后老化期，内阻上升带来的端电压变化和容量衰减不同步，如果特征里没有温度或内阻相关量，模型就会在低 SOH 区间出现偏差。

3.3 特征重要性：随机森林自带的诊断工具

TreeBagger在打开OOBVarImp后，会计算每个特征的扰动重要性（Permuted Predictor Importance）。它的含义是：把某个特征列打乱之后重新预测，袋外误差增加多少。误差增加越多，说明模型对这个特征越依赖。

imp = rf.OOBPermutedVarDeltaError; [~, idx] = sort(imp, 'descend'); figure; bar(imp(idx)); set(gca, 'XTick', 1:numel(imp), ... 'XTickLabel', featNames(idx), ... 'XTickLabelRotation', 45); ylabel('OOB 误差增量');

看这个图的时候要冷静。随机森林的重要性排序并不能直接当作因果解释：如果两个特征高度相关，重要性会在它们之间被分摊，单一特征的重要性反而显得低。比如容量积分和充电时长高度相关，二者重要性可能各占一半，但无法说明哪一个物理上更重要。我在实际项目里只用它做粗筛，再看重要性低的特征是否真的是噪声来源；如果某个特征同时重要性低、物理含义也弱，就会把它从特征表中拿掉，重新训练一次看是否影响精度。这比单纯追求所有特征都进模型更实用。

4. 参数调优与避坑：随机森林SOH估计最容易翻车的五个细节

4.1 三个必调参数：NumTrees、MinLeafSize、NumPredictorsToSample

很多第一次用随机森林做锂电池SOH估计的工程师，第一反应是按默认参数训练，发现测试误差不错，就以为大功告成。实际上默认参数只是给通用分类问题设计的，回归和样本量都不匹配时，至少要把下面三个参数过一遍。

第一个是NumTrees。树的数量不是越大越好，也不是越小越快，而是要看 OOB 误差是否收敛。训练完模型后直接画一条oobError(rf)曲线，就能看到误差随树数量下降的过程。如果曲线在 100 棵树以后已经水平，那 300 棵树就是多余的；如果曲线还在明显下降，说明计算资源可以加大到 500 或 1000。曲线进入平台期后，误差不会再显著改善，继续加树只会增加模型的体积和预测耗时。

第二个是MinLeafSize。这个参数控制树的复杂度。SOH 训练集可能只有 300 到 500 个样本，如果叶子最小样本数设成 1，树会非常深，训练集误差接近零，但测试集误差可能反而高。常见做法是从 1 到 20 做粗网格搜索，用 OOB 误差选择最佳值。我在自己的项目中，样本量在 400 左右时，MinLeafSize=5通常是最稳的；样本量少于 200 时，MinLeafSize=3更合适；样本量超过 1000 时，MinLeafSize=10可以让模型更平滑。

第三个是NumPredictorsToSample。回归默认取特征总数的三分之一。如果特征数量只有 6 个，三分之一只有 2 个，每棵树每次分裂可选变量太少，树的多样性不足，集成效果会打折扣。我建议当特征数小于 10 时直接设置为'all'，让每棵树看到全部特征；特征数在 20 以上时从三分之一开始调。这个参数也可以在网格搜索里和MinLeafSize一起优化，但在小样本场景下，它的敏感性通常低于MinLeafSize。

下面是一段用 OOB 误差快速选参的代码：

minLeafCandidates = [3, 5, 10, 20]; oobErr = zeros(size(minLeafCandidates)); for i = 1:numel(minLeafCandidates) rf_tmp = TreeBagger(200, X_train, SOH_train, ... 'Method', 'regression', ... 'MinLeafSize', minLeafCandidates(i), ... 'NumPredictorsToSample', size(X_train, 2), ... 'OOBPrediction', 'on'); oobErr(i) = oobError(rf_tmp, 'last'); % 取最终树数下的OOB误差 end % 选择 OOB 误差最小的 MinLeafSize [~, bestIdx] = min(oobErr);

这段代码中'last'表示只取最后一棵树时的 OOB 误差，作为该参数组合的代表。如果时间充裕，可以把网格扩大到两个参数组合，但不要让交叉验证和 OOB 一起混用，OOB 已经足够做快速筛选。

4.2 数据泄漏：随机划分会让你的测试误差“好看”到失真

这是我在锂电池SOH估计里见过最多、最隐蔽的坑。现象很一致：训练好的随机森林拿到测试集上一测，RMSE 只有 0.5%，R2 高达 0.99，发到群里大家都说好，但一旦换一批电池做盲测，误差立刻涨了五倍。

原因几乎都是数据划分方式错了。SOH 估计面对的老化数据不是独立同分布样本，同一个电池的前期循环和后期循环高度相关，容量衰减轨迹是连续的。如果按循环随机划分训练集和测试集，模型在训练里看到同一块电池的第 10 次循环，测试里遇到同一块电池的第 11 次循环，它当然能预测得很准，因为退化趋势已经被它学过了。这等于考试前已经见过标准答案，测试误差没有一点参考价值。

解决方式很明确：划分必须基于电池编号，而不是基于循环编号。每组都是完整电池的所有循环，不能让同一个电池的样本同时出现在训练集和测试集。训练集内部做交叉验证时也要同样按电池分组，不能直接cvpartition随机抽。如果电池总数少，比如只有 6 块，测试组取 1 到 2 块即可，剩余做训练。如果电池总数多，可以按 7:3 或 8:2 的比例留出。这不是为了测试集更大，而是为了保证模拟场景是“模型对陌生电池做预测”。

4.3 外推问题：随机森林只能插值，不能外推

另一个常见翻车是训练数据只覆盖了 SOH 区间 0.85 到 1.0，但实际现场希望预测到 0.7 甚至更低。随机森林的预测边界是训练数据范围：当某个特征超出训练范围时，预测值会被该特征的叶子节点均值限制住，不会继续下降。表现在结果上就是预测 SOH 在测试集低段时整体偏高，误差集中在低 SOH 区间。

这不是随机森林本身的 bug，而是所有基于树的模型的共性。树的分裂来自训练数据的分布，它没有能力推断“没见过”的曲线趋势。解决思路有三种。

第一种，尽量让训练数据的 SOH 范围覆盖目标范围。如果目标 BMS 需要监控到 0.75，那么训练数据也要包含足够的低 SOH 循环。第二种，如果实在没有低 SOH 数据，可以结合物理模型做趋势校正，比如用容量衰减的对数趋势外推出一个下限，再和随机森林的输出做加权融合。第三种，对模型做在线更新，用现场新采集到的低 SOH 数据定期微调或重新训练。无论哪种方式，都不要宣称随机森林能外推到训练区间之外，这会成为工程验收时最大的隐患。

4.4 常见问题排查清单：现象、原因、解决

下面这几条是我在实际调试中反复遇到过的，按“现象 → 原因 → 解决”的方式列出来。

特征矩阵里有 NaN 或 Inf，TreeBagger直接报错或者训练出来的模型预测全部是 NaN。原因通常是增量容量曲线在电压平台处产生了0/0或inf，虽然代码里加了eps和NaN清理，但某个特征列仍可能残留异常。解决方式是在训练前检查每一列：

assert(sum(isnan(X(:))) == 0, '特征矩阵存在 NaN，请检查 IC 曲线清洗步骤'); assert(sum(isinf(X(:))) == 0, '特征矩阵存在 Inf，请检查差分计算');

模型预测出的 SOH 有超过 1 或小于 0 的值。原因是回归模型没有上下界约束，树均值在边界外仍然可能外推。解决办法是在预测后进行饱和处理：SOH_pred = min(1, max(0, SOH_pred));。虽然粗暴，但它保证输出符合物理约束，不会在展示时出现“110% SOH”的笑话。

训练数据量只有几十个循环，随机森林仍然可以跑，但训练集误差几乎为零，测试集误差却高得离谱。原因是树太多、叶子太深，模型把每个样本的独有噪声都记住了。遇到这种情况，优先调大MinLeafSize到 10 或 20，并减少树的数量到 100 以内，同时用 OOB 误差曲线判断是否过拟合。

还有一类问题是内存或时间爆掉。3000 棵树在几十个特征、几千个样本上可能还能忍，但如果把原始时间序列也作为特征喂进模型，特征维度达到上万，每棵树的分裂速度会急剧下降。解决方式是对特征矩阵做一次相关性粗筛，删除相关系数大于 0.95 的冗余特征，再把树数降到 200 以内。

5. 用OOB误差替测试集做最后验证：一个少吃哑巴亏的部署习惯

最后一章我想把重点放在一个很容易被忽略的动作上：在正式训练完模型之后，先不要急着跑测试集，而是先看袋外误差。TreeBagger 打开OOBPrediction后，每个训练样本在“完全没有被包含在那一棵树里”的条件下，都会有一个预测结果。这些 OOB 预测集合起来，实际上等于模型在“陌生化”训练样本上的一种自验证。

我刚做锂电池SOH估计时，习惯直接随机划分训练集和测试集，看到 RMSE 不到 1%，信心满满地把模型发给测试工程师。结果到了新电池上误差翻了一倍，当时我还觉得是“电池批次差异”，后来才发现是数据泄漏。从那以后，我要求自己每次训练完先看 OOB 误差曲线，再和训练集误差对比。如果训练集误差远低于 OOB 误差，说明模型在记忆样本而不是学习趋势，这时测试集误差再高也正常，因为测试样本本来就和训练样本分布不同。

一个实用的收尾技巧是绘制 OOB 误差曲线和训练集误差曲线，看两者是否收敛。如果 OOB 误差在树数增加后平稳下降，而训练集误差趋近于零，说明模型容量足够，但泛化能力只能靠 OOB 来监督。

figure; plot(oobError(rf), 'LineWidth', 1.5); hold on; plot(1:ntrees, sqrt(mean((SOH_train - predict(rf, X_train)).^2)) * ones(1, ntrees), 'r--'); legend('OOB Error', 'Training RMSE'); xlabel('Number of Trees'); ylabel('Error');

如果 OOB 误差曲线与训练集误差曲线之间的间隙持续很大，优先调大MinLeafSize或减少特征数，而不是增加树数。这个习惯帮我少吃了很多“测试集选得太偏心”的哑巴亏。

还有一个我个人的习惯：在把模型部署为.mat文件之前，会再跑一遍特征重要性排序，把每棵树的NumPredictorsToSample与最终重要性排名对齐检查。如果某个物理意义很强的特征在重要性排名里垫底，我会先怀疑特征构造错了，而不是怀疑模型。保持这个怀疑习惯之后，我做特征工程的质量提升了一个台阶。

希望这份从特征到参数再到避坑的完整路线，能帮你在锂电池SOH估计上少走一段弯路。

本文还有配套的精品资源，点击获取