《Energies》：Geochemical Constraints on the Variation in Shale Oil Quality Produced from the Middle Permian Lucaogou Formation Within the Santanghu Basin, China
Junhui Lin,
Yangdi Duan,
Kun Shu,
Suyang Cai,
Qianzhe Hu and
Qilin Xiao
编辑推荐：
研究人员提出了一种基于自适应门控混合集成学习（Adaptive Gated Hybrid Ensemble Learning, AGHEL）的锂离子电池容量预测方法，以解决单一模型难以同时捕捉瞬时特征变化与长期退化趋势的问题。该方法首先提取多电压时间序列（Mu
研究人员提出了一种基于自适应门控混合集成学习（Adaptive Gated Hybrid Ensemble Learning, AGHEL）的锂离子电池容量预测方法，以解决单一模型难以同时捕捉瞬时特征变化与长期退化趋势的问题。该方法首先提取多电压时间序列（Multi?Voltage Time Series, MVTS）特征，包括充电时间锚点 ti,k、区间时长 ΔTi和电压波动特征 Vσr,i，并通过 Isolation Forest 剔除异常数据，采用线性插值修复缺失值。随后，分别训练特征驱动的 XGBoost 模型和序列驱动的 LSTM 模型，前者擅长捕捉局部非线性老化特征，后者可有效建模长周期退化趋势。为动态融合两模型的预测结果，研究人员引入随机森林（Random Forest, RF）回归器作为门控模型，基于样本外（Out?of?Fold, OOF）策略生成无泄漏的元特征向量 Xmeta，包含两模型的预测值及其绝对差值，实现根据当前老化状态自适应分配权重 ω。实验结果表明，该混合框架在不同电池数据集上均显著降低了预测误差，提升了模型的鲁棒性和泛化能力，尤其在处理容量再生和突发容量跳水等非平稳现象时表现出更高的稳定性。
研究背景与意义
锂离子电池在电动汽车与储能系统中的广泛应用，使得其健康状态评估与剩余寿命预测成为保障系统安全运行的核心技术。容量作为电池老化的关键指标，其预测精度直接影响运维决策与安全性。然而，现有预测方法多采用单一模型，难以兼顾瞬时特征变化与长期退化趋势的建模需求，且在面对测量噪声、容量再生及突发容量跳水等复杂工况时泛化能力不足。为此，研究人员开展了一项融合特征空间与时序空间建模的自适应门控混合集成学习研究，旨在提高容量预测的精度、稳定性与工程适用性，相关成果发表于《Energies》。
主要关键技术方法
研究人员采用 NASA PCoE 公开电池数据集（B0005、B0006、B0007、B0018）作为实验对象，共包含 4 组电池在恒定电流充电工况下的循环测试数据。核心技术方法包括：（1）MVTS 特征提取，从每个充电周期中提取 ti,k、ΔTi与 Vσr,i三类特征；（2）基于 Isolation Forest 的无监督异常检测与线性插值修复；（3）分别训练 XGBoost 与 LSTM 作为异构基学习器；（4）采用留一电池交叉验证（Leave?One?Battery?Out, LOBO）生成 OOF 预测，构建包含预测值与特征差的元特征向量 Xmeta；（5）以 RF 回归器作为门控模型，动态输出融合权重 ω，实现两模型预测结果的加权集成。
研究结果
2.2 数据预处理与异常检测
研究人员通过 Isolation Forest 剔除由传感器故障或长时间静置引起的异常周期，并将异常值标记为缺失，沿循环轴进行线性插值修复。该方法在去除噪声的同时保留了容量再生的物理连续性，避免了误删真实老化行为。
2.3.1 特征驱动学习器：XGBoost
XGBoost 利用梯度提升框架拟合 MVTS 特征，通过二阶梯度与正则化项控制模型复杂度，有效捕捉充电曲线斜率变化与拐点偏移等局部非线性老化特征，对锂析出或微短路等突变行为具有高敏感性，但因缺乏时序记忆能力，预测曲线平滑性较差。
2.3.2 序列驱动学习器：LSTM
LSTM 通过遗忘门、输入门与输出门控制细胞状态 Ct的信息流，采用长度 L=15 的滑动窗口建模历史容量序列，能够抑制短期波动并保留长期退化趋势。实验表明，LSTM 在平稳老化阶段预测连续性强，但对突发容量跳水响应滞后。
2.3.3 基学习器的互补性
XGBoost 与 LSTM 在老化不同阶段表现出互补特性，前者对瞬时变化敏感，后者对长期趋势稳定。研究人员据此设计自适应门控融合机制，最终预测容量 C?final= ω·C?XG+ (1?ω)·C?LSTM，其中 ω∈[0,1] 由 RF 门控模型根据 Xmeta实时估计。
讨论与结论
研究结果表明，自适应门控混合集成学习框架显著优于单一模型，能够在不同老化状态下动态调整模型权重，兼顾局部特征敏感度与时序稳定性。该方法有效解决了非平稳工况下的预测偏差问题，并在 NASA 数据集上验证了良好的泛化性能。研究人员指出，该框架可扩展至其他电化学储能系统的健康评估中，具有重要的工程应用价值。
