02-中期：基线跑通了，但它「自信地错」——四个版本的迭代记录

风象 08 天秤座 · 中期留痕 · 2026-10-15 代码仓库：https://github.com/HhWw96/nabattery-aidc-soh · 指标表与全部脚本随仓库开源

一句话进展

从 V0.0.1 到 V0.0.5 迭代了 5 个版本。基线模型同工况精度很好（MAE 0.02 Ah），但跨低温工况时误差 0.49 Ah 且 90% 置信区间覆盖率 = 0%——模型不仅错，而且不知道自己错。后续三个版本都在回答这个问题。

方法选择（为什么不用深度学习起步）

特征走「充电 CC 段 IC(dQ/dV) 曲线统计 + EIS 内阻 + 放电曲线统计」，模型用分位数梯度提升。理由：数据是 ~2000 行的表格数据，小样本场景梯度提升是更强的基线，且原生分位数损失一次输出点预测 + 90% 区间、原生支持 NaN（低温组 CC 段太短导致 IC 特征缺失，缺失率本身携带工况信息）。

失败尝试记录（留痕比完美重要）

1. IC 峰提取第一版用 find_peaks 找物理峰，成功率仅 11%。调试发现老化后期 IC 峰展宽消失，低温组 CC 段物理上就极短——峰消失本身就是老化/低温信号。改为稳健统计口径（argmax 位置/高度/面积/CC 段容量）后成功率 82%。
2. 二手文献工况标注互相矛盾（B0033 组有论文标 4 ℃、有标 24 ℃），回官方 README 核实为 24 ℃/4A。关键参数必须以一手文档为准。
3. 保形校准在分布漂移下失效（V0.0.2）：同工况校准把覆盖率从 25% 拉到 95%，但 4 ℃ 组校准后仍只有 8%——保形的可交换性假设不覆盖工况漂移。这不是调参能修的，必须有目标工况的少量数据。

第一轮结果（V0.0.1–V0.0.4 核心数字）

验证场景	最好结果	说明
同工况留一电芯	MAE 0.012–0.045 Ah，R²>0.94	部署内场景已可用
倍率泛化（24℃→4A）	MAE 0.028 Ah（GBR-window）	历史滑窗特征泛化优于同循环诊断特征
温度泛化（→4 ℃）	全军覆没，R²<0	所有模型类（GBR/MLP/LSTM）都失败
冷启动适配	4 ℃ MAE 0.299→0.131 Ah（仅前 10 循环）	在线偏差校正，零重训

最反直觉的发现：同工况下纯历史滑窗的 GBR（MAE 0.012）比用了同循环充电/阻抗特征的诊断式模型（0.020–0.045）还准；而 LSTM 全面落败——小样本表格场景，梯度提升完胜，深度学习不是答案，数据分布才是问题。

与「钠电意味着什么」的关联

我们的 NASA 数据里，锂电 4 ℃ 可用容量只剩 24 ℃ 的 64%；而文献实测钠电 0 ℃ ≈ 95%、-15 ℃ ≈ 88%。让锂电模型崩溃的那个「低温鸿沟」，在钠电侧天然收窄——但反过来，任何从锂电数据预训练的模型都会系统性低估钠电的低温可用容量。冷启动适配（前 10 循环校准）正好是这座迁移桥梁。

下一步（10/16）

闭环仿真已出雏形（自适应限流 vs 固定策略，总吞吐 +11.2%）；明天整理核心图、定稿 PPT、发收束帖。

局限：老化数据为锂电 18650，钠电结论为文献外推；闭环仿真的策略收益系数是假设值。均已在仓库 VERSIONS.md 声明。

配图：① 4 ℃ 工况冷启动适配案例（无适配 vs 前 10 循环偏差校正）；② 保形校准前后的区间覆盖率对比。