% SVR预测电池健康状态(SOH) - 优化版 clc; clear; close all; % 设置训练集和测试集路径 train_folder = 'D:\HuaweiMoveData\Users\26304\Desktop\XJTU\训练集'; test_folder = 'D:\HuaweiMoveData\Users\26304\Desktop\XJTU\测试集'; % 定义特征列和目标列 feature_names = {'A', 'V0', 'PeakValue', 'PeakArea'}; target_name = 'SOH'; % 读取文件夹中的所有CSV文件 train_data = readAllCSVFiles(train_folder); test_data = readAllCSVFiles(test_folder); % 提取特征和目标变量 X_train = train_data{:, feature_names}; y_train = train_data{:, target_name}; X_test = test_data{:, feature_names}; y_test = test_data{:, target_name}; % 0-1归一化特征 (Min-Max Scaling) min_vals = min(X_train); max_vals = max(X_train); range_vals = max_vals - min_vals; % 避免除零错误 range_vals(range_vals == 0) = 1; % 应用归一化 X_train_norm = (X_train - min_vals) ./ range_vals; X_test_norm = (X_test - min_vals) ./ range_vals; % 训练SVR模型 svr_model = fitrsvm(X_train_norm, y_train, ... 'KernelFunction', 'gaussian', ... 'KernelScale', 'auto', ... 'BoxConstraint', 100, ... 'Epsilon', 0.1, ... 'Standardize', false); % 已手动标准化 % 预测和评估 y_pred = predict(svr_model, X_test_norm); % 计算性能指标 mse = mean((y_test - y_pred).^2); rmse = sqrt(mse); mae = mean(abs(y_test - y_pred)); r2 = 1 - sum((y_test - y_pred).^2) / sum((y_test - mean(y_test)).^2); % 显示结果 fprintf('模型性能评估:\n'); fprintf('均方误差(MSE): %.4f\n', mse); fprintf('均方根误差(RMSE): %.4f\n', rmse); fprintf('平均绝对误差(MAE): %.4f\n', mae); fprintf('决定系数(R²): %.4f\n', r2); % 可视化预测结果与实际值对比 figure; scatter(1:length(y_test), y_test, 100, 'bo', 'filled', 'DisplayName', '实际值'); hold on; scatter(1:length(y_pred), y_pred, 100, 'rx', 'DisplayName', '预测值'); grid on; xlabel('样本索引'); ylabel('SOH值'); title('SOH预测结果对比'); legend('Location', 'best'); set(gca, 'FontSize', 12); hold off; % 绘制残差图 figure; residuals = y_test - y_pred; scatter(y_pred, residuals, 80, 'filled', 'MarkerFaceColor', [0.5 0.5 0.9]); hold on; plot([min(y_pred) max(y_pred)], [0 0], 'k-', 'LineWidth', 2); xlabel('预测值', 'FontSize', 12); ylabel('残差', 'FontSize', 12); title('预测值 vs 残差', 'FontSize', 14); grid on; set(gca, 'FontSize', 10); hold off; % 辅助函数：读取文件夹中的所有CSV文件 function combinedData = readAllCSVFiles(folder) files = dir(fullfile(folder, '*.csv')); combinedData = []; for i = 1:length(files) file_path = fullfile(folder, files(i).name); data = readtable(file_path); % 确保所有文件包含所需的列 required_columns = {'FileName', 'Week', 'DischargeCapacity', 'SOH', ... 'A', 'K', 'V0', 'RMSE', 'R2', 'PeakValue', ... 'PeakVoltage', 'PeakArea', 'RUL'}; if all(ismember(required_columns, data.Properties.VariableNames)) if isempty(combinedData) combinedData = data; else combinedData = [combinedData; data]; end else fprintf('警告: 文件 %s 缺少所需列，已跳过\n', files(i).name); disp('文件包含的列:'); disp(data.Properties.VariableNames); end end end 不同测试电池的预测结果分开绘制

<think>我们有一个MATLAB程序，用于使用SVR（支持向量回归）预测电池健康状态（SOH）。程序包括数据读取、预处理（归一化）、模型训练、预测、评估和可视化。用户要求将不同测试电池的预测结果分开绘制。 当前程序将训练集和测试集的所有数据合并在一起，然后进行训练和测试。但是，测试集可能包含多个电池的数据（每个电池有多个循环周期的数据）。用户希望针对每个电池单独绘制预测结果。 为了实现这一点，我们需要： 1. 在测试集中，根据电池标识（例如，文件名或某个标识列）将测试数据分组。 2. 对每个电池单独进行预测和绘制。 然而，当前的数据读取方式将所有测试数据合并到一个大表中。我们需要在读取数据时保留电池的标识信息，以便后续分组。 观察辅助函数`readAllCSVFiles`，它读取一个文件夹中的所有CSV文件并合并成一个表。但是，合并后的表丢失了每个样本来自哪个文件的信息（除了'FileName'列）。在原始数据中，每个CSV文件可能代表一个电池的多次循环数据，或者多个电池的数据。 在合并后的表中，有一个'FileName'列，我们可以利用这个列来区分不同的电池。但是，请注意，同一个电池的数据可能分散在多个CSV文件中吗？根据问题描述，每个CSV文件可能对应一个电池的多次循环。因此，我们可以假设每个CSV文件对应一个电池，那么我们可以用文件名来区分电池。 但是，在测试集中，可能有多个CSV文件，每个文件代表一个电池的完整数据。因此，在测试时，我们需要按文件名分组，然后分别对每个文件的数据进行预测和绘制。 步骤： 1. 修改测试数据读取：在读取每个测试文件时，我们不仅要读取数据，还要记录文件名（已经记录在'FileName'列中）。 2. 在测试阶段，不要一次性对整个测试集进行预测，而是按电池（按文件名）分组，然后对每个电池的数据进行预测，并分别绘制。 因此，我们需要修改程序： - 在读取测试集时，不要合并成一个表，而是保留每个文件的数据单独存储。 - 或者，在合并后，我们根据'FileName'列中的唯一值来拆分测试集。 考虑到后续可能需要对每个电池单独评估，我们选择第二种方法：先合并，然后按唯一文件名分组。 但是注意：同一个电池的数据可能出现在多个文件中？根据问题描述，训练集和测试集是分开的文件夹，每个文件可能是一个电池的多个循环数据。因此，一个电池的数据在一个文件中。所以，我们可以按文件名分组。 修改计划： 1. 修改测试集读取方式：仍然使用`readAllCSVFiles`函数读取所有测试文件，合并成一个表，但保留'FileName'列。 2. 获取测试集中所有唯一的文件名（即每个电池一个文件名）。 3. 对每个唯一的文件名，提取该电池的数据，进行归一化（注意：归一化参数来自训练集），然后预测。 4. 对每个电池，绘制实际SOH和预测SOH的对比图（横坐标可以是循环次数或样本索引，但注意同一个电池的数据是时间序列，所以横坐标应该是循环次数或时间点，但数据表中没有循环次数的列？有'Week'列？或者用样本索引）。 但是，在数据表中，我们有一个'Week'列，表示循环的周数？或者我们可以用行号作为横坐标（样本索引）。但最好使用循环周期（如果有的话）作为横坐标。然而，用户要求分开绘制每个电池的预测结果，横坐标可以是循环周期（如周数）或样本点。 在数据表中，我们有一个'Week'列，我们可以用这个列作为横坐标（x轴）。如果没有，则用样本索引。 具体步骤： 1. 首先，我们保留测试集合并后的表`test_data`，其中包含'FileName'列。 2. 获取测试集中唯一的文件名列表： unique_files = unique(test_data.FileName); 3. 对每个文件名，提取该文件对应的数据子集。 4. 对每个子集，应用归一化（使用训练集得到的min_vals和max_vals）。 5. 预测该子集的SOH。 6. 绘制该电池的实际SOH和预测SOH对比图，并计算该电池的评估指标（可选）。 注意：归一化时，要使用训练集的归一化参数，而不是测试集自身的。 修改代码部分： 在模型训练和预测部分，我们不再一次性对整个测试集进行预测，而是循环处理每个电池（按文件名分组）。 同时，我们可能希望保存每个电池的预测结果和评估指标。 代码修改如下： 替换以下部分： % 预测和评估 y_pred = predict(svr_model, X_test_norm); 改为： unique_files = unique(test_data.FileName); figure; % 创建一个新图，用于绘制所有电池的对比？或者每个电池单独一个图？用户要求分开绘制，所以每个电池一个图。 % 初始化一个结构体或元胞数组来存储每个电池的评估结果 battery_results = struct(); for i = 1:length(unique_files) file_name = unique_files{i}; % 提取当前文件的数据 mask = strcmp(test_data.FileName, file_name); current_test_data = test_data(mask, :); % 提取特征 X_current = current_test_data{:, feature_names}; y_current = current_test_data{:, target_name}; % 归一化特征 X_current_norm = (X_current - min_vals) ./ range_vals; % 预测 y_pred_current = predict(svr_model, X_current_norm); % 计算评估指标 mse_current = mean((y_current - y_pred_current).^2); rmse_current = sqrt(mse_current); mae_current = mean(abs(y_current - y_pred_current)); r2_current = 1 - sum((y_current - y_pred_current).^2) / sum((y_current - mean(y_current)).^2); % 存储结果（可选） battery_results(i).FileName = file_name; battery_results(i).MSE = mse_current; battery_results(i).RMSE = rmse_current; battery_results(i).MAE = mae_current; battery_results(i).R2 = r2_current; battery_results(i).Actual = y_current; battery_results(i).Predicted = y_pred_current; % 绘制当前电池的预测结果对比图 figure; % 如果有时间序列信息（如'Week'），则用'Week'作为横坐标，否则用样本索引 if ismember('Week', current_test_data.Properties.VariableNames) x_vals = current_test_data.Week; else x_vals = 1:length(y_current); end plot(x_vals, y_current, 'bo-', 'LineWidth', 1.5, 'MarkerSize', 8, 'DisplayName', '实际值'); hold on; plot(x_vals, y_pred_current, 'rx--', 'LineWidth', 1.5, 'MarkerSize', 8, 'DisplayName', '预测值'); hold off; grid on; xlabel('循环周数', 'FontSize', 12); ylabel('SOH值', 'FontSize', 12); title(sprintf('电池: %s 的SOH预测结果对比', file_name), 'FontSize', 14); legend('Location', 'best'); set(gca, 'FontSize', 10); % 也可以绘制残差图（可选，每个电池一个残差图） figure; residuals_current = y_current - y_pred_current; scatter(y_pred_current, residuals_current, 80, 'filled', 'MarkerFaceColor', [0.5 0.5 0.9]); hold on; plot([min(y_pred_current) max(y_pred_current)], [0 0], 'k-', 'LineWidth', 2); xlabel('预测值', 'FontSize', 12); ylabel('残差', 'FontSize', 12); title(sprintf('电池: %s 的预测值 vs 残差', file_name), 'FontSize', 14); grid on; set(gca, 'FontSize', 10); hold off; end 同时，我们可能希望保留整个测试集的评估，所以之前整个测试集的评估可以保留，也可以去掉。根据用户要求，我们只需要分开绘制每个电池的预测结果，所以整个测试集的评估可以保留，但分开绘制后，整个测试集的预测图（之前画的）可能不需要了，因为每个电池单独画了。 因此，我们可以注释掉之前对整个测试集的绘图部分（即两个figure：对比图和残差图），只保留每个电池的绘图。 但是，用户可能也需要整个测试集的评估指标（MSE等），所以整个测试集的预测和评估还是要做，但绘图可以去掉。 所以，我们可以： - 先对整个测试集进行预测和评估，打印指标（保留）。 - 然后，再按电池分开绘制（每个电池一个图）。 这样，我们既得到了整体性能，又得到了每个电池的详细预测情况。 因此，修改后的代码结构： ... [前面的代码不变] % 对整个测试集进行预测和评估（保留） y_pred = predict(svr_model, X_test_norm); % 计算整体性能指标（保留，打印） ... [打印整体指标] % 然后，按电池分组，分别预测（实际上已经预测了，我们可以直接使用整个测试集的预测结果y_pred，但是注意：归一化后的X_test_norm已经用于整个测试集的预测，所以y_pred就是整个测试集的预测值。我们只需要按电池分组提取实际值和预测值即可，不需要重新预测] 所以，我们可以避免重新预测，而是直接使用整个测试集的预测结果，然后按电池分组提取对应的实际值和预测值。 修改如下： % 在得到整个测试集的预测值y_pred后，将其添加到test_data表中，这样我们就可以按电池分组提取 test_data.Predicted = y_pred; unique_files = unique(test_data.FileName); % 初始化一个结构体数组来存储每个电池的评估结果 battery_results = struct(); for i = 1:length(unique_files) file_name = unique_files{i}; mask = strcmp(test_data.FileName, file_name); current_data = test_data(mask, :); y_current = current_data{:, target_name}; y_pred_current = current_data.Predicted; % 计算该电池的评估指标 ... [同上] % 绘图（同上） end 这样避免了重复预测，效率更高。 因此，最终修改： 1. 在归一化整个测试集并预测后，将预测值添加到test_data表中。 2. 按电池分组，循环绘制每个电池的对比图和残差图。 注意：整个测试集的评估指标（MSE等）还是基于所有样本的，我们保留。 同时，我们也可以打印每个电池的评估指标。 代码修改如下（在原有代码基础上）：</think>针对您的要求，我将优化代码以实现不同测试电池的预测结果分开绘制。以下是完整的改进方案： ```matlab % SVR预测电池健康状态(SOH) - 优化版（支持分电池绘制） clc; clear; close all; % 设置训练集和测试集路径 train_folder = 'D:\HuaweiMoveData\Users\26304\Desktop\XJTU\训练集'; test_folder = 'D:\HuaweiMoveData\Users\26304\Desktop\XJTU\测试集'; % 定义特征列和目标列 feature_names = {'A', 'V0', 'PeakValue', 'PeakArea'}; target_name = 'SOH'; % 读取文件夹中的所有CSV文件 train_data = readAllCSVFiles(train_folder); test_data = readAllCSVFiles(test_folder); % 提取特征和目标变量 X_train = train_data{:, feature_names}; y_train = train_data{:, target_name}; X_test = test_data{:, feature_names}; y_test = test_data{:, target_name}; % 0-1归一化特征 (Min-Max Scaling) min_vals = min(X_train); max_vals = max(X_train); range_vals = max_vals - min_vals; % 避免除零错误 range_vals(range_vals == 0) = 1; % 应用归一化 X_train_norm = (X_train - min_vals) ./ range_vals; X_test_norm = (X_test - min_vals) ./ range_vals; % 训练SVR模型 svr_model = fitrsvm(X_train_norm, y_train, ... 'KernelFunction', 'gaussian', ... 'KernelScale', 'auto', ... 'BoxConstraint', 100, ... 'Epsilon', 0.1, ... 'Standardize', false); % 已手动标准化 % 预测和评估 y_pred = predict(svr_model, X_test_norm); % 计算整体性能指标 mse = mean((y_test - y_pred).^2); rmse = sqrt(mse); mae = mean(abs(y_test - y_pred)); r2 = 1 - sum((y_test - y_pred).^2) / sum((y_test - mean(y_test)).^2); % 显示整体结果 fprintf('整体模型性能评估:\n'); fprintf('均方误差(MSE): %.4f\n', mse); fprintf('均方根误差(RMSE): %.4f\n', rmse); fprintf('平均绝对误差(MAE): %.4f\n', mae); fprintf('决定系数(R²): %.4f\n', r2); % ================= 新增功能：按电池分开绘制结果 ================= % 获取测试集中所有唯一的电池文件名 unique_files = unique(test_data.FileName); num_batteries = length(unique_files); % 初始化电池性能存储 battery_metrics = struct(); % 创建主对比图 figure('Position', [100, 100, 1200, 800]); tiledlayout('flow', 'TileSpacing', 'compact', 'Padding', 'compact'); sgtitle('各电池SOH预测结果对比', 'FontSize', 16); % 创建主残差图 residual_fig = figure('Position', [100, 100, 1200, 800]); tiledlayout('flow', 'TileSpacing', 'compact', 'Padding', 'compact'); sgtitle('各电池预测残差分布', 'FontSize', 16); % 为每个电池创建单独的图表 for i = 1:num_batteries current_file = unique_files{i}; % 提取当前电池数据 battery_mask = strcmp(test_data.FileName, current_file); battery_data = test_data(battery_mask, :); battery_y_test = test_data{battery_mask, target_name}; battery_y_pred = y_pred(battery_mask); % 计算当前电池的循环次数（作为X轴） if ismember('Week', battery_data.Properties.VariableNames) cycles = battery_data.Week; else cycles = 1:height(battery_data); end % 计算当前电池性能指标 battery_mse = mean((battery_y_test - battery_y_pred).^2); battery_rmse = sqrt(battery_mse); battery_mae = mean(abs(battery_y_test - battery_y_pred)); battery_r2 = 1 - sum((battery_y_test - battery_y_pred).^2) / ... sum((battery_y_test - mean(battery_y_test)).^2); % 存储电池性能 battery_metrics(i).FileName = current_file; battery_metrics(i).MSE = battery_mse; battery_metrics(i).RMSE = battery_rmse; battery_metrics(i).MAE = battery_mae; battery_metrics(i).R2 = battery_r2; % ===== 绘制对比图 ===== figure(1); nexttile; plot(cycles, battery_y_test, 'bo-', 'LineWidth', 1.5, 'MarkerSize', 6, 'MarkerFaceColor', 'b'); hold on; plot(cycles, battery_y_pred, 'rs--', 'LineWidth', 1.5, 'MarkerSize', 6, 'MarkerFaceColor', 'r'); % 添加电池标识和性能指标 title_str = sprintf('电池: %s\nR²=%.3f, RMSE=%.3f', ... extractBefore(current_file, '.'), battery_r2, battery_rmse); title(title_str, 'FontSize', 10); xlabel('循环次数'); ylabel('SOH'); grid on; legend('实际值', '预测值', 'Location', 'best'); ylim([0.7, 1.05]); % 设置统一的Y轴范围 % ===== 绘制残差图 ===== figure(2); nexttile; residuals = battery_y_test - battery_y_pred; scatter(battery_y_pred, residuals, 60, 'filled', ... 'MarkerFaceColor', [0.2, 0.6, 0.8], ... 'MarkerEdgeColor', 'k'); hold on; plot([min(battery_y_pred), max(battery_y_pred)], [0, 0], ... 'k-', 'LineWidth', 1.5); % 添加电池标识 title_str = sprintf('电池: %s', extractBefore(current_file, '.')); title(title_str, 'FontSize', 10); xlabel('预测SOH'); ylabel('残差'); grid on; % 添加残差统计信息 avg_residual = mean(residuals); std_residual = std(residuals); text(0.05, 0.95, sprintf('均值: %.4f\n标准差: %.4f', avg_residual, std_residual), ... 'Units', 'normalized', 'FontSize', 8, ... 'VerticalAlignment', 'top', 'BackgroundColor', 'white'); end % 添加整体图例 figure(1); lgd = legend('实际值', '预测值', 'Orientation', 'horizontal'); lgd.Position = [0.4 0.01 0.2 0.05]; % 显示电池性能汇总 fprintf('\n各电池性能评估:\n'); fprintf('%-20s %-8s %-8s %-8s %-8s\n', '电池名称', 'MSE', 'RMSE', 'MAE', 'R²'); for i = 1:num_batteries fprintf('%-20s %.4f %.4f %.4f %.4f\n', ... battery_metrics(i).FileName, ... battery_metrics(i).MSE, ... battery_metrics(i).RMSE, ... battery_metrics(i).MAE, ... battery_metrics(i).R2); end % 辅助函数：读取文件夹中的所有CSV文件 function combinedData = readAllCSVFiles(folder) files = dir(fullfile(folder, '*.csv')); combinedData = []; for i = 1:length(files) file_path = fullfile(folder, files(i).name); data = readtable(file_path); % 添加文件名标识列 [~, filename, ~] = fileparts(files(i).name); data.FileName = repmat({filename}, height(data), 1); % 确保所有文件包含所需的列 required_columns = {'FileName', 'Week', 'DischargeCapacity', 'SOH', ... 'A', 'K', 'V0', 'RMSE', 'R2', 'PeakValue', ... 'PeakVoltage', 'PeakArea', 'RUL'}; if all(ismember(required_columns, data.Properties.VariableNames)) if isempty(combinedData) combinedData = data; else combinedData = [combinedData; data]; end else fprintf('警告: 文件 %s 缺少所需列，已跳过\n', files(i).name); disp('文件包含的列:'); disp(data.Properties.VariableNames); end end end ``` ### 代码优化说明： 1. **分电池处理逻辑**： - 通过`unique(test_data.FileName)`获取所有电池的唯一标识 - 使用循环处理每个电池的数据，确保独立分析和可视化 2. **可视化增强**： - 使用`tiledlayout`创建多子图布局，每个电池占用一个子图 - 对比图显示实际值（蓝色实线）和预测值（红色虚线） - 残差图显示预测值与残差的分布关系 - 标题包含电池名称和关键指标（R²和RMSE） 3. **性能指标计算**： - 为每个电池单独计算MSE、RMSE、MAE和R² - 终端输出各电池的详细性能指标 - 残差图添加统计信息（均值和标准差） 4. **数据增强**： - 在`readAllCSVFiles`函数中添加文件名标识列 - 使用`Week`列作为循环次数横坐标（如不存在则使用样本索引） - 统一Y轴范围确保可视化一致性 5. **用户体验优化**： - 设置统一图形尺寸和布局 - 添加整体图例和标题 - 电池名称显示时去除文件扩展名 - 残差图添加统计标注 ### 输出说明： 1. **终端输出**： - 整体模型性能指标 - 每个电池的详细性能指标表格 2. **图形输出**： - 图1：各电池SOH预测结果对比（多子图布局） - 图2：各电池预测残差分布（多子图布局） ### 使用建议： 1. 确保CSV文件包含`Week`列作为循环次数标识 2. 如果电池数据量较大，可调整`tiledlayout`的布局参数 3. 可通过修改`feature_names`调整使用的特征组合 4. 如需保存图表，可在每个`figure`后添加`saveas(gcf, 'filename.png')`