1. 项目背景与问题定义
2026年MCM美赛A题聚焦智能手机电池放电建模这一实际问题,要求参赛者建立数学模型来描述和预测智能手机电池在不同使用场景下的放电行为。这个问题看似简单,实则涉及电化学、热力学、统计学和机器学习等多个学科交叉领域。
作为一名参加过多次数学建模竞赛的老兵,我深知这类问题的挑战性。智能手机电池放电过程受到温度、使用强度、后台应用、网络连接状态等多重因素影响,如何建立一个既准确又实用的模型,需要综合考虑理论严谨性和工程实用性。
在实际操作中,我们发现大多数参赛团队会陷入两个极端:要么过度简化问题导致模型精度不足,要么过度复杂化导致计算量爆炸。本文将分享我们团队在解决这个问题时的完整思路、技术实现和踩坑经验。
2. 数据收集与预处理
2.1 数据来源选择
我们选择了三种主要数据来源:
- 公开数据集:从Kaggle和UCI等平台获取的标准电池测试数据
- 实测数据:使用Android Battery Historian工具采集的真实使用数据
- 合成数据:基于电化学方程生成的模拟数据
提示:实测数据采集时需要注意采样频率设置,过高会导致数据冗余,过低会丢失关键特征。我们最终选择1Hz的采样频率,这是一个经验值。
2.2 数据清洗策略
原始数据往往包含大量噪声和异常值,我们采用了以下清洗流程:
- 异常值检测:使用3σ原则结合箱线图分析
- 缺失值处理:采用多重插补法(Multiple Imputation)
- 数据平滑:Savitzky-Golay滤波器效果最佳
- 特征工程:提取时域和频域特征
清洗后的数据结构如下表示例:
| 时间戳 | 电压(V) | 电流(mA) | 温度(℃) | SOC(%) | 应用状态 |
|---|---|---|---|---|---|
| ... | ... | ... | ... | ... | ... |
3. 模型构建与验证
3.1 基础电化学模型
我们首先基于Peukert方程建立基础放电模型:
code复制C = I^n * t
其中:
- C:电池容量
- I:放电电流
- n:Pe
