随着电动汽车和智能移动设备的普及，锂离子电池的状态监测变得愈发重要。其中，电池健康状态（SOH）的精准评估不仅关乎设备的运行效率，更是预防电池老化引发安全隐患的关键。然而，现有的深度学习模型往往由于庞大的参数量和计算复杂度，难以直接部署在资源受限的电池管理系统（BMS）中。为了解决这一痛点，国内研究团队发表了题为“BMSFormer: An efficient deep learning model for online state-of-health estimation of lithium-ion batteries under high-frequency early SOC data with strong correlated single health indicator”的学术论文。该研究设计了一种名为BMSFormer的轻量化网络结构，兼顾高精度与低计算能耗，为电池在线状态评估提供了一种可行的方案。
在构建核心模型之前，首先针对输入数据进行了精细化的特征工程。算法通过逐步缩小滑动窗口和移动步长的方法，在日常充电和放电的特定电压段内，精准搜索并识别出与电池真实健康状态高度相关的健康指标。实验表明，诸如在特定微小电压区间内的恒流充电时间或恒流放电时间，能够展现出与电池容量退化极强的线性相关性。这一特征提取流程与后续的模型训练和评估步骤共同构成了完整的电池健康状态评估框架，具体流程如图所示。
BMSFormer的核心网络架构设计遵循了轻量化与特征多尺度融合的原则。当提取的健康指标输入网络后，首先通过窗口切片将时间序列划分子段并映射至高维空间，然后送入核心的BMSFormer块中进行处理。在每个基础块内，输入特征并行通过局部-全局融合注意力机制与多层感知机。其中，提取出的注意力特征在转置后会送入具有较大卷积核的深度可分离卷积模块中，进行深度的空间与通道特征融合，最后再通过层归一化和多层感知机输出预测结果。下图展示了该模型的整体框架以及各组件的交互流程。
局部-全局融合注意力（LGFA）机制有效地克服了传统自注意力机制的计算瓶颈。传统的Softmax自注意力机制需要计算所有查询和键之间的相似度矩阵，导致计算复杂度呈二次方增长，这在长序列的时间序列任务中会消耗大量计算资源。LGFA模块转而采用基于校正线性单元（ReLU）的相似度函数，利用矩阵乘法的结合律将计算复杂度降低至线性水平。与此同时，为了弥补传统线性注意力在局部敏感度上的不足，算法在键与值的提取分支中嵌入了小尺度的深度可分离卷积，在降低运行内存占用的同时，实现了对短时局部波动与长时全局趋势的协同捕捉。下图对比了这种设计与传统注意力机制的结构差异。
BMSFormer还结合了两种不同尺度的深度可分离卷积模块（DSConv-S和DSConv-L）。相较于标准卷积，深度可分离卷积通过将空间卷积与通道级点对点卷积分离开来，能够以极少的参数更新量和计算资源消耗，实现多通道和多尺度的特征提取。其中，拥有小卷积核的DSConv-S主要负责强化注意力模块对局部状态波动的敏感度，而拥有大卷积核的DSConv-L则在宏观上捕捉长期的退化趋势，从而在不显著增加模型体积的前提下，丰富了退化特征的表达维度。这两类卷积模块的内部拓扑构造如图5所示。
为了验证BMSFormer的实际效果，研究团队在涵盖不同化学材质与工况的三个公开电池数据集上进行了实验。结果表明，该模型在多项误差评估指标上均表现出较好的性能，并且在多组不同的超参数组合下均展现出良好的训练稳定性和鲁棒性，有利于在资源有限的实际BMS设备上稳定运行。未来，该研究工作将致力于进一步优化网络结构以降低部署门槛，并探索将其集成至实际硬件系统中进行实时验证，为电池智能运维管理提供更可靠的技术支撑。
参考文献：
BMSFormer: An efficient deep learning model for online state-of-health estimation of lithium-ion batteries under high-frequency early SOC data with strong correlated single health indicator[J]. Energy, 2024, 313: 134030.
https://www.sciencedirect.com/science/article/pii/S0360544224038088