在电池管理系统（BMS）中，准确且高效地在线估计锂离子电池的健康状态（SOH）对于规避安全风险和优化资源配置具有实际意义。针对目前主流深度学习模型在嵌入式硬件上部署时面临的计算资源受限与参数量庞大等现实挑战，最新发表在《Energy》期刊上的论文 "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" 提出了一种轻量化的深度学习方法。该方法通过创新性的结构设计，在保证估算精度的前提下，降低整体计算开销，为资源受限设备的在线SOH估计提供了一条可行的技术途径。
该研究的核心步骤之一在于高效的特征工程与健康指示器（HI）提取。技术团队充分考虑到电池日常运行中高频出现的中段荷电状态（SOC），将提取范围聚焦于充电阶段的3.8 V至4.2 V以及放电阶段的3.8 V至3.4 V。在此基础上，研究采用了一种渐进式缩小窗口尺寸和步长的搜索算法，在选定区域内不断迭代，直至确定高相关性的电压区间。通过这种滑动窗口机制，提取出在不同电池体系下与真实SOH均具有极高相关性的健康指示器，即特定充电区间和放电区间的恒流充放电时间。
在模型架构设计上，BMSFormer 引入了精心设计的局部-全局融合注意力机制（LGFA）。相较于传统基于 Softmax 的注意力机制，该机制基于整流线性单元（ReLU）构建线性相似度函数，避免了复杂的指数运算。通过矩阵乘法的结合律，LGFA 将注意力计算的复杂度从二次方降至线性，缩减了在长序列处理时的计算与存储开销。这一改进使得模型能够在保持全局感受野、捕捉长短期依赖的同时，提升了在嵌入式微处理器上的推理效率。
为了在简化结构的同时补充局部特征感知能力，BMSFormer 进一步集成了双尺度的深度独立可分离卷积（DSConv）模块。该模块将传统卷积的空间和通道操作分离开来，首先采用了双通道扩张因子的小卷积核模块（DSConv-S），用以捕获细微的局部多样性并提升注意力机制的灵敏度；同时采用了三倍通道扩张因子的宽卷积核模块（DSConv-L），用于捕捉更长周期的特征波动。这种多尺度的深度卷积融合方法不仅增强了特征的多样性，更在参数量和计算功耗方面展现出轻量化优势。
为了评估 BMSFormer 的实际效能，该研究在 Oxford、NASA 以及 CALCE 这三个涵盖不同材料体系与测试工况的公开电池数据集上进行了全面的实验验证。实验结果显示，在不同电池的退化曲线上，该模型给出的估算结果与真实值较为贴合。而在384组超参数组合的大范围鲁棒性测试中，该模型也展现出较为平稳的表现，在多种参数配置下均保持了良好的适应能力。
综上所述，BMSFormer 采用特征渐进搜索、线性注意力机制与多尺度独立卷积相结合的设计，较好地平衡了算法准确性与车载部署所需的低延迟与低内存开销。尽管该模型在轻量化架构上取得了一定进展，但在复杂实际工况下的泛化能力仍有进一步提升的空间。未来的工作可以着眼于进一步优化模型的底层计算逻辑，并探索将算法向实体电池管理系统硬件中进行移植与实车评测，以推动该技术在电动汽车与储能系统中的落地应用。
来源文献
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