迈向高效电池健康状态估算：轻量化深度学习模型BMSFormer的设计与应用

锂离子电池因其高能量密度和长寿命，已广泛应用于电动汽车和移动设备等领域。然而，复杂的内部化学反应和多变的工作环境使得精准的电池健康状态（SOH）在线估算面临巨大挑战。传统深度学习模型虽然在估算精度上有所突破，但其庞大的参数量和计算复杂度限制了其在资源受限的电池管理系统（BMS）中的实际应用。针对这一痛点，国内研究团队发表了学术论文《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》，建立了一种兼顾低计算消耗与高估算精度的轻量化深度学习模型。

提取能够高效反映电池老化状态的特征是构建准确估算模型的前提。该研究针对日常电池运行中高频出现的中间荷电状态（SOC）区间，设计了一种逐步缩小窗口和步长的健康指标（HI）搜索流程。通过计算皮尔逊相关系数，最终在充电段（4.16V至4.17V）和放电段（3.8V至3.4V）分别确定了恒流充电时间和恒流放电时间作为核心健康指标。这种方法有效识别出了与电池真实退化状态强相关的特征，从而能够以更简洁的输入实现高效的在线估算。

在模型架构方面，BMSFormer引入了精心设计的局部-全局融合注意力（LGFA）模块。传统的 Softmax 自注意力机制在计算时具有二次复杂度，难以适配微控制器的算力限制。为此，LGFA模块采用了基于ReLU的线性注意力机制，通过矩阵乘法的结合律将计算复杂度降至线性级别，降低了运行和存储成本。同时，该模块能够捕捉长时间步之间的全局依赖关系，保留了Transformer架构在时序建模上的优势。

为了克服线性注意力机制在局部特征提取能力上的局限，BMSFormer进一步集成了两种不同尺度的深度逐点可分离卷积（DSConv）模块，即小卷积核的 DSConv-S 和大卷积核的 DSConv-L。这些模块在输入通道上进行扩张的同时，利用深度方向上的滑动滤波器在极低计算开销下融合多尺度、多通道的局部特征，增强了模型在面对突变和波动时的特征表达多样性。通过在主干网络中交替进行转置、卷积和层归一化操作，BMSFormer 实现了局部细节与全局退化趋势的有机统一。

为了验证模型的实际效果，研究人员在 Oxford、NASA 以及 CALCE 这三个代表性锂电池数据集上进行了全面的测试与评估。这些数据集涵盖了不同的阴极材料、电池形态和工作工况，能有效评估模型的泛化性。BMSFormer展示出了较为集中的误差分布和较小的预测波动，在多个电池单体上的平均绝对误差（MAE）和均方根误差（RMSE）均表现出一定提升。

此外，在384组超参数组合的稳定性测试中，BMSFormer展示出了较好的鲁棒性，能够在各种配置下保持稳定的表现，减轻了繁琐调参带来的开销。尽管该方法在面对极其复杂的工况时仍有进一步优化计算结构的空间，但其较低的存储需求和出色的运行效率，使其成为未来BMS在线部署的一个可行方案。

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.