BMSFormer:锂离子电池智能化健康评估——轻量级深度模型研究

前言

电动汽车及储能系统中电池 SOH（State of Health）的在线精确估计是电池管理、安全预警和寿命评估的基础。然而，现有深度学习方法普遍面临"精度与部署成本不可兼得"的困境。本文基于 Energy 期刊发表的 BMSFormer 研究，从技术实现角度梳理其创新点与工程意义。

背景

SOH 估计在 BMS（电池管理系统）中直接影响关键决策。然而传统方案普遍存在局限：

• Transformer 等精密模型：精度高但计算复杂度（O(N²)）在长序列下难以承载，嵌入式 BMS 芯片难以支持。
• 轻量化方案（LSTM、卡尔曼滤波）：计算成本低，但在复杂非线性衰退面前泛化能力有限。
• 多特征堆叠策略：特征维度膨胀导致部署超参敏感性高、模型稳健性差。

BMSFormer 的创新在于在这些约束间寻求平衡点。

整体方法

实验基于 Oxford、NASA、CALCE 三个标准老化数据集，涵盖不同电化学体系与衰退周期。该研究的建模流程可分为以下四个阶段：

SOH估计方法流程图

数据获取

论文并未采用"全量数据"策略，而是有意识地聚焦工况相关性强的电压区间：

• 充电阶段：3.8V–4.2V
• 放电阶段：3.8V–3.4V

这一约束基于实际运行场景，避免了不相关数据对模型学习的噪声干扰。

特征工程

突破传统多特征融合的思路，采用高相关单一指标策略。具体操作为：通过逐步收缩电压观察窗口、计算皮尔逊相关系数（PCC）并全局搜最大值，最终提取与 SOH 最强相关的单一健康指标（HI）。

多数据集验证表明，该 HI 与 SOH 的平均 PCC 超过 0.99。相比多特征组合，这一做法显著降低了特征工程的维护成本与部署的参数敏感性。

模型训练

用滑动窗口技术从高频 SOC 序列中切割时间片段，将下一循环 SOH 作为预测标签。这种样本生成方式自然嵌入了时间依赖，为深度时序建模提供了结构化输入。

BMSFormer框架图

核心网络包含两项结构创新：

1. LGFA（Local-Global Feature Attention）——将标准自注意机制的 O(N²) 复杂度降至近线性 O(N)，并保留短期波动与长期退化趋势的联合表示。

2. DSConv（多尺度深度可分离卷积）——多个感受野卷积的并联组合，小尺度核强化细节，大尺度核补充远程依赖，在降低参数与计算量的同时保持表达能力。

DSConv基本结构图

模型评估

评估重点不仅关注最优精度，更强调模型的稳定性。文中对 384 组超参数组合进行了系统对比，并通过 R² 分布反映性能波动范围。数据显示，BMSFormer 在参数扰动下的敏感性显著低于对比基线，这对量产部署的可靠性至关重要。

实验结果

实验表明，BMSFormer 在 Oxford 数据集 上的表现与主流模型相比具有竞争优势。其架构设计旨在优化计算效率并提升预测稳定性。与 LSTM 等传统序列模型相比，BMSFormer 在复杂的电池 SOH 评估任务中表现得更为稳健，展现了良好的应用潜力。

应用前景

BMSFormer 的核心价值体现为三层递进：

• 数据端：通过工况聚焦降低输入冗余。
• 特征端：单一高相关指标策略简化工程链条，提升可维护性。
• 模型端：LGFA + DSConv 的组合实现了精度与复杂度的正交优化。

参考资料

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. Energy, 2024, 313©.