面向BMS部署的轻量化电池SOH在线估算模型BMSFormer

随着电动汽车、便携式电子设备及航空航天领域的快速发展，锂离子电池的健康状态（SOH）在线精确估算对保障系统安全运行至关重要。然而，现有的高精度深度学习模型通常结构复杂，计算和存储资源消耗大，难以直接部署在资源受限的电池管理系统（BMS）中。近期，发表在《Energy》期刊上的学术论文“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”针对这一挑战，提出了一种兼顾轻量化与高精度的在线SOH估算框架。该工作通过优化网络结构和输入特征，在降低计算复杂度的同时，维持可靠的电池健康状态预测能力。

在数据预处理阶段，该方法提出了一种启发式的健康指标（HI）提取策略。研究团队深入分析了日常电池充放电过程中高频出现的中间荷电状态（SOC）区间，选取了特定的电压段进行特征搜索。通过逐步缩小时间窗口和步长，算法能够在极早期的数据中精准筛选出与电池退化高度相关的单健康指标，即特定电压范围内的恒流充电时间或恒流放电时间。实验表明，该指标在不同材料体系的电池上均表现出较高的皮尔逊相关系数，为后续的深度学习模型提供了高质量、强相关的输入特征，也有效降低了多特征输入的复杂性。

在模型架构设计上，BMSFormer的核心创新之一在于其构建的局部-全局融合注意力（LGFA）模块。传统的Transformer模型多依赖Softmax自注意力机制，当输入序列较长时，其计算复杂度呈二次方增长，给嵌入式硬件带来巨大压力。LGFA模块则采用ReLU激活函数改进注意力权重的计算，并基于矩阵乘法的结合律将注意力机制的复杂度成功降低至线性级别。这种设计使模型在保持全局感受野、有效捕获长期依赖关系的同时，显著减少了浮点运算量，为资源受限环境下的实时计算提供了可能。

为了弥补线性注意力机制在捕获局部特征时可能出现的表达力不足，BMSFormer进一步嵌入了两种多尺度的深度可分离卷积模块，即小卷积核的DSConv-S和大卷积核的DSConv-L。其中，小卷积核模块用于增强输入特征的多样性以及对局部波动的敏感度，而大卷积核模块则专注于提取更长周期的多尺度演化规律。这种深度可分离卷积结构通过将空间过滤和通道组合解耦，不仅丰富了特征表达的多维度，更以远低于标准卷积的参数更新量，实现了对电池复杂退化轨迹的多尺度特征融合。

为了验证BMSFormer的估算性能和泛化能力，研究团队采用了Oxford、NASA和CALCE三个主流电池数据集进行评估。这些数据集涵盖了不同的正极材料、制造工艺以及充放电测试工况。对比实验结果表明，在相同的软硬件测试环境下，BMSFormer在多个电池单体上均实现了较低的平均绝对误差（MAE）和均方根误差（RMSE）。与此同时，相较于传统的CNN-Transformer和标准的Transformer模型，该模型表现出更短的训练时间、更少的参数量以及更小的存储体积，较好地平衡了算法预测精度与硬件部署效率之间的矛盾。

此外，研究工作还重点考察了模型在多样化超参数配置下的鲁棒性。通过在数百种不同的网络层数、隐藏层维度以及学习率等组合下进行大范围训练，BMSFormer表现出较为平稳且优异的拟合能力，避免了传统深度学习模型对精细超参数调优的过度依赖。这一特性降低了实际工程应用中的模型调试与维护成本。未来，该研究有望进一步优化其轻量化架构，并将其集成于真实的硬件电池管理系统中进行测试，为电池全生命周期的健康管理与安全预警提供更为实用的技术支撑。

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.