基于BMSFormer的锂离子电池健康状态评估核心步骤

近期，一项针对锂离子电池在线健康状态评估的研究被提出，具体内容详见论文《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》。该工作针对日常电池运行中高频出现的中间荷电状态数据，构建了一个涵盖特征提取与网络设计的深度学习流程。这篇博客将重点解析该方法在实现电池健康状态评估过程中的核心技术步骤，为需要复现该框架或将其应用到时间序列分析场景的开发者提供务实的参考。

第一步是原始数据的采集与预处理阶段。研究需要收集不同化学体系的电池在全生命周期老化测试下的充放电数据。考虑到电池在实际工况中通常不会处于完全充满或完全放电的状态，特征提取阶段特意聚焦于日常运行中高频出现的中间荷电状态区间。具体操作是从完整的充放电循环中截取特定的电压片段，提取特定电压区间内的恒流充电时间和恒流放电时间作为候选的特征数据，为后续的特征工程提供基础的输入序列。

第二步是基于逐步缩减窗口的特征提取机制来筛选健康因子。在这个阶段，为了在前期选定的宽泛电压片段中定位到与电池真实健康状态相关性最强的局部特征，操作上采用了一种滑动窗口搜索策略。初始搜索时，设置一个较大的电压窗口和步长，将大片段分割为多个子段，并分别评估各个子段对应的时间序列与真实健康状态之间的相关程度。在表现最好的子段内，进一步缩小窗口尺寸和移动步长重复上述搜索。此过程会一直迭代，直到窗口尺寸达到设定的最小阈值，最终确定的细分片段即为所需的健康指标。

第三步是构建模型训练所需的时序样本对。在确定了最佳的特征序列后，需要将提取到的特征转化为深度学习模型可读取的格式。操作方法是在整个生命周期的时间序列上施加一个滑动窗口。随着窗口在时间轴上按照固定的步长向前滑动，每次滑动都会截取一段固定长度的历史特征数据作为一个输入样本子集。将该时间窗口紧邻的下一个时间步的真实电池健康状态数值，作为这个输入样本子集的监督标签。通过这种遍历操作，原本单一的时间序列被切分重组为大量成对的样本，完成了数据集的组织与划分。

第四步是搭建核心的网络架构。模型的输入部分经过维度映射后，进入由多个基础模块串联组成的主体网络。每个基础模块内部集成了局部与全局融合注意力机制以及多尺度深度可分离卷积。在注意力机制部分，将传统的相似度计算替换为基于线性整流函数的机制，以此降低计算的复杂度。在卷积部分，输入特征被分离为空间上的独立卷积和跨通道的映射，网络内部配置了小尺寸和大尺寸两种卷积核，分别负责捕捉细粒度的局部特征和长周期的趋势特征。特征经过多层级的提取与归一化处理后，经由多层感知机输出预测数值。

第五步是模型的训练优化与测试验证阶段。训练阶段不仅采用单一的参数设定，而是构建一个包含网络层数、特征维度等选项的超参数网格。使用划分好的训练集按批次将数据输入网络，通过计算预测值与真实标签之间的误差来反向传播更新网络权重。每一组超参数训练完成后，均在独立的验证集上进行性能评估。筛选出在验证集上预测误差最小的参数配置和对应的模型权重后，将其直接应用于全新电池个体的测试集中，完成从模型训练到实际评估的完整流程。

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.