面向电池SOH在线评估的轻量化BMSFormer模型

随着电动汽车和智能设备的普及，锂离子电池管理系统（BMS）健康状态（SOH）的实时高精度评估变得愈发关键。近期，国内研究团队在期刊《Energy》上发表了题为“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”的学术论文。该研究致力于解决传统深度学习方法在BMS等资源受限设备上部署时计算复杂度过高的问题。通过构建一种更加紧凑且高效的注意力机制网络，为电池健康管理提供了一种兼顾轻量化与鲁棒性的方案。

图1 锂离子电池健康状态（SOH）评估整体流程图

研究人员首先针对电池在日常工作中的高频充放电区间进行了深入分析，通过逐步缩小滑窗和步长，在极早期的高频SOC充电与放电阶段精准锁定高度关联的健康特征。在实验中，该方法提取的恒流充电时间等单一健康指标在多种不同类型的电池材料上展现出了较好的一致性，与真实SOH的皮尔逊相关系数平均超过0.99。这种高相关性特征的提取不仅简化了模型输入的数据维度，也避免了输入冗余特征所带来的额外计算开销，为后续轻量化模型的准确推断奠定了基础。

针对Transformer结构传统注意力机制计算复杂度高、对局部特征不敏感的局限，该文构建了BMSFormer的核心组件——局部-全局融合注意力（LGFA）模块。该模块利用了ReLU激活函数和矩阵乘法的结合，将注意力计算复杂度从传统的平方级降至线性级。同时，该网络还引入了双向深度可分离卷积，能够在保留全局感知能力的同时，增强模型对局部细微退化变化的敏感度，减少梯度消失风险，降低移动端或嵌入式硬件的推理负担。

图2 BMSFormer模型核心架构示意图

为了进一步丰富提取特征的多样性，模型还在序列通道和空间层面嵌入了两种不同尺寸的深度可分离卷积。小尺寸卷积核主要负责增强对局部退化波动的感知精度，而大尺寸卷积核则致力于捕获长周期衰减趋势，实现多尺度与多通道特征的融合。与标准卷积相比，这种设计在减少模型可训练参数量的前提下，有利于提升模型对复杂充放电工况特征的学习能力，展现出良好的模型紧凑性。

在验证阶段，研究团队利用来自Oxford、NASA和CALCE的三个公开电池数据集对BMSFormer进行了测试。实验结果表明，BMSFormer在平均绝对误差、均方根误差等核心精度指标上取得了较好效果。更关键的是，模型在降低存储开销、缩短训练耗时以及硬件友好性方面展现出不错的实用价值，为其在资源受限的环境中部署提供了技术可行性。

图3 不同模型在Oxford数据集上的SOH估算误差与真实值对比

该论文通过对特征工程以及注意力机制的协同优化，展示了深度学习在轻量化电池管理应用中的应用潜力。未来的研究将集中在进一步精简模型复杂度、拓展其对更广泛电池材料的适应性以及实际硬件在环验证方面。该项工作不仅在算法层面为在线SOH评估提供了新视角，也为推动高能效电池管理系统的落地应用提供了有益参考。

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.

https://www.sciencedirect.com/science/article/abs/pii/S0360544224038088

审核编辑 黄宇