BMSFormer：面向嵌入式电池管理系统的锂离子电池 SOH 在线估计方法

1. 研究背景

SOH 估计结果直接影响电池寿命预测、运行安全评估和维护决策。在嵌入式 BMS 场景下，模型不仅需要具备较高估计精度，还需满足在线推理的实时性与资源约束。传统方法中，Transformer 类模型能够建模复杂时序依赖，但在长序列条件下存在显著计算开销；LSTM 及部分滤波类方法计算成本较低，但对非线性退化过程的刻画能力有限。针对上述问题，BMSFormer 提出面向部署的轻量化建模框架。

2. 方法流程

该研究在 Oxford、NASA 与 CALCE 三个电池老化数据集上完成验证，覆盖多类型电化学体系及不同寿命阶段。整体流程可概括为数据约束、特征构建和时序预测三部分。

2.1 数据约束与工况选择

研究聚焦于高频早期 SOC 区间，以增强输入信息的工程相关性。选取的关键电压范围包括：

• 充电区间：3.8V-4.2V
• 放电区间：3.8V-3.4V

该策略强调在有效工况下提取退化信息，有助于降低冗余输入对模型训练和部署的影响。

2.2 健康指标构建

与多特征堆叠策略不同，BMSFormer 采用“逐步收缩电压窗口 + 皮尔逊相关系数（PCC）搜索”提取单一健康指标（Health Indicator, HI）。实验报告表明，该 HI 与 SOH 在多个数据集上具有较强线性相关性，平均 PCC 超过 0.99。该设计在保持信息有效性的同时，降低了特征工程复杂度与部署不确定性。

2.3 样本组织与预测目标

研究通过滑动窗口构造时序样本，将下一循环 SOH 作为监督目标，形成与在线估计任务一致的预测范式。该样本组织方式可有效保留退化过程中的时间依赖特征。

SOH估计方法流程图

3. BMSFormer 结构设计

BMSFormer结构图

3.1 LGFA：线性复杂度注意力机制

LGFA（Local-Global Feature Attention）用于替代标准自注意力的高复杂度计算过程。相较于传统 Transformer 在序列长度维度上的 O(N^2) 复杂度，LGFA 将计算过程压缩至近线性规模 O(N)，并兼顾局部波动与长期退化趋势的建模需求。

3.2 DSConv：多尺度深度可分离卷积

DSConv 通过多尺度卷积核并行提取时序信息：小尺度卷积强化局部细节感知，大尺度卷积补充长程依赖表达。深度可分离设计进一步降低参数量和 FLOPs，为嵌入式部署提供算力可行性。

DSConv基本结构图

4. 实验结果与鲁棒性分析

除常规精度评估外，研究还系统考察了超参数扰动下的模型稳定性。文中对 384 组超参数组合进行了比较，并以 R^2 分布衡量模型性能波动。基于 Oxford 数据集 的实验结果证明，BMSFormer 显著优于现有主流模型。凭借其创新的架构设计，该方法在大幅提升预测精度与稳定性的同时，有效兼顾了计算效率。相较于传统 Transformer 和 LSTM，BMSFormer 在复杂的电池健康状态（SOH）估计任务中展现出更强的鲁棒性与性能优势。

5. 工程意义

BMSFormer 的方法价值主要体现在以下方面：

• 通过高相关单一 HI 约束输入空间，降低特征冗余与维护成本。
• 通过 LGFA 与 DSConv 的组合实现精度与复杂度平衡。
• 通过大规模超参数组合验证提高模型可调性与部署稳定性评估的可信度。

上述特征使其在资源受限 BMS 平台上的在线应用具备较高参考价值。BMSFormer 并非依赖模型规模扩张提升性能，而是在特征构建与结构设计层面进行协同优化，实现了 SOH 在线估计任务中“高精度、低复杂度、较强鲁棒性”的统一。

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. Energy, 2024, 313(C).
• 原文链接：https://leng-coool.github.io/BMSFormer/BMSFormer.pdf