论文标题：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

发表期刊：Energy 313 (2024)

核心亮点：提出轻量级 Transformer 变体模型 BMSFormer，实现锂电池健康状态（SOH）的高精度、低计算量在线估计，解决了传统模型精度与效率难以兼顾、部署于资源受限 BMS 困难的问题。

一、研究背景与问题提出

锂电池凭借高能量密度、低自放电率等优势，成为新能源汽车、航空航天、移动设备等领域的核心储能器件，而电池管理系统（BMS）对电池状态的精准监测是保障其安全高效运行的关键。健康状态（SOH） 作为锂电池核心状态指标（定义为当前容量 / 额定容量 ×100%），无法直接测量，需通过算法估计，当前主流的 SOH 估计方法存在三大核心问题：

1. 模型基方法：电化学模型精度高但计算复杂、参数难获取；等效电路模型（ECM）计算量低但无法充分捕捉电池内部退化，精度有限。
2. 传统数据驱动方法：机器学习（SVM、RF 等）对非线性、非平稳的电池监测数据拟合能力不足；深度学习模型（CNN、LSTM、传统 Transformer）为追求精度不断提升结构复杂度，带来巨大计算开销，难以部署在存储和算力受限的嵌入式 BMS 设备中。
3. 现有 Transformer 类方法：多直接与其他模型拼接，未做轻量化设计，且对超参数调优敏感，不同超参数组合下性能波动大，同时存在局部特征捕捉不足、健康指标（HI）与 SOH 相关性低的问题。

针对以上痛点，本文提出了专为锂电池 SOH 在线估计设计的轻量级模型 BMSFormer，从高相关性 HI 提取、轻量化注意力机制、多尺度特征融合三个维度实现精度、效率、稳定性的统一。

二、核心研究思路与预处理方案

本文的 SOH 估计整体流程分为数据采集、特征工程、模型训练、模型评估四步，核心预处理的关键在于提取与 SOH 强相关的单一健康指标（HI），这也是模型实现高精度的基础，区别于传统方法使用多弱相关 HI 的思路。

2.1 实验数据集

研究采用三大权威公共锂电池数据集，覆盖不同电芯类型、正极材料、充放电协议，保证模型的泛化性，数据集核心信息如下：

数据来源	电芯类型	正极材料	额定容量	实验温度	循环次数
Oxford	软包	NCO-LCO	0.74Ah	40℃	5000+
NASA	18650 圆柱	NCA	2Ah	24℃	132-168
CALCE	方形	LCO	1.1Ah	24℃	881-995

2.2 高相关性 HI 提取策略

考虑到电池日常运行中中高 SOC 段（3.8V 附近） 数据的高频率性，选取3.8V-4.2V 充电段和3.8V-3.4V 放电段为 HI 提取区间，通过逐步缩小滑动窗口 + 皮尔逊相关系数（PCC）筛选的方式，最终确定两个强相关 HI：

1. 充电段：4.16V-4.17V 恒流充电时间（CCCT）
2. 放电段：3.8V-3.4V 恒流放电时间（CCDT）

该 HI 与 SOH 的平均 PCC 值超过 0.99，高于现有研究中的其他 HI（如 IC 峰值、放电电压曲线斜率等），为模型输入提供了高价值特征。

三、BMSFormer 模型核心架构与创新模块

BMSFormer 以 Transformer 为基础做轻量化改造，核心由嵌入层、Local-Global Fusion Attention（LGFA）模块、多尺度深度可分离卷积（DSConv）模块、MLP 层组成，整体框架实现了全局长时序依赖 + 局部细粒度特征的融合捕捉，且大幅降低了计算量和参数量。

3.1 创新模块 1：Local-Global Fusion Attention（LGFA）—— 轻量化注意力机制

传统 Transformer 的 Softmax 注意力存在计算复杂度为 O (N²) 的问题，难以处理长时序电池数据；而线性注意力虽将复杂度降至 O (N)，但存在特征表达能力不足的缺陷。

LGFA 模块结合了两者优势，核心设计：

1. 采用ReLU 线性注意力作为基础，利用矩阵乘法结合律将计算复杂度保持为 O (N)，避免 Softmax 的指数运算和归一化开销，同时缓解梯度消失问题。
2. 嵌入DSConv-S（小核深度可分离卷积） 对 K/V 特征做预处理，增强注意力对局部特征变化的敏感性，弥补线性注意力局部特征捕捉的不足。
3. 最终通过融合全局长时序依赖和局部细粒度特征，实现了注意力机制的精度与效率平衡。

3.2 创新模块 2：多尺度深度可分离卷积（DSConv-S/DSConv-L）—— 低参数量特征融合

传统标准卷积在融合多尺度特征时参数量和计算量巨大，本文设计两种核尺寸的深度可分离卷积，将空间卷积和通道卷积解耦，参数量仅为标准卷积的1/Nout​+1/k2，同时实现多尺度特征提取：

1. DSConv-S：1×3 小核，输入通道 2 倍扩张，增强局部特征的精细提取，提升注意力对局部变化的敏感性。
2. DSConv-L：1×31 大核，输入通道 3 倍扩张，捕捉长时序的特征依赖，丰富特征多样性，提升模型泛化性。

两个模块分别嵌入 LGFA 内部和 BMSFormer Block 中，实现局部 - 全局、细粒度 - 长时序的多尺度特征融合。

3.3 BMSFormer Block 核心流程

单个 BMSFormer Block 是模型的基础单元，流程为：

1. 嵌入层输出特征经 LGFA 模块捕捉全局 - 局部依赖，结合残差连接和层归一化（Add&Norm）；
2. 对特征做转置后输入 DSConv-L 模块做多尺度特征融合，再次转置后结合残差连接；
3. 经 MLP 层做特征映射，最后通过 Add&Norm 输出，多层 Block 堆叠后经线性层得到 SOH 预测值。

四、实验验证与结果分析

研究将 BMSFormer 与当前主流的锂电池 SOH 估计深度学习模型（CNN-Transformer、Transformer、CNN-LSTM、LSTM）在三大数据集上做全面对比，从精度、效率、稳定性、泛化性四个维度验证模型性能，实验硬件为 AMD Ryzen R7-4800H + NVIDIA RTX 2060，基于 PyTorch 实现。

4.1 评估指标

• 精度指标：平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、均方根误差（RMSE）、决定系数（R²）
• 效率指标：浮点运算量（FLOPs）、训练时间、可训练参数、模型存储大小
• 稳定性指标：384 组超参数组合下的 R² 分布
• 泛化性指标：跨电池、跨数据集的测试集预测精度

4.2 核心实验结果

（1）精度：在Oxford、NASA和CALCE数据集上实现较优性能

在 Oxford 数据集上，BMSFormer 与 CNN-Transformer/Transformer/CNN-LSTM/LSTM相比，MAE 值下降；在 NASA+CALCE 数据集上，BMSFormer 对电池 SOH 突变的跟踪能力优于其他模型，尤其在 B0018、CS2-38 等 SOH 波动较大的电池上，预测误差更接近 0。

（2）效率：轻量化设计适配资源受限 BMS

在相同超参数配置下，BMSFormer 相比传统 Transformer，虽然 FLOPs 与参数增加，但训练时间与存储大小减少；相比 CNN-Transformer，BMSFormer 训练时间更短、存储更小，且在 12 组超参数组合下，存储大小波动最小，而 LSTM/CNN-LSTM 随维度提升存储量急剧增加，难以部署。

（3）稳定性：超参数鲁棒性显著提升

研究测试了多组超参数组合（涵盖 epoch、学习率、块数、层数、维度等），BMSFormer 在超参数变化下仍能保持出色的拟合表现，达标高拟合度的组合占比高于其他对比模型；而 LSTM/CNN-LSTM 仅在少数超参数配置下有较好表现，Transformer 则对超参数调优高度敏感，不同配置下的性能波动幅度较大。

（4）泛化性：跨电池 / 跨协议表现稳定

以 Oxford 的 Cell1、NASA 的 B0005、CALCE 的 CS2-35 为训练集，其余电池为测试集，BMSFormer 在未做额外微调的情况下，对不同电芯类型、充放电协议的电池实现高精度预测，证明了模型的泛化性。

五、研究结论与未来展望

5.1 核心结论

本文提出的 BMSFormer 模型通过强相关单一 HI 提取、LGFA 轻量化注意力、多尺度 DSConv 特征融合三大创新点，实现了锂电池 SOH 在线估计的高精度、低计算量、高稳定性，主要结论如下：

1. 逐步筛选的高相关性 HI 为模型提供了高质量输入，是高精度估计的基础；
2. LGFA 模块在将注意力计算复杂度降至线性的同时，融合了局部 - 全局特征，弥补了线性注意力表达能力的不足；
3. 多尺度 DSConv 模块以极低的参数量实现了多通道、多尺度特征融合，提升了模型对电池退化特征的捕捉能力；
4. BMSFormer 在三大权威数据集上的精度、效率、稳定性优于当前主流模型，可适配资源受限的 BMS 嵌入式设备，实现 SOH 在线估计。

5.2 未来展望

1. 进一步优化模型架构，降低计算复杂度和参数量，提升实时性；
2. 将模型扩展至更多类型的锂电池（如磷酸铁锂、三元高镍）和更复杂的工作条件（如宽温区、变倍率充放电）；
3. 实现 BMSFormer 与实际 BMS 设备的集成，完成工程化部署和实车测试；
4. 结合电池物理退化机制，实现数据驱动与模型基方法的融合，进一步提升模型的可解释性。

---

博主小结：这篇论文的核心价值在于针对实际工程场景做轻量化设计，打破了深度学习模型 “精度换效率” 的固有思维，为电池管理系统的嵌入式部署提供了切实可行的深度学习方案。其强相关特征提取、注意力机制轻量化、多尺度特征融合的思路，也为其他时序数据的轻量级建模提供了参考。

参考文献

X. Li, M. Zhao*, S. Zhong, J. Li, S. Fu, Z. Yan. 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.