在锂离子电池健康状态（SOH）在线估计领域，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”的研究论文。该研究针对资源受限的电池管理系统（BMS）运行环境，设计了一套结合局部与全局时序特征提取的轻量级深度学习模型BMSFormer。整体方案主要涵盖数据采集、高相关性健康指标（HI）精细化提取、轻量级网络建模以及多维度评估与稳定性分析等具体步骤。

在数据预处理与特征工程阶段，研究针对日常运行中出现频次较高的中段SOC区间，分别选定3.8 V至4.2 V的充电区间和3.8 V至3.4 V的放电区间作为特征搜索范围。通过自适应的多轮递进搜索策略，窗口和步长从初始的0.2 V逐步缩减至0.01 V分辨率，并在每一阶段以皮尔逊相关系数（PCC）作为判别准则，筛选出与容量衰退轨迹线性相关度最高的电压区间。最终确定4.16 V至4.17 V的恒流充电时间序列与3.8 V至3.4 V的恒流放电时间序列作为输入健康指标，并利用滑动窗口切分为时序片段，取片段后一时步的真实SOH作为训练标签。

BMSFormer网络的整体架构由输入嵌入层、多层核心BMSFormer块以及最终的多层感知机（MLP）回归输出层构成。输入的健康指标时序片段经线性映射升维后传入BMSFormer块，块内依次串联局部-全局融合注意力模块（LGFA）与大卷积核深度可分离卷积模块（DSConv-L）。在经过LGFA处理后，张量经维度转置输入至DSConv-L以提炼长程特征，随后转置恢复并结合残差连接与层归一化操作，最终输入MLP层映射得到当前电池状态的SOH估计值。

为了降低模型计算开销并提升特征表达能力，网络中嵌入了小核（DSConv-S）与大核（DSConv-L）两种多尺度深度可分离卷积。该结构将标准卷积拆分为针对每个输入通道独立处理的深度卷积，以及用于跨通道特征融合的逐点卷积。其中，DSConv-S采用1×3卷积核与2倍通道扩展因子以捕获局部微小扰动特征，DSConv-L采用1×31卷积核与3倍通道扩展因子以聚合宏观长程演化趋势，二者均结合了残差连接以保持梯度稳定流动。

在注意力机制部分，研究设计了局部-全局融合注意力模块（LGFA），采用ReLU线性注意力替代传统的Softmax归一化运算。该模块利用矩阵乘法的结合律改变计算次序，使注意力计算的时空复杂度降至序列长度的线性阶，中间乘积项在整个查询过程中仅需计算一次即可复用。同时，LGFA在键（Key）和值（Value）映射分支中引入了DSConv-S卷积操作，使线性注意力在保留全局感受野的同时弥补了对局部突变信息敏感度不足的问题。

在验证与评估阶段，研究选用了涵盖不同正极材料与工况协议的Oxford、NASA及CALCE三套公开电池数据集，截取各数据集第一个电池的前30%循环数据作为训练集，其余70%数据及同数据集其他电池的全周期数据用于验证与跨电池泛化测试。评估体系结合了MAE、MAPE、RMSE和决定系数R2等精度指标，以及浮点运算量（FLOPs）、训练时间、参数量和存储占用等计算效率指标，并通过遍历384组超参数组合对模型在不同网络深度、维度配置下的收敛表现进行了系统性测试。

参考文献：

Li X, Zhao M, Zhong S, Li J, Fu S, Yan Z. 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 Dec 30;313:134030.

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