锂离子电池健康状态(State-of-Health, SOH)的准确监测是电池管理系统(BMS)稳定运行与电池寿命管理的重要基础。发表于国际期刊《Energy》的研究成果《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》提出了一种面向在线应用场景的深度学习模型BMSFormer。该方法从高频使用的局部充放电区间提取高相关性健康因子,并结合局部-全局特征融合机制与轻量化注意力结构,实现了对锂电池容量退化过程的端到端序列建模。

整个SOH估计流程主要包括四个技术步骤:工况数据获取、健康因子工程、BMSFormer网络构建与训练、以及多维度模型评估。
在实际运行中,电池极少经历从完全充满到彻底放空的完整循环,大多工作在特定荷电状态(SOC)区间内。为此,特征提取流程聚焦于电池日常使用频率较高的中间电压区间,即充电段的高压部分与放电段的对应部分。
特征工程的具体执行步骤如下:
初始区间划定:选择充电阶段的中间偏高电压段与放电阶段的相对稳定段作为初始搜索范围。
递进式窗口滑动与筛选:以皮尔逊相关系数为相关性评价指标,设定由大到小的滑动窗口和步长。首先在大步长窗口下划分候选区间,选取在不同电池测试数据中皮尔逊相关系数下限最高的一段作为基准;随后逐步收窄窗口尺寸与步进跨度,反复迭代,直至窗口分辨率达到细粒度级别或相关系数不再提高。
时序序列构建:根据最终确定的细粒度电压区间,提取每个循环在该区间内的恒流充电时间或恒流放电时间,构成单健康因子时间序列。
时序切片与标签绑定:采用滑动窗口机制沿时间维度对健康因子序列进行切分,前序固定长度的时间步序列作为模型输入特征,其紧邻的下一循环真实SOH值作为目标回归标签。
针对长时序退化序列建模中注意力机制计算复杂度过高的问题,BMSFormer重构了自注意力与卷积特征提取模块,其核心由线性化局部-全局融合注意力模块、多尺度深度可分离卷积模块及多层感知机组成。

传统自注意力机制依赖Softmax非线性归一化,需要先计算所有查询与键之间的成对相似度矩阵,导致其计算复杂度与内存消耗随着输入序列长度的增长呈二次方增加。

LGFA模块的技术改进主要体现在以下两个方面:
计算顺序重排与线性化:利用激活函数的核化映射代替指数函数,基于矩阵乘法的结合律调整计算次序。系统先将键映射与值映射进行特征聚合,生成固定维度的全局上下文表征,再将其与查询映射相乘。由此,单步计算复杂度由序列长度的二次方降低为关于序列长度的线性复杂度,便于长序列输入的处理。
局部信息敏感性增强:为弥补线性注意力在局部特征表达能力上的折损,在键路径与值路径中嵌入小尺度深度可分离卷积操作。在计算全局上下文之前,先对局部的时序邻域信息进行平滑与特征重组,使注意力权重同时具备局部变化敏感度与全局长程依赖建模能力。
标准卷积在所有通道和空间维度上联合滑动,计算开销与参数冗余度较高。BMSFormer在不同层级中引入了两种不同尺度的深度可分离卷积,将计算解耦为通道独立的深度卷积与跨通道点卷积两步。

小卷积核模块(DSConv-S):通道扩展倍数设定为二倍,采用小尺寸深度卷积核配合点卷积,负责捕捉相邻时间步间的瞬态局部特征,直接嵌入在注意力机制的键与值处理分支内。
大卷积核模块(DSConv-L):通道扩展倍数设定为三倍,采用大尺寸一维深度卷积核。在主网络残差分支中,张量经过转置后由该模块进行跨步特征提取,再转置恢复原始维度,用以建模电池在较长循环跨度下的退化趋势。
输入序列首先经过线性嵌入层映射至高维特征空间,然后进入BMSFormer基础块。在块内,序列先通过LGFA模块计算全局注意力并融合局部信息,经残差连接与层归一化后,将张量转置并输入大卷积核DSConv-L模块提取长程演化特征,最后经过多层感知机(MLP)完成通道维度的非线性映射,输出当前循环的SOH估计值。
模型验证遵循以下训练配置与流程:
数据划分:选取电池早期生命周期的时序数据作为训练样本,其余生命周期数据用于模型内部验证,整套测试在不同化学体系的未见测试电池上直接展开。
多超参数配置组合设计:为了考察结构配置对优化的影响,在训练过程中覆盖了包含训练轮次、学习率、注意力块层数、自注意力头数、多层感知机隐层维度及输入嵌入维度在内的多组离散超参数网格组合。
优化与输出回归:采用梯度下降算法,以均方误差等回归损失函数驱动网络参数更新,经多层特征变换后输出单一标量值作为最终的SOH在线估计结果。
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.
https://www.sciencedirect.com/science/article/abs/pii/S0360544224038088
来自 “ ITPUB博客 ” ,链接:https://blog.itpub.net/31557240/viewspace-3188122/ ,如需转载,请注明出处,否则将追究法律责任。