在锂电池运行管理中，电池健康状态（State of Health）的监测与估计是评估电池退化程度的重要任务。论文《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》针对在线估计中的特征选择与网络计算开销问题，提出了一套从局部电压区间提取高相关性健康因子，并结合局部-全局特征融合注意力机制与多尺度深度可分离卷积进行健康状态建模的技术方案。

一、整体方法流程

该方法的数据处理与模型构建主要分为四个部分：数据获取、特征工程、网络训练以及模型验证。

1. 数据与区间设定 ：针对电池在日常循环中频繁处于中段荷电状态的特点，选取充电与放电过程中的特定电压范围作为特征提取的基础区间。

2. 特征工程 ：在基础区间内，通过渐进式缩小的电压窗口搜索出与容量退化具有强相关性的恒流充放电时间序列，利用滑动窗口将其切分为时序样本段，并将窗口后邻近时刻的真实健康状态作为标签。

3. 模型训练 ：将特征输入序列投影至高维空间，通过堆叠的核心网络块提取特征，并由多层感知机映射输出估计结果。

4. 模型验证 ：在多源电池数据及不同超参数配置下，考察模型在特征提取、拟合一致性与计算规模方面的综合表现。

二、强相关单健康因子的确定与构建

针对电池部分充放电及非全充全放工况，直接利用全周期信号往往存在冗余与非线性干扰。该方案设计了一种自上而下的窗口搜索策略：

• 电压区间初选 ：在充电阶段选取特定高压区间，在放电阶段选取中段平缓放电区间。

• 步长与窗口精细化缩减 ：以较大的初始电压窗口和步长切分区间，计算各候选子区间内时间参数与实际健康状态序列的皮尔逊相关系数基准；在相关性最高的区间内，逐级减小窗口大小与移动步长，直至达到最小分辨率阈值或相关系数不再提高。

• 时序样本生成 ：最终提取的单一健康指标为微小电压区间内的恒流充电时间或恒流放电时间。利用固定长度的滑动窗口沿充放电循环逐步向前滑动，每个窗口内的历史退化特征构成模型输入，用于估计下一个循环周期的健康状态。

三、 BMSFormer 整体架构

BMSFormer兼顾全局长时依赖建模与局部细节捕捉能力，其模型骨干包含输入嵌入层、核心网络块以及回归输出层。

输入特征序列经线性嵌入映射后进入核心网络块。在每一个网络块内部，计算流程包含以下环节：

1. 输入经由层归一化处理后，送入局部-全局融合注意力模块捕获序列上下文相关性，注意力输出乘以可学习权重后与主干通路进行残差连接。

2. 特征张量在维度转置后输入大卷积核深度可分离卷积模块，对时序维度进行大感受野局部滤波，然后转置恢复并与输入进行残差求和。

3. 经由层归一化和多层感知机完成非线性变换，并再次通过残差路径输出至下一层或最终的线性回归层。

四、局部-全局融合注意力机制（LGFA）

传统自注意力机制通过点积与指数归一化计算序列内部所有元素之间的关联权重。这种机制在计算完整注意力权重矩阵时，时间与内存开销与序列长度呈二次方关系，在处理长序列或受限计算资源时会带来较大的计算负担。

为了降低计算复杂度，LGFA 模块采用了基于线性映射的注意力计算范式：

• 计算次序重构 ：采用线性激活映射（如修正线性单元）替代传统指数运算，借助矩阵乘法的结合律，调整运算执行次序。网络先将键项特征与值项特征进行聚合运算，再将结果与查询项特征结合。该计算方式避免了生成显式的全元素关联矩阵，将计算量与存储开销降低至与序列长度呈线性比例。

• 局部信息敏感性补充 ：线性注意力由于移除了非线性放大操作，对局部连续变化的表征能力容易减弱。为此，LGFA 在键项与值项的分支中嵌入了小卷积核深度可分离卷积模块，在保证全局交互计算效率的同时，提取近邻时间步的局部波动特征。

五、多尺度深度可分离卷积（DSConv-S与DSConv-L）

标准卷积在处理多通道时序数据时，卷积核同时在时序空间维度和通道维度进行滤波与通道组合，参数量与运算量较大。深度可分离卷积将标准卷积分解为“逐通道卷积”和“逐点卷积”两个独立步骤，在保留感受野的同时降低了参数冗余。

BMSFormer 中设计了两种不同尺度的深度可分离卷积模块：

• 小尺度模块（DSConv-S） ：设置较小的通道扩张倍数与小尺寸一维深度卷积核，后接逐点卷积实现跨通道特征混合，主要用于注意力计算内部的局部特征提取，强化模型对相邻循环间细微容量波动的响应。

• 大尺度模块（DSConv-L） ：设置更高的通道扩张倍数与大尺寸一维深度卷积核，布置在注意力层之后，利用宽范围感受野跨时序聚合长周期的退化趋势信息，补充长程连续特征。

两者在结构上协同作用，在控制参数规模与前向计算开销的前提下，实现了局部细粒度特征与长程时序特征的联合提取。

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