首页 文章 精选 留言 我的

精选列表

搜索[transformer],共1746篇文章
优秀的个人博客,低调大师

【论文解读】BMSFormer:基于轻量化Transformer的锂电池SOH估计

锂离子电池在各类储能与动力系统中得到了广泛应用,实时、准确地估计电池健康状态对于保障系统安全至关重要,但传统的深度学习模型往往计算量庞大,难以直接部署在计算与存储资源受限的电池管理系统中。针对这一问题,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](https://www.sciencedirect.com/science/article/pii/S0360544224038088)》提出了一种兼顾全局特征提取与轻量化计算的健康状态估计方法。 该方法主要由数据采集、特征工程提取高相关健康因子、轻量化模型构建与训练验证四个主要环节组成,致力于为嵌入式环境下的电池在线健康监测提供结构简洁、计算开销可控的技术方案。 ![图 1:BMSFormer 电池健康状态(SOH)估计总体流程框架](https://developer.qcloudimg.com/http-save/yehe-6831054/d92abaa60e6f925f222e88a1b960dfd2.png) 在特征工程阶段,针对日常工况下电池常处于中间荷电状态这一实际特点,选取高频出现的充放电电压区间作为分析对象。为了在有限的电压片段中获取表征能力更强的健康因子,该方法设计了一种由粗到细的滑动窗口搜索机制,通过逐步缩小分析窗口与移动步长,计算各片段与电池真实健康状态之间的相关性,最终确定出高相关性的恒流充放电时间序列作为输入健康指标。这种仅依赖单一高度相关时间特征的提取方式,简化了输入端的数据维度与预处理复杂度,便于在板载系统中进行数据组织与处理。 ![图 2:基于渐进缩窗搜索的高相关健康因子提取机制](https://developer.qcloudimg.com/http-save/yehe-6831054/3e41487e593aac9601329a3c55634b5f.png) 模型架构的核心是设计并引入了局部-全局融合注意力模块,以改善传统自注意力机制计算复杂度随序列长度呈二次方增长的问题。该模块采用线性注意力计算方式,将相似度计算中的指数运算转化为线性映射与激活操作,从而利用矩阵乘法的结合律将注意力机制的计算与存储复杂度降低至与序列长度呈线性关系。同时,在注意力计算路径中嵌入局部特征提取操作,使模型在维持长程时序依赖建模能力的同时,有效补充了对局部时序波动的感知能力。 ![图 3:传统注意力、线性注意力与局部-全局融合注意力(LGFA)结构对比](https://developer.qcloudimg.com/http-save/yehe-6831054/ab8914b621c312f683d28000fa1f784b.png) 为了进一步丰富特征的多样性并控制参数规模,网络结构中结合了不同尺度的深度可分离卷积模块。与标准卷积相比,深度可分离卷积将空间特征提取与通道特征融合解耦为逐通道卷积和逐点卷积两步操作,减少了计算量和参数量。 网络分别构建了小卷积核模块和大卷积核模块:小卷积核模块负责在注意力层中捕捉细粒度的局部变化,大卷积核模块则负责在注意力层之后捕获更长跨度的特征趋势,二者相互配合以实现多尺度时序信息的有效融合与传递。 ![图 4:标准卷积与多尺度深度可分离卷积(DSConv-S / DSConv-L)结构对比](https://developer.qcloudimg.com/http-save/yehe-6831054/4ef85556048695c6c557a0d5ddab2f6a.png) 在模型验证与部署可行性分析方面,采用了涵盖不同材料体系、不同充放电协议的多套公开电池数据集进行全面测试。评估过程不仅考察了模型在不同电池对象上的泛化推断表现,还系统性地分析了在多组超参数组合下模型的训练拟合稳定性与存储内存占用情况。测试表明,该结构在多种超参数配置下展现出了较为平稳的拟合特性与较低的设备存储需求,为资源受限场景下电池健康状态在线估计算法的工程实现提供了参考依据。 ![图 5:各对比模型在多组超参数组合下的拟合性能与稳定性分布](https://developer.qcloudimg.com/http-save/yehe-6831054/7585283ee0de96f3bc3e4699072c86e6.png) 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/pii/S0360544224038088](https://www.sciencedirect.com/science/article/pii/S0360544224038088)

资源下载

更多资源
优质分享App

优质分享App

近一个月的开发和优化,本站点的第一个app全新上线。该app采用极致压缩,本体才4.36MB。系统里面做了大量数据访问、缓存优化。方便用户在手机上查看文章。后续会推出HarmonyOS的适配版本。

Mario

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长,特征是大鼻子、头戴帽子、身穿背带裤,还留着胡子。与他的双胞胎兄弟路易基一起,长年担任任天堂的招牌角色。

Spring

Spring

Spring框架(Spring Framework)是由Rod Johnson于2002年提出的开源Java企业级应用框架,旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念,提供核心容器、应用上下文、数据访问集成等模块,支持整合Hibernate、Struts等第三方框架,其适用范围不仅限于服务器端开发,绝大多数Java应用均可从中受益。

Sublime Text

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能,例如代码缩略图,Python的插件,代码段等。还可自定义键绑定,菜单和工具栏。Sublime Text 的主要功能包括:拼写检查,书签,完整的 Python API , Goto 功能,即时项目切换,多选择,多窗口等等。Sublime Text 是一个跨平台的编辑器,同时支持Windows、Linux、Mac OS X等操作系统。

用户登录
用户注册