锂电健康评估Transformer

长序列预测更准

用可分离对数稀疏自注意力显著降低计算复杂度，更适合电池管理系统实时估计健康状态。

陈腾鹏 · Chen, Zhang · Weize, Jing · Eddy, F. Y.S. · 来鑫 · 曾念寅

IEEE Transactions on Instrumentation and Measurement 2025

参数信息

平均绝对百分比误差 (MAPE)

1.31 %

平均绝对误差 (MAE)

0.97 %

均方根误差 (RMSE)

1.36 %

平均绝对百分比误差 (MAPE)

2.05 %

平均绝对误差 (MAE)

1.57 %

均方根误差 (RMSE)

2.50 %

技术优势

长序列算得快

采用可分离对数稀疏自注意力，注意力计算只集中在关键位置，复杂度显著低于标准自注意力。

精度超过现有模型

在NASA和CALCE数据集上的MAPE、MAE、RMSE均低于其他网络模型，最小MAPE分别为1.31%和2.05%。

多通道融合提升鲁棒性

多通道融合自适应嵌入模块整合电压、电流、温度等不同信号，减少单一信号噪声的影响。

应用场景

• 电池健康管理：在线估算SOH，及时发现老化异常并预警。
• 电池寿命预测：基于历史数据预测剩余寿命，安排维护更换。
• 在线监测仪器：嵌入BMS实现实时SOH监测，无需拆解电池。