5G es la quinta generación de redes celulares y se ha utilizado en muchas áreas diferentes. 5G a menudo requiere aumentos repentinos en el consumo de energía. Para estabilizar el suministro de energía, un sistema 5G requiere una batería de iones de litio (LIB) o un mecanismo llamado modernización principal de CA para proporcionar soporte energético durante los períodos de mayor demanda de energía. El enfoque de LIB es la mejor opción en términos de simplicidad y mantenimiento. Además, un sistema 5G requiere no solo energía de alto rendimiento, sino también la capacidad de seguimiento y predicción. Por lo tanto, es muy deseable un suministro de energía inteligente para baterías de iones de litio con monitoreo y estimación temporales. En este documento, nos centramos en las mejoras de inteligencia artificial (IA) para aumentar la precisión de la predicción del estado de salud de LIB. Observando la naturaleza SeqInSeq de los datos de la batería, nuestro enfoque utiliza autoatención y codificación posicional de punto fijo. También aprovechamos la autorregresión para lograr la dependencia entrenable de una rama no lineal y una rama lineal en la creación de la salida final. En comparación con el método actual de vanguardia (SOTA), nuestros resultados experimentales muestran que proporcionamos una mejor precisión, en comparación con la salida de referencia utilizando los conjuntos de datos de la NASA y CALCE. Desde el mismo entorno, logramos una reducción del error cuadrático medio raíz (RMSE) del 20.08% y un error porcentual medio absoluto (MAPE) del 29.01% en la pérdida de la NASA, en comparación con los enfoques de SOTA. En CALCE, los números son una disminución del 5.99% en RMSE y del 12.59% en MAPE, lo cual es significativo.