基于数字孪生的存储系统BBU保护能力预测方法及系统与流程

本技术涉及企业级存储系统的数据保护，具体涉及一种基于数字孪生的存储系统bbu保护能力预测方法及系统。

背景技术：

1、企业级存储系统普遍采用write-back（写回）缓存策略以提升i/o（input/output，输入/输出）性能，写操作先写入高速dram（dynamic random access memory，动态随机存取存储器）缓存，随后异步刷写到后端非易失性存储介质。在此场景下，一旦发生意外断电，dram中尚未持久化的脏数据将面临丢失风险。为此，存储系统通常配备bbu（batterybackup unit，电池备份单元），在掉电事件发生时接管控制器缓存供电，确保缓存数据能够安全写入非易失性存储介质，从而保障数据完整性。

2、bbu作为存储系统数据保护链路中的关键部件，其健康状态直接决定了掉电保护的可靠性。现有的bbu管理技术主要涵盖以下几类方案。

3、（1）传统bbu监控与阈值告警方案

4、现有企业级存储系统的bbu方案（如dell powerstore、netapp fas/aff系列内置bbu模块）普遍提供基础电池监控功能，主要包括电压检测、温度监测、电流采样及soc（state of charge，荷电状态）估算。当电池soh（state of health，健康状态）下降到预设阈值（如80%）时，bms（battery management system，电池管理系统）触发更换告警。此类方案本质上属于被动式管理模式：bms仅对电池的实时状态进行监测和越限告警，无法基于历史运行数据预测bbu保护能力的衰减趋势，运维人员只能在故障发生或告警触发后进行被动响应，难以提前规划维护窗口。

5、（2）电池soc/soh估计方法

6、学术界和工业界已提出大量电池状态估计方法以提升soc和soh的估算精度。例如：公开号为cn119511105b的专利中公开了一种电池健康状态综合评估方法，通过多维度参数融合评估电池soh。现有技术还提出了基于lstm（long short-term memory，长短期记忆网络）和扩展卡尔曼滤波的soc/soh联合预测模型，利用时序神经网络捕捉电池老化特征。然而，上述方法仅提供电池状态估计本身，其输出结果未被进一步转化为存储系统数据保护策略的控制输入，未与存储系统的write-back/write-through（写穿透）策略切换机制形成联动闭环，状态估计与系统决策之间存在明显断层。

7、（3）储能系统功率分配方法

8、公开号为cn115800342a的专利文献中公开了一种基于功率分配因子的储能电站agc（automatic generation control，自动发电控制）有功功率分配方法，综合考虑soc、充放电功率上限、电池老化程度等因素延长电池使用寿命。公开号为wo2025097784a1的专利文献中公开了一种混合储能系统的控制方法，通过优化功率分配策略实现多类型储能介质之间的能量调度。此类方案面向电网级储能电站的功率调度场景，其设计目标为提升大规模储能系统的能量转换效率和经济性，并非针对存储系统bbu的掉电数据保护场景，且其算法复杂度和资源消耗无法适应嵌入式bbu控制器的运行环境。

9、（4）数字孪生在储能领域的应用

10、现有技术提出了面向储能电站的数字孪生建模方法，通过构建物理实体的高保真数字化镜像模型，对大规模储能电站的运行状态进行实时仿真与优化控制。然而，此类方案面向mwh级大规模储能电站，其数字孪生模型的构建和运行需要大量计算资源和数据基础设施支撑，无法直接部署于资源受限的嵌入式bbu控制器或bmc（baseboard managementcontroller，基板管理控制器）平台上，且其优化目标与存储系统bbu的掉电保护需求存在本质差异。

11、综合上述现有技术分析，当前面向存储系统bbu的管理技术存在以下四方面缺陷：

12、（1）被动式运维，缺乏预测能力：现有bbu管理方案采用被动响应模式，仅在soh降至告警阈值或电池发生故障后才能发现问题。运维人员无法获知bbu保护能力的衰减趋势，难以提前预判风险窗口，导致维护响应滞后于设备老化进程，存在因突发性bbu失效而导致数据保护真空的隐患。

13、（2）保护策略与电池健康状态脱钩：现有存储系统的write-back/write-through策略切换仅依据bbu剩余电量是否满足24小时数据保持这一单一门槛条件，未综合考虑电池soh衰减、esr（equivalent series resistance，等效串联内阻）增长等老化因素对bbu实际保护能力的影响。在电池老化程度较高但电量尚未触及门槛的情况下，系统仍维持write-back模式运行，存在实际保护能力不足而系统未能及时感知的隐性风险。

14、（3）缺乏分级保护机制，安全与性能权衡粒度粗：现有方案在bbu老化后仅进行二值化策略切换（write-back至write-through），缺乏基于电池健康状态的中间过渡层级和分级降级策略。这种非此即彼的切换方式无法在安全性与i/o性能之间实现精细化的动态平衡，导致系统要么承担过高的数据风险以换取性能，要么因过度保守的策略切换而牺牲过多的i/o性能。

15、（4）运维信息不透明，维护计划缺乏数据支撑：现有方案未能向运维人员提供bbu的剩余可用保护时间、健康状态演变趋势和预测性更换窗口等关键决策信息。运维人员仅依赖静态阈值告警制定维护计划，难以精准评估bbu的实际可用寿命和最优更换时机，导致维护资源配置不合理，增加了系统停机风险和维护成本。

技术实现思路

1、为此，本技术提供一种基于数字孪生的存储系统bbu保护能力预测方法及系统，以解决现有技术存在的缺乏预测能力、保护策略与电池健康状态脱钩以及缺乏分级保护机制的问题。

2、为了实现上述目的，本技术提供如下技术方案：

3、第一方面，一种基于数字孪生的存储系统bbu保护能力预测方法，其特征在于，所述方法应用于数字孪生引擎，所述数字孪生引擎部署于存储系统的基板管理控制器中，所述方法包括：

4、步骤1：接收电池备份单元本地采集并上报的遥测数据；其中，所述电池备份单元为电池储能单元与电容储能单元协同工作的混合拓扑结构；所述遥测数据包括：电池储能单元运行数据、电容储能单元运行数据和功率分配控制器状态字；

5、步骤2：将所述遥测数据进行数据预处理，并根据数据预处理后的所述遥测数据构建电池备份单元的实时运行状态快照；所述数据预处理包括：时序对齐、异常值剔除、温度补偿和辅助数据融合；

6、步骤3：利用双重扩展卡尔曼滤波，结合所述实时运行状态快照对所述电池备份单元的健康状态参数进行在线辨识，并生成健康状态时间序列数据；

7、步骤4：基于所述健康状态时间序列数据，利用时序预测模型预测所述电池备份单元的健康状态衰减趋势；

8、步骤5：基于当前所述电池储能单元和所述电容储能单元的有效能量、存储系统的当前负载信息和所述健康状态衰减趋势计算预测剩余保护时间；

9、步骤6：将所述预测剩余保护时间发送至分级策略引擎；所述分级策略引擎根据所述预测剩余保护时间动态调整缓存写策略；其中，所述动态调整缓存写策略包括：回写、写保护和直写三级分级保护策略；所述分级策略引擎部署于存储控制器的i/o调度软件栈中。

10、作为优选，还包括：

11、将所述预测剩余保护时间、所述健康状态衰减趋势、以及所述电池储能单元和所述电容储能单元的健康状态参数发送至运维平台，以供所述运维平台生成并展示电池备份单元的健康状态趋势、剩余使用寿命预测和更换建议窗口，并在所述预测剩余保护时间低于预设预警阈值时向所述运维平台推送主动预警信息。

12、作为优选，步骤3中，所述双重扩展卡尔曼滤波包括：快时间尺度的荷电状态估计和慢时间尺度的健康状态参数辨识，所述快时间尺度的荷电状态估计和慢时间尺度的健康状态参数辨识相互耦合、闭环校正；其中，所述快时间尺度的荷电状态估计在每个遥测数据上报周期执行一次更新，所述慢时间尺度的健康状态参数辨识在累计多个上报周期后触发一次更新，并将更新后的健康状态参数反馈至所述快时间尺度的荷电状态估计的模型参数中。

13、作为优选，步骤4中，所述利用时序预测模型预测所述电池备份单元的健康状态衰减趋势，具体包括：

14、以所述健康状态时间序列数据中的日度特征值为输入，由所述时序预测模型执行前向传播预测，输出未来预设天数的健康状态衰减趋势；当所述时序预测模型的预测值与所述双重扩展卡尔曼滤波实时辨识的健康状态参数偏差超过预设阈值时，触发校准流程，以所述双重扩展卡尔曼滤波的实时辨识结果为准对所述时序预测模型的输入序列进行漂移校正并重新执行预测。

15、作为优选，所述时序预测模型采用长短期记忆网络模型；所述长短期记忆网络模型为单层结构，隐藏层维度为32或64，输入时间步长为预设天数。

16、作为优选，步骤5中，所述预测剩余保护时间的计算公式为：

17、rpt = e_total / p_total_discharge - t_total

18、其中，e_total表示电池储能单元和电容储能单元的总有效能量，p_total_discharge表示掉电放电期间的总功率消耗，t_total表示从掉电发生到缓存数据完全下刷完成的总耗时。

19、作为优选，步骤6中，所述分级策略引擎根据所述预测剩余保护时间动态调整缓存写策略具体包括：

20、读取当前策略状态，策略状态包括：回写模式、写保护模式和直写模式；

21、若当前策略状态为回写模式且预测剩余保护时间小于或等于七十二小时，则决策结果为切换至写保护模式；

22、若当前策略状态为写保护模式且预测剩余保护时间大于或等于八十小时，则决策结果为切换至回写模式；

23、若当前策略状态为写保护模式且预测剩余保护时间小于或等于二十四小时，则决策结果为切换至直写模式；

24、若当前策略状态为直写模式且预测剩余保护时间大于或等于三十小时，则决策结果为切换至写保护模式；

25、若触发最小驻留时间检查，则决策结果为维持当前状态；

26、其他情况下，决策结果均为维持当前状态。

27、作为优选，所述数字孪生引擎采用多触发模式进行更新，所述多触发模式包括：定时触发更新、事件触发更新和异常触发更新。

28、作为优选，所述电池储能单元为磷酸铁锂电池组，所述电容储能单元为超级电容。

29、第二方面，一种基于数字孪生的存储系统bbu保护能力预测系统，包括电池备份单元本地mcu、数字孪生引擎、分级策略引擎和运维平台，所述数字孪生引擎与所述电池备份单元本地mcu、所述分级策略引擎和运维平台通信连接；所述数字孪生引擎部署于存储系统的基板管理控制器中，用于实现所述的基于数字孪生的存储系统bbu保护能力预测方法，所述分级策略引擎部署于存储控制器的i/o调度软件栈中，用于动态调整缓存写策略。

30、相比现有技术，本技术至少具有以下有益效果：

31、1、本技术提供了一种基于数字孪生的存储系统bbu保护能力预测方法，包括：接收电池备份单元本地采集并上报的遥测数据；将遥测数据进行数据预处理，并构建实时运行状态快照；利用双重扩展卡尔曼滤波，结合实时运行状态快照对电池备份单元的健康状态参数进行在线辨识，生成健康状态时间序列数据；基于健康状态时间序列数据，利用时序预测模型预测电池备份单元的健康状态衰减趋势；基于当前电池储能单元和电容储能单元的有效能量、存储系统的当前负载信息和健康状态衰减趋势计算预测剩余保护时间；将预测剩余保护时间发送至分级策略引擎；分级策略引擎根据预测剩余保护时间动态调整缓存写策略；其中，动态调整缓存写策略包括：回写、写保护和直写三级分级保护策略。本技术通过数字孪生实现bbu保护能力的提前预测，并基于预测结果动态联动三级分级写策略，从而在保障数据安全的前提下最大化存储性能，解决了现有技术缺乏预测、策略脱钩和分级保护不足的问题。

32、2、本技术将预测剩余保护时间、健康状态衰减趋势、以及电池储能单元和电容储能单元的健康状态参数发送至运维平台，以供运维平台生成并展示电池备份单元的健康状态趋势、剩余使用寿命预测和更换建议窗口，并在预测剩余保护时间低于预设预警阈值时向运维平台推送主动预警信息，使得运维信息全景可视，维护计划有据可依。