储能电池管理系统云端故障自诊断与根因定位方法及系统与流程

本发明涉及储能电池管理系统，具体地说是一种储能电池管理系统云端故障自诊断与根因定位方法及系统。

背景技术：

1、随着电化学储能系统装机规模持续增长，大型储能电站通常包含数十个电池簇、数百个电池模组和数千个单体电芯。电池管理系统bms在运行过程中会产生海量的多维时序数据，包括单体电压、电流、温度、荷电状态soc、健康状态soh、均衡状态和通信状态等。当储能系统出现故障时，运维人员需要从这些海量数据中快速定位故障位置并分析根本原因，以便采取有效的处置措施。然而，现有的故障诊断技术存在诊断效率低、覆盖面窄和诊断结果不可追溯等问题，难以满足大规模储能系统高效运维的需求。

2、现有的储能bms故障诊断技术存在以下缺陷和不足：第一，现有统计阈值告警方法采用固定阈值或简单自适应阈值对单一监测量进行异常判定。固定阈值无法适应不同工况和不同老化阶段的正常波动范围，导致在某些工况下误报频繁，而在另一些工况下漏报严重。对于电池内阻缓慢上升、容量渐进衰退等缓变异常，以及间歇性接触不良等偶发故障，固定阈值方法的检测能力十分有限。

3、第二，现有异常检测方法通常仅在单一层级进行检测，例如仅对单体电压序列进行时序异常检测，或仅对模组温度进行统计分析。这种单层级检测无法关联跨层级的故障传播关系。例如某个单体内阻异常升高引起模组温度偏高，进而导致簇级均衡异常。缺乏多层级关联分析能力导致故障定位精度不足，运维人员仍需大量人工排查。

4、第三，现有基于知识图谱或专家系统的故障诊断方法依赖人工预定义的故障规则库。规则库的构建需要大量领域专家经验，且规则一旦固化，难以自动适应储能系统在实际运行中出现的新型故障模式。当新型电芯、新型模组结构或新型bms硬件投入使用时，原有规则库的覆盖率迅速下降。

5、第四，现有基于深度学习的端到端故障诊断方法虽然具备较强的模式识别能力，但其输出结果通常为故障类型标签，缺乏从异常检测到故障定位再到根因分析的可解释推理过程。运维人员无法了解诊断的推理依据和证据链路，难以对诊断结果进行验证和信任，在实际工程中的采纳率较低。

6、第五，现有故障诊断系统的输出结果与运维处置流程相互脱节。诊断结果以告警列表形式呈现，运维人员需要人工解读告警含义、判断故障优先级、编写维修工单并分配处置资源。这一人工转译过程效率低、易出错，且诊断经验难以在不同站点之间共享和积累。

7、基于上述缺陷和不足，本发明要解决的技术问题包括：

8、1.如何实现从单体电芯到站级系统的多层级时序异常自动检测，覆盖缓变异常、突变异常和间歇性异常三类故障模式；

9、2.如何基于储能设备的实际物理连接关系和逻辑管辖关系动态构建带权拓扑关联图谱，支撑跨层级的异常传播路径追踪和故障定位；

10、3.如何基于异常事件的时序先后关系和拓扑传播路径进行因果推理，输出带置信度评分和可追溯证据链的根因候选列表；

11、4.如何实现从故障检测、故障定位、根因分析到运维工单生成的全链路自动化闭环，并通过处置结果回灌实现故障知识库的持续自演进。

技术实现思路

1、本发明为克服现有技术的不足，提供一种储能电池管理系统云端故障自诊断与根因定位方法及系统，适用于包含多个电池簇和模组的工商业储能系统和并网储能电站的智能运维场景。采用云边协同架构，边缘端部署于储能电站本地控制器中负责实时异常检测和紧急保护，云端部署于运维平台服务器中负责深度根因分析和知识库管理。

2、为实现上述目的，设计一种储能电池管理系统云端故障自诊断与根因定位方法，包括如下步骤：

3、s1，多源数据采集与预处理：边缘端以各层级对应的采集周期从bms控制器采集多维时序数据；对采集到的原始数据进行时间戳对齐处理，将不同采集周期的数据统一到公共时间轴上；对缺失数据点采用相邻有效值的线性插补方法进行填充；对各维度数据分别计算滑动窗口均值和标准差，进行z-score标准化处理，得到标准化后的多维特征矩阵，其中d为特征维度数，l为特征窗口长度；

4、s2，分层时序异常检测：对步骤s1输出的标准化特征矩阵，按五个层级分别运行异常检测，每个层级包含三个并行检测通道：

5、s2a，滑动窗口重构误差通道：将该层级的特征窗口输入自编码器网络，计算重构输出和重构误差，将重构误差与自适应阈值比较，若则判定为突变异常；

6、s2b，趋势偏离通道：对该层级关键指标的滑动窗口数据进行线性回归，计算斜率，将斜率的绝对值与趋势阈值比较，若持续超过最小持续时间，则判定为缓变异常；

7、s2c，间歇性异常通道：在短周期滑动窗口内统计单维指标超出正常范围后又恢复的跳变次数，若跳变频率超过间歇性阈值，则判定为间歇性异常；

8、对三个通道的检测结果取并集，检测到的每个异常事件记录为结构化消息，上报云端；

9、s3，异常事件接收与拓扑映射：云端接收边缘端上报的异常事件集合，将每个异常事件中的设备编号映射到动态设备拓扑关联图谱中对应的节点，在该节点上标注异常事件属性；若异常事件的设备编号在图谱中不存在，则触发拓扑图增量更新；

10、s4，异常传播路径回溯：对拓扑图中标记了异常事件的所有节点，按异常发生时间从早到晚排序；从时间最早的异常节点出发，沿拓扑图的有向边向上游和下游搜索其他异常节点；对于搜索到的每对异常节点，检验以下条件是否满足：s4a，和之间存在有向可达路径且路径跳数不超过最大传播跳数；s4b，的异常发生时间早于的异常发生时间；s4c，到的时间差不超过最大传播延迟；满足条件的节点对形成因果候选链路；

11、s5，因果推理与根因候选生成：基于步骤s4得到的因果候选链路，构建因果传播子图；在传播子图中识别所有入度为零的节点作为根因候选；对每个根因候选，沿因果传播子图向下游遍历计算其影响范围，根因候选的初始置信度由其关联的直接异常证据数量和异常严重程度决定，并沿传播路径按边权重逐跳衰减；

12、s6，多源证据融合评分：对每个根因候选，收集其关联的所有异常证据；将每条证据编码为证据向量；按层级权重、通道权重和时序权重三部分计算加权综合置信度评分；根因候选按降序排列；同时生成该候选的证据链报告，记录每条证据的来源层级、检测通道、异常时间、异常幅度和拓扑传播路径；

13、s7，知识库匹配与辅助判定：将步骤s6输出的根因候选与故障知识库中的已有故障模式进行相似度匹配，若相似度超过匹配阈值，认为匹配到已有模式，将该已有模式的历史处置方式和确认率附加到根因报告中；若未匹配到已有模式，则标记为新型故障模式，在根因报告中提示运维人员重点关注；

14、s8，运维工单自动生成：根据步骤s6-7的根因报告，自动生成运维工单，工单自动推送至运维管理系统；

15、s9，处置结果回灌与知识库更新：运维人员完成故障处置并关闭工单后，系统采集工单中的实际根因确认结果和处置方式，将已确认的故障案例以结构化形式送入故障知识库自演进模块，运行在线增量聚类算法进行模式匹配和知识库更新；若诊断根因与实际根因不符，记录偏差信息用于后续异常检测阈值和因果推理参数的优化调整；

16、s10，异常检测阈值自适应更新：基于步骤 s9回灌的偏差信息，定期调整分层时序异常检测模块中各通道的阈值、参数；若某层级某通道的误报率高于目标值，适当放宽该通道阈值；若漏报率高于目标值，适当收紧该通道阈值。

17、所述的步骤s1中，z-score标准化的方法具体如下：

18、，其中：

19、为第维特征在时刻的标准化值，无量纲；

20、为第维特征在时刻的原始采样值，单位取决于特征类型；

21、为第维特征在以为终点的滑动窗口内的均值，单位与相同，窗口长度为；

22、为第维特征在以为终点的滑动窗口内的标准差，单位与相同；

23、ϵ为防除零常数，取值为，无量纲。

24、所述的步骤s2中，重构误差的计算方法如下：

25、，其中：

26、 为第层级在时刻的重构误差，无量纲；

27、为第层级在时刻的标准化特征向量，为该层级的特征维度数;

28、为自编码器对的重构输出；

29、为的第d个分量；

30、为的第d个分量；

31、为l2范数；

32、自适应阈值的计算方法如下：

33、，其中：

34、为第层级在时刻的重构误差自适应阈值，无量纲；

35、为重构误差在滑动窗口内的均值，无量纲；

36、为重构误差在滑动窗口内的标准差，无量纲；

37、为阈值灵敏度系数，取值范围为2.0至4.0，无量纲。

38、所述的步骤s2中，斜率的计算方法具体如下：

39、，其中：

40、为第层级关键指标在时刻的滑动窗口线性回归斜率，单位为特征单位/采样点；

41、为趋势检测滑动窗口内的采样点数量，单体层默认120，模组层默认60，簇层默认30；

42、为第层级第维指标在时刻的标准化值，无量纲；

43、为窗口内相对时间索引，取值范围为0至。

44、所述的步骤s5中，根因候选置信度计算方法如下：

45、，其中：

46、为第个根因候选的初始置信度，无量纲，取值范围为0至正无穷；

47、为第个根因候选节点；

48、为与根因候选通过因果传播路径关联的所有异常证据事件集合；

49、为第个异常证据事件；

50、为第个异常证据的严重程度评分，取值范围为0至1，无量纲；

51、为从根因候选到证据事件在拓扑图上的有向路径；

52、为路径上从节点到节点的有向边；

53、为边的故障传播衰减系数，取值范围为0至1，无量纲。

54、所述的步骤s5中，综合置信度评分的计算方法如下：

55、，其中：

56、为第个根因候选的综合置信度评分，无量纲；

57、为根因候选关联的证据总数；

58、为第条证据的层级权重，无量纲；

59、为第条证据的检测通道权重，无量纲；

60、为第条证据的时序权重，无量纲；计算公式为，其中为证据事件与根因候选之间的时间差，单位为秒；为时间衰减常数，默认为；

61、为第条证据的严重程度评分，取值范围为0至1，无量纲。

62、所述的步骤s7中相似度计算的方法如下：

63、，其中：

64、为新故障案例与已有故障模式之间的相似度，取值范围为至，无量纲；

65、为新故障案例的特征向量，由根因类型、证据模式和设备层级特征编码得到，为特征向量维度；

66、为已有故障模式的原型特征向量；

67、为两个向量的内积；

68、为l2范数；

69、步骤s9中知识库模式更新的方法如下：

70、，其中：

71、为更新后的故障模式原型向量；

72、为更新前的故障模式原型向量；

73、为该故障模式当前已累计的案例数量；

74、为新合并案例的特征向量。

75、所述的步骤s8中，工单包含故障层级、故障设备编号、根因描述、证据链摘要、建议处置方式、优先级评分和知识库匹配结果；其中优先级评分由故障影响范围评分、紧急程度评分和可修复性评分三个维度加权计算，具体如下：

76、，其中：

77、为运维工单的综合优先级评分，取值范围为0至100，无量纲；

78、为故障影响范围评分，取值范围为0至100，无量纲；

79、为紧急程度评分，取值范围为0至100，无量纲；

80、为可修复性评分，取值范围为0至100，无量纲；

81、为影响范围权重，默认0.4，无量纲；

82、为紧急程度权重，默认0.4，无量纲；

83、为可修复性权重，默认0.2，无量纲；

84、并且。

85、所述的步骤s10中，异常检测阈值更新采用指数移动平均滤波；具体如下：

86、，其中：

87、为第层级第通道更新后的检测阈值，无量纲；

88、为根据误报率和漏报率反馈计算的目标阈值，无量纲，当误报率大于3%时，，当漏报率大于5%时，；

89、为更新前的检测阈值，无量纲；

90、为阈值更新的指数移动平均滤波系数，取值范围为0.1至0.3，无量纲；

91、为阈值上调步长，默认0.05，无量纲；

92、为阈值下调步长，默认0.03，无量纲。

93、为实现上述目的，设计一种储能电池管理系统云端故障自诊断与根因定位系统，包括：

94、（1）模块一，多源数据采集与预处理模块：从各级bms控制器采集多维时序数据，多维时序数据经时间戳对⻬、缺失值线性插补和 z-score 标准化预处理后，送入分层时序异常检测模块；

95、（2）模块二，分层时序异常检测模块：按单体层、模组层、簇层、pcs层和站级层五个层级分别构建异常检测子模型，每个层级的检测子模型包含三个并行检测通道：

96、滑动窗口重构误差通道，利用自编码器对该层级的时序特征窗口进行重构，以重构误差超过自适应阈值作为异常判定依据，主要检测突变异常；

97、趋势偏离通道，对该层级的关键指标计算滑动线性回归斜率，以斜率持续超出正常范围作为异常判定依据，主要检测缓变异常；

98、间歇性异常通道，对该层级的指标序列计算短周期内的异常跳变次数，以跳变频率超过阈值作为异常判定依据，主要检测间歇性故障；

99、三个通道的检测结果取并集，任一通道检出异常即标记该层级该设备该时间点为异常事件；

100、（3）模块三，动态设备拓扑关联图谱模块：根据储能系统的物理连接关系和逻辑管辖关系，构建包含“单体→模组→簇→pcs→站级”的五层有向带权图；

101、（4）模块四，因果推理根因定位引擎：接收分层时序异常检测模块输出的异常事件集合作为证据节点，将这些证据节点映射到动态设备拓扑关联图谱上；

102、（5）模块五，多源证据融合评分模块：将来自不同层级和不同检测通道的异常信号统一编码为证据向量，每个根因候选关联的所有证据向量组成该候选的证据集合，通过加权融合计算每个根因候选的综合置信度评分，输出带有排序评分和完整证据链的根因报告，证据链中记录每条证据的来源层级、检测通道、异常时间、异常幅度和拓扑路径；

103、（6）模块六，故障知识库自演进模块：维护一个结构化的故障模式知识库当新的已确认故障案例加入知识库时，运行在线增量聚类算法将新案例与已有故障模式进行相似度匹配，若匹配度超过合并阈值 ，则将新案例合并到已有模式中并更新模式原型；若匹配度低于合并阈值，则创建新的故障模式条目；

104、（7）模块七，运维工单自动生成与闭环管理模块：根据因果推理根因定位引擎和多源证据融合评分模块输出的根因报告，自动生成运维工单，工单自动推送至运维管理系统；工单关闭后，运维人员填写的实际根因和处置结果自动回灌至故障知识库自演进模块，形成闭环；

105、（8）模块八，云边协同通信模块：定义边缘端与云端之间的数据交互协议和分工边界；

106、上述模块中，（1）模块一的预处理数据送入（2）模块二进行分层异常检测，（2）模块二的异常事件上报至（4）模块四，并映射到（3）模块三的拓扑图谱上；（4）模块四的根因候选送入（5）模块五进行证据融合评分，（5）模块五输出的根因报告送入（7）模块七生成运维工单，（7）模块七的工单闭环结果回灌至（6）模块六更新知识库，（6）模块六的知识库向（4）模块四提供历史故障模式参考以辅助因果推理，（8）模块八贯穿上述模块中边缘端和云端的数据交互。

107、本发明同现有技术相比，具有以下有益效果：

108、1.通过分层时序异常检测覆盖缓变、突变和间歇性三类异常，故障检测覆盖率预期可达95%以上，误报率预期可控制在3%以下。

109、2.通过动态拓扑关联图谱和因果推理引擎，故障根因定位时间预期可从传统人工排查的小时级压缩至5分钟以内。

110、3.通过多源证据融合评分机制输出可追溯的根因证据链，诊断结果的可解释性和运维人员采信度显著提升。

111、4.通过故障知识库自演进机制，系统诊断能力随运行时间持续增强，故障模式库预期每季度可自动扩充10%至20%的新模式。

112、5.运维工单自动生成率预期可达80%以上，运维响应效率显著提升。