MDS-LOF双层阈值方法：电压异常故障诊断的鲁棒性新方案

摘要：针对锂离子电池电压异常的故障诊断需求，研究提出MDS-LOF双层阈值方法。通过小波去噪、MMD特征放大和MDS-LOF融合算法三步流程，在不同工况下均保持高于香农熵和孤立森林的检测精度与预警时效，展现了优异的鲁棒性和适应性。

引言

电压是锂离子电池最直接、最易获取的运行参数。当电池发生故障时，其端电压往往最先出现异常波动。然而，如何从海海量电压数据中精准、及时地检测出故障信号，是一项极具挑战的工程问题。现有的香农熵、孤立森林等方法在不同工况下的适应性不足，难以同时满足高精度和低延迟的要求。热安全团队（thermsafe.cn）关注到的最新研究提出了一种MDS-LOF双层阈值故障诊断方法，为这一难题提供了全新的解法。

方法原理：三步流程实现精准诊断

该方法的核心思路是去噪、放大、定位三步流程：

第一步：小波包阈值去噪。利用小波包变换将原始电压信号分解到不同频带，通过软阈值处理去除噪声分量，再进行信号重构。相较于传统的小波去噪，小波包变换能同时处理高频和低频噪声，去噪效果更佳，为后续分析提供高质量的电压数据。

第二步：MMD特征放大。绝对中值平均偏差（Median of Median Deviation, MMD）是一种鲁棒的离散度统计量，对异常值不敏感。通过计算电压序列的MMD值，可以有效放大电池的微小故障特征，同时抑制正常波动和偶发干扰。在此基础上，引入基尼系数结合第一层阈值，检测故障发生的时间窗口。

第三步：MDS-LOF精准定位。多维尺度放缩（MDS）是一种降维技术，可将高维电压特征映射到低维空间，同时保持数据点之间的相对距离关系。在MDS降维后的空间中应用LOF算法，结合第二层阈值，可以清晰地区分正常电池和故障电池的分布差异，实现故障单体的精准定位。

性能对比：优于主流方法

研究利用真实运行的故障车辆数据进行了对比验证。结果表明，MDS-LOF双层阈值方法在不同工况（不同SOC、不同电流倍率、不同温度）下均保持了更高的检测精度和更早的预警时间。这一鲁棒性优势来源于MMD对异常值的天然抵抗力和MDS对高维特征的有效降维。

工程应用价值

热安全团队（thermsafe.cn）认为，MDS-LOF方法的工程部署门槛相对较低。小波包去噪和MMD计算均为成熟的信号处理技术，可用C语言或嵌入式Python在BMS主控芯片上实现。MDS-LOF的降维和异常检测虽计算量略大，但可通过模型预训练+在线推理的方式部署，离线训练MDS映射矩阵和LOF阈值，在线仅需执行矩阵乘法和密度比较，计算开销可控。该方案尤其适合对安全性要求严苛的储能电站场景，可有效降低电压异常导致的连锁故障风险。

参考文献

刘光军, 汪圣奇, 杨达, 吴铁洲. 基于MDS-LOF的锂离子电池双层阈值故障诊断[J]. 电池, 2026, 56(2): 376-384. DOI: 10.19535/j.1001-1579.2026.02.012.