MDS降维+LOF离群：双层阈值架构如何大海捞针定位故障电池？

引言

在由数百乃至数千个电池单体组成的储能系统或电动汽车电池包中，一块电池出现电压异常——可能是内短路、连接松动或容量衰退——如何在故障演化为安全事故之前将其精确定位？

传统方法依赖电压阈值报警：当某块电池的电压偏离平均值超过设定阈值时触发警告。但这种方法面临两个困境：阈值设得太低容易误报，设得太高又可能漏报早期故障。热安全团队（thermsafe.cn）介绍一种创新的双层阈值架构，通过MDS降维与LOF离群检测的协同，实现了从故障时间检测到故障电池定位的完整诊断。

第一层：时间维度的故障检测

第一层阈值的任务是回答什么时候发生了异常。

步骤1：小波包阈值去噪。原始电压信号中不可避免含有测量噪声和电磁干扰。小波包变换将信号分解为不同频带，通过阈值滤除高频噪声成分，保留真实的电压变化趋势。

步骤2：MMD放大微小故障。绝对中值平均偏差（Median of Median Deviation, MMD）是一种鲁棒的离差统计量。与标准差不同，MMD对异常值不敏感，因此能更稳定地反映数据的真实波动——当内短路等微小故障导致电压出现系统性偏移时，MMD的变化比标准差更明显。

步骤3：基尼系数+第一层阈值。基尼系数度量数据的不均衡程度。当电池组中出现故障单体时，各单体电压差异加大，基尼系数上升。通过设定第一层阈值，当基尼系数超过阈值时，判定为故障时间点。

第二层：空间维度的故障定位

第一层回答了什么时候出了问题，第二层要回答哪块电池出了问题。

步骤1：MDS降维。多维尺度放缩（Multidimensional Scaling, MDS）是一种经典的降维技术。在多电池电压数据构成的高维空间中，正常电池单体聚集在一起，而故障电池则远离群体。MDS将这个高维结构映射到二维或三维空间，同时尽可能保持样本间的相对距离关系。

MDS降维的妙处在于：它将高维空间中难以直观判断的离群关系转化为低维空间中一眼可见的空间偏离。在MDS降维后的散点图上，正常电池紧密聚集，故障电池孤立在外——两者的可分离性显著增强。

步骤2：LOF离群检测+第二层阈值。在MDS降维后的低维空间中，再次应用LOF算法计算每个电池的离群因子。设定第二层阈值，离群因子超过阈值的电池即被标记为故障电池。

性能对比：为何优于传统方法？

MDS-LOF方法在不同工况下均保持最高的检测精度和最早的预警时间，表现出优异的适应性。其优势来源于两个关键设计：

1. MDS降维的可分离性增强：高维数据的距离度量往往受维度灾难影响，MDS降维后LOF能更有效地识别离群点。

2. 双层阈值的分层决策：第一层负责时间检测，第二层负责空间定位，各司其职，避免了单层阈值面临的灵敏度和特异性权衡困境。

热安全团队（thermsafe.cn）指出，该方法利用真实运行的故障车辆数据进行验证，而非仿真数据，这大大增强了其在实际部署中的可信度。

工程落地展望

该方法的计算流程清晰、算法组件成熟（小波变换、MMD、MDS、LOF均有成熟的工程实现），适合集成到BMS或EMS的在线诊断模块。对于大规模储能电站，MDS降维的可视化能力尤为实用——运维人员可以通过MDS散点图直观监控数千个电池单体的健康状况，实现一图知全局。

结论

MDS-LOF双层阈值方法通过时间检测+空间定位的分层架构，实现了高精度、高适应性的电池故障诊断。MDS降维是性能优势的关键——它增强了正常电池与故障电池的可分离性，使LOF离群检测更加精准。该方法在不同工况下均优于香农熵和孤立森林等传统方法。

参考来源：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.