面向储能系统异常检测的运行工况感知原型签名记忆方法

《IEEE Transactions on Aerospace and Electronic Systems》：An Operating Condition-Aware Prototype Signature Memory Method for Anomaly Detection in Energy Storage Systems

　　

储能系统在不同运行工况下呈现出显著的时序变化性和异质性正常模式，包括充电、放电、待机和过渡状态。现有的异常检测方法通常在一个统一的表征空间中对不同运行工况进行建模，并且主要依赖连续偏差来进行异常判定，这可能导致对不频繁但正常的模式产生误报，以及对数值偏差微小但模式组合异常的样本造成漏检。为解决这些问题，本研究提出了一种面向储能系统异常检测的运行工况感知原型签名记忆方法（Condition-aware Prototype Signature Memory method for Anomaly Detection, CPSM-AD）。该方法基于多变量一致性规则识别运行工况，并构建工况特定的原型空间以减少不同运行工况下正常模式之间的混淆。与主要依赖最近原型距离的传统基于原型的方法不同，CPSM-AD将前r个邻近原型的身份、排序关系和距离层级编码为离散的原型签名，并结合频率感知的签名记忆与结构相似性来区分不频繁的正常模式与异常的原型组合。最后，融合连续的原型偏差和离散的签名异常进行异常判定。在三个数据集上的实验结果表明，CPSM-AD的平均AUROC、AUPRC和F1分数分别达到0.941、0.797和0.808。与每个数据集上最强的基线相比，CPSM-AD的AUPRC分别提升了0.019、0.016和0.036，F1分别提升了0.019、0.014和0.032，展示了其在异常检测方面的一致优势。

研究背景与现存问题

随着可再生能源渗透率的提高和电力系统灵活性需求的增长，电化学储能系统在削峰填谷、调频、备用支撑和新能源消纳等应用中扮演着越来越重要的角色。储能系统的运行状态由电压、电流、温度、荷电状态（State of Charge, SOC）和功率等多个变量共同决定。若局部异常未能被及时识别，可能进一步发展为容量衰减、热失控、功率异常乃至系统性安全风险。因此，基于储能系统运行数据的异常检测是保障其安全、可靠、高效运行的关键技术。

当前异常检测面临的核心挑战在于：正常模式强烈依赖于运行工况。在充电、放电、待机和过渡阶段，各变量间的关系存在显著差异。将异质的运行工况建模在统一的正常空间中，会模糊工况特定的正常边界，导致对不频繁正常模式的误报以及在工况转换附近的漏检。此外，现有方法大多依赖连续的重构误差、预测误差或特征距离作为异常判据，难以刻画那些并非表现为大幅度数值偏离、而是通过多个正常模式的异常组合关系体现的异常。因此，研究者提出了两个互补的需求：一是异常评估应具备运行工况感知能力，使每个样本与恰当的工况特定正常模式进行比较；二是异常表征应超越单个正常原型的距离，扩展到样本与多个正常原型间的局部关系结构。

研究内容与结论

为应对上述挑战，研究者提出了面向储能系统异常检测的运行工况感知原型签名记忆方法（CPSM-AD）。该方法首先学习工况特定的原型空间，减少跨工况正常模式的混淆；随后将窗口与其前r个邻近原型的身份、排序和距离层级编码为离散的原型签名，并引入频率感知的签名记忆和结构相似性来区分不频繁正常模式与异常原型组合；最终将连续的原型偏差和离散的签名异常融合为一个统一的异常评分。该方法在厦门紫金储能电站运行数据集、储能系统受控故障仿真数据集和HAI 22.04基准数据集上进行了评估。实验结果表明，CPSM-AD在三个数据集上的平均AUROC、AUPRC和F1分数分别达到0.941、0.797和0.808。与各数据集上最强的基线相比，AUPRC分别提升0.019、0.016和0.036，F1分别提升0.019、0.014和0.032，验证了该方法在检测性能上的持续优势。

主要关键技术方法

1. 1.
   运行工况路由与工况特定原型空间：针对储能系统数据，基于电流、功率和SOC变化量的多变量一致性规则，将每个滑动窗口路由至充电、放电、待机或过渡四个工况之一。对于非储能数据集，则统一映射至单一工业工况域。在每个工况域内，定义一组可学习的正常原型，窗口仅与该域内的原型计算欧氏距离平方，得到连续的原型偏差得分。
2. 2.
   前r个原型签名与频率感知签名记忆：在模型冻结后，利用正常校准集确定各工况下距离的三级分位数（Low/Mid/High）。将窗口与其前r个最邻近原型的索引、排序及距离层级编码为离散的原型签名。通过哈希表记录所有正常训练窗口中签名的出现频率，并采用加法平滑估计签名概率。未观测到的签名被统一映射为未知类别，避免直接将其判定为异常。
3. 3.
   签名结构相似性与双证据融合决策：对于未匹配的签名，通过原型重叠度、排序一致性和层级相似性计算其与历史正常签名的结构相似性。将连续的原型偏差和离散的签名异常（基于签名概率与结构相似性）分别进行工况特定的经验分布校准，再融合为最终的异常评分，并与阈值比较做出异常判定。

研究结果

• •
  A. 对比实验：在厦门紫金储能电站运行数据集、储能系统受控故障仿真数据集和HAI 22.04基准数据集上，CPSM-AD在AUROC、AUPRC和F1指标上均优于包括USAD、GDN、Anomaly Transformer、DCdetector在内的多种深度学习方法。在储能相关数据集上，CPSM-AD的AUPRC和F1提升尤为显著，表明其对工况感知和签名机制的依赖带来了实际收益。
• •
  B. 消融实验：通过移除工况感知模块、签名记忆模块或将双证据退化为单证据，验证了各核心组件的有效性。工况感知模块的去除导致在工况转换区域的误报增加；签名记忆模块的去除降低了不频繁正常模式的识别能力；双证据融合策略优于单独使用连续偏差或离散签名。
• •
  C. 签名机制分析：分析了前r个原型数量对性能的影响，发现适中的r值（如3或4）能平衡信息量和泛化能力。还研究了距离层级分位数的设定，证实了三层级划分的有效性。频率感知的平滑参数α对性能有一定影响，但总体稳健。
• •
  D. 案例分析与可解释性：通过具体案例展示了CPSM-AD的可解释性。例如，在一个真实的异常事件中，虽然窗口距离其最近原型并不远（连续偏差较小），但其前r个原型的组合（签名）在历史正常数据中从未出现过，从而被正确检测为异常。这表明签名机制能够捕获单纯依靠距离无法发现的模式组合类异常。

讨论与结论

在实际部署中，需要考虑检测错误的操作后果以及学习到的正常模式表征的可靠性。误报可能导致不必要的警报和维护行动，而漏报则可能延误对早期故障的干预。此外，某些运行工况和局部正常模式在实际数据中可能稀疏出现，这增加了从有限观测中学习稳定且具判别性表征的重要性。传感器噪声或对抗性扰动也可能影响工况路由的准确性，进而改变后续的原型和签名参考空间。本研究通过受控的传感器噪声和路由实验检验了测量扰动和路由质量的影响。

研究结论：本研究提出的CPSM-AD从运行工况条件化的正常模式建模出发，利用多变量一致性规则识别充电、放电、待机和过渡工况，并分别学习各工况下的正常原型。不同于仅使用最近原型距离的方法，CPSM-AD将窗口与前r个原型之间的排序和距离层级编码为原型签名，并采用频率感知的签名记忆来估计不同签名在正常数据中的发生概率。同时，签名结构相似性衡量了未匹配签名与历史正常签名之间的接近程度，从而避免了将训练期间未见过的签名直接归类为异常。因此，CPSM-AD并非运行工况识别、编码器、原型学习和记忆模块的简单组合，而是在一个统一的异常检测框架中整合了连续的原型距离和离散的原型组合结构。这一设计专门解决了多运行工况储能数据中的三个具体挑战：统一正常空间导致的工况混淆、不频繁正常模式引发的误报以及单一距离评分难以识别的模式组合异常。