Resumo Técnico: Diagnóstico de Falhas Rastreável para Sistemas de Armazenamento de Energia por Bateria via Assistente de O&M Multi-Agente com Recuperação Aumentada

Declaração do Problema

Grandes Sistemas de Armazenamento de Energia por Bateria (BESSs) requerem decisões de Operação e Manutenção (O&M) que sintetizem diversas fontes de dados, incluindo alarmes, medições ao nível da célula, topologia de dispositivos, tabelas de diagnóstico, casos históricos e documentos de manutenção. Embora as plataformas de monitoramento atuais possam sinalizar violações de limites, elas frequentemente falham em fornecer explicações rastreáveis para problemas complexos, como inconsistência de voltagem, deriva de resistência, riscos de curto-circuito, divergência de capacidade ou anormalidades térmicas.

Os fluxos de trabalho existentes são fragmentados; os operadores devem inspecionar manualmente alarmes em uma plataforma, recuperar curvas de séries temporais de bancos de dados, pesquisar manuais externos e consultar especialistas para o julgamento final. Além disso, embora modelos baseados em dados possam detectar anomalias ou estimar o Estado de Saúde (SOH), eles tipicamente produzem pontuações ou rótulos, em vez de decisões de manutenção rastreáveis. Modelos de Linguagem de Grande Escala (LLMs) genéricos são considerados inseguros para este domínio sem fundamentação em conhecimento privado, acesso controlado a bancos de dados, raciocínio de risco conservador e evidência auditável.

Metodologia

O sistema proposto é um assistente de diagnóstico de falhas de BESS rastreável, construído sobre uma estrutura de raciocínio multi-agente com recuperação aumentada. Ele integra dados operacionais, conhecimento de domínio, evidência visual e geração de relatórios.

Arquitetura do Sistema e Modelo de Tarefas

O assistente organiza as solicitações do usuário em três rotas de negócios específicas de BESS:

1. Alerta: Analisando eventos de alarme e tabelas de anormalidades.
2. Resolução de Problemas (Troubleshooting): Investigando sintomas observados ou sinais fracos usando tabelas de diagnóstico e evidências de RAG.
3. Análise de Séries Temporais de Estação/Dispositivo: Examinando medições de equipamentos ao longo do tempo.

Um roteador consciente da complexidade direciona as tarefas:

• Tarefas Simples: Enviadas para um supervisor de agente único para ações diretas (DATABASE, RETRIEVE, CHART ou DIRECT).
• Perguntas de Diagnóstico Complexas: Direcionadas para um caminho de "pesquisa profunda" envolvendo pré-recuperação, geração de rascunho, coordenação entre supervisor e pesquisador, compressão de achados e síntese de relatório final.

Módulos Principais

1. Acesso ao Banco de Dados com Restrição de Esquema:

   • Utiliza um design de "planejar-então-executar", onde o LLM prevê uma rota de negócio e um plano de consulta estruturado (tabelas, campos, filtros, intervalos de tempo).
   • Um sanitizador determinístico valida o plano contra listas de permissões de esquema, remove campos ilegais, normaliza aliases e limita valores inseguros antes de gerar o SQL executável.
   • As linhas retornadas são convertidas em um pacote de evidências para a geração da resposta.

2. RAG Híbrido de Texto-Imagem:

   • Manuais, normas, procedimentos e casos são processados offline em blocos de texto com metadados de imagens vinculados.
   • A recuperação online funde a recuperação densa e o BM25 usando uma função de pontuação ponderada: $s(d) = \alpha \cdot \text{BM25}(d) + (1-\alpha) \cdot \text{Emb}(d)$.
   • O texto fundamenta a resposta, enquanto as imagens vinculadas fornecem evidência visual para procedimentos, análise de morfologia e interpretação de formas de onda.

3. Síntese de Evidências Multi-Agente:

   • Reservado para perguntas de alta complexidade (ex: análise de causa raiz entre múltiplos documentos).
   • Um agente supervisor decompõe as solicitações, despacha agentes pesquisadores, comprime os achados e gera um relatório de diagnóstico contendo conclusões, evidências, julgamentos de risco e ações recomendadas.

Principais Contribuições

O artigo descreve quatro contribções primárias:

1. Modelo de Tarefa de BESS O&M: Uma estrutura que apresenta roteamento consciente da complexidade adaptado às operações de armazenamento de energia por bateria.
2. Acesso ao Banco de Dados com Restrição de Esquema: Um mecanismo que garante a tradução segura e precisa de linguagem natural para SQL via validação estrita de esquema.
3. RAG Híbrido de Texto-Imagem: Um sistema de recuperação capaz de acessar manuais, procedimentos e figuras de análise de falhas para suportar o raciocínio multimodal.
4. Síntese de Evidências Multi-Agente: Um fluxo de trabalho para gerar conclusões e ações rastreáveis através da síntese de evidências de múltiplas fontes.

Avaliação Preliminar e Resultados

O sistema foi avaliado utilizando dados operacionais anonimizados e uma base de conhecimento de manutenção de BESS privada contendo três rotas de negócio, sete tabelas consultáveis, 99 documentos, 6.741 blocos de texto, 717 imagens e 486 blocos vinculados a imagens.

Achados Quantitativos:

• Roteamento: O sistema completo alcançou 70,0% de precisão de ação com uma pontuação de qualidade de 4,44 e uma latência de 40,01s. Em contraste, a variante ablada sem roteamento caiu para 20,0% de precisão e 87,45s de latência.
• Acesso ao Banco de Dados: O módulo de restrição de esquema alcançou 100% de sucesso na geração de planos de consulta SQL seguros e executáveis. Sem a validação de esquema, a taxa de sucesso caiu para 0% devido a campos inválidos e incompatibilidades entre rotas e tabelas.
• Diagnóstico: O sistema multi-agente completo alcançou uma pontuação de qualidade de 4,80 (95,33s de latência), comparado a 3,60 (60,99s) para a variante sem raciocínio multi-agente. Os autores observam que a abordagem multi-agente melhora a completude e a rastreabilidade, apesar da maior latência.

Estudos de Caso:
O protótipo gerou com sucesso quatro casos representativos cobrindo:

• Recuperação de evidência de risco de ISC baseada em escores de micro-curto-circuito.
• Consulta de telemetria em nível de cluster e visualização de tendências.
• Recuperação de base de conhecimento de BESS com evidências de documentos e imagens.
• Análise de alarmes recorrentes e anormalidades para um pack de baterias.

Significância e Alegações

O artigo posiciona este trabalho como uma ponte entre o diagnóstico algorítmico de baterias e o suporte prático à decisão de O&M. O sistema é projetado para manter a segurança do armazenamento de energia, dados operacionais, categorias de falhas e ações de manutenção no centro, utilizando agentes de LLM, RAG e ferramentas como mecanismos de suporte, não como substitutos para a lógica de domínio.

Os autores afirmam que o sistema melhora a confiabilidade através de roteamento de tarefas específico para BESS, acesso ao banco de dados com restrição de esquema, recuperação híbrida de texto-imagem e síntese de respostas baseada em evidências. O artigo declara explicitamente que estatísticas detalhadas de campos e estudos de caso adicionais rotulados por especialistas serão relatados no artigo final, mantendo uma postura modesta sobre a natureza preliminar atual da avaliação.