摘要

福州大學電氣工程與自動化學院的研究人員黃麗梅、張旗，在2019年第2期《電氣技術(shù)》雜志上撰文指出，傳統(tǒng)的變換器故障診斷方法需建立精確的數(shù)學模型，才能實現(xiàn)故障的識別和定位，但其建模過程復(fù)雜且無法建立非線性系統(tǒng)模型。

針對以上問題，本文采用基于數(shù)據(jù)驅(qū)動的方法實現(xiàn)對變換器故障的研究和應(yīng)用。文中主要將基于數(shù)據(jù)驅(qū)動的故障診斷類型分為：基于統(tǒng)計分析的變換器故障診斷方法、基于信號處理的變換器故障診斷方法和基于人工智能的變換器故障診斷方法，進而對不同方法的基本研究原理、應(yīng)用和局限性進行具體的闡述。

最后，通過研究提出應(yīng)從故障診斷的方法融合、新型故障類型的檢測、故障模式的在線學習和數(shù)據(jù)監(jiān)測系統(tǒng)的設(shè)置等方面對變換器故障診斷進行展望。

隨著經(jīng)濟的高速發(fā)展和大幅的能源消耗，環(huán)境和氣候變化、化石能源匱乏等問題日益凸顯，因此，微網(wǎng)作為分布式能源的主要形式之一，獲得到了社會各界的廣泛關(guān)注。變換器實現(xiàn)了微網(wǎng)不同電壓等級的轉(zhuǎn)換，但其一旦發(fā)生故障將影響微網(wǎng)的穩(wěn)定運行，且故障未及時切除時，將會產(chǎn)生嚴重的后果。為了微網(wǎng)的穩(wěn)定運行，變換器的故障診斷成為了研究熱點之一。

變換器的故障診斷過程是提取和檢測系統(tǒng)正常運行和故障條件下的電壓和電流等特征變量，并判斷變量是否出現(xiàn)了不被允許的偏差。通常，故障診斷流程主要由故障檢測、故障定位和故障移除3部分組成：①故障檢測主要判斷變換器是否發(fā)生故障；②故障定位是分析故障發(fā)生的原因和定位故障元件；③故障移除是對故障進行干預(yù)并使系統(tǒng)恢復(fù)正常。

目前，故障診斷方法常見的分類是，基于解析模型的故障診斷技術(shù)、基于知識的故障診斷技術(shù)和基于數(shù)據(jù)驅(qū)動的故障診斷技術(shù)。

基于解析模型的故障診斷技術(shù)是從系統(tǒng)的本質(zhì)特性出發(fā)、實現(xiàn)了故障的實時性檢測，適用于電路拓撲結(jié)構(gòu)簡單可建模的系統(tǒng)。本方法主要采用傳感器提供的采樣信息建立精確的數(shù)學模型，數(shù)學模型的建立過程必須深入了解電路的基本結(jié)構(gòu)機理和運行中存在的電路模態(tài)。但對于實際的復(fù)雜電路系統(tǒng)，故障運行過程中存在模態(tài)、分析困難和不可避免的誤差及未知干擾，因此，難以確保所建立數(shù)學模型的精確度。

基于知識的故障診斷技術(shù)，適用于少輸入、輸出變量少、缺少傳感器信息并難以建立機理模型的系統(tǒng)，主要包括專家系統(tǒng)等方法?；趯＜蚁到y(tǒng)的故障診斷方法，以相關(guān)領(lǐng)域?qū)＜业慕?jīng)驗知識為基礎(chǔ)，且準確程度受知識庫中專家知識水平高低的影響。因此，鑒于專家經(jīng)驗和知識的局限性，以及對知識規(guī)則化表述的困難性，基于知識的故障診斷技術(shù)處理數(shù)據(jù)存在一定的局限性。

基于模型、知識的故障診斷技術(shù)僅適用于具有較少輸入、輸出和狀態(tài)變量的系統(tǒng)，面對如今復(fù)雜的電路系統(tǒng)，其無法提供復(fù)雜電路機理模型的每個細節(jié)和許多高深的專業(yè)知識。因此，針對復(fù)雜電路系統(tǒng)長期運行產(chǎn)生數(shù)據(jù)的海量性、多樣性和快速性等特點，基于數(shù)據(jù)驅(qū)動的故障診斷技術(shù)得到了廣泛的應(yīng)用。

基于數(shù)據(jù)驅(qū)動的方法并不依賴于系統(tǒng)的數(shù)學模型和專家知識，該方法主要采用各種數(shù)據(jù)挖掘技術(shù)，獲取在線數(shù)據(jù)和離線數(shù)據(jù)中隱含的有用信息，其表征了當前系統(tǒng)的正常和故障狀態(tài)，最終實現(xiàn)了故障的檢測、診斷和隔離。近年來，隨著計算機運算能力的高速發(fā)展，基于數(shù)據(jù)驅(qū)動的故障診斷技術(shù)，能夠高效提取大量離線和在線數(shù)據(jù)的特征向量，并且準確地識別故障。

本文主要采用基于數(shù)據(jù)驅(qū)動的方法對變換器進行故障診斷，主要包括3個方面：①基于統(tǒng)計分析的變換器故障診斷技術(shù)、②基于信號處理的變換器故障診斷技術(shù)、③基于人工智能的變換器故障診斷技術(shù)。下面主要探索了這3類方法的內(nèi)容、原理和應(yīng)用背景，也分析了不同方法的適用性和局限性。最后，根據(jù)變換器的發(fā)展趨勢，從方法融合、新型故障類型的檢測、故障模式的在線學習和數(shù)據(jù)監(jiān)測系統(tǒng)的設(shè)置等方面對變換器的故障診斷進行展望。

1基于數(shù)據(jù)驅(qū)動的變換器故障診斷技術(shù)研究現(xiàn)狀

基于數(shù)據(jù)驅(qū)動的變換器故障診斷不僅能及時、準確地獲取數(shù)據(jù)，也能學習和挖掘歷史數(shù)據(jù)中潛在的聯(lián)系，并且通過數(shù)據(jù)隱含的映射機制實現(xiàn)了變換器的故障檢測和診斷。目前，基于數(shù)據(jù)驅(qū)動的變換器故障診斷方法分類如圖1所示。

圖1基于數(shù)據(jù)驅(qū)動的變換器故障診斷方法分類

1.1基于統(tǒng)計分析的變換器故障診斷方法

利用基于統(tǒng)計分析的方法提取了歷史數(shù)據(jù)中普遍存在的特性，并設(shè)置了正常條件的置信區(qū)間，以此判斷變換器當前所屬的正常和故障狀態(tài)?；诮y(tǒng)計分析的方法主要分為單變量統(tǒng)計方法和多變量統(tǒng)計方法：

①基于單變量的統(tǒng)計方法主要定義一個過程變量的門限值來實現(xiàn)故障的檢測和診斷，其實現(xiàn)簡單適用于數(shù)據(jù)維度較小的變換器，但忽略了變量之間的相關(guān)性；

②基于多變量的統(tǒng)計方法能夠充分刻畫多個變量之間的相關(guān)性，適用于高維度變換器系統(tǒng)的故障檢測和診斷。基于多變量的統(tǒng)計方法中主要包括主成分分析（principalcomponentanalysis,PCA），核主成分分析（kernelprincipalcomponentanalysis,KPCA），隱馬爾科夫模型（hiddenmarkovmodel,HMM）。

1）基于PCA的變換器故障診斷

PCA技術(shù)應(yīng)用多元投影方法將高維度的歷史數(shù)據(jù)映射到一個能夠充分顯現(xiàn)原始數(shù)據(jù)特征的低維度空間，主要通過低維空間最明顯的幾個變量表征原始的歷史數(shù)據(jù)，最終實現(xiàn)了降維的目的，極大地簡化了數(shù)據(jù)。

在變換器故障診斷中，PCA技術(shù)得到了廣泛的應(yīng)用。文獻[14]主要提取永磁同步電動機中三相逆變器的兩個輸出線電壓為特征向量，并采用PCA技術(shù)減小了故障特征向量的維度。文獻[15]應(yīng)用故障監(jiān)控系統(tǒng)對三相逆變器的故障進行檢測和隔離，并采用離散小波和PCA技術(shù)檢測由故障引起的電流斷續(xù)現(xiàn)象。

文獻[16]針對中點鉗位逆變器的單個和組合開關(guān)管故障進行研究，采用上、中、下橋臂電壓作為測試信號且應(yīng)用PCA技術(shù)減少了神經(jīng)網(wǎng)絡(luò)的輸入量。文獻[17]為了實現(xiàn)非線性地鐵輔助信號診斷的精確度，采用基于PCA的方法減小了初始特征向量的維度，消除了冗余的數(shù)據(jù)信息，實現(xiàn)了高精度的故障診斷。

總體而言，PCA技術(shù)的本質(zhì)是對歷史數(shù)據(jù)集所構(gòu)成的輸入空間作線性變換，但其只對服從高斯分布的數(shù)據(jù)具有較好的提取能力，而對于非線性、非高斯分布的故障數(shù)據(jù)診斷效果并不理想。

2）基于KPCA的變換器故障診斷

KPCA采用核化的思想，將樣本映射到更高維度的空間，再應(yīng)用基礎(chǔ)的PCA技術(shù)，實現(xiàn)更高維空間數(shù)據(jù)的映射和投影。映射投影后的特征向量，能夠充分表征變換器的運行特性，實現(xiàn)了故障特征向量的降維。與PCA方法相比，KPCA方法使用非線性映射函數(shù)將輸入變量映射到高維的線性空間，增強了對非線性數(shù)據(jù)的處理能力。

文獻[18]采用KPCA方法，對絕緣柵雙極晶體管開路故障的特征向量進行降維，實現(xiàn)了維度的約減。文獻[19]針對異步電動機驅(qū)動電路的三相電流特征，通過Concordia技術(shù)變換后，再采用KPCA進行信號處理，此方法適用于不同負載條件下的故障診斷。文獻[20]針對異步電動機單故障信號的局限性和故障特征的強非線性，提出一種基于異構(gòu)信息特征融合的故障診斷方法，對振動和電流信號進行處理。KPCA充分應(yīng)用不同信息源間的冗余互補信息和特征數(shù)據(jù)間的非線性關(guān)系，全面地描述了設(shè)備的運行狀態(tài)。

基于KPCA的方法雖能夠?qū)崿F(xiàn)原始非線性數(shù)據(jù)的處理，但該方法主要將數(shù)據(jù)往高維和低維空間進行投影以達到降維的目的，此過程主要通過閾值來保存信息，以至于丟失了部分原始數(shù)據(jù)特征量，這就造成變換器故障診斷精度不高且診斷失誤等現(xiàn)象。

3）基于HMM的變換器故障診斷

HMM利用長期監(jiān)測隨時間變化的歷史數(shù)據(jù)建立動態(tài)模型，通過此模型挖掘數(shù)據(jù)潛在的信息，實現(xiàn)變換器的故障診斷。HMM主要在時間和頻域上進行動態(tài)分析，是一種重要的動態(tài)數(shù)據(jù)解析方法，并且過程簡便、易于實現(xiàn)，適用于時變系統(tǒng)。

文獻[21]采用HMM的方法對傳統(tǒng)的光伏逆變器故障進行診斷，其減少了診斷時間，提高了準確率。文獻[22]提出一種基于HMM的直流變流器故障識別分類方法，促進了高壓直流輸電的逐步發(fā)展，確保了設(shè)備的穩(wěn)定運行。文獻[23]針對傳統(tǒng)電網(wǎng)斷路器實際的運行方式，依據(jù)線性時不變模型的參數(shù)空間，建立了基于HMM模型且實現(xiàn)了數(shù)據(jù)的自主學習。

HMM方法能夠建立簡易的故障診斷模型，便于掌握，但缺點是建立的動態(tài)模型準確率較低，且學習過程中使用的經(jīng)典算法沒有考慮到模型的復(fù)雜度、不能解決過適應(yīng)和欠適應(yīng)的問題。

1.2基于信號處理的變換器故障診斷方法

變換器發(fā)生故障后，其可測點處的電壓、電流等特征量的幅值、相位和頻率就會發(fā)生較大的變化?；谛盘柼幚淼墓收显\斷方法，主要對特征向量進行處理和分析，并獲得了變換器正常和故障狀況下的綜合評價。目前，基于信號處理的變換器故障診斷方法主要：有小波變換法（wavelettransform,WT）和希爾伯特-黃變換法（hilbert-huangtransform,HHT）。

WT是一種新的變換分析方法，不僅傳承了短時傅里葉變換局部化的思想，還克服了窗口大小不隨頻率變化的缺點。WT通過伸縮平移運算，對時間和頻域信號逐步進行多尺度細化，最終達到高頻處時間細化和低頻處頻率細化的效果，可以滿足任意細節(jié)時頻信號分析的要求。文獻[24]采用WT提取三電平逆變器的輸出電壓故障特征，并將此作為支持向量機（supportvectormachine,SVM）的輸入信號。

文獻[25]提出結(jié)合WT和極限學習機的方法對并網(wǎng)的光伏逆變器進行故障診斷，其中主要采用WT方法對逆變器的輸出電流信號進行分析。文獻[26]針對三相并網(wǎng)逆變器的輸出電流信號進行傅里葉變換和WT分析，結(jié)果表明WT具有靈活、雙域的優(yōu)越性，且能夠準確地提供故障特征，從而實現(xiàn)故障的診斷和定位。

HHT主要分析非平穩(wěn)信號并分為兩個方面：經(jīng)驗?zāi)B(tài)分解和希爾伯特（Hilbert）譜分析。與傅里葉和小波變換不同，其不選取固定的基函數(shù)展開信號，而是將信號自適應(yīng)分解為若干出自信號本身的本征模式函數(shù)，且獲得相對應(yīng)信號的Hilbert譜。

文獻[27]采用HHT的故障診斷方法，利用分解三相電流特征信號來判別短路故障，該方法簡單易行且能夠準確地檢測故障信息。文獻[28]充分應(yīng)用HHT的故障診斷方式，對基于電壓源的高壓直流變流器系統(tǒng)的特征量進行故障提取，該方法實現(xiàn)簡單且診斷率高。

1.3基于人工智能的變換器故障診斷方法

基于人工智能的故障診斷方法無需建立定量的數(shù)學模型，僅需采用人工智能的算法對變換器正常和故障狀態(tài)下的數(shù)據(jù)進行訓練，就能實現(xiàn)變換器中故障器件的診斷和定位。這種方法應(yīng)用故障特征建立起特征和分類器間的關(guān)系，實現(xiàn)了對復(fù)雜模態(tài)變換器的故障診斷和辨識。目前基于人工智能算法中主要包含有基于SVM的方法和基于神經(jīng)網(wǎng)絡(luò)（neuralnetwork,NN）的方法。

1）基于SVM方法

SVM是一種建立在統(tǒng)計學習理論和結(jié)構(gòu)風險最小化基礎(chǔ)上的機器學習算法，可以進行數(shù)據(jù)分析和模式識別，適用于小樣本、非線性及高維度的模式識別、分類和回歸分析。

圖2SVM的分類原理圖

SVM基于以上的原理特性在變換器故障診斷中得到了廣泛的應(yīng)用。文獻[30]針對級聯(lián)H橋多電平逆變器的特性，提出了傅里葉變換、相對主成分分析和SVM相結(jié)合的方法對逆變器的輸出電壓進行故障診斷。文獻[31]采用離散正交小波變換對三相電壓型逆變器的輸出電壓進行分解，并獲得了相應(yīng)的小波系數(shù)矩陣，混合SVM對小波系數(shù)矩陣進行訓練、診斷和分類。

文獻[32]采用基因遺傳算法和SVM的方法，對電力電子逆變器的4個參數(shù)進行故障診斷。文獻[33]檢測中點鉗位逆變器的上、中、下橋臂的電壓，多層級SVM對通過傅里葉變換的特征向量進行訓練，其故障診斷精確率高。文獻[34]將相對主成分分析和SVM的方法運用于診斷級聯(lián)H橋多電平逆變器的故障，與傳統(tǒng)的反向傳播神經(jīng)網(wǎng)絡(luò)和SVM進行對比，文獻所提的方法減少了計算時間且提高了診斷精度。

SVM在變換器的故障診斷中雖表現(xiàn)出許多優(yōu)勢，但其難以處理大規(guī)模的數(shù)據(jù)樣本，且故障的診斷精度與樣本的完整性和代表性密切相關(guān)。同時，經(jīng)典的SVM只給出了二分類的算法，僅從分類的角度對故障進行診斷，并沒有深層次地追求數(shù)據(jù)的結(jié)構(gòu)信息。

2）基于NN的方法

NN是一種模仿動物神經(jīng)網(wǎng)絡(luò)的行為特征、進而建立分布式信息數(shù)據(jù)的廣義數(shù)學模型。變換器采用NN方法對正常和故障的數(shù)據(jù)進行監(jiān)測和診斷，通過調(diào)整神經(jīng)元節(jié)點間的相互關(guān)系，實現(xiàn)了自學習和自適應(yīng)能力。NN通過網(wǎng)絡(luò)層間的學習建立故障征兆與故障類型的映射關(guān)系，使輸入層的節(jié)點對應(yīng)故障征兆，輸出層的節(jié)點對應(yīng)故障類型，最終實現(xiàn)了由故障征兆到故障類型的推理過程。

目前NN模型大多采用由心理學家W.Mc.Cuoooch和數(shù)理邏輯學家W.H.Pitts共同提出的M-P模型。圖3表示一個神經(jīng)元模型。

圖3一個神經(jīng)元的模型

大量的研究表明，NN有著強大的模式分類和識別能力。文獻[37]研究了三相電壓型靜態(tài)變換器中IGBT開關(guān)管的開路故障，采用離散小波和NN結(jié)合的算法對特征向量進行分析。文獻[38]比較了多種NN算法，并給出最基礎(chǔ)的NN模型，其中輸入層表征原始的特征向量而輸出層是相對應(yīng)的故障類型。

文獻[39]結(jié)合主成分分析法、遺傳算法和NN的方法對級聯(lián)H橋多電平逆變器進行故障診斷，此方法克服了由多個開關(guān)組成的復(fù)雜和非線性的系統(tǒng)。文獻[40]采用遺傳算法、粒子群優(yōu)化算法和NN的方法對多電平逆變器所引起的驅(qū)動故障進行檢測，此方法降低了系統(tǒng)諧波，提高了系統(tǒng)的診斷效率。

NN是高度非線性的大型系統(tǒng)，高速的復(fù)雜性使得其不能精確分析各個性能指標，且診斷過程需要大量的故障樣本，限制了小樣本系統(tǒng)的應(yīng)用。目前提出的NN類型僅適用部分的變換器類型，不存在像馮諾依曼體系結(jié)構(gòu)那樣簡潔、通用的NN體系結(jié)構(gòu)。

2基于數(shù)據(jù)驅(qū)動的變換器故障診斷展望

變換器的故障診斷方法較好地實現(xiàn)了故障特征的處理和故障類別的檢測，防止了變換器帶故障運行對電網(wǎng)波形質(zhì)量造成的嚴重影響。由上文可知，故障診斷方法仍然存在局限性，因此，目前基于數(shù)據(jù)驅(qū)動的變換器故障診斷方法還在不斷地完善和向前發(fā)展，主要的發(fā)展方向可能是：

1）基于數(shù)據(jù)驅(qū)動的變換器故障診斷方法的融合?；跀?shù)據(jù)驅(qū)動故障診斷的方法無需建立精確的數(shù)學模型，主要對歷史數(shù)據(jù)進行推理和分析，但每種方法存在自身的優(yōu)勢和局限性。針對以上方法的局限性，新型的變換器故障診斷方法采用取長補短的方式克服以上缺陷，實現(xiàn)了多種診斷方法的融合并確保了故障診斷的準確性、可靠性和有效性。

2）目前，變換器的故障診斷大部分針對系統(tǒng)中的已知故障進行學習和訓練，忽略了對于新型故障類型的檢測，容易將這一部分故障樣本誤識別。因此，新型故障類別的檢測和識別在故障診斷的應(yīng)用中具有重要意義。

3）數(shù)據(jù)驅(qū)動故障診斷方法主要處理和訓練大量的離線歷史數(shù)據(jù)實現(xiàn)故障診斷，但對于多尺度、多層次的復(fù)雜系統(tǒng)而言，海量的數(shù)據(jù)難以獲得，且其訓練過程耗費了大量的時間。變換器系統(tǒng)在實際的運行過程中存在大量的在線數(shù)據(jù)，若數(shù)據(jù)驅(qū)動的算法能應(yīng)用在線的數(shù)據(jù)進行學習，則不僅減少了對于歷史數(shù)據(jù)的依賴，也縮短了訓練時間，最終實現(xiàn)實時在線的故障診斷。

4）數(shù)據(jù)驅(qū)動方法的實現(xiàn)離不開數(shù)據(jù)監(jiān)測系統(tǒng)在實際工程中的應(yīng)用。故障診斷結(jié)果需通過監(jiān)測系統(tǒng)進行檢測、存儲并采取故障保護措施，監(jiān)測系統(tǒng)的完善和推廣也是后期變換器故障診斷的一個發(fā)展趨勢。

結(jié)論

本文從數(shù)據(jù)驅(qū)動的角度對變換器進行故障診斷，防止了變換器故障所帶來的嚴重后果。本文回顧了變換器故障診斷常用的方法，將現(xiàn)有的故障診斷方法分為基于統(tǒng)計分析的方法、基于信號處理的方法和基于人工智能的方法，并著重分析了其中各類方法的適用性和局限性。

最后從故障診斷方法的融合、新型故障類型的檢測、故障模式的在線學習和數(shù)據(jù)監(jiān)測系統(tǒng)的設(shè)置等方面，對變換器故障診斷趨勢進行展望。目前，數(shù)據(jù)驅(qū)動方法在變換器故障診斷中的應(yīng)用研究還處于初級階段，更深入問題的挖掘還有待進一步的研究。

聲明：本文為轉(zhuǎn)載類文章，如涉及版權(quán)問題，請及時聯(lián)系我們刪除（QQ:2737591964），不便之處，敬請諒解！