隨著經濟的高速發展和大幅的能源消耗，環境和氣候變化、化石能源匱乏等問題日益凸顯，因此，微網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注。變換器實現了微網不同電壓等級的轉換，但其一旦發生故障將影響微網的穩定運行，且故障未及時切除時，將會產生嚴重的后果。為了微網的穩定運行，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生故障；②故障定位是分析故障發生的原因和定位故障元件；③故障移除是對故障進行干預并使系統恢復正常。

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、基于知識的故障診斷技術和基于數據驅動的故障診斷技術。

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

基于知識的故障診斷技術，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，主要包括專家系統等方法。基于專家系統的故障診斷方法，以相關領域專家的經驗知識為基礎，且準確程度受知識庫中專家知識水平高低的影響。因此，鑒于專家經驗和知識的局限性，以及對知識規則化表述的困難性，基于知識的故障診斷技術處理數據存在一定的局限性。

基于模型、知識的故障診斷技術僅適用于具有較少輸入、輸出和狀態變量的系統，面對如今復雜的電路系統，其無法提供復雜電路機理模型的每個細節和許多高深的專業知識。因此，針對復雜電路系統長期運行產生數據的海量性、多樣性和快速性等特點，基于數據驅動的故障診斷技術得到了廣泛的應用。

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

本文主要采用基于數據驅動的方法對變換器進行故障診斷，主要包括3個方面：①基于統計分析的變換器故障診斷技術、②基于信號處理的變換器故障診斷技術、③基于人工智能的變換器故障診斷技術。下面主要探索了這3類方法的內容、原理和應用背景，也分析了不同方法的適用性和局限性。最后，根據變換器的發展趨勢，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據監測系統的設置等方面對變換器的故障診斷進行展望。

1 基于數據驅動的變換器故障診斷技術研究現狀

基于數據驅動的變換器故障診斷不僅能及時、準確地獲取數據，也能學習和挖掘歷史數據中潛在的聯系，并且通過數據隱含的映射機制實現了變換器的故障檢測和診斷。目前，基于數據驅動的變換器故障診斷方法分類如圖1所示。

圖1 基于數據驅動的變換器故障診斷方法分類

1.1 基于統計分析的變換器故障診斷方法

利用基于統計分析的方法提取了歷史數據中普遍存在的特性，并設置了正常條件的置信區間，以此判斷變換器當前所屬的正常和故障狀態。基于統計分析的方法主要分為單變量統計方法和多變量統計方法：

①基于單變量的統計方法主要定義一個過程變量的門限值來實現故障的檢測和診斷，其實現簡單適用于數據維度較小的變換器，但忽略了變量之間的相關性；

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

1）基于PCA的變換器故障診斷

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

在變換器故障診斷中，PCA技術得到了廣泛的應用。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技術減小了故障特征向量的維度。文獻[15]應用故障監控系統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技術檢測由故障引起的電流斷續現象。

文獻[16]針對中點鉗位逆變器的單個和組合開關管故障進行研究，采用上、中、下橋臂電壓作為測試信號且應用PCA技術減少了神經網絡的輸入量。文獻[17]為了實現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，消除了冗余的數據信息，實現了高精度的故障診斷。

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

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，再應用基礎的PCA技術，實現更高維空間數據的映射和投影。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將輸入變量映射到高維的線性空間，增強了對非線性數據的處理能力。

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，實現了維度的約減。文獻[19]針對異步電動機驅動電路的三相電流特征，通過Concordia技術變換后，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充分應用不同信息源間的冗余互補信息和特征數據間的非線性關系，全面地描述了設備的運行狀態。

基于KPCA的方法雖能夠實現原始非線性數據的處理，但該方法主要將數據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據特征量，這就造成變換器故障診斷精度不高且診斷失誤等現象。

3）基于HMM的變換器故障診斷

HMM利用長期監測隨時間變化的歷史數據建立動態模型，通過此模型挖掘數據潛在的信息，實現變換器的故障診斷。HMM主要在時間和頻域上進行動態分析，是一種重要的動態數據解析方法，并且過程簡便、易于實現，適用于時變系統。

文獻[21]采用HMM的方法對傳統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展，確保了設備的穩定運行。文獻[23]針對傳統電網斷路器實際的運行方式，依據線性時不變模型的參數空間，建立了基于HMM模型且實現了數據的自主學習。

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模型準確率較低，且學習過程中使用的經典算法沒有考慮到模型的復雜度、不能解決過適應和欠適應的問題。

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、相位和頻率就會發生較大的變化。基于信號處理的故障診斷方法，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（wavelet transform, WT）和希爾伯特-黃變換法（hilbert-huang transform, 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（support vector machine, SVM）的輸入信號。

文獻[25]提出結合WT和極限學習機的方法對并網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]針對三相并網逆變器的輸出電流信號進行傅里葉變換和WT分析，結果表明WT具有靈活、雙域的優越性，且能夠準確地提供故障特征，從而實現故障的診斷和定位。

HHT主要分析非平穩信號并分為兩個方面：經驗模態分解和希爾伯特（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展開信號，而是將信號自適應分解為若干出自信號本身的本征模式函數，且獲得相對應信號的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的特征量進行故障提取，該方法實現簡單且診斷率高。

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下的數據進行訓練，就能實現變換器中故障器件的診斷和定位。這種方法應用故障特征建立起特征和分類器間的關系，實現了對復雜模態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的方法和基于神經網絡（neural network, NN）的方法。

1）基于SVM方法

SVM是一種建立在統計學習理論和結構風險最小化基礎上的機器學習算法，可以進行數據分析和模式識別，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2 SVM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用。文獻[30]針對級聯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，并獲得了相應的小波系數矩陣，混合SVM對小波系數矩陣進行訓練、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H橋多電平逆變器的故障，與傳統的反向傳播神經網絡和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出許多優勢，但其難以處理大規模的數據樣本，且故障的診斷精度與樣本的完整性和代表性密切相關。同時，經典的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據的結構信息。

2）基于NN的方法

NN是一種模仿動物神經網絡的行為特征、進而建立分布式信息數據的廣義數學模型。變換器采用NN方法對正常和故障的數據進行監測和診斷，通過調整神經元節點間的相互關系，實現了自學習和自適應能力。NN通過網絡層間的學習建立故障征兆與故障類型的映射關系，使輸入層的節點對應故障征兆，輸出層的節點對應故障類型，最終實現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表示一個神經元模型。

圖3 一個神經元的模型

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變換器中IGBT開關管的開路故障，采用離散小波和NN結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的故障類型。

文獻[39]結合主成分分析法、遺傳算法和NN的方法對級聯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組成的復雜和非線性的系統。文獻[40]采用遺傳算法、粒子群優化算法和NN的方法對多電平逆變器所引起的驅動故障進行檢測，此方法降低了系統諧波，提高了系統的診斷效率。

NN是高度非線性的大型系統，高速的復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，限制了小樣本系統的應用。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構那樣簡潔、通用的NN體系結構。

2 基于數據驅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波形質量造成的嚴重影響。由上文可知，故障診斷方法仍然存在局限性，因此，目前基于數據驅動的變換器故障診斷方法還在不斷地完善和向前發展，主要的發展方向可能是：

1）基于數據驅動的變換器故障診斷方法的融合。基于數據驅動故障診斷的方法無需建立精確的數學模型，主要對歷史數據進行推理和分析，但每種方法存在自身的優勢和局限性。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用中具有重要意義。

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

4）數據驅動方法的實現離不開數據監測系統在實際工程中的應用。故障診斷結果需通過監測系統進行檢測、存儲并采取故障保護措施，監測系統的完善和推廣也是后期變換器故障診斷的一個發展趨勢。

結論

本文從數據驅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，將現有的故障診斷方法分為基于統計分析的方法、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據監測系統的設置等方面，對變換器故障診斷趨勢進行展望。目前，數據驅動方法在變換器故障診斷中的應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。