随着经济的高速发展和大幅的能源消耗，环境和气候变化、化石能源匮乏等问题日益凸显，因此，微网作为分布式能源的主要形式之一，获得到了社会各界的广泛关注。变换器实现了微网不同电压等级的转换，但其一旦发生故障将影响微网的稳定运行，且故障未及时切除时，将会产生严重的后果。为了微网的稳定运行，变换器的故障诊断成为了研究热点之一。

变换器的故障诊断过程是提取和检测系统正常运行和故障条件下的电压和电流等特征变量，并判断变量是否出现了不被允许的偏差。通常，故障诊断流程主要由故障检测、故障定位和故障移除3部分组成：①故障检测主要判断变换器是否发生故障；②故障定位是分析故障发生的原因和定位故障元件；③故障移除是对故障进行干预并使系统恢复正常。

目前，故障诊断方法常见的分类是，基于解析模型的故障诊断技术、基于知识的故障诊断技术和基于数据驱动的故障诊断技术。

基于解析模型的故障诊断技术是从系统的本质特性出发、实现了故障的实时性检测，适用于电路拓扑结构简单可建模的系统。本方法主要采用传感器提供的采样信息建立精确的数学模型，数学模型的建立过程必须深入了解电路的基本结构机理和运行中存在的电路模态。但对于实际的复杂电路系统，故障运行过程中存在模态、分析困难和不可避免的误差及未知干扰，因此，难以确保所建立数学模型的精确度。

基于知识的故障诊断技术，适用于少输入、输出变量少、缺少传感器信息并难以建立机理模型的系统，主要包括专家系统等方法。基于专家系统的故障诊断方法，以相关领域专家的经验知识为基础，且准确程度受知识库中专家知识水平高低的影响。因此，鉴于专家经验和知识的局限性，以及对知识规则化表述的困难性，基于知识的故障诊断技术处理数据存在一定的局限性。

基于模型、知识的故障诊断技术仅适用于具有较少输入、输出和状态变量的系统，面对如今复杂的电路系统，其无法提供复杂电路机理模型的每个细节和许多高深的专业知识。因此，针对复杂电路系统长期运行产生数据的海量性、多样性和快速性等特点，基于数据驱动的故障诊断技术得到了广泛的应用。

基于数据驱动的方法并不依赖于系统的数学模型和专家知识，该方法主要采用各种数据挖掘技术，获取在线数据和离线数据中隐含的有用信息，其表征了当前系统的正常和故障状态，最终实现了故障的检测、诊断和隔离。近年来，随着计算机运算能力的高速发展，基于数据驱动的故障诊断技术，能够高效提取大量离线和在线数据的特征向量，并且准确地识别故障。

本文主要采用基于数据驱动的方法对变换器进行故障诊断，主要包括3个方面：①基于统计分析的变换器故障诊断技术、②基于信号处理的变换器故障诊断技术、③基于人工智能的变换器故障诊断技术。下面主要探索了这3类方法的内容、原理和应用背景，也分析了不同方法的适用性和局限性。最后，根据变换器的发展趋势，从方法融合、新型故障类型的检测、故障模式的在线学习和数据监测系统的设置等方面对变换器的故障诊断进行展望。

1 基于数据驱动的变换器故障诊断技术研究现状

基于数据驱动的变换器故障诊断不仅能及时、准确地获取数据，也能学习和挖掘历史数据中潜在的联系，并且通过数据隐含的映射机制实现了变换器的故障检测和诊断。目前，基于数据驱动的变换器故障诊断方法分类如图1所示。

图1 基于数据驱动的变换器故障诊断方法分类

1.1 基于统计分析的变换器故障诊断方法

利用基于统计分析的方法提取了历史数据中普遍存在的特性，并设置了正常条件的置信区间，以此判断变换器当前所属的正常和故障状态。基于统计分析的方法主要分为单变量统计方法和多变量统计方法：

①基于单变量的统计方法主要定义一个过程变量的门限值来实现故障的检测和诊断，其实现简单适用于数据维度较小的变换器，但忽略了变量之间的相关性；

②基于多变量的统计方法能够充分刻画多个变量之间的相关性，适用于高维度变换器系统的故障检测和诊断。基于多变量的统计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），隐马尔科夫模型（hidden markov model, HMM）。

1）基于PCA的变换器故障诊断

PCA技术应用多元投影方法将高维度的历史数据映射到一个能够充分显现原始数据特征的低维度空间，主要通过低维空间最明显的几个变量表征原始的历史数据，最终实现了降维的目的，极大地简化了数据。

在变换器故障诊断中，PCA技术得到了广泛的应用。文献[14]主要提取永磁同步电动机中三相逆变器的两个输出线电压为特征向量，并采用PCA技术减小了故障特征向量的维度。文献[15]应用故障监控系统对三相逆变器的故障进行检测和隔离，并采用离散小波和PCA技术检测由故障引起的电流断续现象。

文献[16]针对中点钳位逆变器的单个和组合开关管故障进行研究，采用上、中、下桥臂电压作为测试信号且应用PCA技术减少了神经网络的输入量。文献[17]为了实现非线性地铁辅助信号诊断的精确度，采用基于PCA的方法减小了初始特征向量的维度，消除了冗余的数据信息，实现了高精度的故障诊断。

总体而言，PCA技术的本质是对历史数据集所构成的输入空间作线性变换，但其只对服从高斯分布的数据具有较好的提取能力，而对于非线性、非高斯分布的故障数据诊断效果并不理想。

2）基于KPCA的变换器故障诊断

KPCA采用核化的思想，将样本映射到更高维度的空间，再应用基础的PCA技术，实现更高维空间数据的映射和投影。映射投影后的特征向量，能够充分表征变换器的运行特性，实现了故障特征向量的降维。与PCA方法相比，KPCA方法使用非线性映射函数将输入变量映射到高维的线性空间，增强了对非线性数据的处理能力。

文献[18]采用KPCA方法，对绝缘栅双极晶体管开路故障的特征向量进行降维，实现了维度的约减。文献[19]针对异步电动机驱动电路的三相电流特征，通过Concordia技术变换后，再采用KPCA进行信号处理，此方法适用于不同负载条件下的故障诊断。文献[20]针对异步电动机单故障信号的局限性和故障特征的强非线性，提出一种基于异构信息特征融合的故障诊断方法，对振动和电流信号进行处理。KPCA充分应用不同信息源间的冗余互补信息和特征数据间的非线性关系，全面地描述了设备的运行状态。

基于KPCA的方法虽能够实现原始非线性数据的处理，但该方法主要将数据往高维和低维空间进行投影以达到降维的目的，此过程主要通过阈值来保存信息，以至于丢失了部分原始数据特征量，这就造成变换器故障诊断精度不高且诊断失误等现象。

3）基于HMM的变换器故障诊断

HMM利用长期监测随时间变化的历史数据建立动态模型，通过此模型挖掘数据潜在的信息，实现变换器的故障诊断。HMM主要在时间和频域上进行动态分析，是一种重要的动态数据解析方法，并且过程简便、易于实现，适用于时变系统。

文献[21]采用HMM的方法对传统的光伏逆变器故障进行诊断，其减少了诊断时间，提高了准确率。文献[22]提出一种基于HMM的直流变流器故障识别分类方法，促进了高压直流输电的逐步发展，确保了设备的稳定运行。文献[23]针对传统电网断路器实际的运行方式，依据线性时不变模型的参数空间，建立了基于HMM模型且实现了数据的自主学习。

HMM方法能够建立简易的故障诊断模型，便于掌握，但缺点是建立的动态模型准确率较低，且学习过程中使用的经典算法没有考虑到模型的复杂度、不能解决过适应和欠适应的问题。

1.2 基于信号处理的变换器故障诊断方法

变换器发生故障后，其可测点处的电压、电流等特征量的幅值、相位和频率就会发生较大的变化。基于信号处理的故障诊断方法，主要对特征向量进行处理和分析，并获得了变换器正常和故障状况下的综合评价。目前，基于信号处理的变换器故障诊断方法主要：有小波变换法（wavelet transform, WT）和希尔伯特-黄变换法（hilbert-huang transform, HHT）。

WT是一种新的变换分析方法，不仅传承了短时傅里叶变换局部化的思想，还克服了窗口大小不随频率变化的缺点。WT通过伸缩平移运算，对时间和频域信号逐步进行多尺度细化，最终达到高频处时间细化和低频处频率细化的效果，可以满足任意细节时频信号分析的要求。文献[24]采用WT提取三电平逆变器的输出电压故障特征，并将此作为支持向量机（support vector machine, SVM）的输入信号。

文献[25]提出结合WT和极限学习机的方法对并网的光伏逆变器进行故障诊断，其中主要采用WT方法对逆变器的输出电流信号进行分析。文献[26]针对三相并网逆变器的输出电流信号进行傅里叶变换和WT分析，结果表明WT具有灵活、双域的优越性，且能够准确地提供故障特征，从而实现故障的诊断和定位。

HHT主要分析非平稳信号并分为两个方面：经验模态分解和希尔伯特（Hilbert）谱分析。与傅里叶和小波变换不同，其不选取固定的基函数展开信号，而是将信号自适应分解为若干出自信号本身的本征模式函数，且获得相对应信号的Hilbert谱。

文献[27]采用HHT的故障诊断方法，利用分解三相电流特征信号来判别短路故障，该方法简单易行且能够准确地检测故障信息。文献[28]充分应用HHT的故障诊断方式，对基于电压源的高压直流变流器系统的特征量进行故障提取，该方法实现简单且诊断率高。

1.3 基于人工智能的变换器故障诊断方法

基于人工智能的故障诊断方法无需建立定量的数学模型，仅需采用人工智能的算法对变换器正常和故障状态下的数据进行训练，就能实现变换器中故障器件的诊断和定位。这种方法应用故障特征建立起特征和分类器间的关系，实现了对复杂模态变换器的故障诊断和辨识。目前基于人工智能算法中主要包含有基于SVM的方法和基于神经网络（neural network, NN）的方法。

1）基于SVM方法

SVM是一种建立在统计学习理论和结构风险最小化基础上的机器学习算法，可以进行数据分析和模式识别，适用于小样本、非线性及高维度的模式识别、分类和回归分析。

图2 SVM的分类原理图

SVM基于以上的原理特性在变换器故障诊断中得到了广泛的应用。文献[30]针对级联H桥多电平逆变器的特性，提出了傅里叶变换、相对主成分分析和SVM相结合的方法对逆变器的输出电压进行故障诊断。文献[31]采用离散正交小波变换对三相电压型逆变器的输出电压进行分解，并获得了相应的小波系数矩阵，混合SVM对小波系数矩阵进行训练、诊断和分类。

文献[32]采用基因遗传算法和SVM的方法，对电力电子逆变器的4个参数进行故障诊断。文献[33]检测中点钳位逆变器的上、中、下桥臂的电压，多层级SVM对通过傅里叶变换的特征向量进行训练，其故障诊断精确率高。文献[34]将相对主成分分析和SVM的方法运用于诊断级联H桥多电平逆变器的故障，与传统的反向传播神经网络和SVM进行对比，文献所提的方法减少了计算时间且提高了诊断精度。

SVM在变换器的故障诊断中虽表现出许多优势，但其难以处理大规模的数据样本，且故障的诊断精度与样本的完整性和代表性密切相关。同时，经典的SVM只给出了二分类的算法，仅从分类的角度对故障进行诊断，并没有深层次地追求数据的结构信息。

2）基于NN的方法

NN是一种模仿动物神经网络的行为特征、进而建立分布式信息数据的广义数学模型。变换器采用NN方法对正常和故障的数据进行监测和诊断，通过调整神经元节点间的相互关系，实现了自学习和自适应能力。NN通过网络层间的学习建立故障征兆与故障类型的映射关系，使输入层的节点对应故障征兆，输出层的节点对应故障类型，最终实现了由故障征兆到故障类型的推理过程。

目前NN模型大多采用由心理学家W. Mc. Cuoooch和数理逻辑学家W. H. Pitts共同提出的M-P模型。图3表示一个神经元模型。

图3 一个神经元的模型

大量的研究表明，NN有着强大的模式分类和识别能力。文献[37]研究了三相电压型静态变换器中IGBT开关管的开路故障，采用离散小波和NN结合的算法对特征向量进行分析。文献[38]比较了多种NN算法，并给出最基础的NN模型，其中输入层表征原始的特征向量而输出层是相对应的故障类型。

文献[39]结合主成分分析法、遗传算法和NN的方法对级联H桥多电平逆变器进行故障诊断，此方法克服了由多个开关组成的复杂和非线性的系统。文献[40]采用遗传算法、粒子群优化算法和NN的方法对多电平逆变器所引起的驱动故障进行检测，此方法降低了系统谐波，提高了系统的诊断效率。

NN是高度非线性的大型系统，高速的复杂性使得其不能精确分析各个性能指标，且诊断过程需要大量的故障样本，限制了小样本系统的应用。目前提出的NN类型仅适用部分的变换器类型，不存在像冯诺依曼体系结构那样简洁、通用的NN体系结构。

2 基于数据驱动的变换器故障诊断展望

变换器的故障诊断方法较好地实现了故障特征的处理和故障类别的检测，防止了变换器带故障运行对电网波形质量造成的严重影响。由上文可知，故障诊断方法仍然存在局限性，因此，目前基于数据驱动的变换器故障诊断方法还在不断地完善和向前发展，主要的发展方向可能是：

1）基于数据驱动的变换器故障诊断方法的融合。基于数据驱动故障诊断的方法无需建立精确的数学模型，主要对历史数据进行推理和分析，但每种方法存在自身的优势和局限性。针对以上方法的局限性，新型的变换器故障诊断方法采用取长补短的方式克服以上缺陷，实现了多种诊断方法的融合并确保了故障诊断的准确性、可靠性和有效性。

2）目前，变换器的故障诊断大部分针对系统中的已知故障进行学习和训练，忽略了对于新型故障类型的检测，容易将这一部分故障样本误识别。因此，新型故障类别的检测和识别在故障诊断的应用中具有重要意义。

3）数据驱动故障诊断方法主要处理和训练大量的离线历史数据实现故障诊断，但对于多尺度、多层次的复杂系统而言，海量的数据难以获得，且其训练过程耗费了大量的时间。变换器系统在实际的运行过程中存在大量的在线数据，若数据驱动的算法能应用在线的数据进行学习，则不仅减少了对于历史数据的依赖，也缩短了训练时间，最终实现实时在线的故障诊断。

4）数据驱动方法的实现离不开数据监测系统在实际工程中的应用。故障诊断结果需通过监测系统进行检测、存储并采取故障保护措施，监测系统的完善和推广也是后期变换器故障诊断的一个发展趋势。

结论

本文从数据驱动的角度对变换器进行故障诊断，防止了变换器故障所带来的严重后果。本文回顾了变换器故障诊断常用的方法，将现有的故障诊断方法分为基于统计分析的方法、基于信号处理的方法和基于人工智能的方法，并着重分析了其中各类方法的适用性和局限性。

最后从故障诊断方法的融合、新型故障类型的检测、故障模式的在线学习和数据监测系统的设置等方面，对变换器故障诊断趋势进行展望。目前，数据驱动方法在变换器故障诊断中的应用研究还处于初级阶段，更深入问题的挖掘还有待进一步的研究。