电力电子变流器故障诊断的智能方法综述
福州大学电气工程与自动化学院、福州大学-科华恒盛电力电子研究中心的研究人员陈诗灿、林琼斌、陈四雄、蔡逢煌、王武，在2019年第3期《电气技术》杂志上撰文指出，电力电子变流器作为能源变换的核心之一，其故障诊断技术为能源安全可靠转换提供了有力保障。
本文综述了当前电力电子变流器故障诊断常用的智能算法，其中包括故障树分析、人工神经网络、支持向量机、模糊集理论及信息融合方法等。首先简单阐述了这些智能方法的基本概念，然后基于电力电子故障诊断领域的研究现状，对各种智能方法的特点和存在的不足做了简单分析，最后结合当前电力电子电路故障诊断领域的难点，探讨该领域未来研究的新思路。
随着新能源发电及其电能输送、工业电动机驱动及其节能、电动汽车、轨道交通等新兴产业的迅速崛起，电力电子技术已经成为能源变换的关键技术。从电动汽车到轨道交通，从光伏并网、风能并网到智能电网，从消费电子、工业电机到现代国防，从工业电动机驱动到节能，电力电子技术都起着决定性的作用。
为了满足这些领域用户的需求，各式各样的新型电力电子变流器产品不断涌现，结构也越发复杂，这势必导致设备故障几率大大增加。由于设备发生的故障将带有很强的非线性、并发性和不确定性等，使得诊断难度增大。传统基于模型的故障诊断方法已经难以满足复杂设备的故障诊断需求，诊断精确性也难以得到保证。近些年来，人工智能热度空前，融合了智能技术的故障检测方法也得到了不断优化，弥补了基于模型的诊断方法的不足。
本文在国内外专家学者丰富的研究成果基础上，综述了当前应用较为广泛的电力电子故障诊断的智能方法，其中包括故障树分析、人工神经网络、模糊集理论、支持向量机、信息融合方法等，并相应地进行了简单的介绍，同时分析了各种方法的特点与不足。最后结合当前电力电子电路故障诊断领域所面临的瓶颈，探讨了该领域未来研究的新思路。
1 电力电子故障诊断的智能方法研究现状
1.1 基于故障树的故障诊断方法
故障树分析法（fault tree analysis, FTA）最早是在1962年由美国贝尔电报公司的电话实验室创建的，它采用一种倒立的逻辑因果关系图表示出系统故障和系统部件之间存在的因果关系。从某一故障的发生开始，按整体到局部的方式，一步步寻找导致该故障发生的直接原因和间接原因，直到找出最基本的原因，并用有向逻辑关系图表示出来。
将该方法用于电力电子故障诊断领域中，就是根据电路发生故障表现出来的形式，从而寻找导致该故障发生的具体元器件的过程。故障树的诊断过程与人的大脑思维过程相似，直观明了，容易理解，并且逻辑性较强。在实际使用中，常与其他方法结合使用。图1为一个简单的故障树。
图1 故障树
文献[2]将故障树理论与双向联想记忆（BAM）神经网络相结合，并运用在光伏并网发电系统失效故障诊断。文中建立光伏发电系统的所有故障的故障树，并利用这些故障模式以及工程师的维修经验构建出BAM的学习样本。
当某一故障发生时，先由故障树进行查找，若没有寻找到与故障相匹配的故障源，则由训练好的BAM网络得到故障诊断结果，并且将诊断出的结果直接加入故障树中，下次同样的故障再次发生，可直接由故障树查询知道故障源。神经网络对未知故障的准确识别，打破了故障树分析法在决策阶段给出不确定故障源的“瓶颈”问题，实现了快速精确的故障分析定位。
故障树虽有逻辑性强、直观明了的优点，但是其不足也显而易见。故障树的建立需要对整体系统有全方位的理解，且工作量庞大，在构建树的过程中，可能会遗漏部分故障或重要故障。因此，将其他不同的故障诊断技术与故障树方法相结合，实现故障树的自动建立、维护和快速准确搜索故障源，是该方法未来需要重点解决的问题。
1.2 基于类神经网络的故障诊断方法
类神经网络（artificial neural network, ANN）又称为人工神经网络，是指模仿生物神经网络的复杂信息处理系统。确切来说它是一种计算结构，采用庞大却简单的人工神经元相互联结来模仿生物神经网络的信息处理能力。ANN能够对大量的训练样本进行分析，通过神经元及其相应结构（权值、偏差）的不断修正，逼近任何连续非线性的函数，能够对未知的或无法预测的故障信息进行分析判断，建立起输入特征和输出结果的映射关系，因此非常适合运用在电路的故障诊断和定位中。
ANN在电路故障诊断中并不关注电路内部运行情况，无需定量的数学模型，诊断过程一般为：首先，故障特征作为网络输入，相应故障源（故障标签）作为网络的输出；其次，使用一批已知故障源的训练样本，采用有监督式的参数更新算法对神经网络模型进行训练，用以确定网络隐含层个数，节点数以及联接权值、阈值等参数；最后，训练好网络之后，故障识别过程就是通过给定的故障特征，实现故障特征输入到故障标签输出之间的非线性映射的一个过程，此时只进行网络的前向计算，网络参数不再进行更新。
目前，有监督式学习（back propagation, BP）神经网络运用最为普遍。图2为常用神经网路的故障诊断结构。
图2 基于神经网络的故障诊断
在对三电平逆变器的研究中，文献[3]选取了逆变器的三相输出电压作为故障检测信号，将d-q变换与频域分析相结合，通过Matlab仿真软件，得到逆变器在不同输入电压等级、负载功率状态下的输出电压。同时提取故障特征，并构建训练样本，验证了BP神经网络对故障检测的可行性，最后通过基于数字信号处理（digital signal processing, DSP）的实验平台验证了该网络在实际工作中的应用价值。
文献[4]分析了三相静止变流器，采用离散小波和神经网络结合的算法，实现故障特征的提取和开关管开路故障的诊断。文献[5]则引入一种多神经网络的结构，故障特征被分别送到一个主神经网络和两个辅助神经网络，通过Sigmoid传递函数和反向传播Levenberg-Marquardt训练算法得到带有最优参数向量的分类器，实现了三电平逆变器开路元器件的识别和精准定位。
针对现有故障特征提取的特征量精度低、分类差异性不显著以及特征提取过程易受到噪声的影响等不足，利用基于小波变换的信息处理方法优化前期电路故障特征的提取。文献[7]提出先采用交叉小波获取可以有效区分故障信号和正常信号值间的频率和相位的相关信息共12个特征量，再采用主元分析的方法降低特征量的矩阵维数，将特征向量中的冗余信息剔除，以此提高了BP分类器的分类效果。
文献[8]对风电变流器故障特征提取时，发挥多分辨率小波变换的优势，使提取到的特征更易区分，然后结合BP神经网络（back propagation neural network, BPNN）识别故障类型。
在简化网络结构方面，文献[9]考虑电磁法三电平变流器开关器件开路故障情况，提出了采用变采样频率的小波分析方法与核主成分分析相结合，对获取的故障特征向量进行降维处理，从而减小了神经网络输入层维数。文献[10]在分析处理瞬态信号时，引入离散时间采样和小波分解方法，预先处理神经网络的输入权值，将冗余数据去除。
鉴于BP网络是典型的全局逼近神经网络，其学习过程收敛速度慢，容易陷入一个局部最小值的缺点。近年来，具有局部逼近能力的径向基函数网络（RBF）在电力电子故障诊断领域得到不少应用，其在局部逼近、分类效果和收敛速率等多个方面要比传统BP网络更为合适。文献[11]通过小波包分解技术，提取小波包系数能量作为故障特征向量。此方法使得网络既具有RBF较强的自学习能力和快速收敛性优点，又具有小波包在频域良好的局部化特征。实现了对三相桥式逆变电路IGBT断路情况共22种故障状态的诊断。
基于ANN的电力电子故障诊断方法能够将输入故障特征与输出故障标签建立起非线性的映射关系，其通过对大量样本的训练、学习和分析推广，得到一般的规律，此规律的自适应能力很强，容错性、鲁棒性好。
但是ANN也存在着一些不足：①需要大量的训练样本供给学习，而在电力电子电路中，获取具有代表性的优质样本十分困难；②ANN网络隐含层神经元数量的选取没有一个明确的理论规定，具体设计使用时，通常只能采用试探的方法进行比较，选取恰当、适合的节点数；③ANN在做故障诊断时，处理方式类似于一个“黑箱”处理，对模型内部行为缺少一种解释能力。
1.3 基于优化技术的故障诊断方法
优化技术是指通过采用优化算法改善神经网络的训练方式，使网络内部参数（权值、偏差）更快的朝着产生准确结果的数值逼近。针对传统BP算法存在的不足，已经有很多优化算法被国内外的专家学者所提出，并应用于电力电子故障诊断领域。常用的优化算法包括粒子群算法和遗传算法等。
优化技术的应用对于选取神经网络较优初始参数具有很大改善。通常采用优化算法的故障诊断流程图如图3所示。文献[12]基于实验和类神经网络提出了开关特性预测模型，在研究环境对中高压IGBT开关特性参数可靠性预测中，引入能够全局寻优的遗传算法对初始参数进行优化，提高神经网路的预测精度。文献[13]结合了遗传算法，粒子群算法和布谷鸟搜索算法对RBF神经网络进行优化。
图3 采用优化算法的故障诊断流程图
在提高网络训练速度、准确度的研究上，文献[14]改进了遗传算法，使得交叉和变异概率动态变化，并用此优化ANN，在多级逆变器故障诊断中表现出更快的寻优效果。文献[15-16]通过粒子群算法（PSO）优化BP神经网络，使神经网络能够更快的找到全局最优点，实现故障的快速诊断。
除了上述两种算法能够对神经网络进行优化，近些年来，还有不少专家把量子物理的知识应用到电力电子的故障诊断领域中。文献[17]把量子计算理论中量子态叠加原理应用到神经网络，充分发挥量子计算的并行计算特性，利用几个激活函数叠加形成新的隐含层激活方式，可在决策时把不确定性数据分配到各种故障模式之中，使得诊断结果的不确定度减小，提高故障诊断的总体准确率，加强了网络的数据处理能力。
优化技术优势在于：具有严格、准确的数学证明过程，其理论基础明确。在故障特征信息不够全面的情况中，优化技术常常能给出多个诊断结果，其中包含局部最优的结果和全局最优的结果。但是此方法也存在一些问题：①优化算法在整个寻优的过程中，引入许多参数的选取，会影响最终的最优结果，而这些参数通常是由经验法所得到的， 对于经验不是很丰富的人来说，这会使得最终结果不尽如人意；②采用优化算法时，通常结构较为复杂，编程实现也较为复杂，会导致寻找最优解的过程耗费较多的时间。
1.4 基于支持向量机的故障诊断方法
支持向量机（support vector machine, SVM）是基于Vapnik创建的统计学理论发展而来的一种机器学习方法。采用统计学理论中结构风险最小化（structural risk minimization, SRM）准则，在保证总体样本点误差最小的同时，使整体结构风险最小化，提高模型的泛化能力。
它在进行非线性分类时，通过高维空间转换，将非线性分类变成高维空间上的线性分类问题，进而得到SVM一般结构，再寻找最优分类面，并将样本分离，这使SVM在任何条件下都具有通用性。它在数字识别、故障诊断、文本分类等领域有着较多的应用。
电力电子故障诊断问题从本质上来说就是一种分类问题，而SVM是特别针对小样本问题提出来的，可以在小样本情况下获得最优解，这也正解决了电力电子中故障样本较少的问题。在电路软故障的诊断中，文献[20]采用一对一和一对多两种算法对原始只能处理二分类问题的SVM进行改进，构造出多分类SVM结构，对DC-DC转换电路单一软故障模态和多种软故障同时发生模态进行诊断分析。文献[21]针对中性点钳位三电平逆变器的特性，提出了经验模式分解和SVM方法，对负载相电压进行故障检测。
支持向量机学习算法在处理小样本问题时，能最大限度的挖掘隐含在数据中的分类信息，并且能够将分类问题转化为一个二次规划问题，从原理上确保获得全局最优的解，这使得SVM方法得到了学者的青睐。但是目前SVM训练算法较为复杂，计算时间较长，在实时性要求较高的系统中，还需要对算法进一步的改进，同时目前模型参数的选取还大多是靠经验法获得，如何通过更为智能化的方法获取最优的模型参数使得模型性能达到最优状态，这将是未来需要重点研究的方面。
1.5 基于模糊集理论的故障诊断方法
模糊集理论（fuzzy set theory, FST）是L. A. zadeh在1965年提出的，通过建立适当隶属函数以及模糊集合的相关运算和变换，对待考察的信息进行模糊化处理和分析。在电力电子电路中信息的采集中常常伴有随机噪声的影响，而模糊集理论的应用能有效地抵抗这种不确定信息的影响，优化诊断结果。
文献[22]充分考虑了每个功率器件的开路和短路故障，在故障诊断决策阶段使用模糊逻辑能够更快更准确的给出决策值，从而诊断出具体故障位置。文献[23]针对电力电子系统随机噪声对最后决策结果的影响给出解决方案。将模糊推理理论应用在分类器输出后端，通过设计的隶属度函数得到各个分类器对应的输出隶属度，根据隶属度的值，判断属于哪种故障模式的可能性更大。这种处理方式提升了在随机噪声较大的恶劣环境下，采集得到的故障数据的辨识准确度。文献[24]提出一种自适应神经模糊推理系统，用于并网单相逆变器开路故障的在线监测。
模糊集理论在处理信息不确定性问题上具有很大的应用价值，但采用模糊集理论的故障诊断方式还存在一些缺陷：
①模糊规则及其隶属度函数的获取方式，仍然凭借经验进行；
②在大规模集成电力电子电路的应用中，器件多，故障类型多，使模糊诊断模型的建立十分困难；
③通用性不好，不同的电路需要构造不同的模糊规则、隶属函数。
目前，在实际操作应用中，常将模糊集理论与其他智能方法相结合，如神经网络和专家系统等，用于分析各种不确定信息对诊断系统可靠性的影响，以及用于提高诊断系统的决策准确性。
1.6 基于信息融合的故障诊断方法
信息融合（information fusion, IF）技术就像是人的大脑综合处理复杂信息，将多种来源、多种类型的信息结合在一起，对其进行分析、判断，并从中提取出更多有价值的信息的技术。此项技术充分发挥多源数据互补性优势，能够提取到比单一数据源更为准确，特征更为明显的信息。
基于信息融合技术的电力电子系统故障诊断方法，可以从多角度获得表征故障的多维有效特征信息，充足的信息对于提高故障诊断分辨率有很大的帮助。根据信息抽象的3个层次，通常可以把信息融合划分为：数据层融合、特征层融合和决策层融合[25]。其中，特征层融合架构框图如图4所示。
图4 特征层信息融合技术框图
文献[26]先用小波分析提取故障特征，BPNN和CRTC用于故障的分类，在故障决策阶段，构造基于神经网络和D-S证据理论的信息融合框架，进而得到诊断结果。融合框架的建立充分发挥了故障信息的互补性质，提高故障诊断的准确性。文献[27]对采集到的电路元器件温度和电压数据用BP神经网络进行多传感器信息融合，根据网络输出的故障隶属度矢量，搜索判断舰载导弹火控系统放大器电路的故障部件。
随着电力电子电路越来越复杂，采用单一信息源对电路进行故障诊断最后得到的诊断结果可能并不可靠，信息融合技术的引入，可同时对来自不同数据源的信息进行综合的利用，在数据层、特征层或者决策层提取出更具有价值的信息，可极大地提升诊断结果的可信度和精确度。
但是，在实际电路应用中，多数据源的采集也意味着需要有更多的测量节点，如何在不影响整体电路稳定性的前提下选取合适的测量点，选择更为合适、有效的信息融合方法，将是今后研究中重点关注的问题。
1.7 其他故障诊断方法
除了上述几种较为常用的方法外，还有一些其他方法也被用在电力电子故障诊断与预测中。
文献[28]在对CUK电路的电容进行故障诊断与预测中，采用高阶积量方法（high order cumulant, HOC）和主成分分析法相结合的方法提取输出电压信号中的故障特征，然后用Fisher判别分析法对故障特征进行辨识，得到故障诊断结果，并且在电容发生退化后，用粒子滤波和故障阈值预估电路剩余寿命。
文献[29-30]将键合图理论引入电力电子电路故障诊断中，键合图被认为是最好的直接由物理系统得到状态空间方程的建模方法。文献[29]用键合图理论构建系统模型并结合BP神经网络对三相逆变器功率器件的开路、短路故障进行了故障诊断。由于普通键合图理论只适合用在连续系统建模，文献[30]全面考虑非线性元件特性，采用混杂键合图理论对DC-DC电路系统建模，最后结合遗传算法对电路参数性故障做诊断与辨识。
文献[31]将随机森林算法用于变流器故障类型的诊断，同时结合小波分析对采集的数据进行去噪处理。发挥了随机森林算法的分类优势和小波分析去噪的优势，使得在三相六脉冲整流电路的故障诊断中具有较强的抗噪能力和较强的正确诊断率。
文献[32]提出一种基于主成分分析和多类相关向量机（PCA-mRVM）的故障诊断策略，使用快速傅里叶变换和PCA对级联H桥多电平逆变器系统（CHMLIS）输出电压提取故障特征并减少样本维数，构建多类相关向量机实现故障的分类与定位。该方法缩短故障诊断时间，提高了诊断正确率。
2 当前面临的主要问题及未来发展趋势
目前，电力电子故障诊断领域还存在许多值得关注的问题：
①如上文所介绍的智能方法自身还存在着一些不足；
②随着复杂系统的规模日趋庞杂，电路拓扑的改变对故障诊断结果会有明显的影响，目前的电路故障诊断大多针对特定、简单拓扑进行研究，具有普遍适用性的诊断方法相对较少；
③电力电子电路常选择负载端输出电压、输出电流作为测试节点，但如果只依靠输出电压、输出电流，将无法获取能表征全部电路故障的信息，导致故障源识别的准确率低，仅能对单一故障进行识别，甚至无法识别。增加信号检测节点又必然导致电路复杂性提高，甚至对整体电路稳定性造成影响；
④电路故障诊断在实用化中，在线诊断技术对实时性问题考虑不足。
从目前电力电子电路故障诊断领域所面临的问题出发，今后的研究重点可以分为以下几个方面：
1）随着大数据时代的到来，人工智能、深度学习的兴起，适时的将新的理论与技术引入电力电子电路故障诊断领域中，形成性能更为优越的故障诊断新技术，这将是未来该领域发展的重要趋势。
2）将多种智能诊断技术相融合，取长补短，进一步对算法进行优化，这将在故障诊断的精确度、抗噪性以及容错性上会有较大的改善。
3）随着系统复杂度越来越大，基于多种数据源信息相互融合的故障诊断技术（大数据驱动的故障诊断技术），也将得到更多的关注。使用多传感器的融合方式，或者使用一种传感器但用多种信息提取的融合方式，将不同数据源的信息进行融合，综合评判能够反映各种故障的信息，可以大大提高故障覆盖率以及最后诊断结果的精确率。
4）目前，在电力电子电路故障诊断实用化中，虽有专家学者已经取得众多成果，但是在在线诊断中实时性问题的考虑上还有所欠缺。电路突发硬故障时，其故障信息通常只存在于发生故障后到断电停机之前数10ms内，如何在转瞬即逝的时间内准确定位故障源，是需要解决的一个重要问题。
在电力电子电路故障诊断领域，采用智能方法进行分析处理已经成了主流的趋势，并且目前已经有了大量实质性的研究成果。本文旨在对当前应用比较广泛的基于智能方法的电力电子故障诊断方法进行概括总结，包括故障树分析、人工神经网络、支持向量机、模糊集理论、信息融合技术等。并对这些方法的研究现状，特点以及不足进行了相应的阐述，最后谈及当前电力电子故障诊断领域的不足以及未来的发展方向。
这些智能方法都有了一定的发展基础，随着人工智能、深度学习和大数据时代的到来，智能方法将得到进一步发展，也将给电力电子故障诊断领域带来新思路。