电力电子变换器的故障诊断及跨域故障分析综述

余 凯 徐智帆 李文院

(1.国网福建省电力有限公司建设分公司，福建 福州 350001;2.国网福建省电力有限公司厦门供电公司，福建 厦门 361001;3.国网福建省电力有限公司物资分公司，福建 福州 350001)

0 引言

煤、石油等化石能源的大幅度使用，在加速全球工业化发展的同时，也带来了大量的碳排放，造成了严重的环境污染、全球变暖等问题。根据国际能源署的统计数据，发电和储能引起的碳排放量占总量的27%[1-2]。因此减少对化石能源的依赖，大力发展“清洁替代”，才能早日实现“碳达峰、碳中和”的美好愿景。其中，电力电子变换器作为电能形式转换和提高电能利用率的关键元件，其结构和工作环境变得越来越复杂，这使得电力电子变换器的故障发生率随之增加。电力电子变换器发生故障轻则导致设备异常和失效、造成一定的经济损失，重则导致系统瘫痪、影响工业生产和造成人身安全问题。因此，研究电力电子变换器的故障诊断技术是十分必要的。

1 电力电子变换器故障诊断方法

根据故障发生机理，电力电子变换器故障一般可分为结构性故障和参数性故障[3]。结构性故障是指电路中功率开关管及其他元件发生短路或开路所引起的故障。结构性故障若没有及时检测、定位并隔离，就会影响设备的正常运行，甚至引发灾难性故障。参数性故障是指器件经长时间运行或处于复杂环境运行等原因引起的参数值超出标称值一定的范围所发生的故障。参数性故障只会造成设备性能指标的下降[4]，例如谐波分量增加、效率降低等，但是对故障检测速度的要求较低。从20世纪80年代以来，电力电子变换器的故障诊断技术一直是国内外学者的研究热点。故障诊断方法一般分为三个步骤，即故障检测、故障定位和故障隔离。目前，常见的电力电子电路故障诊断方法主要有解析模型法、信号处理法、数据驱动法等[5]，如图1。

图1 故障诊断主要方法分类

1.1 解析模型法

解析模型法首先通过描述电路系统的数学模型，再利用采样得到的状态量与通过数学模型推导得出的先验信息进行比较，当采样量和先验量的残差超出所设的阈值时，即判定故障发生。最后通过分析不同故障发生时的残差相关特性来设计故障定位的规则[6-7]。

1.1.1 观测器法

观测器法的基本思路是通过数学模型建立系统的状态观测器，将观测器的输出与系统的真实输出进行比较，并对两者之间的残差进行分析，选择合适的阈值来判断系统是否发生故障(图2)。当系统故障发生时，残差会大幅增加。

图2 观测器法故障诊断流程

Jlassi等[8]利用一个龙伯格观测器来实现永磁同步发电机输入侧和输出侧变换器的状态监测和故障诊断。其中，阈值采用自适应方法，定义为采样电流和观测电流均方根和平均值的比值之差，避免了面对不同运行工况需要人工调节阈值的情况，提高了算法的可靠性和鲁棒性。该方法可以应对多个开关管的开路故障，通过实验验证了该方法具有较高的诊断正确率。陈超波等[9]建立了逆变器的混合逻辑模型，并将滑模观测器和区间估计相融合来估计系统正常工作的电流，提高了系统状态输出量的估计精度。除此之外，卡尔曼滤波算法作为一种依据最小均方误差准则来估计系统状态的滤波算法，也是被广泛应用于故障诊断的观测器之一。

1.1.2 状态估计法

状态估计法与观测器法相类似，也是需要数学模型框架来描述系统的物理规律，通过检测测量值是否符合模型的运行规律来判断故障是否发生。Yue等[10]提出了一个基于批量模式回归的动态状态估计方法来对电路中可能发生的参数性故障进行诊断。该方法引入了一个“健康指标”变量，能够反映变换器内部元件的参数偏移情况，在提高参数性故障诊断的灵敏性的同时也降低了计算的复杂度。

1.1.3 参数辨识法

参数辨识法是一种较为通用的方法，通过实时识别系统各个部件的参数来监测系统的健康状况，达到故障诊断的目的。若参数估计值与参数标定值的差值超出一定范围即判定系统发生故障。当系统使用依赖参数值的控制方法时，参数辨识法还可以调整因系统参数失配导致的系统性能恶化，改善系统动态性能，实现系统鲁棒控制。常见的参数辨识法有模型参考自适应方法(Model Reference Adaptive System，MRAS)[11]、最小二乘法[12]、梯度下降法[13]等。这些方法都需要适当的激励来保证估计参数的收敛性，并且平均稳态误差大多都小于5%。

解析模型法只需测量系统的少量节点信息，不需要增加额外的传感器，且很容易被嵌入到DSP或FPGA中，是一种经济、易于实现的方法。但是该方法需要对系统的运行机理进行较为全面的分析后，通过精确的系统模型获取精确的输出估计值，这对于阶数较高的复杂系统来说难以实现。在实际应用中，由于电力电子变换器系统是一个混杂非线性且复杂的系统，不仅包括连续变量(如各节点的电压和各分支的电流等)，还包括离散变量(如开关状态等)，再加上系统参数失配、电源扰动、噪声干扰等不确定因素都限制了解析模型法的进一步发展。

1.2 信号处理法

信号处理法主要是指用特定的特征提取方法对电力电子电路的输出信号进行降维处理，去除其中冗余的数据，使得故障信息更加清晰且有效。当电力电子电路存在故障时，其表征系统运行状态量将会变化，这些状态量变化包含丰富的故障特征信息，常见的特征变量有峰峰值、谐波分量、能量系数等[14]。目前基于信号处理的故障诊断方法主要有傅里叶分析法、小波分析法、信息融合法等。

1.2.1 傅里叶分析法

傅里叶变换作为时域与频域之间的“桥梁”，可以将一个复杂的信号分解为有限个频率分量之和。特别是快速傅里叶变换的出现，缓解了离散傅里叶变换计算量大的痛点，打破了傅里叶变换的应用限制[15]。Nesci Soares等[16]通过对发电机转子速度曲线进行傅里叶分析发现，当故障发生时，功率谱中特定阶数谐波分量的幅值较高，并结合定子电流的包络分析提出了一个针对感应发电机中交—直—交变换器的故障诊断方法。

1.2.2 小波分析法

小波函数并不唯一，只需满足一定的容许条件。杨欣荣等[17]将小波变换应用于无刷直流电机逆变器的开路故障诊断中，将三相电流信号分解得到的细节系数的乘积作为新的信号，将新信号再次进行小波变换得到高频和低频系数的能量值，作为故障检测和定位的特征依据。该方法实现方式简单，诊断速度快，同时可以减小噪声对诊断结果的影响。

崔江等[18]首先将三相电流进行小波分析，以降低采样过程中的噪声干扰，得到小波粗系数；其次将小波粗系数进行Concordia变换，得到电流轨迹用于提取质心故障特征，进一步压缩特征维度；最后采用故障字典方法和支持向量机方法进行故障的检测和定位。但是小波变换法也存在一定的局限性，例如小波基的构建没有统一的选取准则以及能量泄漏问题[19]。

1.2.3 信息融合法

在实际应用中，单一数据在干扰较大的情况下存在丢失或者传输错误的可能性，而且局部数据会忽略其他位置的表征信息，不能清晰直观地反映整个系统运行状况。只有将多方面的信息融合成新的故障特征，形成信息互补，才能使得诊断算法有较高的可靠性和准确率。根据对信息抽象层次进行分类，可以把信息融合分为特征层融合、数据层融合和决策层融合。以特征层融合为例，其方法架构如图3所示。张国恒等[20]采用贝叶斯参数估计法将电流和电压特征信息融合起来，将不同传感器的单一信息融合问题转化为同一个传感器的多个特征的问题。王建国等[21]对振动信号进行变分模态分解出一系列的模态，将高频段模态的排列熵和能量融合成新的特征变量，新特征向量能够从不同尺度表示故障的特性。

图3 信息融合法一般流程

信号处理法不需要描述精确的数学模型，相比于解析模型法在噪声干扰严重、系统复杂难以建模的场合更加适用。但是，将采样信号经过处理后得到的新特征依旧需要专业的诊断经验来进行判断，大大降低了诊断的效率。随着电力电子变换器朝着结构复杂化、数量快速增长的趋势发展，传感器的测点越来越多，故障诊断进入“大数据”时代。经信号处理后的特征从低维度的简单对比需要发展为在高维度下的高精度、自适应的故障诊断技术，因此其与数据驱动算法的结合成为目前的热点。

1.3 数据驱动法

数据驱动法是一种基于数据驱动的故障诊断方法，它将隐藏在海量数据中有利于故障诊断的信息挖掘出来。它无需解释系统的内在模型行为，恰好回避了电力电子电路非线性、耦合性强的建模困难这一难点，因此基于数据驱动的智能诊断技术成为了当今电力电子电路故障诊断一个不可忽视的研究热点。

1.3.1 故障树法

故障树法是1962年美国贝尔实验室发明的一种利用某些图形符号来表示从故障信号到故障发生原因之间关系的方法[22]。在一个已建立的故障树中，从某一故障出发，顺着逻辑关系一步步寻找系统故障发生的原因。但故障树的建立需要对系统的机理和故障发生的原因有全面的了解，且构建过程复杂、工作量大。因此，故障树法常常与其他诊断算法相结合，实现故障树的自动建立、修改和维护，根据故障信号快速定位故障的位置。李练兵等[23]采用联想记忆神经网络来对光伏发电系统故障树中未找到的故障进行辅助诊断，并不断完善故障树，提升故障树的构建效率。

1.3.2 支持向量机法

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，即通过高维空间转换，将非线性分类变成高维空间上的线性分类问题，如图4所示。SVM可以将高维分类转化为二次规划问题，特别针对小样本问题SVM有独特的优势。Miao等[24]对传统的SVM加入经验模态分解进行预处理并以主元分析法提取特征参数，诊断准确率有较大的提高，但是并未克服SVM本身的缺点且没有进行样机实验，所以工程价值有待考证。李浩洋等[25]虽然配合SVM加入了不同的改进算法，但是其主要在结构性故障诊断方面表现优异，对于诊断参数性故障的方面依旧没有大的突破。

但是目前在实时性要求较高的系统中，还需要对SVM做进一步的改进，通过对SVM的算法进行改进或者配合其他的智能优化算法来改善SVM的最优状态计算或者加快学习速度，是SVM在电力电子故障诊断上的研究方向。

图4 线性不可分时的划分映射

1.3.3 神经网络法

神经网络有着强大的非线性问题的处理能力，通过调整网络内部的权重和偏差，形成故障信号和故障类别之间一一对应的映射，如图5所示。神经网络将模型视作“黑箱”，只需要部分带标签的历史数据就可以学习输入输出对应的逻辑联系。

图5 神经网络示意图

Li等[26]建立了一个长短时记忆网络作为故障诊断的框架，实现对风力发电机的传感器、驱动系统和执行器的故障诊断。将健康状态下的数据用于训练，并得出健康状态下的输出与实际状态下的输出之间的残差，最后运用随机森林算法做出诊断决策。Sun等[27]在粒子群算法(Particle Swarm Optimization,PSO)对参数性故障诊断优化的基础上加入了小波包分析进行特征提取并且以深度置信网络(Deep Belief Network，DBN)和乌鸦搜索算法(Crow Search Algorithm,CSA)对原有的PSO进行优化并以样机进行验证，CSA-DBN相对于传统的神经网络(Back Propagation Neural Networks,BPNN)和SVM对参数性和结构性故障的诊断准确率有明显的提高。但是对于滤波电容的等效串联阻抗上升幅度不大或者电容值下降不多的故障诊断准确率提升不多，以及没有加入不同程度的噪声进行对比实验且该方法需要更长的计算时间不利于快速响应，除此之外还需要海量数据进行支撑，这些仍要继续改进。李世涛等[28]针对传统的BPNN提出了以量子神经网络(Quantum Neural Network,QNN)进行故障诊断并以小波分析对故障特征进行提取，QNN与BPNN相比准确率有明显提高，但是其收敛速度慢且需要更多的学习样本，难以保证其在工程中的实际效果。Lin等[29]基于模糊小脑神经网络(Fuzzy Cerebellar Model Neural Networks,FCMNN)与遗传算法(Genetic Algorithm,GA)相结合在一定程度上克服了FCMNN参数过多以及尽最大可能避免局部最优的情况，在特征提取的方法上使用了傅里叶分析和主成分分析选出了特征最为明显的参数，为实验验证做好了基础，这是将神经网络与信号处理法相融合的典型研究。Wu等[30]首先基于对混合键图提取故障特征矩阵再以GA进行故障识别，该方法主要针对开关管的参数劣化进行诊断，同时也保证了对电解电容的参数性故障诊断，并以样机进行实验验证，与BPNN相比有明显提高。但是在高频状态下干扰量大导致对故障诊断的准确度无法保证，且该法只适用于参数性的故障诊断对结构性故障诊断无法适用，所以还需改进。Zhang等[31]用DBN进行数据训练再进行数据分析，使其更好地适应在人工神经网络上的应用，准确率更高，速度更快，但目前仅是在理论上提升明显，在应用上还需继续讨论。

神经网络法能精确拟合故障特征与故障类别之间的映射关系，而且泛化能力强，抗干扰性好。但神经网络训练需要一个包含所有故障类别的样本库，而故障样本的获取对于有些场景相对困难。除此之外，神经网络的普遍适用性不强，针对同一工况故障数据训练后对其他工况的故障诊断的表现往往不尽如人意，需要重新训练。

数据驱动法避开了系统建模这一复杂过程，但是严重依赖历史数据的准确性和完整性。在数据获取困难的场景中，如何加强数据的可重复使用和网络的泛化能力是一个需要解决的问题。未来，基于数据驱动的诊断技术将朝着算法之间积极融合、集成化和自动化的方向发展。

2 跨域故障诊断研究

在实际工作场景中，电力电子变换器的运行工况会发生改变，可能造成变换器波形的故障特征发生改变。除此之外，由于器件老化是一个漫长的过程，且模型训练需要涵盖所有故障情况，参数性故障诊断面临数据量不足的挑战。而传统的数据驱动诊断技术或基于信号处理的诊断方法在同一工况下诊断表现良好，面对不同工况时诊断表现不佳，这是因为训练和测试的过程中都需要遵循数据服从相同的分布这一条件。但是使用另一工况的数据进行重新训练既不经济又降低了诊断效率。因此，在实际的工业应用中，往往会因为如下问题限制了智能诊断方法的表现[32]。

①采集到的大量数据往往要经过大量人力物力进行处理和标注，凸显出大量数据和少量标注之间的矛盾。若仅使用无标签数据进行训练，很难得到强泛化性能的诊断模型。

②在有些场景中，机器不允许长时间运行或不能在故障状态下运行，又或者有些元件老化需要漫长的过程才会发生故障，这些因素都将导致模型缺乏用于训练的故障数据，凸显出了有限的数据和模型的泛化能力之间的矛盾。

③系统运行的条件是不断变化的，环境、负载、激励等变化都会导致输出信号和故障特征的波动，这打破了模型在训练和测试过程中所用数据服从同一分布的理想假设。重建和训练模型又会导致计算资源的浪费，凸显出了模型适配性和处于不同分布数据之间的矛盾。

为了解决上述跨域故障诊断出现的问题，研究学者将迁移学习与传统的智能诊断方法相融合，深入研究了小样本条件、无标签条件和数据不同分布条件下的故障诊断问题。这些方法实现了将从旧诊断数据中学到的知识传递给不同但相关的新诊断的任务。迁移学习的基本思路是从新知识和旧知识之间学习相似有用的信息，来提高新知识的学习效率和能力。当两者之间的相似度越高，迁移学习的效果越好，反之有可能造成负迁移，进一步恶化网络性能。

在跨域诊断应用方面，国内外学者对基于迁移学习的机器学习方法的研究趋于成熟。Chen等[33]将迁移成分分析[34](Transfer Component Analysis,TCA)引入故障诊断领域，实现了同一轴承下不同工况之间的故障诊断。该方法构建了一种映射方法，将两个处于不同工况的故障集数据映射到一个可再生核希尔伯特空间，在最大程度保留数据的原有属性的基础上，减小故障数据集间的边缘分布差异。Tong等[35]同时考虑数据间的边缘分布和条件分布，在得到不同工况数据的最优映射矩阵后，使用最邻近结点算法对故障进行分类，进一步提升了诊断精度。以TCA为代表的浅层特征迁移学习方法，映射方式的求解原理较简易，在面对复杂的数据分布、数据维度巨大的情况下将会失去诊断精度和速度方面的优势。

将上述方法作为衡量域间差异的一种手段，并与深度学习进行结合的深度迁移学习研究在近年来得到了越来越广泛的关注。An等[36]以卷积神经网络为框架，以标签分类误差和最大均值差异度(Maximum Mean Discrepancy MMD)最小化为目标学习不同工况下不变的特征，解决了不同工况之间的知识迁移问题。其中，在激活层中加入Dropout技术和批归一化技术来提升网络的泛化能力和对数据因不同分布造成均值和方差偏差的适应能力。Guo等[37]在此基础上加入了域标签分类器，将域标签分类器分类误差最大化来混淆源特征和目标特征的域属性，降低网络对数据的域识别能力，达到减小域间差异的目的，并用实验验证了利用其他相关机器进行故障诊断的可行性。Wang等[38]论证了各个分布距离计算方法的优劣性，并指出MMD的计算量会随着数据量的增大呈二次方增大，Kullback-Leibler散度计算会遇到梯度消失或者爆炸的问题 。Wasserstein距离与之相比具有计算量小、梯度稳定的优点。将Wasserstein距离用于基于对抗训练的域适应网络，在加速老化硬盘故障数据集与真实硬盘故障数据集之间的迁移任务中的准确率接近90%。通过分析可以得出，基于深度迁移学习的诊断方法的主要思路是通过设计好的诊断模型自适应地完成对数据的特征提取、特征识别和对模型的训练，是一个端对端的、自动化的诊断方法。它避免了从传统的基于机器学习的诊断方法中手动提取和选择特征等繁琐的过程，极大提升了诊断效率和工程应用价值。

目前，对于电力电子变换器的智能故障诊断技术研究主要集中在满足训练集和测试集都服从同一分布这一理想假设条件下，对于服从不同分布差异的数据具有较差的适应性，这方面的技术研究有待进一步发展。随着电力电子电路结构的复杂化和快速增长的数据量，深度学习应用于故障诊断的智能化发展趋势已是必然。而迁移学习的引入能够解决某些场景下数据获取困难、机器运行条件多变等问题。

3 结束语

随着微电网的建设和电动汽车的发展，未来将有更大规模的电力电子变换器与电网相连接，因此电力电子变换器的可靠性以及对其运维和检修日益成为关注的热点。本文阐述了当前电力电子变换器故障诊断的主流思路，对其具体方法的特点和不足进行了相应的讨论，并结合工程实际提出跨域故障诊断的一些思路。

近几年基于数据驱动的故障诊断，尤其是基于解析人工神经网络的方法取得了大量突破性成果，并且随着控制器性能的快速提升和信号处理技术的突破，将信号处理结合到解析模型和数据驱动中，甚至解析模型和人工神经网络的结合都是工程应用中的研究热点。无论是基于解析模型或是数据驱动都需要更进一步发展传感器技术和器件老化机理分析。随着智能技术发展和数据的大规模采集，将带来电力电子变换器故障诊断的新思路。