隨著新能源發電及其電能輸送、工業電動機驅動及其節能、電動汽車、軌道交通等新興產業的迅速崛起，電力電子技術已經成為能源變換的關鍵技術。從電動汽車到軌道交通，從光伏并網、風能并網到智能電網，從消費電子、工業電機到現代國防，從工業電動機驅動到節能，電力電子技術都起著決定性的作用。

為了滿足這些領域用戶的需求，各式各樣的新型電力電子變流器產品不斷涌現，結構也越發復雜，這勢必導致設備故障幾率大大增加。由于設備發生的故障將帶有很強的非線性、并發性和不確定性等，使得診斷難度增大。傳統基于模型的故障診斷方法已經難以滿足復雜設備的故障診斷需求，診斷精確性也難以得到保證。近些年來，人工智能熱度空前，融合了智能技術的故障檢測方法也得到了不斷優化，彌補了基于模型的診斷方法的不足。

本文在國內外專家學者豐富的研究成果基礎上，綜述了當前應用較為廣泛的電力電子故障診斷的智能方法，其中包括故障樹分析、人工神經網絡、模糊集理論、支持向量機、信息融合方法等，并相應地進行了簡單的介紹，同時分析了各種方法的特點與不足。最后結合當前電力電子電路故障診斷領域所面臨的瓶頸，探討了該領域未來研究的新思路。

1 電力電子故障診斷的智能方法研究現狀

1.1 基于故障樹的故障診斷方法

故障樹分析法（fault tree analysis, FTA）最早是在1962年由美國貝爾電報公司的電話實驗室創建的，它采用一種倒立的邏輯因果關系圖表示出系統故障和系統部件之間存在的因果關系。從某一故障的發生開始，按整體到局部的方式，一步步尋找導致該故障發生的直接原因和間接原因，直到找出最基本的原因，并用有向邏輯關系圖表示出來。

將該方法用于電力電子故障診斷領域中，就是根據電路發生故障表現出來的形式，從而尋找導致該故障發生的具體元器件的過程。故障樹的診斷過程與人的大腦思維過程相似，直觀明了，容易理解，并且邏輯性較強。在實際使用中，常與其他方法結合使用。圖1為一個簡單的故障樹。

圖1 故障樹

文獻[2]將故障樹理論與雙向聯想記憶（BAM）神經網絡相結合，并運用在光伏并網發電系統失效故障診斷。文中建立光伏發電系統的所有故障的故障樹，并利用這些故障模式以及工程師的維修經驗構建出BAM的學習樣本。

當某一故障發生時，先由故障樹進行查找，若沒有尋找到與故障相匹配的故障源，則由訓練好的BAM網絡得到故障診斷結果，并且將診斷出的結果直接加入故障樹中，下次同樣的故障再次發生，可直接由故障樹查詢知道故障源。神經網絡對未知故障的準確識別，打破了故障樹分析法在決策階段給出不確定故障源的“瓶頸”問題，實現了快速精確的故障分析定位。

故障樹雖有邏輯性強、直觀明了的優點，但是其不足也顯而易見。故障樹的建立需要對整體系統有全方位的理解，且工作量龐大，在構建樹的過程中，可能會遺漏部分故障或重要故障。因此，將其他不同的故障診斷技術與故障樹方法相結合，實現故障樹的自動建立、維護和快速準確搜索故障源，是該方法未來需要重點解決的問題。

1.2 基于類神經網絡的故障診斷方法

類神經網絡（artificial neural network, ANN）又稱為人工神經網絡，是指模仿生物神經網絡的復雜信息處理系統。確切來說它是一種計算結構，采用龐大卻簡單的人工神經元相互聯結來模仿生物神經網絡的信息處理能力。ANN能夠對大量的訓練樣本進行分析，通過神經元及其相應結構（權值、偏差）的不斷修正，逼近任何連續非線性的函數，能夠對未知的或無法預測的故障信息進行分析判斷，建立起輸入特征和輸出結果的映射關系，因此非常適合運用在電路的故障診斷和定位中。

ANN在電路故障診斷中并不關注電路內部運行情況，無需定量的數學模型，診斷過程一般為：首先，故障特征作為網絡輸入，相應故障源（故障標簽）作為網絡的輸出；其次，使用一批已知故障源的訓練樣本，采用有監督式的參數更新算法對神經網絡模型進行訓練，用以確定網絡隱含層個數，節點數以及聯接權值、閾值等參數；最后，訓練好網絡之后，故障識別過程就是通過給定的故障特征，實現故障特征輸入到故障標簽輸出之間的非線性映射的一個過程，此時只進行網絡的前向計算，網絡參數不再進行更新。

目前，有監督式學習（back propagation, BP）神經網絡運用最為普遍。圖2為常用神經網路的故障診斷結構。

圖2 基于神經網絡的故障診斷

在對三電平逆變器的研究中，文獻[3]選取了逆變器的三相輸出電壓作為故障檢測信號，將d-q變換與頻域分析相結合，通過Matlab仿真軟件，得到逆變器在不同輸入電壓等級、負載功率狀態下的輸出電壓。同時提取故障特征，并構建訓練樣本，驗證了BP神經網絡對故障檢測的可行性，最后通過基于數字信號處理（digital signal processing, DSP）的實驗平臺驗證了該網絡在實際工作中的應用價值。

文獻[4]分析了三相靜止變流器，采用離散小波和神經網絡結合的算法，實現故障特征的提取和開關管開路故障的診斷。文獻[5]則引入一種多神經網絡的結構，故障特征被分別送到一個主神經網絡和兩個輔助神經網絡，通過Sigmoid傳遞函數和反向傳播Levenberg-Marquardt訓練算法得到帶有最優參數向量的分類器，實現了三電平逆變器開路元器件的識別和精準定位。

針對現有故障特征提取的特征量精度低、分類差異性不顯著以及特征提取過程易受到噪聲的影響等不足，利用基于小波變換的信息處理方法優化前期電路故障特征的提取。文獻[7]提出先采用交叉小波獲取可以有效區分故障信號和正常信號值間的頻率和相位的相關信息共12個特征量，再采用主元分析的方法降低特征量的矩陣維數，將特征向量中的冗余信息剔除，以此提高了BP分類器的分類效果。

文獻[8]對風電變流器故障特征提取時，發揮多分辨率小波變換的優勢，使提取到的特征更易區分，然后結合BP神經網絡（back propagation neural network, BPNN）識別故障類型。

在簡化網絡結構方面，文獻[9]考慮電磁法三電平變流器開關器件開路故障情況，提出了采用變采樣頻率的小波分析方法與核主成分分析相結合，對獲取的故障特征向量進行降維處理，從而減小了神經網絡輸入層維數。文獻[10]在分析處理瞬態信號時，引入離散時間采樣和小波分解方法，預先處理神經網絡的輸入權值，將冗余數據去除。

鑒于BP網絡是典型的全局逼近神經網絡，其學習過程收斂速度慢，容易陷入一個局部最小值的缺點。近年來，具有局部逼近能力的徑向基函數網絡（RBF）在電力電子故障診斷領域得到不少應用，其在局部逼近、分類效果和收斂速率等多個方面要比傳統BP網絡更為合適。文獻[11]通過小波包分解技術，提取小波包系數能量作為故障特征向量。此方法使得網絡既具有RBF較強的自學習能力和快速收斂性優點，又具有小波包在頻域良好的局部化特征。實現了對三相橋式逆變電路IGBT斷路情況共22種故障狀態的診斷。

基于ANN的電力電子故障診斷方法能夠將輸入故障特征與輸出故障標簽建立起非線性的映射關系，其通過對大量樣本的訓練、學習和分析推廣，得到一般的規律，此規律的自適應能力很強，容錯性、魯棒性好。

但是ANN也存在著一些不足：①需要大量的訓練樣本供給學習，而在電力電子電路中，獲取具有代表性的優質樣本十分困難；②ANN網絡隱含層神經元數量的選取沒有一個明確的理論規定，具體設計使用時，通常只能采用試探的方法進行比較，選取恰當、適合的節點數；③ANN在做故障診斷時，處理方式類似于一個“黑箱”處理，對模型內部行為缺少一種解釋能力。

1.3 基于優化技術的故障診斷方法

優化技術是指通過采用優化算法改善神經網絡的訓練方式，使網絡內部參數（權值、偏差）更快的朝著產生準確結果的數值逼近。針對傳統BP算法存在的不足，已經有很多優化算法被國內外的專家學者所提出，并應用于電力電子故障診斷領域。常用的優化算法包括粒子群算法和遺傳算法等。

優化技術的應用對于選取神經網絡較優初始參數具有很大改善。通常采用優化算法的故障診斷流程圖如圖3所示。文獻[12]基于實驗和類神經網絡提出了開關特性預測模型，在研究環境對中高壓IGBT開關特性參數可靠性預測中，引入能夠全局尋優的遺傳算法對初始參數進行優化，提高神經網路的預測精度。文獻[13]結合了遺傳算法，粒子群算法和布谷鳥搜索算法對RBF神經網絡進行優化。

圖3 采用優化算法的故障診斷流程圖

在提高網絡訓練速度、準確度的研究上，文獻[14]改進了遺傳算法，使得交叉和變異概率動態變化，并用此優化ANN，在多級逆變器故障診斷中表現出更快的尋優效果。文獻[15-16]通過粒子群算法（PSO）優化BP神經網絡，使神經網絡能夠更快的找到全局最優點，實現故障的快速診斷。

除了上述兩種算法能夠對神經網絡進行優化，近些年來，還有不少專家把量子物理的知識應用到電力電子的故障診斷領域中。文獻[17]把量子計算理論中量子態疊加原理應用到神經網絡，充分發揮量子計算的并行計算特性，利用幾個激活函數疊加形成新的隱含層激活方式，可在決策時把不確定性數據分配到各種故障模式之中，使得診斷結果的不確定度減小，提高故障診斷的總體準確率，加強了網絡的數據處理能力。

優化技術優勢在于：具有嚴格、準確的數學證明過程，其理論基礎明確。在故障特征信息不夠全面的情況中，優化技術常常能給出多個診斷結果，其中包含局部最優的結果和全局最優的結果。但是此方法也存在一些問題：①優化算法在整個尋優的過程中，引入許多參數的選取，會影響最終的最優結果，而這些參數通常是由經驗法所得到的， 對于經驗不是很豐富的人來說，這會使得最終結果不盡如人意；②采用優化算法時，通常結構較為復雜，編程實現也較為復雜，會導致尋找最優解的過程耗費較多的時間。

1.4 基于支持向量機的故障診斷方法

支持向量機（support vector machine, SVM）是基于Vapnik創建的統計學理論發展而來的一種機器學習方法。采用統計學理論中結構風險最小化（structural risk minimization, SRM）準則，在保證總體樣本點誤差最小的同時，使整體結構風險最小化，提高模型的泛化能力。

它在進行非線性分類時，通過高維空間轉換，將非線性分類變成高維空間上的線性分類問題，進而得到SVM一般結構，再尋找最優分類面，并將樣本分離，這使SVM在任何條件下都具有通用性。它在數字識別、故障診斷、文本分類等領域有著較多的應用。

電力電子故障診斷問題從本質上來說就是一種分類問題，而SVM是特別針對小樣本問題提出來的，可以在小樣本情況下獲得最優解，這也正解決了電力電子中故障樣本較少的問題。在電路軟故障的診斷中，文獻[20]采用一對一和一對多兩種算法對原始只能處理二分類問題的SVM進行改進，構造出多分類SVM結構，對DC-DC轉換電路單一軟故障模態和多種軟故障同時發生模態進行診斷分析。文獻[21]針對中性點鉗位三電平逆變器的特性，提出了經驗模式分解和SVM方法，對負載相電壓進行故障檢測。

支持向量機學習算法在處理小樣本問題時，能最大限度的挖掘隱含在數據中的分類信息，并且能夠將分類問題轉化為一個二次規劃問題，從原理上確保獲得全局最優的解，這使得SVM方法得到了學者的青睞。但是目前SVM訓練算法較為復雜，計算時間較長，在實時性要求較高的系統中，還需要對算法進一步的改進，同時目前模型參數的選取還大多是靠經驗法獲得，如何通過更為智能化的方法獲取最優的模型參數使得模型性能達到最優狀態，這將是未來需要重點研究的方面。

1.5 基于模糊集理論的故障診斷方法

模糊集理論（fuzzy set theory, FST）是L. A. zadeh在1965年提出的，通過建立適當隸屬函數以及模糊集合的相關運算和變換，對待考察的信息進行模糊化處理和分析。在電力電子電路中信息的采集中常常伴有隨機噪聲的影響，而模糊集理論的應用能有效地抵抗這種不確定信息的影響，優化診斷結果。

文獻[22]充分考慮了每個功率器件的開路和短路故障，在故障診斷決策階段使用模糊邏輯能夠更快更準確的給出決策值，從而診斷出具體故障位置。文獻[23]針對電力電子系統隨機噪聲對最后決策結果的影響給出解決方案。將模糊推理理論應用在分類器輸出后端，通過設計的隸屬度函數得到各個分類器對應的輸出隸屬度，根據隸屬度的值，判斷屬于哪種故障模式的可能性更大。這種處理方式提升了在隨機噪聲較大的惡劣環境下，采集得到的故障數據的辨識準確度。文獻[24]提出一種自適應神經模糊推理系統，用于并網單相逆變器開路故障的在線監測。

模糊集理論在處理信息不確定性問題上具有很大的應用價值，但采用模糊集理論的故障診斷方式還存在一些缺陷：①模糊規則及其隸屬度函數的獲取方式，仍然憑借經驗進行；②在大規模集成電力電子電路的應用中，器件多，故障類型多，使模糊診斷模型的建立十分困難；③通用性不好，不同的電路需要構造不同的模糊規則、隸屬函數。目前，在實際操作應用中，常將模糊集理論與其他智能方法相結合，如神經網絡和專家系統等，用于分析各種不確定信息對診斷系統可靠性的影響，以及用于提高診斷系統的決策準確性。

1.6 基于信息融合的故障診斷方法

信息融合（information fusion, IF）技術就像是人的大腦綜合處理復雜信息，將多種來源、多種類型的信息結合在一起，對其進行分析、判斷，并從中提取出更多有價值的信息的技術。此項技術充分發揮多源數據互補性優勢，能夠提取到比單一數據源更為準確，特征更為明顯的信息。

基于信息融合技術的電力電子系統故障診斷方法，可以從多角度獲得表征故障的多維有效特征信息，充足的信息對于提高故障診斷分辨率有很大的幫助。根據信息抽象的3個層次，通常可以把信息融合劃分為：數據層融合、特征層融合和決策層融合[25]。其中，特征層融合架構框圖如圖4所示。

圖4 特征層信息融合技術框圖

文獻[26]先用小波分析提取故障特征，BPNN和CRTC用于故障的分類，在故障決策階段，構造基于神經網絡和D-S證據理論的信息融合框架，進而得到診斷結果。融合框架的建立充分發揮了故障信息的互補性質，提高故障診斷的準確性。文獻[27]對采集到的電路元器件溫度和電壓數據用BP神經網絡進行多傳感器信息融合，根據網絡輸出的故障隸屬度矢量，搜索判斷艦載導彈火控系統放大器電路的故障部件。

隨著電力電子電路越來越復雜，采用單一信息源對電路進行故障診斷最后得到的診斷結果可能并不可靠，信息融合技術的引入，可同時對來自不同數據源的信息進行綜合的利用，在數據層、特征層或者決策層提取出更具有價值的信息，可極大地提升診斷結果的可信度和精確度。

但是，在實際電路應用中，多數據源的采集也意味著需要有更多的測量節點，如何在不影響整體電路穩定性的前提下選取合適的測量點，選擇更為合適、有效的信息融合方法，將是今后研究中重點關注的問題。

1.7 其他故障診斷方法

除了上述幾種較為常用的方法外，還有一些其他方法也被用在電力電子故障診斷與預測中。

文獻[28]在對CUK電路的電容進行故障診斷與預測中，采用高階積量方法（high order cumulant, HOC）和主成分分析法相結合的方法提取輸出電壓信號中的故障特征，然后用Fisher判別分析法對故障特征進行辨識，得到故障診斷結果，并且在電容發生退化后，用粒子濾波和故障閾值預估電路剩余壽命。

文獻[29-30]將鍵合圖理論引入電力電子電路故障診斷中，鍵合圖被認為是最好的直接由物理系統得到狀態空間方程的建模方法。文獻[29]用鍵合圖理論構建系統模型并結合BP神經網絡對三相逆變器功率器件的開路、短路故障進行了故障診斷。由于普通鍵合圖理論只適合用在連續系統建模，文獻[30]全面考慮非線性元件特性，采用混雜鍵合圖理論對DC-DC電路系統建模，最后結合遺傳算法對電路參數性故障做診斷與辨識。

文獻[31]將隨機森林算法用于變流器故障類型的診斷，同時結合小波分析對采集的數據進行去噪處理。發揮了隨機森林算法的分類優勢和小波分析去噪的優勢，使得在三相六脈沖整流電路的故障診斷中具有較強的抗噪能力和較強的正確診斷率。

文獻[32]提出一種基于主成分分析和多類相關向量機（PCA-mRVM）的故障診斷策略，使用快速傅里葉變換和PCA對級聯H橋多電平逆變器系統（CHMLIS）輸出電壓提取故障特征并減少樣本維數，構建多類相關向量機實現故障的分類與定位。該方法縮短故障診斷時間，提高了診斷正確率。

2 當前面臨的主要問題及未來發展趨勢

目前，電力電子故障診斷領域還存在許多值得關注的問題：①如上文所介紹的智能方法自身還存在著一些不足；②隨著復雜系統的規模日趨龐雜，電路拓撲的改變對故障診斷結果會有明顯的影響，目前的電路故障診斷大多針對特定、簡單拓撲進行研究，具有普遍適用性的診斷方法相對較少；③電力電子電路常選擇負載端輸出電壓、輸出電流作為測試節點，但如果只依靠輸出電壓、輸出電流，將無法獲取能表征全部電路故障的信息，導致故障源識別的準確率低，僅能對單一故障進行識別，甚至無法識別。增加信號檢測節點又必然導致電路復雜性提高，甚至對整體電路穩定性造成影響；④電路故障診斷在實用化中，在線診斷技術對實時性問題考慮不足。

從目前電力電子電路故障診斷領域所面臨的問題出發，今后的研究重點可以分為以下幾個方面：

1）隨著大數據時代的到來，人工智能、深度學習的興起，適時的將新的理論與技術引入電力電子電路故障診斷領域中，形成性能更為優越的故障診斷新技術，這將是未來該領域發展的重要趨勢。

2）將多種智能診斷技術相融合，取長補短，進一步對算法進行優化，這將在故障診斷的精確度、抗噪性以及容錯性上會有較大的改善。

3）隨著系統復雜度越來越大，基于多種數據源信息相互融合的故障診斷技術（大數據驅動的故障診斷技術），也將得到更多的關注。使用多傳感器的融合方式，或者使用一種傳感器但用多種信息提取的融合方式，將不同數據源的信息進行融合，綜合評判能夠反映各種故障的信息，可以大大提高故障覆蓋率以及最后診斷結果的精確率。

4）目前，在電力電子電路故障診斷實用化中，雖有專家學者已經取得眾多成果，但是在在線診斷中實時性問題的考慮上還有所欠缺。電路突發硬故障時，其故障信息通常只存在于發生故障后到斷電停機之前數10ms內，如何在轉瞬即逝的時間內準確定位故障源，是需要解決的一個重要問題。

結論

在電力電子電路故障診斷領域，采用智能方法進行分析處理已經成了主流的趨勢，并且目前已經有了大量實質性的研究成果。本文旨在對當前應用比較廣泛的基于智能方法的電力電子故障診斷方法進行概括總結，包括故障樹分析、人工神經網絡、支持向量機、模糊集理論、信息融合技術等。并對這些方法的研究現狀，特點以及不足進行了相應的闡述，最后談及當前電力電子故障診斷領域的不足以及未來的發展方向。

這些智能方法都有了一定的發展基礎，隨著人工智能、深度學習和大數據時代的到來，智能方法將得到進一步發展，也將給電力電子故障診斷領域帶來新思路。