下载掌阅APP，畅读海量书库
立即打开
电力设备在长期工作运行当中常会出现部件腐蚀、老化，导致设备局部电流增大，运行中出现故障或异常等问题，造成巨额经济损失。电力设备故障诊断主要研究如何对设备故障进行判别、分离和定位，即评价设备是否处于故障状态，确定故障发生的时间和类型，定位故障发生的部位（周东华和胡艳艳，2009；俞鸿涛，2021）。
电力设备故障诊断方法整体上可以分为定性分析方法和定量分析方法两种类型（俞鸿涛，2021），具体分类情况如图2-3所示。其中，定量分析方法进一步包括统计分析方法和机器学习方法。
图2-3 电力设备故障诊断方法分类
定性分析方法依靠领域专家对电力设备部件结构与工作原理的相关认识，结合设备的工作情况与运行特征，对设备是否处于故障状态进行经验性判断。定性分析方法具有操作简单、应用范围广等优点，但此类方法具有一定的主观性，容易出现诊断误差偏大的问题。常用的定性分析方法主要包括图论方法、专家系统方法等。
图论方法是一种从领域专家知识经验抽象得来的，用图形化的形式描述设备状态、特殊事件与设备故障之间因果关系的故障诊断方法，如有向图模型、故障树模型等。其通常由多个节点相互连接的有向图构成，每个节点代表一种设备部件，节点间的连线代表不同部件异常与设备故障之间的因果关系。当设备运行出现异常时，维护人员根据有向图分析出现异常的设备部件，分析设备发生故障的原因。例如：刘娜等（2003）将图论方法引入电力设备故障诊断当中，以设备故障模式及影响因素分析为基础提出了故障树诊断模型；杨国旺等（2006）提出了一种能够定位电力系统中变压器设备故障位置的故障树诊断模型，并利用该模型对设备可靠性指标进行了优化，有效增加变压器设备无故障时间；Lu et al.（2018）提出了一种将故障树与模糊推理理论相组合的故障诊断方法，通过条件概率描述其与设备故障的因果关系，估计设备发生故障的概率。
专家系统方法利用领域专家在设备工作原理、故障特征等方面的知识经验建立知识库，将知识库中的设备知识抽象为故障决策规则，通过设计模拟人类专家根据这些规则评价设备健康状态的计算机程序实现故障诊断。例如：何跃英和江荣汉（1994）将专家系统与模糊数学应用到电力设备故障诊断当中，提出了一种基于模糊规则的电力设备故障诊断的专家系统；束洪春等（2002）利用粗糙集描述电力变压器监测数据与故障之间的不确定性关系，提出了一种基于粗糙集方法的电力变压器故障诊断专家系统。
定量分析方法利用相关统计模型与机器学习方法，从设备的历史案例中提取设备故障特征或故障模式，通过对比待测试或待诊断设备的运行特征进行故障诊断。定量分析方法具有诊断结果实时、准确等优点，但此类方法容易受到设备历史案例数量的影响，当历史案例不足时准确率较低。定量分析方法主要有基于统计分析的故障诊断方法与基于机器学习的故障诊断方法两种类型。
基于统计分析的故障诊断方法利用特征降维技术将设备多维特征映射至低维空间（称为主元变量空间），根据主元变量的分布特征构建设备运行特征与正常特征偏离程度的统计量，利用待测试设备监测数据计算相应的统计量用于故障诊断。常用的特征降维方法包括主元分析方法（principle components analysis，PCA）、偏最小二乘方法（partialleast square，PLS）、独立主元分析方法（independent components analysis，ICA）等。
主元分析方法将设备多维特征空间分解为由主元特征构成的子空间与残差空间，通过计算待测设备在子空间或残差空间中的 T 2 统计量或 Q 统计量描述设备状态与正常状态的偏离程度用于故障诊断。例如：唐勇波和欧阳伟（2010）将主元分析应用到了电力变压器设备故障诊断当中，将 T 2 和 Q 统计量进行组合，提出了一种基于组合特征指标的电力设备故障诊断方法；董卓等（2012）提出了一种主元分析的电力设备故障诊断算法，该算法利用主元分析降低电力设备数据特征向量的维度，提高了算法的训练与测试精度；Malik and Mishra（2017）提出了一种基于主元分析的多变量过程监测与故障诊断方法，该方法将电力设备多维状态指标合成单一指标，综合不同指标的特征信息，对设备进行故障诊断。
偏最小二乘方法从设备多维特征中选取影响设备故障的关键特征引导变量进行空间分解，所得到的子空间只反映关键特征空间的变化情况，因此与主元分析相比具有更强的解释能力（周东华和胡艳艳，2009）。Kresta et al.（1991）最早将偏最小二乘方法应用于设备故障诊断问题当中，提出了一种针对多元状态监测的故障诊断方法；林土方等（2014）将偏最小二乘方法应用到电力变压器设备故障诊断当中，提出了一种基于偏最小二乘电力设备状态监测回归模型，利用设备电流信号进行故障诊断；陈彬等（2017）研究了电力变压器油中颗粒对设备安全性的影响，提出了描述电力变压器油中不同成分、不同颗粒与设备安全性之间关系的偏最小二乘预测模型，有效提高了设备故障诊断结果的准确性。
独立主元分析方法研究具有非正态分布的主元特征的变化特征，假设影响设备健康状态的主元特征相互独立，其他状态变量可以通过关键特征的线性加权得到。例如：石乐贤等（2010）提出了一种基于独立主元分析的电力设备局部故障诊断方法，该方法利用独立主元方法从设备混合信号中提取关键特征，有效减小故障诊断时延误差；唐勇波等（2014）考虑了服从非正态分布的设备特征，将主元分析方法与独立主元分析方法相组合，提出了一种组合故障诊断方法，提高了设备故障的判别精度。
基于机器学习的故障诊断方法利用人工智能与数据挖掘技术，从设备历史数据中识别设备故障模式，根据待测设备与故障模式匹配程度进行故障诊断。常用的机器学习方法包括支持向量机（support vector machine）、人工神经网络（artificial neural network，ANN）、K邻近算法（K-nearest neighbor，KNN）与隐马尔可夫模型（hidden Markov model，HMM）等。
支持向量机模型将设备正常状态数据与故障数据投影至高维空间，探索能够将正常与故障数据分隔开的超平面，将其作为故障决策边界，对设备进行故障诊断。例如：吕干云等（2005）提出了利用支持向量机对电力设备运行数据进行特征分类，以实现电力设备故障识别；张小奇等（2006）提出了一种基于支持向量机的电力变压器油中溶解气体浓度的预测与故障诊断方法，解决了小样本条件下设备故障诊断问题；Namdari and Jazayeri-Rad（2014）提出了利用遗传算法对支持向量机模型进行参数优化，提高了支持向量机诊断结果的准确性。
人工神经网络模型是一种由大量人工神经元相互连接组成的运算模型，它通过模拟人脑神经元的工作模式描述网络输入与输出的复杂对应关系。在故障诊断应用中，人工神经网络的输入为设备监测数据，输出为设备健康状态。设备监测数据通过各层结构的非线性加权转化为设备故障诊断结果。例如：Zhang et al.（1996）将人工神经网络引入电力设备故障诊断，提出了一种基于神经网络的故障诊断方法，该方法收集电力设备历史数据并对神经网络模型进行训练，根据训练得到的神经网络判断设备是否处于故障状态；Dong et al.（2008）考虑设备历史数据不足问题，提出了利用重抽样方法获取更多的设备历史数据，通过抽样得到的设备数据训练人工神经网络，提高设备故障诊断的准确率；Tripathy（2010）提出了一种将主元分析方法与神经网络相组合的电力设备诊断模型，该模型首先利用主元分析提取设备关键性能指标，然后利用关键指标的观测数据训练神经网络，通过训练得到的神经网络进行故障诊断。
K邻近算法利用相似性评价方法，从设备正常案例和故障案例中选取与待测设备数据相似性最高的 K 个案例，通过比较选取案例中的正常与故障案例数量评价设备健康状态。例如：Liu et al.（2013）提出了一种基于K邻近算法的电力设备故障诊断方法，该方法利用样本空间的欧式距离描述待测设备与历史案例之间的相似性，综合不同案例的评价结果进行诊断决策；Zhou et al.（2014）研究如何根据K邻近算法选取的相似案例寻找造成故障的关键变量，提出了一种基于K邻近算法的故障隔离方法；Lou et al.（2019）考虑了现实中电力设备案例数据中存在的数据缺失问题，利用数据插值方法对缺失值进行填补并通过K邻近算法推送相似案例，提出了一种针对数据缺失问题的故障诊断方法。
隐马尔可夫模型是一种由含有多个隐状态的马尔可夫链所组成的统计模型，该模型将设备由正常状态发展到故障状态的过程分解为多个无法直接观测的隐状态，每个隐状态下设备监测数据具有不同的概率分布。模型通过隐状态间的转移概率描述设备由正常发展到故障状态的动态特征，根据设备监测数据估计其处于不同隐状态的概率用于故障诊断（Hua et al.，2018）。例如：Sotiropoulos et al.（2007）提出了一种基于隐马尔可夫模型的电力设备故障诊断方法，该方法通过隐马尔可夫模型中的隐状态描述设备从正常状态发展至故障状态过程中的多个阶段，通过计算待测设备的监测数据在不同隐状态下的似然度评价设备健康状态；Jazebi et al.（2008）针对电力设备复杂故障特征问题，提出了一种将小波分析与隐马尔可夫模型相结合的故障诊断方法，该方法首先利用小波分解方法提取设备数据特征向量，然后利用隐马尔可夫模型进行故障模式识别，以此为基础进行故障诊断。Hua et al.（2018）将电力设备油色谱分析技术与隐马尔可夫模型相组合，首先利用油色谱分析提取设备监测数据的特征向量，然后利用提取的特征向量对隐马尔可夫模型进行训练，根据训练结果评价设备在不同隐状态下的概率。
除上述几种常用机器学习方法外，粒子群算法（Tao and Xiao，2009）、模糊系统（Dhote and Helonde，2013）、随机森林（Kartojo et al.，2019）等方法也在电力设备故障诊断领域得到了成功的应用。现有故障诊断方法主要依靠设备历史案例提取故障特征建立诊断模型，当历史故障案例不足时容易产生诊断决策偏差。一些研究利用设备正常案例建立诊断模型，根据待测设备与正常案例偏离程度进行故障决策的诊断。然而，这类方法忽视了存在于少量故障案例中的故障特征，存在信息损失问题，需要进一步研究缺乏历史故障案例条件下设备故障诊断方法。
设备故障预测是指利用有效的科学模型，通过对设备历史运行数据的分析，预测设备未来的健康状态变化趋势，估计设备故障发生时间及剩余工作寿命。近年来，随着国内外对电力设备可靠性管理的日益重视，电力设备故障预测技术和方法已成为设备可靠性管理领域的重点研究内容（俞鸿涛，2021）。电力设备故障预测方法整体上可以分为基于模型的故障预测与基于数据的故障预测两种类型，具体分类情况如图2-4所示。
图2-4 电力设备故障预测方法分类
基于模型的故障预测方法依靠领域专家对电力设备结构与运行原理的专业认识建立数学模型，描述设备由正常状态发展至故障状态的过程和趋势，并利用设备监测数据验证拟定出准确的模型参数。基于模型的故障预测方法可以分为两种类型：参数估计方法和状态估计方法。
参数估计方法根据领域专家对电力设备发生故障过程的专业认识确定故障预测模型的函数形式，利用设备历史数据或仿真数据对模型进行参数估计，将待测设备的在线数据代入预测模型，得到故障预测结果。例如：Chandrasena et al.（2006）根据电气领域相关知识提出了一种针对电力设备发生故障过程的仿真模型，模拟生成电力设备在不同健康状态下的仿真数据，根据仿真数据确定设备故障特征并建立预测模型；Li et al.（2007）根据电力变压器油中溶解气体变化的相关经验和规律建立预测模型，将传统的气体浓度分析应用到故障预测当中，预测变压器设备未来发生故障的时间。
状态估计方法依靠滤波器方法从设备噪声数据中估计设备状态，预测设备发展至故障状态所需时间。常用的滤波器包括卡尔曼滤波器、拓展卡尔曼滤波器、粒子滤波器等。例如：Murty et al.（1990）利用卡尔曼滤波器描述电力设备发生故障的过程，提出了基于卡尔曼滤波器的设备故障预测方法；Naseri et al.（2017）考虑了设备特征服从非正态分布的情况，利用拓展卡尔曼滤波器从系统输入中识别设备状态，预测设备剩余工作寿命；Li et al.（2018）考虑系统输入服从复杂分布的情况，利用粒子滤波器预测设备状态及剩余寿命，并根据设备在线数据对估计结果进行更新和调整，提高了故障预测准确率。
基于模型的故障预测方法的优势在于可以借助设备运行原理和领域专家的知识不断优化完善模型，得到符合领域规则和经验的故障预测结果。然而，随着工业技术的革新和发展，电力设备内部结构逐渐向灰箱甚至黑箱系统演变，维护人员通常难以了解设备完整的运行原理，无法建立高精度的故障预测模型，这对基于模型的故障预测方法的实际应用造成了较大的困难。
基于数据的故障预测方法利用相关统计学与机器学习模型，从电力设备由正常状态发展至故障状态的过程数据中提取设备特征，分析设备健康状态的变化趋势，预测设备发展至故障状态所需时间。当前，已有大量文献对基于数据的故障预测方法进行了研究，根据使用的预测模型不同，这些方法可以分为四种：回归分析预测方法、随机过程预测方法、时间序列预测方法与机器学习方法。
回归分析预测方法以时间为自变量，以设备健康状态为因变量建立回归模型，估计设备到达故障阈值所需时间。例如，Lu and Meeker（1993）提出了一种基于混合效应模型的故障预测方法，该方法用指数函数形式描述设备特征随时间的发展轨迹，并在预测模型中分别设置固定效应与随机效应系数，分别描述设备总体特征与个体特征对故障预测的影响。在此基础上，Gebraeel et al.（2005）、Yu and Fuh（2010）、Son et al.（2013）和Lin et al.（2018）对混合效应模型进行了拓展优化，包括引入贝叶斯方法对预测结果进行实时更新（Gebraeel et al.，2005）、加入随机故障阈值提高预测精度（Yu and Fuh，2010；Son et al.，2013）、引入合作学习机制处理具有复杂分布特征的设备状态指标（Lin et al.，2017）等。
随机过程预测方法利用随机过程模型描述设备由正常至故障状态的发展过程，结合设备监测数据与故障阈值估计设备剩余工作寿命的概率分布。现有研究中常用的随机过程模型包括维纳过程模型（Chiodo et al.，2016）、伽马过程模型（Lawless and Crowder，2004）以及马尔科夫过程模型（Zaidi et al.，2010；Wang et al.，2018；Li et al.，2018）等。例如：Wang et al.（2018）提出了一种基于马尔可夫过程模型的电力设备故障预测方法，该方法通过马尔可夫过程描述设备从正常至故障的发展过程，利用设备历史数据估计模型状态参数，以此为基础进行故障预测；Li et al.（2018）将数据挖掘方法与马尔可夫模型进行组合，利用数据关联算法提取马尔可夫模型状态参数与设备运行状态之间的关联规则，根据提取的关联规则预测未来发生故障的时间。
时间序列预测方法对电力设备历史运行数据的时序特征进行分析，推测设备数据未来变化趋势，估计设备未来发生故障的时间。Zheng et al.（2011）提出了一种基于自回归模型的电力设备故障预测方法，该方法收集设备历史运行数据并预测未来设备运行状况，结合事先设置的故障阈值确定设备发生故障的时间；Pham and Yang（2010）结合了自回归滑动平均模型和自回归条件异方差模型，以预测设备健康状态；龙凤等（2011）提出了一种基于粒子滤波与自回归模型的故障预测方法，该方法首先利用粒子滤波方法对设备状态的概率密度函数进行估计，给出设备当前发生故障的概率，然后利用自回归模型预测未来发生故障的时间，估计设备剩余工作寿命。
机器学习方法利用人工智能与数据挖掘技术从电力设备历史数据中提取设备故障特征，分析设备健康状态变化趋势，预测未来发生故障时间。常用机器学习方法包括支持向量机模型（Zhang et al.，2017）、粒子群算法（Illias et al.，2015）、人工神经网络模型（Yu et al.，2016；Song et al.，2018；Yang et al.，2019）等。例如：Zhang et al.（2017）提出了一种基于支持向量机模型的电力设备故障预测方法，该方法利用电力变压器油中溶解气体产生的多维时间序列训练支持向量机模型，将待测设备溶解气体数据代入训练后模型，得到故障时间预测结果；Yu et al.（2016）提出了一种基于循环人工神经网络的电力设备故障预测方法，该方法通过电力设备由正常至故障的全生命周期数据训练循环神经网络模型，利用训练得到的神经网络预测设备运行数据未来变化趋势，结合故障阈值预测设备未来发生故障时间。
基于数据的故障预测方法利用数理统计和机器学习等前沿方法，从电力设备历史运行数据中提取出设备发生故障过程的关键特征，建立预测模型，在处理复杂系统的故障预测方面与基于模型的方法相比更具优势。然而，此类方法容易受到设备历史案例数量及数据测量误差的影响，当设备历史案例不足或数据测量误差偏大时，模型的预测精度偏低。