隨著經(jīng)濟(jì)的高速發(fā)展和大幅的能源消耗，環(huán)境和氣候變化、化石能源匱乏等問題日益凸顯，因此，微網(wǎng)作為分布式能源的主要形式之一，獲得到了社會(huì)各界的廣泛關(guān)注。變換器實(shí)現(xiàn)了微網(wǎng)不同電壓等級(jí)的轉(zhuǎn)換，但其一旦發(fā)生故障將影響微網(wǎng)的穩(wěn)定運(yùn)行，且故障未及時(shí)切除時(shí)，將會(huì)產(chǎn)生嚴(yán)重的后果。為了微網(wǎng)的穩(wěn)定運(yùn)行，變換器的故障診斷成為了研究熱點(diǎn)之一。

變換器的故障診斷過程是提取和檢測(cè)系統(tǒng)正常運(yùn)行和故障條件下的電壓和電流等特征變量，并判斷變量是否出現(xiàn)了不被允許的偏差。通常，故障診斷流程主要由故障檢測(cè)、故障定位和故障移除3部分組成：①故障檢測(cè)主要判斷變換器是否發(fā)生故障；②故障定位是分析故障發(fā)生的原因和定位故障元件；③故障移除是對(duì)故障進(jìn)行干預(yù)并使系統(tǒng)恢復(fù)正常。

目前，故障診斷方法常見的分類是，基于解析模型的故障診斷技術(shù)、基于知識(shí)的故障診斷技術(shù)和基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷技術(shù)。

基于解析模型的故障診斷技術(shù)是從系統(tǒng)的本質(zhì)特性出發(fā)、實(shí)現(xiàn)了故障的實(shí)時(shí)性檢測(cè)，適用于電路拓?fù)浣Y(jié)構(gòu)簡單可建模的系統(tǒng)。本方法主要采用傳感器提供的采樣信息建立精確的數(shù)學(xué)模型，數(shù)學(xué)模型的建立過程必須深入了解電路的基本結(jié)構(gòu)機(jī)理和運(yùn)行中存在的電路模態(tài)。但對(duì)于實(shí)際的復(fù)雜電路系統(tǒng)，故障運(yùn)行過程中存在模態(tài)、分析困難和不可避免的誤差及未知干擾，因此，難以確保所建立數(shù)學(xué)模型的精確度。

基于知識(shí)的故障診斷技術(shù)，適用于少輸入、輸出變量少、缺少傳感器信息并難以建立機(jī)理模型的系統(tǒng)，主要包括專家系統(tǒng)等方法?；趯＜蚁到y(tǒng)的故障診斷方法，以相關(guān)領(lǐng)域?qū)＜业慕?jīng)驗(yàn)知識(shí)為基礎(chǔ)，且準(zhǔn)確程度受知識(shí)庫中專家知識(shí)水平高低的影響。因此，鑒于專家經(jīng)驗(yàn)和知識(shí)的局限性，以及對(duì)知識(shí)規(guī)則化表述的困難性，基于知識(shí)的故障診斷技術(shù)處理數(shù)據(jù)存在一定的局限性。

基于模型、知識(shí)的故障診斷技術(shù)僅適用于具有較少輸入、輸出和狀態(tài)變量的系統(tǒng)，面對(duì)如今復(fù)雜的電路系統(tǒng)，其無法提供復(fù)雜電路機(jī)理模型的每個(gè)細(xì)節(jié)和許多高深的專業(yè)知識(shí)。因此，針對(duì)復(fù)雜電路系統(tǒng)長期運(yùn)行產(chǎn)生數(shù)據(jù)的海量性、多樣性和快速性等特點(diǎn)，基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷技術(shù)得到了廣泛的應(yīng)用。

基于數(shù)據(jù)驅(qū)動(dòng)的方法并不依賴于系統(tǒng)的數(shù)學(xué)模型和專家知識(shí)，該方法主要采用各種數(shù)據(jù)挖掘技術(shù)，獲取在線數(shù)據(jù)和離線數(shù)據(jù)中隱含的有用信息，其表征了當(dāng)前系統(tǒng)的正常和故障狀態(tài)，最終實(shí)現(xiàn)了故障的檢測(cè)、診斷和隔離。近年來，隨著計(jì)算機(jī)運(yùn)算能力的高速發(fā)展，基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷技術(shù)，能夠高效提取大量離線和在線數(shù)據(jù)的特征向量，并且準(zhǔn)確地識(shí)別故障。

本文主要采用基于數(shù)據(jù)驅(qū)動(dòng)的方法對(duì)變換器進(jìn)行故障診斷，主要包括3個(gè)方面：①基于統(tǒng)計(jì)分析的變換器故障診斷技術(shù)、②基于信號(hào)處理的變換器故障診斷技術(shù)、③基于人工智能的變換器故障診斷技術(shù)。下面主要探索了這3類方法的內(nèi)容、原理和應(yīng)用背景，也分析了不同方法的適用性和局限性。最后，根據(jù)變換器的發(fā)展趨勢(shì)，從方法融合、新型故障類型的檢測(cè)、故障模式的在線學(xué)習(xí)和數(shù)據(jù)監(jiān)測(cè)系統(tǒng)的設(shè)置等方面對(duì)變換器的故障診斷進(jìn)行展望。

1 基于數(shù)據(jù)驅(qū)動(dòng)的變換器故障診斷技術(shù)研究現(xiàn)狀

基于數(shù)據(jù)驅(qū)動(dòng)的變換器故障診斷不僅能及時(shí)、準(zhǔn)確地獲取數(shù)據(jù)，也能學(xué)習(xí)和挖掘歷史數(shù)據(jù)中潛在的聯(lián)系，并且通過數(shù)據(jù)隱含的映射機(jī)制實(shí)現(xiàn)了變換器的故障檢測(cè)和診斷。目前，基于數(shù)據(jù)驅(qū)動(dòng)的變換器故障診斷方法分類如圖1所示。

圖1 基于數(shù)據(jù)驅(qū)動(dòng)的變換器故障診斷方法分類

1.1 基于統(tǒng)計(jì)分析的變換器故障診斷方法

利用基于統(tǒng)計(jì)分析的方法提取了歷史數(shù)據(jù)中普遍存在的特性，并設(shè)置了正常條件的置信區(qū)間，以此判斷變換器當(dāng)前所屬的正常和故障狀態(tài)?；诮y(tǒng)計(jì)分析的方法主要分為單變量統(tǒng)計(jì)方法和多變量統(tǒng)計(jì)方法：

①基于單變量的統(tǒng)計(jì)方法主要定義一個(gè)過程變量的門限值來實(shí)現(xiàn)故障的檢測(cè)和診斷，其實(shí)現(xiàn)簡單適用于數(shù)據(jù)維度較小的變換器，但忽略了變量之間的相關(guān)性；

②基于多變量的統(tǒng)計(jì)方法能夠充分刻畫多個(gè)變量之間的相關(guān)性，適用于高維度變換器系統(tǒng)的故障檢測(cè)和診斷?；诙嘧兞康慕y(tǒng)計(jì)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），隱馬爾科夫模型（hidden markov model, HMM）。

1）基于PCA的變換器故障診斷

PCA技術(shù)應(yīng)用多元投影方法將高維度的歷史數(shù)據(jù)映射到一個(gè)能夠充分顯現(xiàn)原始數(shù)據(jù)特征的低維度空間，主要通過低維空間最明顯的幾個(gè)變量表征原始的歷史數(shù)據(jù)，最終實(shí)現(xiàn)了降維的目的，極大地簡化了數(shù)據(jù)。

在變換器故障診斷中，PCA技術(shù)得到了廣泛的應(yīng)用。文獻(xiàn)[14]主要提取永磁同步電動(dòng)機(jī)中三相逆變器的兩個(gè)輸出線電壓為特征向量，并采用PCA技術(shù)減小了故障特征向量的維度。文獻(xiàn)[15]應(yīng)用故障監(jiān)控系統(tǒng)對(duì)三相逆變器的故障進(jìn)行檢測(cè)和隔離，并采用離散小波和PCA技術(shù)檢測(cè)由故障引起的電流斷續(xù)現(xiàn)象。

文獻(xiàn)[16]針對(duì)中點(diǎn)鉗位逆變器的單個(gè)和組合開關(guān)管故障進(jìn)行研究，采用上、中、下橋臂電壓作為測(cè)試信號(hào)且應(yīng)用PCA技術(shù)減少了神經(jīng)網(wǎng)絡(luò)的輸入量。文獻(xiàn)[17]為了實(shí)現(xiàn)非線性地鐵輔助信號(hào)診斷的精確度，采用基于PCA的方法減小了初始特征向量的維度，消除了冗余的數(shù)據(jù)信息，實(shí)現(xiàn)了高精度的故障診斷。

總體而言，PCA技術(shù)的本質(zhì)是對(duì)歷史數(shù)據(jù)集所構(gòu)成的輸入空間作線性變換，但其只對(duì)服從高斯分布的數(shù)據(jù)具有較好的提取能力，而對(duì)于非線性、非高斯分布的故障數(shù)據(jù)診斷效果并不理想。

2）基于KPCA的變換器故障診斷

KPCA采用核化的思想，將樣本映射到更高維度的空間，再應(yīng)用基礎(chǔ)的PCA技術(shù)，實(shí)現(xiàn)更高維空間數(shù)據(jù)的映射和投影。映射投影后的特征向量，能夠充分表征變換器的運(yùn)行特性，實(shí)現(xiàn)了故障特征向量的降維。與PCA方法相比，KPCA方法使用非線性映射函數(shù)將輸入變量映射到高維的線性空間，增強(qiáng)了對(duì)非線性數(shù)據(jù)的處理能力。

文獻(xiàn)[18]采用KPCA方法，對(duì)絕緣柵雙極晶體管開路故障的特征向量進(jìn)行降維，實(shí)現(xiàn)了維度的約減。文獻(xiàn)[19]針對(duì)異步電動(dòng)機(jī)驅(qū)動(dòng)電路的三相電流特征，通過Concordia技術(shù)變換后，再采用KPCA進(jìn)行信號(hào)處理，此方法適用于不同負(fù)載條件下的故障診斷。文獻(xiàn)[20]針對(duì)異步電動(dòng)機(jī)單故障信號(hào)的局限性和故障特征的強(qiáng)非線性，提出一種基于異構(gòu)信息特征融合的故障診斷方法，對(duì)振動(dòng)和電流信號(hào)進(jìn)行處理。KPCA充分應(yīng)用不同信息源間的冗余互補(bǔ)信息和特征數(shù)據(jù)間的非線性關(guān)系，全面地描述了設(shè)備的運(yùn)行狀態(tài)。

基于KPCA的方法雖能夠?qū)崿F(xiàn)原始非線性數(shù)據(jù)的處理，但該方法主要將數(shù)據(jù)往高維和低維空間進(jìn)行投影以達(dá)到降維的目的，此過程主要通過閾值來保存信息，以至于丟失了部分原始數(shù)據(jù)特征量，這就造成變換器故障診斷精度不高且診斷失誤等現(xiàn)象。

3）基于HMM的變換器故障診斷

HMM利用長期監(jiān)測(cè)隨時(shí)間變化的歷史數(shù)據(jù)建立動(dòng)態(tài)模型，通過此模型挖掘數(shù)據(jù)潛在的信息，實(shí)現(xiàn)變換器的故障診斷。HMM主要在時(shí)間和頻域上進(jìn)行動(dòng)態(tài)分析，是一種重要的動(dòng)態(tài)數(shù)據(jù)解析方法，并且過程簡便、易于實(shí)現(xiàn)，適用于時(shí)變系統(tǒng)。

文獻(xiàn)[21]采用HMM的方法對(duì)傳統(tǒng)的光伏逆變器故障進(jìn)行診斷，其減少了診斷時(shí)間，提高了準(zhǔn)確率。文獻(xiàn)[22]提出一種基于HMM的直流變流器故障識(shí)別分類方法，促進(jìn)了高壓直流輸電的逐步發(fā)展，確保了設(shè)備的穩(wěn)定運(yùn)行。文獻(xiàn)[23]針對(duì)傳統(tǒng)電網(wǎng)斷路器實(shí)際的運(yùn)行方式，依據(jù)線性時(shí)不變模型的參數(shù)空間，建立了基于HMM模型且實(shí)現(xiàn)了數(shù)據(jù)的自主學(xué)習(xí)。

HMM方法能夠建立簡易的故障診斷模型，便于掌握，但缺點(diǎn)是建立的動(dòng)態(tài)模型準(zhǔn)確率較低，且學(xué)習(xí)過程中使用的經(jīng)典算法沒有考慮到模型的復(fù)雜度、不能解決過適應(yīng)和欠適應(yīng)的問題。

1.2 基于信號(hào)處理的變換器故障診斷方法

變換器發(fā)生故障后，其可測(cè)點(diǎn)處的電壓、電流等特征量的幅值、相位和頻率就會(huì)發(fā)生較大的變化?；谛盘?hào)處理的故障診斷方法，主要對(duì)特征向量進(jìn)行處理和分析，并獲得了變換器正常和故障狀況下的綜合評(píng)價(jià)。目前，基于信號(hào)處理的變換器故障診斷方法主要：有小波變換法（wavelet transform, WT）和希爾伯特-黃變換法（hilbert-huang transform, HHT）。

WT是一種新的變換分析方法，不僅傳承了短時(shí)傅里葉變換局部化的思想，還克服了窗口大小不隨頻率變化的缺點(diǎn)。WT通過伸縮平移運(yùn)算，對(duì)時(shí)間和頻域信號(hào)逐步進(jìn)行多尺度細(xì)化，最終達(dá)到高頻處時(shí)間細(xì)化和低頻處頻率細(xì)化的效果，可以滿足任意細(xì)節(jié)時(shí)頻信號(hào)分析的要求。文獻(xiàn)[24]采用WT提取三電平逆變器的輸出電壓故障特征，并將此作為支持向量機(jī)（support vector machine, SVM）的輸入信號(hào)。

文獻(xiàn)[25]提出結(jié)合WT和極限學(xué)習(xí)機(jī)的方法對(duì)并網(wǎng)的光伏逆變器進(jìn)行故障診斷，其中主要采用WT方法對(duì)逆變器的輸出電流信號(hào)進(jìn)行分析。文獻(xiàn)[26]針對(duì)三相并網(wǎng)逆變器的輸出電流信號(hào)進(jìn)行傅里葉變換和WT分析，結(jié)果表明WT具有靈活、雙域的優(yōu)越性，且能夠準(zhǔn)確地提供故障特征，從而實(shí)現(xiàn)故障的診斷和定位。

HHT主要分析非平穩(wěn)信號(hào)并分為兩個(gè)方面：經(jīng)驗(yàn)?zāi)B(tài)分解和希爾伯特（Hilbert）譜分析。與傅里葉和小波變換不同，其不選取固定的基函數(shù)展開信號(hào)，而是將信號(hào)自適應(yīng)分解為若干出自信號(hào)本身的本征模式函數(shù)，且獲得相對(duì)應(yīng)信號(hào)的Hilbert譜。

文獻(xiàn)[27]采用HHT的故障診斷方法，利用分解三相電流特征信號(hào)來判別短路故障，該方法簡單易行且能夠準(zhǔn)確地檢測(cè)故障信息。文獻(xiàn)[28]充分應(yīng)用HHT的故障診斷方式，對(duì)基于電壓源的高壓直流變流器系統(tǒng)的特征量進(jìn)行故障提取，該方法實(shí)現(xiàn)簡單且診斷率高。

1.3 基于人工智能的變換器故障診斷方法

基于人工智能的故障診斷方法無需建立定量的數(shù)學(xué)模型，僅需采用人工智能的算法對(duì)變換器正常和故障狀態(tài)下的數(shù)據(jù)進(jìn)行訓(xùn)練，就能實(shí)現(xiàn)變換器中故障器件的診斷和定位。這種方法應(yīng)用故障特征建立起特征和分類器間的關(guān)系，實(shí)現(xiàn)了對(duì)復(fù)雜模態(tài)變換器的故障診斷和辨識(shí)。目前基于人工智能算法中主要包含有基于SVM的方法和基于神經(jīng)網(wǎng)絡(luò)（neural network, NN）的方法。

1）基于SVM方法

SVM是一種建立在統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化基礎(chǔ)上的機(jī)器學(xué)習(xí)算法，可以進(jìn)行數(shù)據(jù)分析和模式識(shí)別，適用于小樣本、非線性及高維度的模式識(shí)別、分類和回歸分析。

圖2 SVM的分類原理圖

SVM基于以上的原理特性在變換器故障診斷中得到了廣泛的應(yīng)用。文獻(xiàn)[30]針對(duì)級(jí)聯(lián)H橋多電平逆變器的特性，提出了傅里葉變換、相對(duì)主成分分析和SVM相結(jié)合的方法對(duì)逆變器的輸出電壓進(jìn)行故障診斷。文獻(xiàn)[31]采用離散正交小波變換對(duì)三相電壓型逆變器的輸出電壓進(jìn)行分解，并獲得了相應(yīng)的小波系數(shù)矩陣，混合SVM對(duì)小波系數(shù)矩陣進(jìn)行訓(xùn)練、診斷和分類。

文獻(xiàn)[32]采用基因遺傳算法和SVM的方法，對(duì)電力電子逆變器的4個(gè)參數(shù)進(jìn)行故障診斷。文獻(xiàn)[33]檢測(cè)中點(diǎn)鉗位逆變器的上、中、下橋臂的電壓，多層級(jí)SVM對(duì)通過傅里葉變換的特征向量進(jìn)行訓(xùn)練，其故障診斷精確率高。文獻(xiàn)[34]將相對(duì)主成分分析和SVM的方法運(yùn)用于診斷級(jí)聯(lián)H橋多電平逆變器的故障，與傳統(tǒng)的反向傳播神經(jīng)網(wǎng)絡(luò)和SVM進(jìn)行對(duì)比，文獻(xiàn)所提的方法減少了計(jì)算時(shí)間且提高了診斷精度。

SVM在變換器的故障診斷中雖表現(xiàn)出許多優(yōu)勢(shì)，但其難以處理大規(guī)模的數(shù)據(jù)樣本，且故障的診斷精度與樣本的完整性和代表性密切相關(guān)。同時(shí)，經(jīng)典的SVM只給出了二分類的算法，僅從分類的角度對(duì)故障進(jìn)行診斷，并沒有深層次地追求數(shù)據(jù)的結(jié)構(gòu)信息。

2）基于NN的方法

NN是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)的行為特征、進(jìn)而建立分布式信息數(shù)據(jù)的廣義數(shù)學(xué)模型。變換器采用NN方法對(duì)正常和故障的數(shù)據(jù)進(jìn)行監(jiān)測(cè)和診斷，通過調(diào)整神經(jīng)元節(jié)點(diǎn)間的相互關(guān)系，實(shí)現(xiàn)了自學(xué)習(xí)和自適應(yīng)能力。NN通過網(wǎng)絡(luò)層間的學(xué)習(xí)建立故障征兆與故障類型的映射關(guān)系，使輸入層的節(jié)點(diǎn)對(duì)應(yīng)故障征兆，輸出層的節(jié)點(diǎn)對(duì)應(yīng)故障類型，最終實(shí)現(xiàn)了由故障征兆到故障類型的推理過程。

目前NN模型大多采用由心理學(xué)家W. Mc. Cuoooch和數(shù)理邏輯學(xué)家W. H. Pitts共同提出的M-P模型。圖3表示一個(gè)神經(jīng)元模型。

圖3 一個(gè)神經(jīng)元的模型

大量的研究表明，NN有著強(qiáng)大的模式分類和識(shí)別能力。文獻(xiàn)[37]研究了三相電壓型靜態(tài)變換器中IGBT開關(guān)管的開路故障，采用離散小波和NN結(jié)合的算法對(duì)特征向量進(jìn)行分析。文獻(xiàn)[38]比較了多種NN算法，并給出最基礎(chǔ)的NN模型，其中輸入層表征原始的特征向量而輸出層是相對(duì)應(yīng)的故障類型。

文獻(xiàn)[39]結(jié)合主成分分析法、遺傳算法和NN的方法對(duì)級(jí)聯(lián)H橋多電平逆變器進(jìn)行故障診斷，此方法克服了由多個(gè)開關(guān)組成的復(fù)雜和非線性的系統(tǒng)。文獻(xiàn)[40]采用遺傳算法、粒子群優(yōu)化算法和NN的方法對(duì)多電平逆變器所引起的驅(qū)動(dòng)故障進(jìn)行檢測(cè)，此方法降低了系統(tǒng)諧波，提高了系統(tǒng)的診斷效率。

NN是高度非線性的大型系統(tǒng)，高速的復(fù)雜性使得其不能精確分析各個(gè)性能指標(biāo)，且診斷過程需要大量的故障樣本，限制了小樣本系統(tǒng)的應(yīng)用。目前提出的NN類型僅適用部分的變換器類型，不存在像馮諾依曼體系結(jié)構(gòu)那樣簡潔、通用的NN體系結(jié)構(gòu)。

2 基于數(shù)據(jù)驅(qū)動(dòng)的變換器故障診斷展望

變換器的故障診斷方法較好地實(shí)現(xiàn)了故障特征的處理和故障類別的檢測(cè)，防止了變換器帶故障運(yùn)行對(duì)電網(wǎng)波形質(zhì)量造成的嚴(yán)重影響。由上文可知，故障診斷方法仍然存在局限性，因此，目前基于數(shù)據(jù)驅(qū)動(dòng)的變換器故障診斷方法還在不斷地完善和向前發(fā)展，主要的發(fā)展方向可能是：

1）基于數(shù)據(jù)驅(qū)動(dòng)的變換器故障診斷方法的融合?；跀?shù)據(jù)驅(qū)動(dòng)故障診斷的方法無需建立精確的數(shù)學(xué)模型，主要對(duì)歷史數(shù)據(jù)進(jìn)行推理和分析，但每種方法存在自身的優(yōu)勢(shì)和局限性。針對(duì)以上方法的局限性，新型的變換器故障診斷方法采用取長補(bǔ)短的方式克服以上缺陷，實(shí)現(xiàn)了多種診斷方法的融合并確保了故障診斷的準(zhǔn)確性、可靠性和有效性。

2）目前，變換器的故障診斷大部分針對(duì)系統(tǒng)中的已知故障進(jìn)行學(xué)習(xí)和訓(xùn)練，忽略了對(duì)于新型故障類型的檢測(cè)，容易將這一部分故障樣本誤識(shí)別。因此，新型故障類別的檢測(cè)和識(shí)別在故障診斷的應(yīng)用中具有重要意義。

3）數(shù)據(jù)驅(qū)動(dòng)故障診斷方法主要處理和訓(xùn)練大量的離線歷史數(shù)據(jù)實(shí)現(xiàn)故障診斷，但對(duì)于多尺度、多層次的復(fù)雜系統(tǒng)而言，海量的數(shù)據(jù)難以獲得，且其訓(xùn)練過程耗費(fèi)了大量的時(shí)間。變換器系統(tǒng)在實(shí)際的運(yùn)行過程中存在大量的在線數(shù)據(jù)，若數(shù)據(jù)驅(qū)動(dòng)的算法能應(yīng)用在線的數(shù)據(jù)進(jìn)行學(xué)習(xí)，則不僅減少了對(duì)于歷史數(shù)據(jù)的依賴，也縮短了訓(xùn)練時(shí)間，最終實(shí)現(xiàn)實(shí)時(shí)在線的故障診斷。

4）數(shù)據(jù)驅(qū)動(dòng)方法的實(shí)現(xiàn)離不開數(shù)據(jù)監(jiān)測(cè)系統(tǒng)在實(shí)際工程中的應(yīng)用。故障診斷結(jié)果需通過監(jiān)測(cè)系統(tǒng)進(jìn)行檢測(cè)、存儲(chǔ)并采取故障保護(hù)措施，監(jiān)測(cè)系統(tǒng)的完善和推廣也是后期變換器故障診斷的一個(gè)發(fā)展趨勢(shì)。

結(jié)論

本文從數(shù)據(jù)驅(qū)動(dòng)的角度對(duì)變換器進(jìn)行故障診斷，防止了變換器故障所帶來的嚴(yán)重后果。本文回顧了變換器故障診斷常用的方法，將現(xiàn)有的故障診斷方法分為基于統(tǒng)計(jì)分析的方法、基于信號(hào)處理的方法和基于人工智能的方法，并著重分析了其中各類方法的適用性和局限性。

最后從故障診斷方法的融合、新型故障類型的檢測(cè)、故障模式的在線學(xué)習(xí)和數(shù)據(jù)監(jiān)測(cè)系統(tǒng)的設(shè)置等方面，對(duì)變換器故障診斷趨勢(shì)進(jìn)行展望。目前，數(shù)據(jù)驅(qū)動(dòng)方法在變換器故障診斷中的應(yīng)用研究還處于初級(jí)階段，更深入問題的挖掘還有待進(jìn)一步的研究。