《Next Energy》：Artificial intelligence and deep learning approaches for fault diagnosis in power systems: A comprehensive survey
编辑推荐：
解决当今由分布式发电机、微电网和可再生能源组成的复杂电力系统中的故障，使用传统方法是一项具有挑战性的任务。本论文审查了人工智能（AI）在电力系统故障诊断中的最新研究进展。强调了AI方法在变压器、输电线路和旋转电机（最常用高压电力系统元件）中的实用性。系统综述了
解决当今由分布式发电机、微电网和可再生能源组成的复杂电力系统中的故障，使用传统方法是一项具有挑战性的任务。本论文审查了人工智能（AI）在电力系统故障诊断中的最新研究进展。强调了AI方法在变压器、输电线路和旋转电机（最常用高压电力系统元件）中的实用性。系统综述了2020年后发表在Web of Science索引期刊上的共60项研究，对三个电力系统组件各分析了20项研究。综述的方法包括卷积神经网络（CNN）、长短期记忆（LSTM）、集成机器学习（ML）、迁移学习和混合深度学习（DL）架构，应用于多种数据集，包括溶解气体分析（DGA）测量、振动信号、热图像和相量测量单元（PMU）数据。所综述研究的报告分类准确率范围从85%到100%，基于DL的方法持续优于传统ML方法。还提供了数据编辑、参数调整和模型修改的建议，以改进现有的AI解决方案。结果表明，通过基于AI的在线解决方案，自动、快速、低成本和高精度的故障分析在不久的将来可以实现。
1. Introduction：本节介绍了电力系统的复杂性增加，包括分布式发电机、微电网和可再生能源的集成，使得传统故障诊断方法难以满足实时、高精度的要求。AI方法（尤其是机器学习（ML）和深度学习（DL））因其数据驱动和自动特征提取能力而成为有力替代方案。1.1 Review methodology：采用系统性文献综述方法，基于Web of Science（WoS）核心合集数据库，搜索2020-2025年间的高质量期刊文章，关键词涵盖“故障诊断”、“故障检测”、“故障分类”、“变压器”、“输电线路”、“旋转电机”、“深度学习”、“机器学习”和“人工智能”。最终筛选出60项研究，每个电力系统组件各20篇，并以时间顺序表格呈现方法、数据集和性能信息。1.2 Comparison with existing survey studies：对比现有综述研究，发现它们多聚焦于单一组件（如仅变压器、输电线路或旋转电机），而本研究首次将三个组件统一纳入框架，弥补了当前文献中缺乏跨组件综合视角的空白。1.3 Contributions of this study：贡献包括系统综述60项后2020年WoS研究，分类分析各组件AI方法，提供技术背景，以时间顺序表格呈现便于基准比较，并提出数据编辑、参数调整和模型修改建议。
2. Transformers：变压器在电力系统中用于隔离、电压转换和噪声滤波，由绕组和磁芯组成，通过电磁感应传递能量。常见的故障类型包括高温度过热、局部放电、电弧放电和绕组短路，这些故障会导致绝缘油中产生特征气体。传统基于溶解气体分析（DGA）的方法（如Rogers比值法、Duval三角等）较耗时且昂贵。AI方法通过分析DGA数据、振动信号、热图像等实现快速诊断。本节强调基于卷积神经网络（CNN）的DL架构在处理图像数据（如红外热图像（IRT）和时频图像）时表现优越，分类准确率可达98%–100%。DGA结合ML方法（如随机森林（RF）、支持向量机（SVM））也能达到85%–98%的准确率，但依赖于气体样本质量。
3. Transmission lines：输电线路分为交流（AC）和直流（DC）线路，以及架空和地下类型，易受雷击、短路、冰载、风振等环境影响。故障诊断需快速隔离和定位故障，以减少停电时间。传统参数估计方法（理论计算或现场测试）难以适应动态条件。热成像、无人机（UAV）监测和相量测量单元（PMU）数据成为重要数据源。AI方法，尤其是长短期记忆（LSTM）网络，因适合处理时序电压和电流信号而广泛应用于故障分类，准确率常超过99%。目标检测模型（如YOLO）用于绝缘子缺陷识别。集成ML方法（如RF+LSTM组合）进一步提高了鲁棒性。多数研究基于模拟数据集，实际环境泛化性仍是挑战。
4. Rotating machines：旋转电机（包括同步发电机和电动机）在工业中广泛应用。常见故障包括轴承失效（内圈、外圈故障）、转子条断裂、轴弯曲等。振动信号是最常用的监测数据，可通过加速度计获取。基于CNN的架构（1D-CNN直接处理原始信号，2D-CNN处理时频图像）占据主导，准确率高达94%–100%。传统ML方法（如KNN、决策树（DT）、RF）结合特征选择（如遗传算法（GA）、主成分分析（PCA））也能达到较高性能，但需要手动特征工程。多模态融合（振动、电流、声学、热图像）和注意力机制（如CBAM）成为新趋势。常用基准数据集为凯斯西储大学（CWRU）轴承数据集。
5. Artificial intelligence：AI由John McCarthy于1956年定义，包括感知、处理和学习的组件。ML是AI的子领域，通过监督学习（有标签数据）和无监督学习（无标签）进行任务。DL是ML的高级分支，基于深度神经网络（DNN），能够自动从原始数据提取特征，无需单独的特征工程。随着数据量增加，DL性能提升，而传统ML在小数据集上更高效。典型DL架构包括卷积神经网络（CNN）、循环神经网络（RNN）及其变体（LSTM、GRU），以及基于注意力机制的Transformer模型。
6. Previous studies：本节系统回顾了每类组件的20项近期研究。6.1 Transformers：DGA方法和IR热图像是主要数据源。CNN架构（如ResNet、MobileNetV3）结合知识蒸馏（KD）和迁移学习在轻量化部署中表现突出。混合方法（如SGMD+BiLSTM）实现了高精度（>98%）。关键限制包括缺乏标准化基准数据集和实验室条件与实际环境的差异。6.2 Transmission lines：LSTM和集成ML（RF+LSTM）在时序数据上表现最佳，准确率常达99%以上。基于YOLO的UAV图像检测用于绝缘子故障。多数研究依赖模拟数据，真实数据集稀缺。6.3 Rotating machines：CNN方法主导，时频图像（CWT/DWT变换后）显著提升性能。多模态融合和注意力机制是新兴方向。CWRU数据集被广泛使用，但限制了泛化性。
7. Conclusion, discussion and future works：结论指出CNN和LSTM分别是变压器/旋转电机和输电线路领域的主导方法；准确率范围为85%–100%。未来方向包括：采用无监督学习减少标签依赖；利用超参数优化提高稳定性；引入多传感器数据融合；推广基于RNN的架构（LSTM、GRU）以适应时序特性；开发轻量级和注意力机制网络（结合知识蒸馏）以实现高精度低计算量部署。实时部署还需考虑延迟、可扩展性和硬件约束。
