综述：双驱动物理-数据融合与信号感知协同：孤岛混合供电系统分层故障诊断框架

《Frontiers in Physics》：Dual-driven physics–data and signal perception synergy: a layered fault diagnosis framework for hybrid islanded power supply systems

　　

在孤立岛屿环境中，燃料、生物质、风电、光伏与储能构成的混合供电系统面临多源异构、交直流强耦合及资源受限等多重挑战，其故障特征呈现出跨域传播隐蔽性与多尺度动态复杂性。传统单一诊断范式难以兼顾实时性、准确性与可解释性。为此，研究人员提出一种由信号感知协同的物理-数据双驱动分层故障诊断框架。该框架构建了“端-边-云”三级协同机制：在设备感知层，研究人员采用小波包变换(WPT)等信号处理技术结合轻量化机理规则，实现电力电子器件硬故障与瞬态保护的毫秒级锁定；在区域解耦层，研究人员融合图神经网络(GNN)的数据挖掘能力与电网拓扑模型，精确解析交直流混合系统中故障的跨域传播路径；在系统决策层，研究人员建立“物理-数据双驱动”闭环，利用长短期记忆网络(LSTM)捕捉非线性动态残差以修正物理模型，同时引入物理信息神经网络(PINN)约束数据驱动模型的训练边界，确保决策符合能量守恒等物理定律。此外，针对孤岛场景中风光波动与算力约束，研究人员设计了迁移学习驱动的特征自适应策略与模型剪枝算法。通过对燃气轮机喘振预警、储能变流器级联故障分析等典型案例验证，该框架有效突破了强噪声背景下的弱故障检测瓶颈，在保障高检测率的同时显著降低误报率，为提升孤岛混合供电系统的整体韧性与智能运维水平提供了新范式。

1 引言

1.1 孤岛混合电力系统：定义、组成与核心特征

孤岛混合供电系统是一种燃料-柴油-风光储多源交直流混合供电网络，其在地理或拓扑上独立于主网，核心功能是通过多源能源协同与交直流网络集成满足特定区域供电需求。系统架构可从电源、网络与负荷三维界定：电源侧整合燃气轮机作为基荷电源管理调频、柴油发电机作为极端条件备用的黑启动电源、随机性强的风光波动电源，以及作为功率与能量调节核心枢纽的储能系统；网络结构采用交流母线-直流母线-双向互联变流器混合拓扑，双向AC/DC互联变流器作为AC/DC盆地的功率双向流动与电压/频率调控核心耦合节点；负荷侧涵盖居民与工业常规需求及通信基站、医疗设备等敏感交流/直流混合负荷。系统核心特征表现为多源异构导致的跨量子尺度动态耦合、交直流混合引发的跨域故障传播风险、无外网支撑的双重不确定性与资源约束，以及多时间尺度协同的控制复杂性，这些特征从根本上制约了传统单一范式故障诊断的有效性。

1.2 系统特征衍生的故障诊断挑战

基于系统特性，故障诊断面临四维挑战：故障模式显著多样，覆盖燃气轮机机械磨损、储能变流器绝缘栅双极型晶体管(IGBT)击穿、电池鼓包等异质故障；故障传播呈现跨域级联特征，如直流侧电压崩溃引发电压源换流器(VSC)闭锁进而导致交流侧频率失稳；诊断环境受孤岛资源稀疏与算力有限双重约束，监测节点匮乏且信噪比极低；强背景干扰加剧特征提取困境，风光随机波动与负荷突变的宽带干扰掩盖早期故障特征，导致检测滞后或误判。

1.3 三重范式协同演进逻辑与必然性

故障诊断范式演进本质是对系统复杂性的认知深化。信号驱动依赖傅里叶变换、小波分析实现毫秒级硬故障定位，但难解耦跨设备域关联故障；模型驱动基于物理机制构建精确数学模型，但在风光强扰动下参数失配敏感；数据驱动借助机器学习挖掘非线性模式，却受限于孤岛数据稀缺与黑箱建模可解释性不足。系统故障的跨域传播与多尺度耦合远超单一范式边界，必须信号驱动提供高速感知、模型驱动注入物理约束、数据驱动实现智能关联挖掘，三者有机融合形成“实时感知–机理阐释–智能推理”闭环，构成本文研究对象的理论前提。

2 孤岛混合系统故障表征与诊断需求

2.1 故障场景分类与系统架构映射

故障场景按电源、网络、控制及复合故障四类与多源架构明确映射：电源侧关联燃气轮机喘振、柴油机启动失败、风机变桨/变流器开路、光伏组串失配、储能热失控等固有物理特性；网络侧聚焦交流母线短路、直流母线电压崩溃及互联VSC锁相环失稳等耦合特征；控制侧源于多源功率分配失调、黑启动序列中断及保护误动/拒动；复合故障典型表现为风光突变诱发常规机组过载或直流故障经互联变流器触发交流保护越级跳闸，反映多尺度叠加非线性传播规律。

2.2 诊断核心难点剖析

诊断瓶颈集中于四方面：多尺度动态耦合突出，燃烧机慢动态(秒级)与变流器开关故障(百微秒级)特征频率跨度达0.2 Hz–10 kHz，传统单采样率难以兼顾；跨域传播隐蔽性增加根因定位难度，交流侧短路经VSC耦合致直流电压振荡，负序电流与电压振荡调制掩盖故障源；强噪声背景下弱故障检测成为技术瓶颈，早期轴承裂纹冲击信噪比(SNR)<?10 dB，被风湍流噪声淹没；资源约束与实时性存在固有矛盾，边缘设备算力低于10 GFLOPS时复杂算法无法满足毫秒采样周期，需模型压缩与边缘-云协同。

3 第一范式：信号驱动故障诊断

信号驱动通过实时采集电气与非电气信号，利用数字信号处理提取特征并匹配阈值实现快速检测。核心方法包括小波包变换(WPT)、希尔伯特-黄变换(HHT)与电机不对称故障检测的Park矢量分析法。WPT通过正交小波基时频分解精细分离强噪声背景下的瞬态故障信号；HHT经由经验模态分解(EMD)将信号分解为本征模态函数(IMF)再作希尔伯特变换，自适应剥离宽频干扰提取早期弱故障瞬时幅频特征；Park矢量法通过三相静止至d–q旋转坐标线性变换，以d–q轴电流矢量模值偏差检测电机绕组不对称、偏心及过载。三种方法依“高频→低频→矢量分析”分层逻辑协同，在孤岛场景中分别适配纳秒级IGBT开路、渐进式转子断条及微秒级电机不对称诊断，其中Park矢量因仅需三相电流且天然抑制共模干扰而资源消耗最低，WPT需现场可编程门阵列(FPGA)加速达成毫秒诊断，HHT则因迭代分解难以实时执行。

4 第二范式：模型驱动故障诊断

模型驱动依托系统物理/数学模型，以实测输出与模型预测残差定位故障。关键技术之一为基于扩展卡尔曼滤波(EKF)的燃气轮机气路异常诊断，通过非线性状态预测与观测更新递推，由先验误差协方差与卡尔曼增益加权修正状态估计，依据残差2-范数超越3倍置信阈值判定压气机污堵等故障。另一关键技术为基于最小二乘参数辨识(LSPI)的柴油发电机转子绕组短路检测，在d–q坐标系电压方程下在线辨识定子电阻R_s、电感L_d/L_q及磁链ψ_f参数向量，绕组匝间短路引发R_s异常增大与电感显著下降，参数偏差越限即告警。EKF适于动态跟踪，LSPI长于静态突变识别，二者通过“实时辨识–阈值判断–动态更新”架构维持模型与系统实际特征一致。

5 第三范式：数据驱动故障诊断

数据驱动借机器学习与深度学习直接从历史/实时数据建模仿射函数X?R^d→Y?{0,1}^K。其核心能力体现于：高维非线性处理，以海森矩阵与雅可比矩阵范式比质量化系统非线性度；弱故障检测可在SNR底至?20 dB下识别信号功率仅噪底1%的特征；多故障并发由多任务损失加权L=∑_k=1^Kα_kL_k(θ)联合优化。以随机森林(RF)光伏组串故障定位为例，提取最大功率点电流I_mp、电压V_mp、填充因子FF、串阻R_s与并阻R_sh特征，由森林众数投票机制T_k(x)判定遮阴或老化类别，克服标签数据稀缺并实现跨组件模式挖掘。