大型发电机在运行过程中受到运行状态和环境的影响，定子绝缘易出现损坏而导致发电机故障。定子绝缘寿命预测作为多年来研究的热点，也是提高发电机运行稳定性的重要途径。为了保证发电机组稳定运行，将发电机在发生绝缘损坏之前退出运行，就要进行电机定子绝缘老化评估以及寿命预测。近年来，电机绝缘剩余寿命预测的方法有三种：基于回归分析的预测、基于智能算法的预测和基于数据采集的预测。

1 绝缘预测数据的相关性分析

进行绝缘寿命预测，不仅要关注绝缘预测方法，也要关注评估影响寿命的应力参数，这有助于提高绝缘预测模型的性能。应用较为广泛的参数评估方法包括实验设计法（Design of Experiments, DoE）和响应面法（Response Surface Method, RSM）。

DoE可应对多种因素，挑选实验条件，进行实验规划，给出最佳实验方案的方法，其优点在于通过安排合理的实验减少实验次数，同时分析多个因素中与研究课题相关性最大的因素，以及因素之间的相互关系，找出最优的参数组合达到提高实验精度的目的。

N. Lahoud等利用DoE分析局部放电状态下旋转电机绝缘老化的过程，建立并验证理论寿命模型，确定了绝缘寿命模型的最佳特征参数。结合逆功率模型，给出电应力水平；测试在不同频率下温度与寿命的关系，给出热应力水平和频率的影响程度，通过威布尔分布，分析了各因素对应电机寿命的效应值，发现电压与温度的影响最大，且二者具有最高的交互性。

由于每个变量都设置了特定的试验次数，会出现多种试验搭配，使用分数方案，根据威布尔分布的评估结果选取一半的试验量，大大减少了试验次数。DoE法结合物理模型，评价因子对寿命的相关性，利用误差分析进行实验方法的调整，既节省实验时间，又剔除相关性低的数据组合，提高测试数据的使用价值。

响应面法是使用合理的试验设计方法得到一定数据，其试验数量筛选方式与DoE法类似，采用多元二次方程来拟合各因素与相应值之间的函数关系，与回归分析的区别在于：响应面可以通过对自变量的合理取值来求得最优值，响应面法的应用不仅解决了多变量问题，而且可以直观地将函数关系以三维曲面的形式展现出来。

A. Picot等将电应力与温度分为不同的应力水平，计算各个因素相对寿命的效应值，将结果应用于响应面法中，以三维图像的形式给出各因素间的相关关系，依照多元二次方程组，按照各因素量化的影响，建立电应力、温度与绝缘寿命的数量关系。模型通过电应力与温度的应力值乘积来表征变量间的相互影响，使预测模型的准确性得到了提高。但是，将交互作用作为独立的变量进行计算，无法清晰地反映因素之间的相关关系。

为了便于理解影响因子与绝缘寿命的关系，可以结合回归树（Regression Tree, RT）对影响因子进行划分。RT是决策树的一种，原理为递归地将每个区域划分为两个子区域，并决定每个子区域上的输出值。

F. Salameh等结合RT和RSM提出HM（hybrid model）混合模型，其原理是通过RT识别电压、频率和温度参数中重要的因素及其按参数值大小进行分裂得到的分割值，然后在主因子的范围内定义两个其他因子的系数，将电压、温度和频率作为预测因子，以寿命时间作为响应，进行RSM拟合得到最终的寿命预测结果。HM法结合了RT对主要因素的相对重要性评价和RSM对每个因素影响效应的量化，相比DoE法与单独的RSM法，预测精度更高。

2 基于回归分析的预测

由于实际工业发电机检测的需要，依据老化趋势进行绝缘寿命预测的方法起源较早，可以追溯到1994年，后来又发展出基于回归分析的预测方法。日本学者后藤和夫提出的NY图像法，第一次整合影响绝缘老化的多种参数，将起动停止次数和运行时间分别对应老化特征量，从而分析定子线圈在冷热循环以及电、热老化的影响下的运行时间与击穿电压，得出在不同时间段各种老化因素所占的比重。

日本学者金神雅树提出局部放电参数预测法，通过研究定子线圈非破坏参量与击穿电压的相关性，得到了较为准确的绝缘寿命预测公式。这两种方法均为剩余击穿电压的预测，对近年来的绝缘寿命预测有着重要的指导作用。

3 基于智能算法的预测

1）基于神经网络的预测

随着人工神经网络理论的不断完善，凭借其出色的适应性和良好的泛型，广泛用于AI行业作为深度学习的基础算法。

在绝缘寿命预测的研究中，线性拟合法具有局限性，首先，寿命预测的准确性和模型包含的变量数是相关的，拟合法在多变量预测中的难度较大。其次，在拟合法中通常将具有一定趋势的表征参数-时间数据，近似拟合成为直线或高次曲线，这种方式无法拟合材料老化过程中的非线性关系，其预测误差对数据的异常值非常敏感，影响了预测方法的实用价值。

神经网络可以实现从输入到输出的映射功能，具有实现任何复杂非线性映射的能力，这使它非常适合处理绝缘性能表征参数与寿命的非线性问题。

鲍晓华等以高压潜水电机为研究对象，为了应对其特殊的工作环境难以检修的问题，进行绝缘寿命预测，采集潜水电机在不同温度、不同电压、不同水深下电机的寿命数据，将电机的三个运行条件作为输入变量，使用反向传播（Back Propagation, BP）神经网络构建运行条件与寿命的对应关系，从而预测任一运行条件下的潜水电机绝缘寿命，其预测误差在±0.2之间。

一般的BP神经网络，由于网络内输出层权值更新算法为累计误差算法，在误差计算与后传误差过程中的计算量较大，导致算法收敛慢，误差平方和函数容易陷入局部极小值，降低了预测精度。

曾裕和汪庆年分别利用果蝇算法和粒子群算法对一般BP神经网络的阈值和权重的修正方式进行优化。果蝇算法和粒子群算法都具有全局寻优能力强、收敛速度快和辨识精度高的特点，将这两种算法替代原始的BP神经网络中调整权值的累计误差算法，每轮神经网络的迭代计算结果得到的方均误差作为算法的适应度函数，这样将每次通过新算法优化后的权值和阈值返回神经网络，由此再进行下一轮训练。

根据文献中与原始方法结果的比较可以看出，优化模型可以有效地提高预测精度，并且使迭代次数大幅降低。

偏最小二乘法（Partial Least-Square Method, PLS）最初在经济学中被提出，后来经发展被广泛应用于计量统计领域。此算法具有寻求在回归分析中多变量相关性、小样本的能力，应用于绝缘寿命预测可以提取数据集中相关性最高的信息。

李锐华等结合径向基函数（Radial Basis Function, RBF）神经网络与PLS，将这个经济学领域的算法引入绝缘预测中来，选取介质损耗角正切、介质损耗角正切增量、最大局部放电量、局放统计参量偏斜度、翘度作为非破坏特征参量，预测击穿电压。考虑到参量间具有的共线性问题，利用PLS对参量进行降维处理，提取参量与击穿电压相关性最高的信息。

这种数据处理方式可以很好地消除参量间的影响。RBF神经网络的隐含层是径向基函数，其权值函数根据数据点与径向基函数中心的差向量模进行调整，形成局部逼近网络，大大提高了网络的学习效率。将PLS处理后的低维数据作为神经网络的输入，训练网络预测击穿电压，这种混合算法的平均预测相对误差为4.59%，准确度较高。

2）基于模糊系统的预测

模糊系统预测可以在任意精度上逼近任何定义在一个非线性函数，在功能上与神经网络类似。模糊系统预测与神经网络的区别在于，模型依靠建立输入值与输出值的线性关系，这个线性关系是由每个输入变量对应的隶属度函数下的真值函数构成的，经过多组训练，不断调整这些隶属关系，最终得到一种输入到输出的非线性映射关系。

T. G. Arora等使用模糊预测系统，结合逆功率定律通过专家评判的方法，讨论电压和电流波形失真造成的绝缘损坏；评价电压峰值、电压上升速率和热应力三种影响因素时，根据其大小分为低、中、高和非常高，估计寿命分类为非常差、差、平均和正常，基于此专家评价等级进行寿命参数评估。

M. Hammer等使用Sugeno型模糊系统进行研究，通过加压测试得到Ba（极化能）、Bv（导电效应能）、Uk（临界击穿电压），统计分析得出极化能与击穿电压的相关性最好。Sugeno型模糊系统采用高斯型隶属函数，构建由极化能到Up（绝缘实际击穿电压）的非线性映射，从而达到预测的目的。

为了解决实验数据获取困难的问题，提出一种人工采样的函数方式提供数据，处理数据与测试数据的重合性后，作为模糊模型的训练集，使用测试数据作为对照集进行模糊预测。在剩余击穿电压的预测中，此方法相对误差仅为0.175%。模糊系统预测方式的误差是上述预测方法中最低的，这与算法充分利用参数估计的方法来确定系统参数有关。

4 基于数据采集的预测

大型电机定子绝缘寿命预测对运行历史数据的依赖性强，实时提供绝缘寿命的预测结果的难度大。

J. K. Nelson等提出动态老化理论（Dynamic Aging Theory, DAT），根据在线监测系统获得的数据，建立一个连续的寿命预测系统。捕捉PD相位角谱中获得的瞬时电压，即动态滞止电压（Dynamic Stagnation Voltage, DSV），将DSV作为材料老化程度的评定指标，当材料内部出现树枝状的导电通道，随着导电通道的延伸，最终认为材料击穿，由此机理建立三维电树枝模型，确定DSV随时间递减的关系，再结合DSV的特点，推得DSV与电应力变化的关系和绝缘老化率，从而达到在线连续预测绝缘剩余寿命的目的。

此方法需结合声学技术辅助提高预测模型的精度，对数据采集环境有严格的要求。

本文编自《电工技术学报》，原文标题为“电机定子绝缘老化寿命预测研究进展”，作者为高俊国、孟睿潇 等。