基于无监督机器学习的高斯混合模型用于直流断路器中金属氧化物压敏电阻的健康状态监测与退化检测

《IEEE Open Journal of Power Electronics》：Online Condition Monitoring of Metal Oxide Varistors (MOVs) Using Unsupervised Machine Learning from Field Operation Data

　　

摘要：

金属氧化物压敏电阻（MOV）是许多电力电子应用中的关键组件，包括直流断路器，但由于反复的电压钳位操作和电热应力，它们会随时间老化退化。因此，在线状态监测和早期退化检测对于安排维护和避免灾难性故障至关重要。本文报道了一种新方法，该方法利用在同一设备上采集的现场运行数据，通过无监督机器学习（ML）监测直流断路器中MOV的健康状态。该方法通过假设商用MOV在投运后的一段时间内正常运行，即所谓的"已知良好新品"（KGN），从而避免了需要标注退化数据的常见障碍。在此期间采集的运行数据被用于建立一个基线"正常"机器学习模型，以便在后续服役期间进行异常检测。本文开发了一个基于无监督高斯混合模型（GMM）的聚类框架，用于量化MOV的退化严重程度并跟踪其老化轨迹。本文探索了两种现场数据采集方法：一种同时使用MOV电流和电压测量值，另一种仅依赖电流传感。多个MOV样本经受了数百次感性开关能量脉冲以诱发退化或故障。实验结果表明，双传感器方法和单电流传感器方法的准确率分别为95.2%和89.66%。尽管单电流传感器方法的准确率略低，但它利用了直流断路器中现有的电流传感器，无需额外的电压传感器，提供了一种更具成本效益的解决方案。所提出的基于机器学习的监测方法可以扩展到其他电力应用中的MOV，或在使用低成本边缘计算资源的情况下应用于类似的物理系统。