CN110110461B - 基于卡尔曼滤波算法的mmc中igbt参数估计方法 - Google Patents

Abstract

本发明涉及基于卡尔曼滤波算法的MMC中IGBT参数估计方法，获取MMC模型中的其中一相的桥臂电流信号与桥臂电压信号，同时获取MMC模型的对应相的每个子模块的电容电压信号，采用卡尔曼滤波算法对获取到的信号进行计算，得到当前IGBT实估计参数。本发明不仅算法中所需传感器数量较少，而且可有效消除电力传感器所得数据的量测噪声。

Description

基于卡尔曼滤波算法的MMC中IGBT参数估计方法

技术领域

本发明MMC参数估计技术领域，特别是基于卡尔曼滤波算法的MMC中IGBT参数估计方法。

背景技术

近年来，模块化多电平换流器(Modular Multilevel Converter,MMC)受到了广泛研究，它是一种应用广泛的多电平电压源型拓扑，与传统的多电平换流器相比，MMC不但具有传统多电平变换器拓扑的输出特性和结构上优势，且在谐波抑制、故障保护和系统不平衡运行等方面具有显著的技术优点，现已成为柔性直流输电系统的首选换流器。功率半导体器件是工业应用中故障率最高的元件之一。在一个MMC-HVDC中会使用数百个(甚至数千个)绝缘栅双极型晶体管(IGBT)，这使得IGBT的故障率进一步提高。因此，IGBT的实时参数监测也尤为重要。IGBT老化带来的参数变化对换流器可靠性有重要影响。

现有学者提出利用IGBT导通饱和压降的变化实现对IGBT的性能检测，并进一步提出了当IGBT导通饱和压降变化范围超出正常值的±15％时，即可认为该IGBT出现严重的功能衰退；其次，还有学者提出了利用IGBT模块门极电流的动态特性变化作为故障特征参数以实现对其进行故障检测，并为IGBT模块完全失效提供相应的预警；另外，有部分学者基于IGBT的门极电压上升的时间更快则IGBT的老化和米勒平台趋于消失的特点，提出可以根据IGBT驱动电压的变化对其进行性能检测。上述故障特征参数的提取均是通过在电路中引入新的采集点，从中直接提取相应的故障参数信息。由于这类方法引入了新的检测点，增加了系统的复杂度，所以不利于系统可靠性的提高，另一方面，新的采样元件的引入增加了系统的成本。

发明内容

有鉴于此，本发明的目的是提出基于卡尔曼滤波算法的MMC中IGBT参数估计方法，不仅算法中所需传感器数量较少，而且可有效消除电力传感器所得数据的量测噪声。

本发明采用以下方案实现：一种基于卡尔曼滤波算法的MMC中IGBT参数估计方法，具体为：获取MMC模型中的其中一相的桥臂电流信号与桥臂电压信号，同时获取MMC模型的对应相的每个子模块的电容电压信号，采用卡尔曼滤波算法对获取到的信号进行计算，得到当前IGBT实估计参数。

进一步地，所述采用卡尔曼滤波算法对获取到的信号进行计算，得到当前IGBT实估计参数具体包括以下步骤：

步骤S1：采用以下量测方程：

u_p(t_i)-S_p(t_i)V_cp(t_i)＝Ψ_p(t_i)X_p(t_i)+v(t_i)；

u_n(t_i)-S_n(t_i)V_cn(t_i)＝Ψ_n(t_i)X_n(t_i)+v(t_i)；

式中，u_p表示上桥臂的MMC子模块电压，S_p表示上桥臂开关状态矩阵，V_cp表示上桥臂电容电压矩阵，Ψ_p表示上桥臂量测阵，X_p表示上桥臂各IGBT状态量，v表示量测噪声序列，u_n表示下桥臂的MMC子模块电压，S_n表示下桥臂开关状态矩阵，V_cn表示下桥臂电容电压矩阵，Ψ_n表示下桥臂量测阵，X_n表示下桥臂各IGBT状态量；

步骤S2：计算卡尔曼增益K：

K(t_i)＝P(t_i-1)Ψ_p(t_i)^T[Ψ_p(t_i)P(t_i-1)Ψ_p(t_i)^T+R(t_i)]^-1；

式中，P为系统估计误差协方差矩阵，R为量测噪声序列的方差阵；

步骤S3：计算t_i时刻的状态估计值：

X(t_i)＝X(t_i-1)+K(t_i)e_z(t_i)；

步骤S4：用值K(t_i)和r(t_i)修正预测均方误差P(t_i)：

式中，Q表示系统噪声序列的方差阵，r为量测噪声方差；

其中，X(t_i)为IGBT估计参数，即MMC模型子模块中的IGBT通态压降及通态电阻矩阵。

与现有技术相比，本发明有以下有益效果：本发明需要较少数量的传感器，无需引入新的检测点，降低了系统的复杂度，提高MMC可靠性。同时本发明在应用过程中综合考虑了电力传感器所得数据的量测噪声，利用少量的量测信息实时估计IGBT参数，可有利于保证MMC安全稳定的运行，进一步提高MMC可靠性。

附图说明

图1为本发明实施例的MMC上桥臂子模块IGBT参数估计原理框图。

图2为本发明实施例的MMC模型示意图。

图3为基于传感器方法的IGBT电流。

图4为基于本发明实施例方法所得到的IGBT电流估计。

图5为本发明实施例的噪声示意图。其中(a)为本发明实施例的电压传感器噪声，为本发明实施例的电流传感器噪声。

图6为本发明实施例的基于卡尔曼滤波算法的IGBT参数量估计。其中(a)为本发明实施例的基于传感器方法的MMC上桥臂IGBT通态压降对比估计，(b)为本发明实施例和基于传感器方法的MMC上桥臂IGBT通态电阻对比估计。

图7为本发明实施例的实际和估计的参数对比示意图。其中(a)为本发明实施例的1号子模块IGBT1通态压降估计，(b)为本发明实施例的1号子模块IGBT2通态压降估计，(c)为本发明实施例的1号子模块IGBT1通态电阻估计，(d)为本发明实施例的1号子模块IGBT2通态电阻估计。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

本实施例提供了一种基于卡尔曼滤波算法的MMC中IGBT参数估计方法，具体为：获取MMC模型中的其中一相的桥臂电流信号与桥臂电压信号，同时获取MMC模型的对应相的每个子模块的电容电压信号，采用卡尔曼滤波算法对获取到的信号进行计算，得到当前IGBT实估计参数。

较佳的，如图2所示，本实施例模块化多电平换流器由三个桥臂组成，MMC模型如图2所示，每个桥臂又分为上、下两个部分，分别称为上桥臂和下桥臂，它们都是多个子模块级联形成。U_dc和I_dc分别为直流侧电压和电流，O为直流侧的零点位参考点。图中左上角为子模块电路结构，T1、T2为IGBT开关器件，D1、D2为反并联在IGBT两端的二极管，C为子模块电容器电容值。子模块(SM)主要有三种工作状态：当T1、T2都施加关断信号时，称为闭锁状态，这种状态为非正常工作状态，用于在MMC启动时向SM电容器充电或者在故障时可以将子模块电容器旁路；当T2加关断信号而T1加开通信号时，称为投入状态，其SM电容器总是接入主电路充电或放电，子模块端电压为电容器的电压V_cx；当T1加关断信号而T2加开通信号时，为切除状态，此时子模块端电压为零，子模块被旁路。其次，SM中的IGBT导通时饱和导通压降在一段时间内为定值(V_CE)。

较佳的，本实施例主要以SM为半桥式拓扑为主，进一步说明正常情况(非闭锁状态)时的子模块导通情况。表1给出了半桥式SM开关与SM状态量的关系。SM的状态由第x个子模块T1的PWM信号S_x和第j相桥臂电流i_pj决定。例如，当S_x＝1且i_pj<0，子模块处于导通状态，第x个子模块端电压V_SM将等于电容器(C_x)的电压(V_cx)与T1的导通压降(V_CEx1)之和。S_x1与S_x2分别表示子模块T1与T2的导通状态。例如当S_x1＝1则为当前T1导通，反之关闭。其中，x表示为子模块的序号x＝1，2，......，n；j＝a，b，c。

表1半桥式SM开关与SM各状态量的关系

其次，MMC电流关系如下所示：

式中，i_pj为上桥臂电流；i_nj为下桥臂电流；i_cirj为相间环流；i_vj为交流输出侧电流。

MMC上桥臂n个子模块电压(u_pj)、下桥臂n个子模块电压(u_nj)和输出侧电压(u_vj)之间的关系如下所示：

较佳的，本实施例基于半桥型SM的MMC。MMC电压建模以a相为例具体说明，其他两相同理可得。忽略相标号j，则上、下桥臂电压、各IGBT导通压降及开关状态在t_i时刻的关系如下：

将上式换成矩阵形式再移项可得：

u_pa(t_i)-S_p(t_i)V_cp(t_i)＝S_p1(t_i)V_CEp1(t_i)+S_p2(t_i)V_CEp2(t_i)；

u_na(t_i)-S_n(t_i)V_cn(t_i)＝S_n1(t_i)V_CEn1(t_i)+S_n2(t_i)V_CEn2(t_i)；

为表述简洁，令

Ψ_p(t_i)＝[-S_p2(t_i) S_p2(t_i)]；

Ψ_n(t_i)＝[-S_n1(t_i) S_n2(t_i)]；

从而，得到：

u_p(t_i)-S_p(t_i)V_cp(t_i)＝Ψ_p(t_i)X_p(t_i)；

u_n(t_i)-S_n(t_i)·V_cn(t_i)＝Ψ_n(t_i)X_n(t_i)；

其中，

分别表示估计参数量，为2n维向量。

特别的，卡尔曼滤波器是一种递归数据处理算法，其本质是线性最小方差估计算法，适用于非平稳过程，算法采用递推，从量测信息中实时提取被估计量信息并积存在估计值中，且广泛应用于在线估计电力系统的状态参数，与其他递归算法相比，其主要优点能够消除可能由传感器引起的测量噪声的影响。本实施例首先要引入一个离散控制过程的系统，并且该系统可用一个线性随机微分方程来描述：

X(t_i)＝X(t_i-1)+w(t_i)；

z(t_i)＝H(t_i)X(t_i)+v(t_i)；

式中，w为系统激励噪声序列，v为量测噪声序列，X表示系统状态量，H为系统量测阵，z是系统量测量。

适用于非平稳过程的卡尔曼滤波算法估计X(t_i)的步骤为：

(1)初始化参数：X(t₀)、P(t₀)、Q(t₀)、r(t₀)；其中，P为系统估计误差协方差矩阵，Q为系统噪声序列的方差阵，r为量测噪声方差。

(2)以相同的系统采样时间启动算法：Δt＝t₂-t₁＝……＝t_i-t_i-1＝T_s；其中，T_s为系统采样周期。

(3)计算卡尔曼增益K(t_i)：

K(t_i)＝P(t_i-1)H(t_i)^T[H(t_i)P(t_i-1)H(t_i)^T+r(t_i)]^-1

(4)计算预测误差e_Z(t_i)：

(5)更新参数X(t_i)：

X(t_i)＝X(t_i-1)+K(t_i)e_Z(t_i)

(6)更新参数P(t_i)：

若每相桥臂有2n个SM，则要估计的IGBT参数为4n个。若将卡尔曼滤波器应用到上桥臂的IGBT参数估计中，卡尔曼滤波器算法中的量测量z(t_i)替换为u_p(t_i)-S_p(t_i)V_cp(t_i)，量测阵H(t_i)替换为Ψ_p(t_i)，同理下桥臂量测量为u_n(t_i)-S_n(t_i)V_cn(t_i)，量测阵为Ψ_n(t_i)，则在本实施例中，所述采用卡尔曼滤波算法对获取到的信号进行计算，得到当前IGBT实估计参数具体包括以下步骤：

步骤S1：采用以下量测方程：

u_p(t_i)-S_p(t_i)V_cp(t_i)＝Ψ_p(t_i)X_p(t_i)+v(t_i)；

u_n(t_i)-S_n(t_i)V_cn(t_i)＝Ψ_n(t_i)X_n(t_i)+v(t_i)；

式中，u_p表示上桥臂的MMC子模块电压，S_p表示，V_cp表示，Ψ_p表示，X表示系统状态量，v表示量测噪声序列，u_n表示下桥臂的MMC子模块电压，S_n表示，V_cn表示，Ψ_n表示，X_n表示下桥臂各IGBT状态量；

通过分析MMC数学模型，采用基于卡尔曼滤波器的电容电压估计得到V_cx。下桥臂与上桥臂的状态量独立，所以以下仅描述上桥臂。假设系统量测噪声为高斯噪声，设定初始值P(t₀)和X(t₀)，与传统递归算法一样使P(t₀)＝GI，G为大于零的常数，I为2n阶的单位矩阵，n如前所述为单相桥臂子模块数量的一半。

步骤S2：计算卡尔曼增益K：

K(t_i)＝P(t_i-1)Ψ_p(t_i)^T[Ψ_p(t_i)P(t_i-1)Ψ_p(t_i)^T+R(t_i)]^-1；

式中，P为系统估计误差协方差矩阵，R为量测噪声序列的方差阵；

步骤S3：计算t_i时刻的状态估计值：

X(t_i)＝X(t_i-1)+K(t_i)e_z(t_i)；

步骤S4：为了提高算法准确性，用值K(t_i)和r(t_i)修正预测均方误差P(t_i)：

式中，Q表示系统噪声序列的方差阵，r为量测噪声方差；

其中，X(t_i)为IGBT估计参数，即MMC模型子模块中的IGBT通态压降及通态电阻矩阵。

特别的，如图1所示，图1为单相上桥臂n子模块IGBT参数估计方法框图。首先，初始化卡尔曼滤波器参数并利用桥臂电流和子模块触发信号导出子模块T1和T2的导通信号，然后结合桥臂电压、电流采样值和各子模块电容电压采样值代入步骤S1至步骤S4，最后可得到当前IGBT实估计参数。

特别的，在MMC子模块数量庞大的情况下，针对子模块IGBT参数与可靠性的相关性，考虑传感器存在测量噪声，在线性最小方差最优信息融合准则下，建立了MMC子模块IGBT参数监测信息的融合模型，提出基于卡尔曼滤波算法的MMC桥臂子模块IGBT参数(门槛电压和通态电阻)实时估计方法。该方法提供了精确的实时IGBT参数，将有助于更好的预测MMC中各子模块IGBT可靠性；在MMC有大量子模块的情况下该算法所需要传感器数量为N+2个，无需增加新的采集点，同时实际工程中存在电容均压问题，电容一般会配置电压传感器。这样就充分利用了已知的传感器，大大减少了传感器的配置，降低MMC总成本以提高经济性和采样开销。最后，利用PSCAD/EMTDC搭建的双端MMC-HVDC仿真模型中验证了该算法的有效性和精确性。另外，IGBT模块的寿命预测和可靠性分析都与IGBT结温、通态电流和通态压降有密切的关系。因此，提出的算法将有助于实时预测MMC中各子模块IGBT的寿命，以便于操作员在故障发生之前更换IGBT，提高系统的可靠性。

为了验证本实施例方法的有效性，本实施例基于PSCAD/EMTDC搭建了双端MMC-HVDC仿真模型。桥臂子模块数量有7个，系统参数和电力开关相关参数如表2所示。

表2 MMC仿真系统参数

对本实施例所提出的估计算法应用到MMC。为估计IGBT参数的第一步，图3是基于传感器方法的IGBT电流，图4是基于本实施例所得到的IGBT电流估计，其两者最大误差均小于0.07％，证明了其估计的有效性和精确性。图6是所提出的基于卡尔曼滤波算法的IGBT参数量估计。为更好地验证估计算法效果，其电压、电流传感器数据带有高斯噪声,部分噪声大小见图5所示，其中(a)为桥臂电压传感器噪声，(b)为电流传感器噪声，从图6中可以看出，估计值误差在1.3％以内，直接达到可忽略不计的水平。

进一步验证所提出的估计方法对IGBT参数变化的鲁棒性。根据相关文献，这里选择IGBT参数2作为实例分析：IGBT阈值电压为1.8475V，导通电阻为0.0013Ω。图7对比分析了实际和估计的参数(考虑到篇幅限制，仅列出了1号子模块的IGBT参数估计结果)。从图7中可以看出，最大误差值仅为2.5％。验证了该算法的有效性和准确性。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (1)

1.一种基于卡尔曼滤波算法的MMC中IGBT参数估计方法，其特征在于：获取MMC模型中的其中一相的桥臂电流信号与桥臂电压信号，同时获取MMC模型的对应相的每个子模块的电容电压信号，采用卡尔曼滤波算法对获取到的信号进行计算，得到当前IGBT实估计参数；

其中，所述采用卡尔曼滤波算法对获取到的信号进行计算，得到当前IGBT实估计参数具体包括以下步骤：

步骤S1：采用以下量测方程：

u_p(t_i)-S_p(t_i)V_cp(t_i)＝Ψ_p(t_i)X_p(t_i)+v(t_i)；

u_n(t_i)-S_n(t_i)V_cn(t_i)＝Ψ_n(t_i)X_n(t_i)+v(t_i)；

式中，u_p表示上桥臂的MMC子模块电压，S_p表示上桥臂开关状态矩阵，V_cp表示上桥臂电容电压矩阵，Ψ_p表示上桥臂量测阵，X_p表示上桥臂各IGBT状态量，v表示量测噪声序列，u_n表示下桥臂的MMC子模块电压，S_n表示下桥臂开关状态矩阵，V_cn表示下桥臂电容电压矩阵，Ψ_n表示下桥臂量测阵，X_n表示下桥臂各IGBT状态量；

步骤S2：计算卡尔曼增益K：

K(t_i)＝P(t_i-1)Ψ_p(t_i)^T[Ψ_p(t_i)P(t_i-1)Ψ_p(t_i)^T+R(t_i)]^-1；

式中，P为系统估计误差协方差矩阵，R为量测噪声序列的方差阵；

步骤S3：计算t_i时刻的状态估计值：

X(t_i)＝X(t_i-1)+K(t_i)e_z(t_i)；

式中，e_Z(t_i)为预测误差；

步骤S4：用值K(t_i)和r(t_i)修正系统估计误差协方差矩阵P(t_i)：

式中，Q表示系统噪声序列的方差阵，r为量测噪声方差，K(t_i)为卡尔曼增益；

其中，X(t_i)为IGBT估计参数，即MMC模型子模块中的IGBT通态压降及通态电阻矩阵。

Images