CN110502777A - 基于神经网络预测的igbt模块状态检测系统及方法 - Google Patents

Abstract

本发明公开了一种基于神经网络预测的IGBT模块状态检测系统及方法，包括构建BP神经网络；以集电极‑发射极电压VCE、集电极电流IC、感应电压VeE、开关频率fPWM、壳温T参量作为系统输入量，分别进行归一化处理；数据输入步骤1得到的BP神经网络，输出IGBT模块状态。本发明揭示了IGBT器件失效演化规律，提出了基于IGBT结温的IGBT器件健康状态的三个等级，分别为正常(N)、中度退化(M)和重度退化(S)，从而更加精准的反映IGBT老化程度。

Description

基于神经网络预测的IGBT模块状态检测系统及方法

技术领域

本发明属于智能电网IGBT模块状态检测技术领域，具体是一种基于神经网络预测的IGBT模块状态检测系统及方法。

背景技术

统一潮流控制器(Unified Power Flow Controller，UPFC)综合了柔性交流输电(Flexible Alternative Current Transmission Systems，FACTS)元件的多种灵活控制手段，具备电压调节、串联补偿和移相等众多能力，可以同时且快速的独立控制输电线路中有功功率和无功功率，是迄今为止通用性最好的FACTS装置。UPFC作为柔性交流输电技术的集大成者，代表着未来电力电子技术的发展方向，是构建智能电网的重要技术手段，具有广泛的应用价值。

UPFC系统中其承担主要功率转换的主要模块包括IGBT及功率模块电容。其中，IGBT作为功率模块中动作最频繁的器件，发生故障的概率较大，其类型包括开路和短路，开路故障发生时不会像短路故障后引起强烈的过电流，不易于快速诊断，但任其发展将会导致功率模块电容电压过高、输出电压电流波形严重畸变，最终将会导致系统崩溃停运。功率模块电容作为UPFC功率转化的最主要器件，其不论老化、故障都会给系统带来不利因素。

在广泛应用的阻感型负载工况中，功率IGBT模块通常运行在高电压和大电流的应用工况。长期电压和电流应力作用、开关损耗等对IGBT健康状态有显著影响。因此，大功率IGBT模块的健康评估，是提高大功率IGBT模块可靠性，优化其应用特性的有效途径。

发明内容

本发明目的在于提出一种基于神经网络预测算法的IGBT模块状态检测系统与方法，通过监测外特性评估IGBT的状态，即，把变流器IGBT当作一个未知的黑箱，在该黑箱里面，不需要建立任何的功率损耗和热模型，也不需要了解内部任何的故障信息或结构，把所有的电气参数作为黑箱系统的输入，比如IGBT的集电极-发射极电压VCE，集电极电流IC，PWM频率和感应电压VeE，壳温T，把IGBT的状态作为黑箱系统的输出，这样系统就是一个多输入-单输出系统，对实际的IGBT正常状态下的工作点进行采样，获取大量的真实数据，然后对这些正常工作状态下的采样数据用神经网络方法对黑箱系统建立一个模型，该模型看成一个可供查询的资源库，那么在任何工作点的表面温度就可以通过该模型预测出表面温度，然后实际测量该工作点的正常表面温度，把该实际的表面温度和预测的表面数据进行比较，如果它们之间的绝对误差过大或超过一定的阈值，那么就可以判断出IGBT工作异常，内部有故障迹象，操作者根据实际情况采取响应的措施，避免损坏和造成其它的事故。

本发明原理如下：

由于在UPFC实际投入使用中，功率模块IGBT的结温并不适合直接测量，因此在实际使用中可以通过检测其表面温度来推测IGBT实际结温值。其理论推导如下：

IGBT的开通和关断功率计算分别：

其中，E_on、E_off分别为单个开关周期内开通、关断时IGBT所消耗的能量，其值及与其他参数的关系一般在IGBT所给的数据手册中给出，或者在实际使用中，通过测量计算得出，其计算公式如下：

IGBT导通功率损耗计算如下：

式中，N为积分时间T内采样个数。

因此，IGBT总的损耗计算如下：

p_t＝p_on+p_off+p_c

最后根据以下公式计算计算IGBT结温：

T_j＝p_t*R_{th_jc}+T_{C_on}

其中，T_{C_on}为器件表面，可直接测得。R_{th_jc}为IGBT等效热阻，其瞬态热阻抗时间函数一般会在IGBT使用手册中给出，同时也可通过对实际使用的IGBT进行测量验证。

本发明的技术解决方案如下：

一种基于神经网络预测的IGBT模块状态检测系统，其特点在于，包括信号调理模块，用于对采样信号进行滤波处理，并传输给ADC；

ADC，用于将模拟信号转换为数字信号，并传输至微控制单元MCU；

FPGA，可编程门阵列，用于高速数据缓存；

微控制单元，用于分析计算IGBT结温，并将结果送入LCD进行显示LCD，用于显示结果。

一种基于神经网络预测算法的IGBT模块状态检测方法，其特征点于，包括

步骤1.构建BP神经网络：

①网络模型参数初始化：根据输入输出数据，确定BP神经网络各层神经元数，分别定义为n，l和m；设置各层之间连接权值，包括输入层-隐含层权值ω_ij、隐含层-输出层连接权值ω_jo；隐含层阈值a和输出层阈值b；给定数据训练算法和训练迭代次数以及相应的预期精度；

②网络正向传递阶段：

对于输入学习样本数据{X}，根据模型设置参数，隐含层输出H和输出层输出O分别为：

其中f₁和f₂分别为隐含层和输出层传递函数；

③根据BP神经网络预测输出O和期望输出Y，计算模型误差e，公式如下：

e_k＝Y_k-O_k

④根据网络预测误差e更新各层之间的连接系数ω_ij，ω_jo，公式如下：

ω_jo＝ω_jo+ηH_je_k j＝1,2,...,l；k＝1,2,...,m

其中η为学习速率；

⑤根据计算得到的误差e更新网络模型阈值a和b，公式如下：

b_k＝b_k+e_k k＝1,2,...,m

⑥判断计算精度是否满足要求，如果为否，则重复步骤②～⑤，直至精度满足要求。

步骤2.以集电极-发射极电压V_CE、集电极电流I_C、感应电压V_eE、开关频率f_PWM、壳温T参量作为系统输入量，分别进行归一化处理，公式如下：

其中，x为归一化前的原始数据；x_max和x_min分别为原始数据的最小值和最大值。

步骤3.将步骤2得到的数据输入步骤1得到的BP神经网络，输出IGBT模块状态。根据在功率模块IGBT实际使用中不同工作状态下结温大小来判断IGBT的健康状态。

与现有技术相比，本发明的有益效果：

1)揭示了IGBT器件失效演化规律；

2)提出了基于IGBT结温的IGBT器件健康状态的三个等级，分别为正常(N)、中度退化(M)和重度退化(S)，从而更加精准的反映IGBT老化程度。

附图说明

图1是黑箱系统原理图

图2是本发明基于神经网络预测算法的IGBT模块状态检测方法流程图；

图3是本发明种基于神经网络预测算法的IGBT模块状态检测系统结构示意图。

图4是IGBT结温随其老化程度的变化规律

具体实施方式

下面结合附图和实施例对本发明进一步限定，但不应以此限制本发明的保护范围。

本实施例采用集电极-发射极电压V_CE、集电极电流I_C、感应电压V_eE、开关频率f_PWM、壳温T等影响器件热力学参数作为构建BP神经网络时必须考虑器件运行工作点条件的影响参数。

同时考虑到实验数据样本的限制，以及器件失效演化规律，将器件健康状态分为三个等级，分别为正常(N)、中度退化(M)和重度退化(S)。根据相关文献对IGBT模块老化过程结温变化过程的划分和不同老化条件下的结温变化率结果，上述三种状态对应的结温标准化值区间分别为1≤Tj,n≤1.005，1.005<Tj,n≤1.25以及Tj,n>1.25，如表所示。最近，将输出器件的正常状态、中度退化和重度退化分别表示为0、1、2。因此，网络输出节点数m＝3。

表1

从不同运行条件下得到的实验数据中抽取150组样本数据，其中各个退化阶段的样本数据为50组。利用每个不同退化程度数据中的25组，共75组数据作为训练数据，另外75组数据作为测试样本数据。模型建立后，利用软件编程实现，使用标准学习算法和其余几种改进算法对网络进行训练，不同算法的网络性能如表所示。通过图表可以较为清楚的得出自适应参数调整法可以在较小的训练次数和较短的计算时间内实现较高的计算精度。

表2

选取集电极-发射极电压V_CE、集电极电流I_C、感应电压V_eE、开关频率f_PWM、壳温T等参数作为黑箱模型输入量，预测结温作为输出，根据在功率模块IGBT实际使用中不同工作状态下结温大小来判断IGBT的健康状态。在图2所示的IGBT健康状态黑箱预测模型的测试下，进行了多组数据测试，表显示了部分预测条件及结果验证；同时，表显示了该预测模型下的IGBT预测状态的准确率。

表3

序号	温度	V<sub>CE</sub>	I<sub>C</sub>	V<sub>eE</sub>	开关频率	期望结果	测试结果
								1	25	800	40	6	2	0	0
2	50	800	50	6.52	2.5	1	1
								3	75	800	60	7.46	4	2	2
4	100	800	70	5.55	8	0	0
								5	125	800	80	6.4	8	1	1
6	25	400	40	4.9	2	0	0
								7	50	400	50	5.12	4	1	1
8	75	400	60	6.01	5	2	2
								9	100	400	70	6.2	5	2	2
10	125	400	80	6.21	5	2	2
								…	…	…	…	…	…	…	…

表4

图3是本发明种基于神经网络预测算法的IGBT模块状态检测系统结构示意图，如图所示，将采得到的信号送入调理单元，对信号进行滤波处理。将处理好的信号送入ADC进行模拟信号转数字信号。然后送入FPGA进行高速数据缓存。最后将缓存到的数据送入MCU进行分析计算。将最终结果送入LCD单元进行显示。

通过不断地改变IGBT测试平台的参数，如加高电压、提高电流及改变测试温度，并且不断循环操作，可大大加快IGBT较快速度。本节通过以上操作，并在每次循环工程中，不断测试IGBT的结温，根据该实验得出如图4所示的波形图。如图4所示，当老化测试循环次数达到4600次左右时，其结温较快上升，模块性能中度退化，之后老化速度急剧上升。到5600次左右，IGBT达到严重老化，极大影响使用性能，已基本不能满足使用要求。

老化过程中模块的结温不断增大，其过程呈现指数增长趋势，寿命消耗逐渐加快，表明疲劳累积对器件失效有促进作用。当结温值超过正常值50％后老化速率急剧增加。由实验结果分析可知，亚健康状态的IGBT在正常工作时结温要比健康状态的IGBT要高，结温升高是由于开关损耗的增加，因此当IGBT处于亚健康状态时，开关损耗增加，物理结温呈升高趋势。此外还发现当IGBT处于亚健康状态时，门极阈值电压降低，IGBT模块的开通时间越提前，集电极电流I_C提前上升，集电极-发射极电压V_CE提前降低，驱动电压V_ge的米勒平台越明显。表5显示了I_C，V_CE，V_ge，T_j与IGBT状态之间的关系。

表5

IGBT状态	电流I<sub>C</sub>	集电极-发射极电压V<sub>CE</sub>	驱动电压V<sub>ge</sub>	结温T<sub>j</sub>
					健康	正常上升	正常上升下降	米勒平台正常	正常
亚健康	上升较快	上升慢下降快	米勒平台明显	偏高

Claims (5)

1.一种基于神经网络预测的IGBT模块状态检测系统，其特征在于，包括

信号调理模块，用于对采样信号进行滤波处理，并传输给ADC；

ADC，用于将模拟信号转换为数字信号，并传输至微控制单元MCU；

FPGA，可编程门阵列，用于高速数据缓存；

微控制单元，用于分析计算IGBT结温，并将结果送入LCD进行显示LCD，用于显示结果。

2.一种基于神经网络预测算法的IGBT模块状态检测方法，其特征在于，包括

步骤1.构建BP神经网络

步骤2.以集电极-发射极电压V_CE、集电极电流I_C、感应电压V_eE、开关频率f_PWM、壳温T参量作为系统输入量，分别进行归一化处理；

步骤3.将步骤2得到的数据输入步骤1得到的BP神经网络，输出IGBT模块状态。

3.根据权利要求2所述的基于神经网络预测算法的IGBT模块状态检测方法，其特征在于，所述的步骤1.构建BP神经网络，具体步骤如下：

①网络模型参数初始化：根据输入输出数据，确定BP神经网络各层神经元数，分别定义为n，l和m；设置各层之间连接权值，包括输入层-隐含层权值ω_ij、隐含层-输出层连接权值ω_jo；隐含层阈值a和输出层阈值b；给定数据训练算法和训练迭代次数以及相应的预期精度；

②网络正向传递阶段：

对于输入学习样本数据{X}，根据模型设置参数，隐含层输出H和输出层输出O分别为：

其中f₁和f₂分别为隐含层和输出层传递函数；

③根据BP神经网络预测输出O和期望输出Y，计算模型误差e，公式如下：

e_k＝Y_k-O_k

④根据网络预测误差e更新各层之间的连接系数ω_ij，ω_jo，公式如下：

ω_jo＝ω_jo+ηH_je_k j＝1,2,...,l；k＝1,2,...,m

其中η为学习速率；

⑤根据计算得到的误差e更新网络模型阈值a和b，公式如下：

b_k＝b_k+e_k k＝1,2,...,m

⑥判断计算精度是否满足要求，如果为否，则重复步骤②～⑤，直至精度满足要求。

4.根据权利要求2所述的基于神经网络预测算法的IGBT模块状态检测方法，其特征在于，所述的步骤步骤2.归一化处理，公式如下：

其中，x为归一化前的原始数据；x_max和x_min分别为原始数据的最小值和最大值。

5.根据权利要求1所述的基于神经网络预测算法的IGBT模块状态检测方法，其特征在于，所述的步骤3.根据在功率模块IGBT实际使用中不同工作状态下结温大小来判断IGBT的健康状态。