CN112214951A - 分段式lstm的微网逆变器igbt可靠性评估方法及系统 - Google Patents

分段式lstm的微网逆变器igbt可靠性评估方法及系统 Download PDF

Info

Publication number
CN112214951A
CN112214951A CN202011116964.4A CN202011116964A CN112214951A CN 112214951 A CN112214951 A CN 112214951A CN 202011116964 A CN202011116964 A CN 202011116964A CN 112214951 A CN112214951 A CN 112214951A
Authority
CN
China
Prior art keywords
aging
igbt
lstm
prediction
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011116964.4A
Other languages
English (en)
Other versions
CN112214951B (zh
Inventor
何怡刚
王传坤
王晨苑
李猎
吴晓欣
张慧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202011116964.4A priority Critical patent/CN112214951B/zh
Publication of CN112214951A publication Critical patent/CN112214951A/zh
Priority to US17/496,787 priority patent/US11913986B2/en
Application granted granted Critical
Publication of CN112214951B publication Critical patent/CN112214951B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
    • H02M7/00—Conversion of ac power input into dc power output; Conversion of dc power input into ac power output
    • H02M7/42—Conversion of dc power input into ac power output without possibility of reversal
    • H02M7/44—Conversion of dc power input into ac power output without possibility of reversal by static converters
    • H02M7/48—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode
    • H02M7/53—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal
    • H02M7/537—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal using semiconductor devices only, e.g. single switched pulse inverters
    • H02M7/5387—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal using semiconductor devices only, e.g. single switched pulse inverters in a bridge configuration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/26—Testing of individual semiconductor devices
    • G01R31/2607—Circuits therefor
    • G01R31/2608—Circuits therefor for testing bipolar transistors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/26—Testing of individual semiconductor devices
    • G01R31/2642—Testing semiconductor operation lifetime or reliability, e.g. by accelerated life tests
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
    • H02M7/00—Conversion of ac power input into dc power output; Conversion of dc power input into ac power output
    • H02M7/42—Conversion of dc power input into ac power output without possibility of reversal
    • H02M7/44—Conversion of dc power input into ac power output without possibility of reversal by static converters
    • H02M7/48—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode
    • H02M7/53—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal
    • H02M7/537—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal using semiconductor devices only, e.g. single switched pulse inverters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Abstract

本发明公开了一种基于分段式LSTM的微网逆变器IGBT可靠性评估融合方法及系统，包括：建立电热耦合模型，获得实时的结温数据；针对IGBT老化的特性对原LSTM算法进行改进得到分段式LSTM预测网络；利用IGBT老化参数的监测值进行分段LSTM预测，获得预估老化进程，并就此划分不同老化阶段的阈值；对比阈值与监测数据，实时判断IGBT的老化阶段，并对电热耦合模型参数进行老化修正，确保结温数据的准确性；利用雨流计数法对结温数据进行处理，计算IGBT实时的热应力载荷分布；结合疲劳损伤理论和Lesit寿命预测模型，计算IGBT的实时的累积损伤度和预估寿命。本发明将可靠性分析与状态监测结合，以计及IGBT老化进程对于可靠性分析的影响。

Description

分段式LSTM的微网逆变器IGBT可靠性评估方法及系统
技术领域
本发明属于电力电子设备核心器件可靠性领域，更具体地，涉及一种基于分段式LSTM的微网逆变器IGBT可靠性评估融合方法及系统。
背景技术
微电网可以充分利用分布式电源高效率、灵活度高的优点。同时，凭借自身能量调度管理功能来维持负荷功率的平衡，并做到一定程度的优化管理。由于分布式电源的多样性及运行方式的复杂性，微电网逆变器的可靠性在实际应用中尤其重要；绝缘栅双极型晶体管(Insulated Gate Bipolar Transistor，IGBT)以其开关速度快、驱动电路较为简单、耐压性好、电流容量大等优势在微电网逆变器中得以广泛应用。微电网中的逆变器承担着电能变换、传递和存储的关键作用的同时，工作在复杂多变的工况之下，其核心器件IGBT往往承受着大量功率循环以及热循环载荷，它的性能会逐渐退化，最终导致其失效。逆变器的故障在很大程度上由IGBT的失效导致，为了保障微电网的可靠稳定运行，研究微电网应用背景下的IGBT可靠性在线评估十分必要。
结温波动是导致IGBT失效的主要原因，由于IGBT内部材料热膨胀系数不同将导致其内部结构热应力受力不均匀，导致键合线、焊料层以及芯片内部等材料交接部位常常因此受到损伤。结温的在线获取有直接测量和间接测量两种方法。直接测量是通过在IGBT模块内部嵌入集成传感器获取结温数据，但需要在IGBT设计生产中考虑集成传感器的电磁兼容问题。此外，该方法在实际工程中存在数据传输延时和增加成本的问题。间接测量是通过建立电热耦合模型实时预估IGBT的结温，具有低延时、在线监测能力强的优点。但是，IGBT的电热耦合模型一般依据IGBT的出厂技术手册建立，IGBT在工作过程中因疲劳损伤不断老化，导致事先建立的电热耦合模型不再适配当前IGBT的状态，从而导致可靠性分析的结果不准确。
由于IGBT老化将对可靠性评估的影响不可忽略，IGBT老化监测可以为电热耦合参数修正提供新的思路。常用的IGBT老化参数有栅极导通阈值电压、模块热阻值、集电极电流、集电极-发射极电压等。为了更全面地进行IGBT状态评估，应用数据驱动的方法可以从状态参数的历史数据中提取更多健康信息。数据驱动是一种利用传统数值方法、统计学理论、机器学习等手段对观测参数时间序列进行预测的方法，进而预估IGBT健康状态。目前，利用机器学习算法对IGBT老化进程进行预测和分析的研究较少。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提出了一种基于分段式LSTM的微网逆变器IGBT可靠性评估融合方法及系统，将IGBT可靠性分析与老化监测结合，并将机器学习算法引入IGBT老化预测；基于有限的老化观测参数准确地预测器件的老化进程，并作为实时更新电热耦合模型参数的依据，提高了可靠性评估计算效率，具备较强的在线监测能力。
为实现上述目的，按照本发明的一个方面，提供了一种基于分段式LSTM的微网逆变器IGBT可靠性评估融合方法，包括：
(1)针对微电网逆变器拓扑结构及IGBT型号建立电热耦合模型；
(2)将机器学习算法引入IGBT老化预测，针对IGBT老化的特性得到分段式LSTM预测网络；
(3)利用IGBT老化参数的监测值进行分段LSTM预测，获得预估老化进程，并对电热耦合模型参数进行老化修正，确保结温数据的准确性，其中，所述老化参数包括IGBT集电极-发射极关断冲击电压；
(4)利用雨流计数法对基于分段式LSTM预测结果修正后的电热耦合模型输出的结温数据进行处理，计算IGBT实时的热应力载荷分布；
(5)结合疲劳损伤理论和Lesit寿命预测模型，计算IGBT的实时的累积损伤度和预估寿命。
在一些可选的实施方案中，分段式LSTM预测网络的训练方法为：
在进行第一次LSTM预测时，保留预测老化数据的前若干部分数据，与初始老化训练数据一起构成第二次LSTM预测的训练数据集；
在进行第二次LSTM预测时，保留预测老化数据的前若干部分数据，与上一次老化训练数据一起构成第三次LSTM预测的训练数据集；
在第三次LSTM预测时，保留全部的预测老化数据。
在一些可选的实施方案中，步骤(3)包括：
(3.1)利用IGBT老化参数的监测值进行分段LSTM预测，获得预估老化进程；
(3.2)依据老化进程曲线划分不同老化阶段的阈值；
(3.3)对比阈值与监测老化数据，实时判断IGBT的老化阶段，进而选定对应的老化修正系数；
(3.4)由老化修正系数更新电热耦合模型热网络参数，确保结温数据的准确性。
在一些可选的实施方案中，步骤(3.4)包括：
由R＝Rinital(1+a·rm)更新电热耦合模型热网络参数，其中，Rinital为电热耦合模型热网络参数，a为老化因子，r为老化修正系数，m为热应力因子，R表示热阻值。
按照本发明的另一方面，提供了一种基于分段式LSTM的微网逆变器IGBT可靠性评估融合系统，包括：
模型构建单元，用于针对微电网逆变器拓扑结构及IGBT型号建立电热耦合模型；
预测网络构建单元，用于将机器学习算法引入IGBT老化预测，针对IGBT老化的特性得到分段式LSTM预测网络；
预测修正单元，用于利用IGBT老化参数的监测值进行分段LSTM预测，获得预估老化进程，并对电热耦合模型参数进行老化修正，确保结温数据的准确性，其中，所述老化参数包括IGBT集电极-发射极关断冲击电压；
结温数据处理单元，用于利用雨流计数法对基于分段式LSTM预测结果修正后的电热耦合模型输出的结温数据进行处理，计算IGBT实时的热应力载荷分布；
可靠性评估单元，用于结合疲劳损伤理论和Lesit寿命预测模型，计算IGBT的实时的累积损伤度和预估寿命。
在一些可选的实施方案中，分段式LSTM预测网络的训练方式为：
在进行第一次LSTM预测时，保留预测老化数据的前若干部分数据，与初始老化训练数据一起构成第二次LSTM预测的训练数据集；
在进行第二次LSTM预测时，保留预测老化数据的前若干部分数据，与上一次老化训练数据一起构成第三次LSTM预测的训练数据集；
在第三次LSTM预测时，保留全部的预测老化数据。
在一些可选的实施方案中，所述预测修正单元，用于利用IGBT老化参数的监测值进行分段LSTM预测，获得预估老化进程；依据老化进程曲线划分不同老化阶段的阈值；对比阈值与监测老化数据，实时判断IGBT的老化阶段，进而选定对应的老化修正系数；由老化修正系数更新电热耦合模型热网络参数，确保结温数据的准确性。
在一些可选的实施方案中，由R＝Rinital(1+a·rm)更新电热耦合模型热网络参数，其中，Rinital为电热耦合模型热网络参数，a为老化因子，r为老化修正系数，m为热应力因子，R表示热阻值。
按照本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1.将机器学习算法引入IGBT老化预测，在线监测能力更强；分段式LSTM解决了IGBT老化周期长与监测数据时间序列有限之间的矛盾，减少了对监控数据时间序列长度的依赖；
2.融合IGBT可靠性分析和状态监测，评估准确度更高；基于有限的老化监测数据，可以准确预测器件的老化过程并实时判断老化阶段；根据IGBT的老化阶段，更新电热耦合模型参数以消除老化进程对可靠性分析的影响。
附图说明
图1是本发明实施例提供的一种基于分段式LSTM的微网逆变器IGBT可靠性评估融合方法的流程示意图；
图2是本发明实施例提供的一种以微电网中一个20kW双馈风力发电系统的可靠性评估融合方法的流程示意图；
图3是本发明实施例提供的一种电热耦合模型搭建流程图；
图4是本发明实施例提供的一种IGBT模块电热耦合仿真模型；
图5是本发明实施例提供的一种LSTM预测结果；
图6是本发明实施例提供的一种分段式LSTM算法流程图；
图7是本发明实施例提供的一种分段式LSTM预测结果；
图8是本发明实施例提供的一种IGBT老化进程；
图9是本发明实施例提供的一种雨流计数法输出结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
下面以微电网中一个20kW双馈风力发电系统为具体实施例，具体参数详见表1。利用基于分段式LSTM(Long-Short Term Memory，LSTM)的微网逆变器IGBT可靠性评估融合方法针对其网侧逆变器IGBT进行可靠性分析，并结合附图对本发明作进一步详细描述。
表1风力发电系统参数
类别 参数
额定功率/kW 20
切入风速/(m/s) 3
额定风速/(m/s) 11
切出风速/(m/s) 25
网侧电压/V 690
网侧频率/Hz 50
IGBT开关频率/kHz 10
直流侧电压/V 1100
IGBT型号 IRG4BC30K
参照图1及图2，本发明实施例包括以下步骤：
S1：针对微电网逆变器拓扑结构及具体IGBT型号，建立电热耦合模型，获得实时的结温数据；
参照图3，针对微电网逆变器拓扑，结合IGBT运行特性(开关频率fs、直流侧电压Udc、导通电流Ic、占空比d)，推导IGBT功率损耗模型；基于IGBT模块的物理结构和内部热传导过程推导IGBT热网络等效模型；其次，由功率损耗模型和热网络等效模型在MATLAB/Simulink中搭建电热耦合仿真模型，如图4所示，其中，图4用于表示搭建电热耦合仿真模型的示意，至于图中数字及器件名称不影响对本发明的理解，对本发明实施例不形成唯一性限定。功率损耗模型所输出的功率损耗数值输入IGBT模块的热网络等效模型进行模拟结温计算，最终可以输出当前工况下IGBT模块的实时结温波动数据。
S2：将机器学习算法引入IGBT老化预测，针对IGBT老化的特性对原LSTM算法进行改进得到分段式LSTM预测网络；
在本发明实施例中，利用分段式LSTM预测网络用以判断IGBT老化进程来修正电热耦合模型参数，进而获得准确的结温数据。
实际工程中无法在短期实际内获得大量的老化参量数据，只有不断地进行老化参量监测进行数据积累，这对于实时判断IGBT的老化状态不利；以IGBT集电极-发射极关断冲击电压Vce_peak作为老化参数对分段式LSTM进行预测，利用LSTM算法可以基于观测的老化数据预测IGBT的老化进程；以数据集前25％的老化数据作为训练数据以训练LSTM时间序列预测网络，并据此预测后75％的老化进程，结果如图5所示；可以发现，在预测的前期预测数据与实际基本吻合，误差很小，但在预测的后期，预测数据远远偏离实际情况，RMSE值为0.2782。就此，提出了一种分段式的LSTM预测方法，流程图如图6所示。
1)在进行第一次LSTM预测时，保留预测老化数据的前1/3数据(P1)，与原训练数据(T1)一起构成第二次LSTM预测的训练数据集(T2)；
2)在进行第二次LSTM预测时，保留预测数据的前1/2数据(P2)，与T2一起构成第三次LSTM预测的训练数据集(T3)；
3)在第三次LSTM预测时，保留全部的老化预测数据(P3)。
经过三次分段式的LSTM预测，最终对比预测数据与监测数据如图7所示，RMSE值仅为0.1153,较原LSTM预测结果而言，分段式LSTM算法在训练数据有限的情况下预测准确度更高，更加符合微电网逆变器IGBT老化状态评估和可靠性分析的需求。
S3：利用IGBT老化参数的监测值进行分段LSTM预测，获得预估老化进程，并划分不同老化阶段的阈值，对比阈值与监测值，实时判断IGBT的老化阶段，并对电热耦合模型参数进行老化修正，确保结温数据的准确性；
在本发明实施例中，可以采用以下方式对电热耦合模型参数进行修正：
1)利用IGBT老化参数的监测值进行分段LSTM预测，获得预估老化进程，如图8所示；
2)依据老化进程曲线划分不同老化阶段的阈值，如表2所示；
3)对比阈值与监测数据，可以实时判断IGBT的老化阶段，进而选定对应的老化修正系数r；
4)将老化修正系数r代入热阻更新公式，以更新电热耦合模型热网络参数，确保结温数据的准确性。热阻更新公式如下所示：
R＝Rinital(1+a·rm)
式中，Rinital为电热耦合模型热网络参数，a为老化因子(标准值为0.5)，r为老化修正系数，m为热应力因子(标准值为1)。
表2IGBT老化阈值
老化阈值 预估/V 实测/V 老化修正系数
完全健康 10.323 10.323 -
老化阶段1 9.939 9.927 0.2
老化阶段2 9.554 9.532 0.4
老化阶段3 9.170 9.134 0.6
老化阶段4 8.786 8.741 0.8
老化阶段5 8.402 8.346 1.0
S4：利用雨流计数法对修正后的结温数据进行处理，计算IGBT实时的热应力载荷分布，如图9所示，其中，修正后的结温数据是指基于分段式预测结果修正后的电热耦合模型输出的结温数据；
S5：结合疲劳损伤理论和Lesit寿命预测模型，计算IGBT的实时的累积损伤度和预估寿命。
以同类型风电变流器IGBT模块的累积损伤度和使用寿命统计数据作为可靠性评估数学期望，表3中给出了利用不同算法进行老化修正的结果对比。在未进行老化修正时，累积损伤度和预估寿命误差分别达到了45.51％、83.52％，极大地高估了IGBT健康状态。基于实际老化参数观测数据进行老化修正后，累积损伤度和预估寿命误差仅为3.88％和4.03％。可以发现监测老化状态并及时地更新电热耦合模型的参数可以极大地提高可靠性分析的准确度。
在老化观测数据有限的情况下，分别利用分段LSTM算法、LSTM算法和传统时序预测ARIMA算法对老化数据进行预测。分段式LSTM算法相较于LSTM算法及ARIMA算法而言可以更加准确地预测IGBT的健康状态，据此修正后的累积损伤度和预估寿命误差仅分别为5.1％和5.83％。
表3不同修正算法输出结果对比
Figure BDA0002730610290000091
在本申请的另一实施例中，还提供了一种基于分段式LSTM的微网逆变器IGBT可靠性评估融合系统，包括：
模型构建单元，用于针对微电网逆变器拓扑结构及IGBT型号建立电热耦合模型；
预测网络构建单元，用于将机器学习算法引入IGBT老化预测，针对IGBT老化的特性得到分段式LSTM预测网络；
预测修正单元，用于利用IGBT老化参数的监测值进行分段LSTM预测，获得预估老化进程，并对电热耦合模型参数进行老化修正，确保结温数据的准确性，其中，老化参数包括IGBT集电极-发射极关断冲击电压；
结温数据处理单元，用于利用雨流计数法对基于分段式LSTM预测结果修正后的电热耦合模型输出的结温数据进行处理，计算IGBT实时的热应力载荷分布；
可靠性评估单元，用于结合疲劳损伤理论和Lesit寿命预测模型，计算IGBT的实时的累积损伤度和预估寿命。
在一些可选的实施方案中，分段式LSTM预测网络的训练方式为：
在进行第一次LSTM预测时，保留预测老化数据的前若干部分数据，与初始老化训练数据一起构成第二次LSTM预测的训练数据集；
在进行第二次LSTM预测时，保留预测老化数据的前若干部分数据，与上一次老化训练数据一起构成第三次LSTM预测的训练数据集；
在第三次LSTM预测时，保留全部的预测老化数据。
在一些可选的实施方案中，预测修正单元，用于利用IGBT老化参数的监测值进行分段LSTM预测，获得预估老化进程；依据老化进程曲线划分不同老化阶段的阈值；对比阈值与监测老化数据，实时判断IGBT的老化阶段，进而选定对应的老化修正系数；由老化修正系数更新电热耦合模型热网络参数，确保结温数据的准确性。
在一些可选的实施方案中，由R＝Rinital(1+a·rm)更新电热耦合模型热网络参数，其中，Rinital为电热耦合模型热网络参数，a为老化因子，r为老化修正系数，m为热应力因子，R表示热阻值。
在本发明实施例中，各单元的具体实现方式可以参考上述方法实施例的描述，本发明实施例将不再复述。
本申请还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现方法实施例中的基于分段式LSTM的微网逆变器IGBT可靠性评估融合方法。
需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于分段式LSTM的微网逆变器IGBT可靠性评估融合方法，其特征在于，包括：
(1)针对微电网逆变器拓扑结构及IGBT型号建立电热耦合模型；
(2)将机器学习算法引入IGBT老化预测，针对IGBT老化的特性得到分段式LSTM预测网络；
(3)利用IGBT老化参数的监测值进行分段LSTM预测，获得预估老化进程，并对电热耦合模型参数进行老化修正，确保结温数据的准确性，其中，所述老化参数包括IGBT集电极-发射极关断冲击电压；
(4)利用雨流计数法对基于分段式LSTM预测结果修正后的电热耦合模型输出的结温数据进行处理，计算IGBT实时的热应力载荷分布；
(5)结合疲劳损伤理论和Lesit寿命预测模型，计算IGBT的实时的累积损伤度和预估寿命。
2.根据权利要求1所述的方法，其特征在于，分段式LSTM预测网络的训练方法为：
在进行第一次LSTM预测时，保留预测老化数据的前若干部分数据，与初始老化训练数据一起构成第二次LSTM预测的训练数据集；
在进行第二次LSTM预测时，保留预测老化数据的前若干部分数据，与上一次老化训练数据一起构成第三次LSTM预测的训练数据集；
在第三次LSTM预测时，保留全部的预测老化数据。
3.根据权利要求1或2所述的方法，其特征在于，步骤(3)包括：
(3.1)利用IGBT老化参数的监测值进行分段LSTM预测，获得预估老化进程；
(3.2)依据老化进程曲线划分不同老化阶段的阈值；
(3.3)对比阈值与监测老化数据，实时判断IGBT的老化阶段，进而选定对应的老化修正系数；
(3.4)由老化修正系数更新电热耦合模型热网络参数，确保结温数据的准确性。
4.根据权利要求3所述的方法，其特征在于，步骤(3.4)包括：
由R＝Rinital(1+a·rm)更新电热耦合模型热网络参数，其中，Rinital为电热耦合模型热网络参数，a为老化因子，r为老化修正系数，m为热应力因子，R表示热阻值。
5.一种基于分段式LSTM的微网逆变器IGBT可靠性评估融合系统，其特征在于，包括：
模型构建单元，用于针对微电网逆变器拓扑结构及IGBT型号建立电热耦合模型；
预测网络构建单元，用于将机器学习算法引入IGBT老化预测，针对IGBT老化的特性得到分段式LSTM预测网络；
预测修正单元，用于利用IGBT老化参数的监测值进行分段LSTM预测，获得预估老化进程，并对电热耦合模型参数进行老化修正，确保结温数据的准确性，其中，所述老化参数包括IGBT集电极-发射极关断冲击电压；
结温数据处理单元，用于利用雨流计数法对基于分段式LSTM预测结果修正后的电热耦合模型输出的结温数据进行处理，计算IGBT实时的热应力载荷分布；
可靠性评估单元，用于结合疲劳损伤理论和Lesit寿命预测模型，计算IGBT的实时的累积损伤度和预估寿命。
6.根据权利要求5所述的系统，其特征在于，分段式LSTM预测网络的训练方式为：
在进行第一次LSTM预测时，保留预测老化数据的前若干部分数据，与初始老化训练数据一起构成第二次LSTM预测的训练数据集；
在进行第二次LSTM预测时，保留预测老化数据的前若干部分数据，与上一次老化训练数据一起构成第三次LSTM预测的训练数据集；
在第三次LSTM预测时，保留全部的预测老化数据。
7.根据权利要求5或6所述的系统，其特征在于，所述预测修正单元，用于利用IGBT老化参数的监测值进行分段LSTM预测，获得预估老化进程；依据老化进程曲线划分不同老化阶段的阈值；对比阈值与监测老化数据，实时判断IGBT的老化阶段，进而选定对应的老化修正系数；由老化修正系数更新电热耦合模型热网络参数，确保结温数据的准确性。
8.根据权利要求7所述的系统，其特征在于，由R＝Rinital(1+a·rm)更新电热耦合模型热网络参数，其中，Rinital为电热耦合模型热网络参数，a为老化因子，r为老化修正系数，m为热应力因子，R表示热阻值。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4任一项所述方法的步骤。
CN202011116964.4A 2020-10-19 2020-10-19 分段式lstm的微网逆变器igbt可靠性评估方法及系统 Active CN112214951B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011116964.4A CN112214951B (zh) 2020-10-19 2020-10-19 分段式lstm的微网逆变器igbt可靠性评估方法及系统
US17/496,787 US11913986B2 (en) 2020-10-19 2021-10-08 Reliability evaluation method and system of microgrid inverter IGBT based on segmented LSTM

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011116964.4A CN112214951B (zh) 2020-10-19 2020-10-19 分段式lstm的微网逆变器igbt可靠性评估方法及系统

Publications (2)

Publication Number Publication Date
CN112214951A true CN112214951A (zh) 2021-01-12
CN112214951B CN112214951B (zh) 2022-05-24

Family

ID=74055735

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011116964.4A Active CN112214951B (zh) 2020-10-19 2020-10-19 分段式lstm的微网逆变器igbt可靠性评估方法及系统

Country Status (2)

Country Link
US (1) US11913986B2 (zh)
CN (1) CN112214951B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112966443A (zh) * 2021-03-10 2021-06-15 中国人民解放军海军航空大学 一种基于长短期记忆网络的设备可靠性与性能评估方法
CN113239653A (zh) * 2021-04-20 2021-08-10 武汉大学 基于复合失效模式耦合的igbt寿命预测方法及系统
CN113567836A (zh) * 2021-07-23 2021-10-29 电子科技大学长三角研究院(湖州) 一种分段预测电路老化系统及方法

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115308558B (zh) * 2022-08-29 2023-06-02 北京智芯微电子科技有限公司 Cmos器件寿命预测方法、装置、电子设备及介质
CN116242899B (zh) * 2022-09-05 2023-08-15 广东中拓华盛信息科技有限公司 一种基于机器学习校准电极法水质检测结果的方法
CN116502516B (zh) * 2023-01-15 2023-12-01 北京控制工程研究所 一种航天器部件退化阶段的辨识方法和装置
CN116205380B (zh) * 2023-05-05 2023-07-18 北京东润环能科技股份有限公司 新能源电场站内损耗预测模型构建方法、预测方法和系统
CN117034786B (zh) * 2023-10-09 2024-01-05 山东芯赛思电子科技有限公司 一种igbt结温预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110161398A (zh) * 2018-09-04 2019-08-23 河北工业大学 一种利用壳温评估igbt功率模块老化状态的方法
JP2019201523A (ja) * 2018-05-18 2019-11-21 富士電機株式会社 半導体装置
CN110852509A (zh) * 2019-11-11 2020-02-28 北京昊鹏智能技术有限公司 Igbt模块的故障预测方法、装置及存储介质
CN111597759A (zh) * 2020-05-18 2020-08-28 中车永济电机有限公司 变流装置igbt剩余使用寿命预测模型的构建方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110502805B (zh) * 2019-07-31 2023-04-25 中国人民解放军海军工程大学 Igbt物理模型参数提取方法
CN112084651B (zh) * 2020-09-07 2022-08-26 武汉大学 计及疲劳损伤的多尺度风电igbt可靠性评估方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019201523A (ja) * 2018-05-18 2019-11-21 富士電機株式会社 半導体装置
CN110161398A (zh) * 2018-09-04 2019-08-23 河北工业大学 一种利用壳温评估igbt功率模块老化状态的方法
CN110852509A (zh) * 2019-11-11 2020-02-28 北京昊鹏智能技术有限公司 Igbt模块的故障预测方法、装置及存储介质
CN111597759A (zh) * 2020-05-18 2020-08-28 中车永济电机有限公司 变流装置igbt剩余使用寿命预测模型的构建方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112966443A (zh) * 2021-03-10 2021-06-15 中国人民解放军海军航空大学 一种基于长短期记忆网络的设备可靠性与性能评估方法
CN112966443B (zh) * 2021-03-10 2022-04-29 中国人民解放军海军航空大学 一种基于长短期记忆网络的设备可靠性与性能评估方法
CN113239653A (zh) * 2021-04-20 2021-08-10 武汉大学 基于复合失效模式耦合的igbt寿命预测方法及系统
CN113567836A (zh) * 2021-07-23 2021-10-29 电子科技大学长三角研究院(湖州) 一种分段预测电路老化系统及方法
CN113567836B (zh) * 2021-07-23 2023-12-26 电子科技大学长三角研究院(湖州) 一种分段预测电路老化系统及方法

Also Published As

Publication number Publication date
US20220120807A1 (en) 2022-04-21
CN112214951B (zh) 2022-05-24
US11913986B2 (en) 2024-02-27

Similar Documents

Publication Publication Date Title
CN112214951B (zh) 分段式lstm的微网逆变器igbt可靠性评估方法及系统
CN112084651B (zh) 计及疲劳损伤的多尺度风电igbt可靠性评估方法及系统
CN112906333B (zh) 计及老化的光伏逆变器igbt结温在线修正方法及系统
EP2360487A1 (en) Model-based power estimation of photovoltaic power generation system
CN109934437B (zh) 一种配电网停电风险评估方法及系统
CN103986193B (zh) 一种最大风电并网容量获取的方法
CN112487651A (zh) 一种光伏变换器功率器件的寿命检测方法
Gianto T-circuit model of asynchronous wind turbine for distribution system load flow analysis
Sabzian-Molaee et al. An optimal planning model for AC-DC distribution systems considering the converter lifetime
CN113239653B (zh) 基于复合失效模式耦合的igbt寿命预测方法及系统
CN116756530B (zh) 用于新能源接入配电网的电网线损评估方法及系统
Srivastava et al. A congestion forecast framework for distribution systems with high penetration of PVs and PEVs
CN111864728B (zh) 一种可重构配电网重要设备识别方法和系统
CN116826696A (zh) 一种新能源融合直流微电网降低产业耗能的方法及装置
CN116845966A (zh) 基于拓扑供电路径生成的新能源聚合计算分析方法及系统
CN116660679A (zh) 一种基于网络拓扑的配电网故障分析方法
US11316345B2 (en) Predictive voltage stability of a power system post-contingency
Lampl et al. Optimization modeling in a smart grid
Liu et al. High precision IGBT health evaluation method: Extreme learning machine optimized by improved krill herd algorithm
Li et al. Lifetime evaluation of IGBT module in DFIG considering wind turbulence and nonlinear damage accumulation effect
Wu et al. Identification of Critical Branches for Improving Weak Grid with Large-scale Integration of Inverter-based Resources
Kadhem et al. Differential evolution optimization algorithm based on generation systems reliability assessment integrated with wind energy
Akca et al. Lifetime analysis of semiconductor switch of MPPT for different photovoltaic technologies considering ambient conditions
Wanjoli et al. Assessing Static Voltage Stability of Bulk Power Systems with DER Uncertainties: A Scenario Based Approach
Li et al. Operational risk assessment of wind turbines

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant