CN116773990A - 一种功率半导体器件老化程度确定方法及系统 - Google Patents

Abstract

本发明公开了一种功率半导体器件老化程度确定方法及系统，涉及功率半导体器件监测技术领域，包括：构建不同工况条件下的健康功率半导体器件数据模型；获取实际工况条件下电力电子设备中的被测功率半导体器件运行时的实际工作参数；根据实际工况条件确定被测功率半导体器件对应的健康功率半导体器件数据模型，并根据实际工作参数和被测功率半导体器件对应的健康功率半导体器件数据模型，确定测功率半导体器件的预测电压上升时间；根据实际电压上升时间和所述预测电压上升时间，确定被测功率半导体器件的老化程度。本发明能够准确确定功率半导体器件的老化程度，提高电力电子设备的可靠性。

Description

一种功率半导体器件老化程度确定方法及系统

技术领域

本发明涉及功率半导体器件监测技术领域，特别是涉及一种功率半导体器件老化程度确定方法及系统。

背景技术

由于绝缘栅双极晶体管(IGBT)具有输入阻抗高、导通压降低等优点，目前已成为当前主流的全控型功率半导体器件，被广泛应用于新能源接入、航空航天、轨道交通和电动汽车等工业领域，对全球能源产业高效发展与节能环保具有巨大推动作用。作为电力电子设备的核心元件，功率半导体器件的可靠性已成为关系电力电子设备安全运行的重要因素，其健康状态对于电力电子设备安全性和有效性至关重要。

然而工业调查显示，功率半导体器件是电力电子设备中最易失效的组件之一。功率半导体器件的失效类型可分为突发性失效和老化失效，突发性失效是由于功率半导体器件突然承受超过额定范围的电压电流温度等应力，具有瞬时性和不可预见性；老化失效是功率半导体器件在正常工况条件下，不断承受电热应力的冲击，导致其性能不断退化，这种失效具有缓慢性、累积性和必然性，如果不能及时发现并更换严重老化的功率半导体器件，将会导致灾难性故障的发生。在电力电子设备运行过程中，功率波动、环境变化以及间歇工作状态都会加速功率半导体器件的老化失效，从而降低电力电子设备的可靠性，因此，监测功率半导体器件的老化程度和健康状态具有重要的意义。

发明内容

本发明的目的是提供一种功率半导体器件老化程度确定方法及系统，能够准确确定功率半导体器件的老化程度，提高电力电子设备的可靠性。

为实现上述目的，本发明提供了如下方案：

第一方面，本发明提供了一种功率半导体器件老化程度确定方法，包括：

构建不同工况条件下的健康功率半导体器件数据模型；所述健康功率半导体器件数据模型表示在健康状态下功率半导体器件的电压上升时间与功率半导体器件的部分工作参数的映射关系；所述部分工作参数包括关断初始电流、关断结束电压和外部温度；

获取实际工况条件下电力电子设备中的被测功率半导体器件运行时的实际工作参数；所述实际工作参数包括实际关断初始电流、实际关断结束电压、实际外部温度和实际电压上升时间；所述实际工况条件为任一工况条件；

根据所述实际工况条件确定所述被测功率半导体器件对应的健康功率半导体器件数据模型，并根据所述实际关断初始电流、所述实际关断结束电压、所述实际外部温度和所述被测功率半导体器件对应的健康功率半导体器件数据模型，确定所述测功率半导体器件的预测电压上升时间；

根据所述实际电压上升时间和所述预测电压上升时间，确定被测功率半导体器件的老化程度。

可选的，所述构建不同工况条件下的健康功率半导体器件数据模型，具体包括：

获取多个历史样本数据集；一个所述历史样本数据集对应一个工况条件，且不同的所述历史样本数据集对应不同的工况条件；所述历史样本数据集表示一个工况条件下电力电子设备中的健康功率半导体器件运行时的工作参数；

利用随机样本一致性算法，对所有所述历史样本数据集进行数据预处理；

根据所有预处理后的历史样本数据集，构建出不同工况条件下的健康功率半导体器件数据模型。

可选的，所述电压上升时间为功率半导体器件的集电极-发射极通态压降从10％U到90％U的时间段；U表示功率半导体器件的集电极-发射极的电压。

可选的，所述关断初始电流为功率半导体器件关断初始时刻集电极电流；所述关断结束电压为功率半导体器件关断最终时刻集电极-发射极的电压；所述外部温度为功率半导体器件工作环境温度或功率半导体器件所在的电力电子设备温度。

可选的，所述根据所述实际电压上升时间和所述预测电压上升时间，确定被测功率半导体器件的老化程度，具体包括：

将所述实际电压上升时间与所述预测电压上升时间的差值的绝对值确定为相对偏差值；

当所述相对偏差值小于第一设定阈值时，确定被测功率半导体器件的老化程度为未老化；

当所述相对偏差值大于或者等于所述第一设定阈值且所述相对偏差值小于第二设定阈值时，确定被测功率半导体器件的老化程度为轻微老化；

当所述相对偏差值大于或者等于所述第二设定阈值时，确定被测功率半导体器件的老化程度为严重老化。

第二方面，本发明提供了一种功率半导体器件老化程度确定系统，包括：

健康功率半导体器件数据模型构建模块，用于构建不同工况条件下的健康功率半导体器件数据模型；所述健康功率半导体器件数据模型表示在健康状态下功率半导体器件的电压上升时间与功率半导体器件的部分工作参数的映射关系；所述部分工作参数包括关断初始电流、关断结束电压和外部温度；

实际工作参数获取模块，用于获取实际工况条件下电力电子设备中的被测功率半导体器件运行时的实际工作参数；所述实际工作参数包括实际关断初始电流、实际关断结束电压、实际外部温度和实际电压上升时间；所述实际工况条件为任一工况条件；

预测电压上升时间确定模块，用于根据所述实际工况条件确定所述被测功率半导体器件对应的健康功率半导体器件数据模型，并根据所述实际关断初始电流、所述实际关断结束电压、所述实际外部温度和所述被测功率半导体器件对应的健康功率半导体器件数据模型，确定所述测功率半导体器件的预测电压上升时间；

老化程度确定模块，用于根据所述实际电压上升时间和所述预测电压上升时间，确定被测功率半导体器件的老化程度。

可选的，所述健康功率半导体器件数据模型构建模块，具体包括：

历史样本数据集获取单元，用于获取多个历史样本数据集；一个所述历史样本数据集对应一个工况条件，且不同的所述历史样本数据集对应不同的工况条件；所述历史样本数据集表示一个工况条件下电力电子设备中的健康功率半导体器件运行时的工作参数；

预处理单元，用于利用随机样本一致性算法，对所有所述历史样本数据集进行数据预处理；

健康功率半导体器件数据模型构建单元，用于根据所有预处理后的历史样本数据集，构建出不同工况条件下的健康功率半导体器件数据模型。

可选的，所述电压上升时间为功率半导体器件的集电极-发射极通态压降从10％U到90％U的时间段；U表示功率半导体器件的集电极-发射极的电压。

可选的，所述关断初始电流为功率半导体器件关断初始时刻集电极电流；所述关断结束电压为功率半导体器件关断最终时刻集电极-发射极的电压；所述外部温度为功率半导体器件工作环境温度或功率半导体器件所在的电力电子设备温度。

可选的，所述老化程度确定模块，具体包括：

相对偏差值计算单元，用于将所述实际电压上升时间与所述预测电压上升时间的差值的绝对值确定为相对偏差值；

老化程度确定单元，用于：

当所述相对偏差值小于第一设定阈值时，确定被测功率半导体器件的老化程度为未老化；

当所述相对偏差值大于或者等于所述第一设定阈值且所述相对偏差值小于第二设定阈值时，确定被测功率半导体器件的老化程度为轻微老化；

当所述相对偏差值大于或者等于所述第二设定阈值时，确定被测功率半导体器件的老化程度为严重老化。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明在建立健康功率半导体器件数据模型过程中，直接以电力电子设备中功率半导体器件在实际运行工况条件的工作参数为数据来源，摒弃了加速老化实验对功率半导体器件实际运行状态模拟带来的差异性，避免了因为采集到的数据有限且不全面，难以有效应用于实际工况条件下的监测的问题，即本发明通过建立的健康功率半导体器件数据模型确定被测功率半导体器件的预测电压上升时间，然后根据实际电压上升时间和预测电压上升时间，准确确定被测功率半导体器件的老化程度，提高电力电子设备的可靠性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的功率半导体器件老化程度确定方法的流程示意图；

图2为本发明实施例提供的功率半导体器件老化程度确定系统的结构示意图；

图3为本发明实施例提供的基于电气大数据的绝缘栅双极晶体管(IGBT)老化程度监测方法的流程示意图；

图4为本发明实施例提供的基于电气大数据的绝缘栅双极晶体管(IGBT)老化程度监测系统的结构示意图；

图5为本发明实施例提供的绝缘栅双极晶体管(IGBT)的关断过程示意图；

图6为本发明实施例提供的健康IGBT器件数据模型的构建过程示意图；

图7为本发明实施例提供的数据处理环节具体的操作示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种功率半导体器件老化程度确定方法及系统，能够准确确定功率半导体器件的老化程度，提高电力电子设备的可靠性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一

本实施例提供了一种功率半导体器件老化程度确定方法，如图1所示，包括：

步骤101：构建不同工况条件下的健康功率半导体器件数据模型；所述健康功率半导体器件数据模型表示在健康状态下功率半导体器件的电压上升时间与功率半导体器件的部分工作参数的映射关系；所述部分工作参数包括关断初始电流、关断结束电压和外部温度。

步骤102：获取实际工况条件下电力电子设备中的被测功率半导体器件运行时的实际工作参数；所述实际工作参数包括实际关断初始电流、实际关断结束电压、实际外部温度和实际电压上升时间；所述实际工况条件为任一工况条件。此电力电子设备可以为矿用电力电子设备。

步骤103：根据所述实际工况条件确定所述被测功率半导体器件对应的健康功率半导体器件数据模型，并根据所述实际关断初始电流、所述实际关断结束电压、所述实际外部温度和所述被测功率半导体器件对应的健康功率半导体器件数据模型，确定所述测功率半导体器件的预测电压上升时间。

步骤104：根据所述实际电压上升时间和所述预测电压上升时间，确定被测功率半导体器件的老化程度。

一个示例中，所述电压上升时间为功率半导体器件的集电极-发射极通态压降从10％U到90％U的时间段；U表示功率半导体器件的集电极-发射极的电压。所述关断初始电流为功率半导体器件关断初始时刻集电极电流；所述关断结束电压为功率半导体器件关断最终时刻集电极-发射极的电压；所述外部温度为功率半导体器件工作环境温度或功率半导体器件所在的电力电子设备温度。

进一步地，步骤101具体包括：

获取多个历史样本数据集；一个所述历史样本数据集对应一个工况条件，且不同的所述历史样本数据集对应不同的工况条件；所述历史样本数据集表示一个工况条件下电力电子设备中的健康功率半导体器件运行时的工作参数。

利用随机样本一致性算法，对所有所述历史样本数据集进行数据预处理。

根据所有预处理后的历史样本数据集，构建出不同工况条件下的健康功率半导体器件数据模型。

进一步地，步骤104具体包括：

将所述实际电压上升时间与所述预测电压上升时间的差值的绝对值确定为相对偏差值。

当所述相对偏差值小于第一设定阈值时，确定被测功率半导体器件的老化程度为未老化。

当所述相对偏差值大于或者等于所述第一设定阈值且所述相对偏差值小于第二设定阈值时，确定被测功率半导体器件的老化程度为轻微老化。

当所述相对偏差值大于或者等于所述第二设定阈值时，确定被测功率半导体器件的老化程度为严重老化。

实施例二

为实现上述目的，本实施例提供了一种功率半导体器件老化程度确定系统，如图2所示，包括：

健康功率半导体器件数据模型构建模块201，用于构建不同工况条件下的健康功率半导体器件数据模型；所述健康功率半导体器件数据模型表示在健康状态下功率半导体器件的电压上升时间与功率半导体器件的部分工作参数的映射关系；所述部分工作参数包括关断初始电流、关断结束电压和外部温度。

实际工作参数获取模块202，用于获取实际工况条件下电力电子设备中的被测功率半导体器件运行时的实际工作参数；所述实际工作参数包括实际关断初始电流、实际关断结束电压、实际外部温度和实际电压上升时间；所述实际工况条件为任一工况条件。

预测电压上升时间确定模块203，用于根据所述实际工况条件确定所述被测功率半导体器件对应的健康功率半导体器件数据模型，并根据所述实际关断初始电流、所述实际关断结束电压、所述实际外部温度和所述被测功率半导体器件对应的健康功率半导体器件数据模型，确定所述测功率半导体器件的预测电压上升时间。

老化程度确定模块204，用于根据所述实际电压上升时间和所述预测电压上升时间，确定被测功率半导体器件的老化程度。

一个示例中，所述电压上升时间为功率半导体器件的集电极-发射极通态压降从10％U到90％U的时间段；U表示功率半导体器件的集电极-发射极的电压。所述关断初始电流为功率半导体器件关断初始时刻集电极电流；所述关断结束电压为功率半导体器件关断最终时刻集电极-发射极的电压；所述外部温度为功率半导体器件工作环境温度或功率半导体器件所在的电力电子设备温度。

其中，所述健康功率半导体器件数据模型构建模块201，具体包括：

历史样本数据集获取单元，用于获取多个历史样本数据集；一个所述历史样本数据集对应一个工况条件，且不同的所述历史样本数据集对应不同的工况条件；所述历史样本数据集表示一个工况条件下电力电子设备中的健康功率半导体器件运行时的工作参数。

预处理单元，用于利用随机样本一致性算法，对所有所述历史样本数据集进行数据预处理。

健康功率半导体器件数据模型构建单元，用于根据所有预处理后的历史样本数据集，构建出不同工况条件下的健康功率半导体器件数据模型。

所述老化程度确定模块204，具体包括：

相对偏差值计算单元，用于将所述实际电压上升时间与所述预测电压上升时间的差值的绝对值确定为相对偏差值。

老化程度确定单元，用于：

当所述相对偏差值小于第一设定阈值时，确定被测功率半导体器件的老化程度为未老化；

当所述相对偏差值大于或者等于所述第一设定阈值且所述相对偏差值小于第二设定阈值时，确定被测功率半导体器件的老化程度为轻微老化；

当所述相对偏差值大于或者等于所述第二设定阈值时，确定被测功率半导体器件的老化程度为严重老化。

实施例三

IGBT模块的老化监测，通常是通过加速老化实验来获取IGBT模块老化失效数据，进而构建IGBT模块老化模型。然而全工况条件下的加速老化实验过程过于繁杂，且实验是在已知、确定、结构化的工作条件下进行的，采集到的数据有限且不全面，难以有效应用于实际工况条件下的IGBT模块监测。因此，如何精确高效地进行老化监测是目前亟需解决的技术问题。

针对现有技术中的上述不足，本实施例提供了一种基于电气大数据的绝缘栅双极晶体管(IGBT)老化程度监测方法，通过实时在线的方式，对IGBT模块进行老化状态监测。

如图3所示，本实施例提供的一种基于电气大数据的绝缘栅双极晶体管(IGBT)老化程度监测方法，包括以下步骤：

步骤301：采集并处理不同工况条件下在实际电力电子设备中的健康IGBT在运行时的工作参数，并基于工作参数构建历史样本数据集；其中，工作参数包括关断初始电流I、关断结束电压U、外部温度T_e和电压上升时间t_rv。

步骤302：根据获得的历史样本数据集，构建健康IGBT数据模型。

步骤303：实时监测并记录目标工况条件下在实际电力电子设备中的被测IGBT在运行时的工作参数，然后根据该工作参数和健康IGBT数据模型确定被测IGBT的预测电压上升时间，接着基于预测电压上升时间和实际电压上升时间确定相对偏差值。该目标工况条件为上述工况条件的一种。该工作参数包括实际关断初始电流、实际关断结束电压、实际外部温度和实际电压上升时间。

步骤304：根据所获得的相对偏差值的大小判断被测IGBT的老化程度，以进行老化状态监测和故障前兆示警。

一个示例中，电压上升时间t_rv为IGBT的集电极-发射极通态压降从10％U到90％U的时间段，利用电压上升时间t_rv与老化程度之间的相关性，进行IGBT健康状态评估。

一个示例中，在建立健康IGBT数据模型过程中，直接以电力电子设备中IGBT在实际运行工况条件的工作参数为数据来源，摒弃了加速老化实验对功率半导体器件实际运行状态模拟带来的差异性，避免了因为采集到的数据有限且不全面，难以有效应用于实际工况条件下的监测的问题。

一个示例中，历史样本数据集在一定范围内随机变化，短期表现出随机性，长期表现出规律性；例如：以年为监测时间单位，包含春夏秋冬四季不同的环境情况对IGBT的影响。

一个示例中，关断初始电流I为IGBT关断初始时刻集电极电流，关断结束电压U为IGBT关断最终时刻集电极-发射极的电压，外部温度T_e为IGBT工作环境温度或模块温度。

一个示例中，利用随机样本一致性(RANSAC)算法去除历史样本数据集中的异常值，建立健康状态下电压上升时间t_rv与不同工况条件的映射关系t_rv＝f(I,U,T_e)；根据被测IGBT在实际运行中所处的工况条件，得到被测IGBT在健康状态下的电压上升时间t_rvp。

一个示例中，所述相对偏差值δ，根据被测IGBT所处的工况条件，即某一确定的I_certain、U_certain、T_{e_certain}，得到健康IGBT数据模型预测的电压上升时间t_rvp与实际测量得到的电压上升时间t_rva之间的相对偏差。

进一步地，采用但不限于如下设定确定被测IGBT的老化程度，当相对偏差值δ<5％时，提供指示“健康”，即未老化；当5％≤相对偏差值δ<10％时，发出警告“警告，轻度老化”；当相对偏差值δ≥10％时，发出报警并显示“报警，严重老化”。若实际工况条件中，超出此类运行状态，重新定义相对偏差值的大小与IGBT老化程度的映射关系。

本实施例基于实际工况条件下的IGBT模块运行数据，减少了繁杂的加速老化试验，且规避了加速老化实验模拟实际工况条件的带来的误差；利用电压上升时间对IGBT模块进行老化表征，结合数据驱动模型实现模块的老化监测，解决了现有监测方法数据获取难度大和精确度低问题，工业实用性较强，兼具可靠性、可发展性。

实施例四

如图4所示，本实施例提供的基于电气大数据的绝缘栅双极晶体管(IGBT)老化程度监测系统，包括功率器件健康数据模型、数据处理环节以及老化识别模块。其中，功率器件健康数据模型用于预测在某一工况条件下被测功率器件(被测IGBT)在健康状态时的电压上升时间，数据处理环节用于计算预测电压上升时间与实际电压上升时间之间的相对偏差值，老化识别模块用于根据相对偏差值判断被测功率器件(被测IGBT)的老化程度。

在本实施例中，绝缘栅双极晶体管(IGBT)的关断过程示意图可以如图5所示，其中，电压上升时间t_rv为IGBT的集电极-发射极通态压降从10％U到90％U的时间段，利用电压上升时间t_rv与老化程度之间的相关性，进行IGBT健康状态评估。

在本实施例中，在建立健康IGBT数据模型过程中，直接以电力电子设备中IGBT在实际运行工况条件的工作参数为数据来源，摒弃了加速老化实验对功率半导体器件实际运行状态模拟带来的差异性，避免了因为采集到的数据有限且不全面，难以有效应用于实际工况条件下的监测的问题。

历史样本数据集在一定范围内随机变化，短期表现出随机性，长期表现出规律性；例如：以年为监测时间单位，包含春夏秋冬四季不同的环境情况对IGBT的影响。

关断初始电流I为IGBT关断初始时刻集电极电流，关断结束电压U为IGBT关断最终时刻集电极-发射极的电压，外部温度T_e为IGBT工作环境温度或模块温度。

在本发明实施例中，健康IGBT数据模型的建立及预测过程可以参见图6，具体步骤包括：

S1：输入数据。

S2：采用随机样本一致性(RANSAC)算法处理数据，创建训练数据集和测试数据集，即去除历史样本数据中的异常值。

S2：建立起健康状态下电压上升时间t_rv与不同工况条件的映射关系t_rv＝f(I,U,T_e)。

S3：根据被测IGBT在实际运行中所处的工作条件，得到被测IGBT在健康状态下的电压上升时间t_rv。

在本实施例中，数据处理环节的具体操作示意图可以参照图7，其中，相对偏差值δ，根据被测IGBT所处的工况条件，即某一确定的I_certain、U_certain、T_{e_certain}，得到健康IGBT数据模型预测的电压上升时间t_rvp，该电压上升时间t_rvp与实际测量得到的电压上升时间t_rva之间的相对偏差。

在本实施例中，初始健康IGBT数据模型无IGBT失效时的电压上升时间t_rv数据，进行如下定义：

根据电压上升时间t_rv对应的平均相对偏差值的大小不同提供不同的预警，采用但不限于如下设定：

当相对偏差值<5％时，提供指示“健康”；当5％≤相对偏差值<10％时，发出警告“警告，轻度老化”；当相对偏差值≥10％时，发出报警并显示“报警，严重老化”。

若实际工况条件中，超出此类运行状态，重新定义电压上升时间t_rv对应的平均相对偏差值的大小与IGBT老化程度的映射关系。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种功率半导体器件老化程度确定方法，其特征在于，包括：

构建不同工况条件下的健康功率半导体器件数据模型；所述健康功率半导体器件数据模型表示在健康状态下功率半导体器件的电压上升时间与功率半导体器件的部分工作参数的映射关系；所述部分工作参数包括关断初始电流、关断结束电压和外部温度；

获取实际工况条件下电力电子设备中的被测功率半导体器件运行时的实际工作参数；所述实际工作参数包括实际关断初始电流、实际关断结束电压、实际外部温度和实际电压上升时间；所述实际工况条件为任一工况条件；

根据所述实际工况条件确定所述被测功率半导体器件对应的健康功率半导体器件数据模型，并根据所述实际关断初始电流、所述实际关断结束电压、所述实际外部温度和所述被测功率半导体器件对应的健康功率半导体器件数据模型，确定所述测功率半导体器件的预测电压上升时间；

根据所述实际电压上升时间和所述预测电压上升时间，确定被测功率半导体器件的老化程度。

2.根据权利要求1所述的一种功率半导体器件老化程度确定方法，其特征在于，所述构建不同工况条件下的健康功率半导体器件数据模型，具体包括：

获取多个历史样本数据集；一个所述历史样本数据集对应一个工况条件，且不同的所述历史样本数据集对应不同的工况条件；所述历史样本数据集表示一个工况条件下电力电子设备中的健康功率半导体器件运行时的工作参数；

利用随机样本一致性算法，对所有所述历史样本数据集进行数据预处理；

根据所有预处理后的历史样本数据集，构建出不同工况条件下的健康功率半导体器件数据模型。

3.根据权利要求1所述的一种功率半导体器件老化程度确定方法，其特征在于，所述电压上升时间为功率半导体器件的集电极-发射极通态压降从10％U到90％U的时间段；U表示功率半导体器件的集电极-发射极的电压。

4.根据权利要求1所述的一种功率半导体器件老化程度确定方法，其特征在于，所述关断初始电流为功率半导体器件关断初始时刻集电极电流；所述关断结束电压为功率半导体器件关断最终时刻集电极-发射极的电压；所述外部温度为功率半导体器件工作环境温度或功率半导体器件所在的电力电子设备温度。

5.根据权利要求1所述的一种功率半导体器件老化程度确定方法，其特征在于，所述根据所述实际电压上升时间和所述预测电压上升时间，确定被测功率半导体器件的老化程度，具体包括：

将所述实际电压上升时间与所述预测电压上升时间的差值的绝对值确定为相对偏差值；

当所述相对偏差值小于第一设定阈值时，确定被测功率半导体器件的老化程度为未老化；

当所述相对偏差值大于或者等于所述第一设定阈值且所述相对偏差值小于第二设定阈值时，确定被测功率半导体器件的老化程度为轻微老化；

当所述相对偏差值大于或者等于所述第二设定阈值时，确定被测功率半导体器件的老化程度为严重老化。

6.一种功率半导体器件老化程度确定系统，其特征在于，包括：

健康功率半导体器件数据模型构建模块，用于构建不同工况条件下的健康功率半导体器件数据模型；所述健康功率半导体器件数据模型表示在健康状态下功率半导体器件的电压上升时间与功率半导体器件的部分工作参数的映射关系；所述部分工作参数包括关断初始电流、关断结束电压和外部温度；

实际工作参数获取模块，用于获取实际工况条件下电力电子设备中的被测功率半导体器件运行时的实际工作参数；所述实际工作参数包括实际关断初始电流、实际关断结束电压、实际外部温度和实际电压上升时间；所述实际工况条件为任一工况条件；

预测电压上升时间确定模块，用于根据所述实际工况条件确定所述被测功率半导体器件对应的健康功率半导体器件数据模型，并根据所述实际关断初始电流、所述实际关断结束电压、所述实际外部温度和所述被测功率半导体器件对应的健康功率半导体器件数据模型，确定所述测功率半导体器件的预测电压上升时间；

老化程度确定模块，用于根据所述实际电压上升时间和所述预测电压上升时间，确定被测功率半导体器件的老化程度。

7.根据权利要求6所述的一种功率半导体器件老化程度确定系统，其特征在于，所述健康功率半导体器件数据模型构建模块，具体包括：

历史样本数据集获取单元，用于获取多个历史样本数据集；一个所述历史样本数据集对应一个工况条件，且不同的所述历史样本数据集对应不同的工况条件；所述历史样本数据集表示一个工况条件下电力电子设备中的健康功率半导体器件运行时的工作参数；

预处理单元，用于利用随机样本一致性算法，对所有所述历史样本数据集进行数据预处理；

健康功率半导体器件数据模型构建单元，用于根据所有预处理后的历史样本数据集，构建出不同工况条件下的健康功率半导体器件数据模型。

8.根据权利要求6所述的一种功率半导体器件老化程度确定系统，其特征在于，所述电压上升时间为功率半导体器件的集电极-发射极通态压降从10％U到90％U的时间段；U表示功率半导体器件的集电极-发射极的电压。

9.根据权利要求6所述的一种功率半导体器件老化程度确定系统，其特征在于，所述关断初始电流为功率半导体器件关断初始时刻集电极电流；所述关断结束电压为功率半导体器件关断最终时刻集电极-发射极的电压；所述外部温度为功率半导体器件工作环境温度或功率半导体器件所在的电力电子设备温度。

10.根据权利要求6所述的一种功率半导体器件老化程度确定系统，其特征在于，所述老化程度确定模块，具体包括：

相对偏差值计算单元，用于将所述实际电压上升时间与所述预测电压上升时间的差值的绝对值确定为相对偏差值；

老化程度确定单元，用于：

当所述相对偏差值小于第一设定阈值时，确定被测功率半导体器件的老化程度为未老化；

当所述相对偏差值大于或者等于所述第一设定阈值且所述相对偏差值小于第二设定阈值时，确定被测功率半导体器件的老化程度为轻微老化；

当所述相对偏差值大于或者等于所述第二设定阈值时，确定被测功率半导体器件的老化程度为严重老化。