5基于大数据理论的器件级可靠性研究
功率半导体器件是电力电子系统的核心部件,其可靠性水平直接决定变流器的安全运行能力。因此,现阶段对电力电子系统可靠性的研究主要以器件为切入点。目前,国内外高校和工业界在研究开关器件结温提取和健康管理[16-19],通过离线测试、准在线测试和在线测试产生了大量数据,而运用的数据处理手段大多仅为简单的多项式拟合与回归分析。因此,若能通过大数据处理技术充分挖掘这些数据信息,将会对器件可靠性研究带来很大帮助。
器件的失效按照诱因主要分为外部失效和内部失效。其中外部失效主要由绝缘击穿、热载流子注入和电子迁移等瞬态高温和过高电应力导致,时间尺度通常在数百ns至数μs级;而内部失效主要是器件在长期交变热应力、机械应力、电应力等综合作用下,内部产生焊接层剥离、键合线脱落等现象造成的老化失效,时间尺度通常为数年至数十年量级。因此,大数据理论在器件级可靠性研究的应用场景可按图10划分。
图10基于大数据理论的器件层面可靠性研究
1）器件动态参数在线提取：在实际运行中,传感器通常会以数据流的形式连续不断的向上位机传输海量采样数据,而这些数据伴随着高频噪声和大量对故障监控及预测无意义的信息。由于外部故障通常在μs级甚至更短的时间尺度内发生,而常规数据处理手段根本无法在这种时间尺度内完成数据清洗和参数提取。因此需要利用大数据理论中的分布式数据采集、内存计算和流处理等技术快速提取出开通关断延迟时间、电压过冲、反向恢复电流峰值和反向恢复电荷等器件动态参数,从而保证故障监控和预测的时效性。
瞬态高温是器件外部失效的重要诱因,因此结温的在线提取是瞬态故障监控和预测的关键环节;同时结温信息对于器件的寿命预测和管理也起到重要作用。根据半导体物理原理,功率开关器件结温的变化通常会导致vth、vce(sat)、toff等器件电气参数变化,而这些参数与温度的关系通常很难用具体表达式的显函数描述。因此,借助对数据关系更为敏感的数据挖掘和人工智能算法能够更准确的提取它们与温度的相关性函数,为结温在线监测的研究提供新的思路。
此外,利用器件离线数据库为神经网络、遗传算法等提供学习样本,训练出的模型能够在给定运行条件时精确的计算出开关器件的损耗,结合电力电子仿真软件和热阻网络能够实现对具体控制算法下的结温预测,从而有效评估器件运行状态甚至预防故障的发生。
2）器件实际电路模型参数辨识：考虑到模块封装层面和器件物理层面的非理想特性和寄生参数,每个器件的实际模型相当复杂。若利用器件动态运行的数据库,通过粒子群算法等人工智能算法,可以较准确地进行参数提取。这些参数会随着运行环境的变化和器件本身的老化而发生变化,对于器件尽限运行阈值的提取以及器件老化监测都具有重要作用。
3）器件尽限运行阈值提取：在器件厂商数据手册中,给出的过电流、过电压能力往往是特定测试环境下的参考值。为了保证器件运行的可靠性,目前通常采用“大马拉小车”式的粗放式经验化设计准则,在很大程度上是以降低经济性为代价。若可获得电力电子器件的海量运行数据,并对其电气、热和机械应力等因素引发的各类外部瞬态故障的器件在故障前的数据进行分析,有望得出在各种运行工况下的电-磁-热-机应力的尽限运行阈值,从而兼顾实际应用的可靠性与经济性。此外,对器件在全寿命周期内的安全运行裕度进行提取和比较,可得出老化对安全运行阈值的影响,有望实现在保证可靠性的前提下对器件的寿命尽限使用。
4）器件外部故障监测与类型判别：每种型号的功率器件均可通过双脉冲测试来建立不同母线电压、负载电流、驱动电阻、开关门级电压、温度等运行工况所对应的动/静态参数离线数据库。将该数据库作为样本,可确定器件正常运行的状态空间集。在实际运行中,当获得器件动/静态运行参数以及在线提取出的结温后,利用历史数据进行异常点检测,若器件动/静态参数组成的向量偏离正常运行状态范围的距离达到阈值以上,则可判断该器件处于异常运行状态。不同故障类型对应的参数向量偏离正常范围的程度不同,因此可以利用K-mean算法、决策树分类器、贝叶斯分类器等算法对众多不同故障类型下的运行参数样本进行分类或聚类分析,并将该模型运用于实际工程中来辅助判断器件故障的类型。
5）器件老化监测与寿命预测：电力电子器件的老化会改变模块封装的参数,进而引起相关静/动态电气参数的变化,例如键合线的脱落使得模块发射极寄生电阻增大,进而引起Vce(sat)的增加。因此,利用关联挖掘算法对器件在整个寿命周期的运行数据进行处理,可获得各老化敏感参数及其在整个寿命周期内的变化趋势,并准确评估器件的老化程度,以便在监测到器件即将因老化而失效时能够及时更换,提高器件运行的可靠性。
根据Coffin-Manson定律,功率半导体器件在失效前经历的功率循环次数Nf与ΔTj-α成正比(ΔTj代表每次功率循环中结温的变化量)[21-22],另外,工作频率、振动、湿度、盐碱度等诸多因素都会对器件的寿命产生影响。单纯利用物理机理的分析和小样本数据的分析无法获得各类因素对运行寿命的影响,而常规数据处理技术无法在短时间内对海量运行数据进行分析。因此,如果利用大数据处理技术对在各种不同环境下工作的功率开关器件的海量历史运行数据利用关联分析、机器学习等算法进行处理,则可以建立各种工况条件对器件寿命影响的定量模型。这些模型可以用于对运行在各种不同工况下的器件进行寿命预测,便于工作人员对于检修计划的安排以及相关控制算法的优化。
6基于大数据理论的装置级可靠性研究
电力电子装置由功率元器件、储能部件和控制器等多个部分构成,结构相对复杂,耦合程度较高,以往对装置的可靠性分析和优化设计往往过于依赖工程经验和标准。借助大数据处理技术挖掘众多装置在整个寿命周期的历史数据库,将会有效指导装置可靠性分析、结构设计、电磁兼容设计和故障监测等研究。因此,大数据理论在装置级可靠性研究的应用场景可按图11划分。
图11基于大数据理论的装置层面可靠性研究
1）装置的结构设计：随着电力电子装置的模块集成化和功率密集化,其热流密度也不断增大,而高温运行将导致设备功率损耗和故障率的增加及寿命的减少,因此装置的结构优化设计对设备可靠性的提升有重要影响。散热效果受到装置布局、环境温湿度、散热方式、散热介质流速等诸多因素的影响,甚至存在热场、电磁场和机械场的耦合问题,从物理原理角度分析过于复杂。若借助大数据处理技术对不同工况不同散热设计下装置的海量数据进行定量分析与综合比较,并利用机器学习等无监督算法建立针对不同工况下装置的散热优化设计模型,可为实际装置的热设计带来帮助。
2）器件串并联运行优化：功率器件的串/并联运行是进一步提高装置电压等级和容量水平的有效手段。然而,器件的串/并联运行需要器件在高频切换时需严格同步和解决器件的静/动态均压/均流问题。电路拓扑、驱动参数、控制模式及静态工作点均会影响串/并联运行效果,进而对结温分布以及寿命产生严重影响。利用大数据处理技术综合分析电路拓扑、控制算法以及驱动参数等的选取对于串/并联运行效果的影响,将为单纯依靠理论分析和实验数据来解决串并联优化问题提供更直观的途径。
3）电磁兼容优化设计：电力电子装置的功率开关器件在开关过程中伴随着高频的电流、电压变化,通过装置内部的寄生电容和电感产生强噪声,从而不仅污染电网,还会造成恶化装置工况。目前的电磁兼容设计主要依赖于对开关器件、无源器件的建模和对PCB寄生参数的精确提取。若借助于大数据处理技术和粒子群算法等理论对装置运行数据进行处理,从而实现各模型参数及寄生参数的准确提取。此外,利用神经网络、遗传算法等人工智能算法对装置的电磁兼容设计和相关运行数据进行分析,可以训练出适用于不同运行工况的电磁兼容优化模型,为工程技术人员的设计提供借鉴。
4）装置故障监测与辨识：电力电子装置内部各元器件间存在多场强耦合,因此,当装置内某元件发生故障时,会引发装置其他元部件运行工况的联动,这为装置故障的监测和判别带来了困难。若通过关联分析、聚类分析、机器学习等算法,利用装置历史运行数据建立正常状态空间模型以及故障分类模型,则可以在实际应用中识别异常工作状态并及时诊断故障位置,甚至可以根据运行数据的变化趋势提前预测故障的发生。
7基于大数据理论的系统级可靠性研究
大容量电力电子系统往往由多个变流模块/装置组成,多模块/装置联合运行导致系统电磁暂态过程更为复杂,稳定性判定和性能优化更为困难。大数据处理技术为多时空尺度、多场域耦合、难以直接建模的复杂大容量电力电子系统的可靠性分析提供了新的工具。大数据理论在系统级可靠性研究的具体应用场景简要举例如下。
1）系统调控策略选择：多电平变换系统虽然结构更为复杂,但也提供了很多控制自由度,例如当变换器电平数为n时,空间矢量脉宽调制(spacevectorpulsewidthmodulation,SVPWM)共有n2个矢量,其中各冗余零矢量对电容电压均衡、桥臂环流抑制等的影响差别很大。在5电平及以上的多电平系统中,空间矢量数目庞大,常规数据处理方式难以在分析各SVPWM调制方式的效果。借助大数据的分布式计算技术,以及机器学习、人工智能等无监督算法有望在短时间内对各调控策略下的数据分析和模型构建,从而有助于复杂工况和拓扑下的调控策略优化。
2）电能质量智能管理：微电网中通常包含了大量的非线性装置以及不平衡负荷,引发严重的电能质量问题,通过对电力变换的控制优化可改善系统的电能质量。然而,实际中对谐波源进行准确定位相当困难,也无法为每个潜在的谐波源配置分布式电源;而且,影响电能质量的各综合因素在不断变化,导致各次谐波具有不确定性,对应的阻抗参数、所需的补偿增益等也具有不确定性[42-43]。因此,若能对微网中各节点实时运行数据进行迅速处理和计算,提取谐波源信息,从而对分布式电源进行实时控制,可实现电能质量的智能优化管理。借助大数据理论中的内存计算技术、流处理技术以及人工智能算法有望在短时间尺度内完成海量数据流的实时处理,在无监督条件下,依赖历史数据库建立优化模型,为电能质量管理的实际应用提供新手段。
8结论
近年来,相关应用领域的飞速发展为大容量电力电子的发展注入了强大的活力,与此同时,传统的基于因果模型和简单数据模型的可靠性研究理论难以适用于复杂工况下的大容量电力电子可靠性难题。因此,本文提出了将大数据处理技术应用于电力电子系统可靠性分析的研究思路,并以高铁传动系统为例详细阐述了大容量电力电子系统的大数据特征以及关键技术。此外,从器件、装置和系统等多个层面深入探讨了大数据处理技术在大容量电力电子系统可靠性研究领域的潜在应用,有望为大容量电力电子系统的可靠性研究提供新的途径。
作者简介：
何湘宁(1961),男,博士,教授,博士生导师,IEEEFellow,IEE(IET)Fellow,研究方向为电力电子技术及其工业应用,hxn@zju.edu.cn;
石巍(1992),男,硕士研究生,研究方向为大功率电力电子器件可靠性,shiwei92@163.com;
李武华(1979),男,博士,教授,博士生导师,研究方向为大容量电力电子技术在柔性直流输配电系统中的应用,woohualee@zju.edu.cn。
