[发明专利]基于神经网络预测的IGBT模块状态检测系统及方法

说明书

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。

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。