大功率MMC系統中子模塊IGBT狀態監測系統設計方法

摘要：絕緣柵雙極型晶體管（insulated gate bipolar transistor）是模塊化多電平換流閥 （modular multi-level converter， MMC）中的關鍵部件之一，對其運行狀態進行在線監測是保障MMC系統安全、可靠和經濟運行的重要措施。針對MMC子模塊中多芯片并聯IGBT模塊運行狀態難以實時監測的問題，文中提出了基于模塊殼溫分布規律與老化狀態映射關系的運行狀態監測系統設計方法，以實現不同工況下IGBT模塊狀態的自適應評估和管理。首先，分析了MMC子模塊中IGBT模塊老化失效對熱流的影響規律，甄選了殼溫作為表征模塊狀態的特征參量。其次，建立了適用于不同工作點的基于神經網絡的IGBT模塊老化狀態監測模型，并根據不同應用場景的需求偏好實現了對功率模塊運行狀態的表征和識別；最后，基于所提的狀態監測系統設計方法在MMC測試平臺上驗證了方法可行性和有效性。文中所提方法為解決大功率工況下MMC子模塊中IGBT模塊的狀態監測問題提供了新的思路，為系統的運行維護提供了實用、有效的解決方案。

關鍵詞：MMC；IGBT；狀態監測系統；神經網絡；運行狀態

中圖分類號：TM464????????? 文獻標志碼：A????? 文章編號：1000-582X（2023）11-102-17

Design Method of IGBT Module Condition Monitoring System for Submodule in High Power MMC system

LUO Dan1，2， CHEN Minyou2， LAI Wei2， XIA Hongjian2， LI Changsheng2

（1. Shinan Power Supply Branch Company of State Grid Chongqing Electric Power Company， Chongqing 401136， P. R. China; 2. State Key Laboratory of Power Transmission Equipment Technology， Chongqing University， Chongqing 400044， P. R. China）

Abstract： The insulated gate bipolar transistor （IGBT） module plays a pivotal role in the modular multilevel converter （MMC）， making online monitoring essential for ensuring the MMC systems safety， reliability， and cost-effectiveness. Addressing the challenge of real-time monitoring for multi-chip parallel IGBT modules in the MMC system， this paper presents a design method of condition monitoring system based on the relationship between the modules case temperature distribution and its aging state， which enables adaptive evaluation and management of IGBT module under different operating conditions. Firstly， the impact of aging failure on the heat flow of IGBT modules in MMC sub-modules is analyzed， with case temperature selected as the characteristic parameter representing the module's state. Secondly， an aging state monitoring model for IGBT， based on neural network， is established. This model is adaptable to different working points， allowing for the characterization and identification of module states according to the demand preference of different application scenarios. Finally， the proposed condition monitoring system design method is verified on MMC test platform， demonstrating its feasibility and effectiveness. This paper provides an innovative solution for IGBT status monitoring in MMC sub-modules under high power operating conditions， offering a practical and effective approach to state maintenance.

Keywords： MMC; IGBT; condition monitoring system; neural network; working condition

中國綠色低碳道路的可持續發展戰略促進了水能、風能、太陽等綠色能源的全方位發展[1]。為了解決綠色能源的傳輸問題，高壓直流輸電技術（high voltage direct current， HVDC）因其系統容量大、傳輸距離遠、運行功率高等特點[2?3]得到了廣泛應用。模塊化多電平換流閥（modular multilevel converter， MMC）具有開關頻率低、運行效率高、輸出特性好等優點已成為直流輸電系統的主流拓撲[4]。然而，統計數據表明換流閥元件故障是造成換流閥系統故障的主要原因[5]，如圖1（a）所示。絕緣柵雙極型晶體管（insulated gate bipolar transistor， IGBT）是換流閥元件的核心部件，在運行時承受著高電壓、強電流的運行應力，是變流器中最容易發生疲勞失效的部件之一[6]，如圖1（b）所示。因此，對IGBT模塊運行狀態進行實時監測對MMC系統可靠運行及主動運維具有重要意義[7]。

為滿足MMC系統大功率容量需求常選用大功率的多芯片并聯模塊，然而現有針對多芯片并聯模塊的狀態監測方法還較少，主要分為基于模塊端部監測電氣參量和基于內部集成傳感器的方法。基于模塊端部監測電氣參量的方法是通過基于閾值電壓[8]、充電時長[9]、模塊跨導[10]和導通壓降[11]等電氣參量實現對模塊狀態監測的方法，其優點是對模塊侵入性較低。但該類方法的核心是檢測模塊開通與關斷瞬態或穩態的電氣參數，這需要增加高電壓、大電流工況下具備較復雜的鉗位、隔離等功能的測量電路，難以應用在大功率工況下。基于內部集成傳感器方面，Dalessandro等[12]提出模塊內部集成電流傳感器來監測模塊健康狀態；Chen等[13]提出了每個芯片均架設監測線路的新型結構來實現模塊的健康評估；Tomonaga等[14]通過內置微型磁場傳感器實現對狀態檢測。該類方法雖然能有效地檢測到多芯片模塊內部各芯片模組的健康狀態，但是需對模塊內部封裝布局進行調整，侵入性較強，實施難度較大。

由于現有的方法在實際應用中存在一定的實施難度，因此仍需要一種對模塊侵入性小且易實現的方法來解決MMC系統子模塊中IGBT模塊健康狀態的監測問題。針對該問題，文中提出基于模塊殼溫分布老化規律的狀態監測方法。在IGBT模塊中焊層老化后會引起模塊底部有效散熱面積降低從而導致殼溫上升[15?16]，因此通過監測不同工況下殼溫分布可實現對多芯片模塊內部各芯片模組狀態的監測。殼溫的監測無須內置傳感器，具有侵入性小、應用難度低、測量成本低等優點[17]，降低了MMC系統中高電壓、大電流工況對測量的影響。因MMC系統通常運行在不同的工作點[18]，導致IGBT模塊的殼溫分布規律具有不同的特征，因此需要建立殼溫、模塊老化狀態和運行工況的映射關系。同時，殼溫、模塊老化狀態和運行工況的關系為復雜的電-熱耦合及異質材料溫度多維空間熱傳導，難以用特定的數學表達式描述，因此文中采用人工神經網絡對運行狀態與老化的映射關系進行建模。為解決IGBT模塊老化過程中臨界狀態難以判斷的問題，文中提出了一種基于需求偏好的分類方法，根據實際應用場合要求，對神經網絡輸出結果進行處理以實現模塊老化過程中臨界狀態的識別。

首先結合MMC系統的工作原理，分析了大功率工況對IGBT模塊測量的影響，并根據模塊老化過程中端部特性的老化規律甄選出殼溫作為狀態感知參量；其次，針對實際的MMC系統工作環境設計了殼溫分布的采集方案，建立了以工況信息及殼溫分布為輸入，監測傾向可控的神經網絡評估模型；最后，提出了在線監測系統設計方法，并在MMC系統工況模擬測試平臺上進行了可行性和有效性的驗證。

1 MMC系統中IGBT模塊在線監測方法

MMC系統拓撲[19]如圖2所示，由3個相單元組成，每個單元包含上下2個橋臂，每個橋臂由n個子模塊和1個電感組成，其中每個子模塊均由功率模塊IGBT和電容器組成。橋臂內接入的子模塊總電壓等于直流母線電壓，子模塊通過控制IGBT模塊的不同開關狀態實現電容的投入和切除。IGBT模塊老化后會導致模塊的性能下降，而且而且嚴重時會引起開路故障或者短路故障[20]。當IGBT芯片或二極管發生開路失效時會導致子模塊無法切除，造成子模塊開路故障；當芯片發生短路故障后不僅會導致模塊無法正常切除，造成電容器直接短接，嚴重時會引發電容器短路爆炸，對設備的運行造成危害。因此對子模塊中IGBT進行實時監測并及時維護可以有效避免該類故障的發生，對于保證電力系統的可靠運行具有重要意義[21]。

1.1 大功率工況對電氣測量的影響

當變換器運行在大功率環下會引起電壓和電流傳感器的帶寬頻率大幅降低，以常見的1 000 V電壓差分探頭DP6150A和1 000 A電流探頭CTB1000為例，傳感器的采樣帶寬和采樣幅值的特性如圖3（a）和（b）所示。可以看出隨著被測幅值的升高，電壓的采樣帶寬從80 V的10 MHz降低至1 000 V的1 MHz，對應的采樣間隔由0.1 μs下降至1 μs，電流的采樣帶寬由50 A的20 kHz下降到1 000 A的500 Hz，對應的采樣間隔由50 μs下降至2 ms。目前大部分IGBT模塊的開關特性變化均是微秒或者納秒級，采樣靈敏度的降低會導致使用動態特性的監測方法產生極大的監測誤差甚至失效，最終引起對IGBT狀態的誤識別和誤判斷。

基于導通壓降變化的監測方法似乎受到采樣頻率的影響極小，但導通壓降的變化受到電氣環境的影響極大，大功率環境下難以實現對模塊上下管的同時測量。以常見的半橋電路為例，其電氣參量如圖3（c）所示，假設系統中電源電壓為1 000 V，電源負極V0接地，IGBT模塊的導通壓降為2 V。在下管IGBT導通時，其發射極電位V0接地，集電極對應的電壓V1和V2均為2V。雖然上管導通時對應的管壓降為2 V，但對應的集電極和發射極電位分別為1 000 V和998 V。在實際運行中無法實現對大量程下電壓變化的高精度識別，現有的測量電路[22-23]均需要隔離或降壓電路將IGBT上管兩端的高電位轉化為可測量的低電位信號以保證信號輸入的穩定性，隔離電路復雜的結構及單獨的供電電源極大地增加了監測的復雜度。

1.2 功率模塊老化狀態特征參量甄選

當IGBT模塊健康工作時，二極管芯片和IGBT芯片的損耗P發熱產生的熱量都會通過各層材料向模塊底部傳播并通過底板的有效散熱面積SEA[15]向散熱器散熱，如圖4（a）所示。

此時通過IGBT模塊底部的熱流密度q為

根據牛頓冷卻定理，模塊底部殼溫測量點的溫度TC到環境溫度TA的差值與流經該點的熱流成正比，比例為散熱器的對流傳熱系數h，為

q = h （ TC - TA ）。（2）

結合式（1）和（2）可得底部測量點處殼溫的表達式為

由式（4）可知，測量點的殼溫變化除了受到功率的影響外還與有效散熱面積有關。

圖4（b）和（c）可知芯片焊層和基板焊層老化均會引起焊層面積減小導致模塊內部的熱流向內集中[16]，使得模塊底部傳熱的有效面積減小，單位面積上的熱流密度增大[15]。同時增大的結溫也會導致損耗上升，從而加劇了殼溫上升，為

MMC系統中多芯片模塊通常需要承受較大的電流和電壓應力，為了降低芯片模組間熱耦合作用常采用獨立的結構進行封裝，各芯片模組支路封裝在獨立的DBC板上，再將所有DBC板焊接于同1個銅基板。文中所采用IGBT模塊FF1000R17IE4如圖5所示，該模塊共由12個IGBT芯片和12個二極管芯片Diodes組成，其中每2個IGBT和二極管芯片組成1個模組支路，每個芯片模組支路（如圖5中紅色框所示）對應各自不同的有效散熱面積。

由于各芯片之間距離較大且分別封裝在獨立DBC上，使得該模塊中芯片之間的熱耦合較小[24]，因此IGBT芯片和二極管芯片底部的殼溫表達式可基于式（4）進行構建，分別如式（5）和（6）所示，其中TIGBT1…TIGBT12和TDIODE1…TDIODE12分別為12個IGBT芯片和二極管芯片所對應的底部殼溫，h為散熱器的對流換熱系數，SI1…SI12和SD1…SD12為12個IGBT芯片和二極管芯片所對應的底部有效散熱面積，PIGBT1…PIGBT12和PDIODE1…PDIODE12分別為12個IGBT芯片和二極管芯片所對應的損耗，TA為散熱器傳熱的環境溫度。

根據式（5）和（6）可知，各芯片對應的焊層老化會引起對應的IGBT芯片和二極管芯片的損耗上升[24]，同時芯片焊層老化后也會引起有效散熱面積減小，二者共同作用加劇老化芯片底部的殼溫變化。當芯片出現失效后，對應失效芯片的損耗消失導致剩余芯片上的損耗增大，根據公式（5）和（6）可知，此時會導致對應失效點的殼溫降低而其余殼溫點的溫度上升。

因此，文中采用IGBT模塊底部殼溫作為表征模塊內部各芯片健康狀態的特征參數，以實現對IGBT模塊運行狀態的評估。殼溫作為表征多芯片并聯IGBT模塊老化甄選的特征參量，既可準確反映模塊的老化狀態，又具有良好的可觀測性，便于實時測量和跟蹤。使用殼溫作為監測模塊運行狀態參量的優點在于不會破壞模塊固有的封裝結構，且測量點位于散熱器上不會影響模塊的正常運行，當模塊更換后評估系統依然能正常工作，降低了運維成本。

2 MMC系統中IGBT模塊狀態監測方法

2.1 基于多參數輸入的IGBT模塊神經網絡診斷模型

根據1.2節可知，模塊殼溫變化可以有效反映出對應芯片的健康狀態，通過建立殼溫和有效散熱面積的映射關系可以獲取對應的運行狀態，實現對模塊健康狀態的監測，如圖6所示。但是在實際運行時難以直接提取各芯片模組損耗分布和有效散熱面積，無法直接建立基于殼溫和老化狀態映射關系的評估模型。因MMC系統通常運行在不同的工作點，導致IGBT模塊的殼溫分布規律具有不同的特征，因此需要建立殼溫、運行工況和模塊老化狀態的映射關系。同時，殼溫、運行工況和模塊老化狀態的關系為復雜的電-熱耦合及異質材料溫度多維空間熱傳導，難以用一個特定的數學表達式描述該關系。常用的查表法[25]（look up table， LUT）需要采集的數據量極大，并且無法完全覆蓋系統中IGBT模塊的所有老化狀態與運行工況，并不能有效解決MMC系統多工況和多芯片復雜結構的老化問題。

針對IGBT模塊進行老化建模時，需要考慮運行工況、老化狀態、失效模式等多因素對狀態評估的影響，使用智能算法對數據進行挖掘，可以提取出監測特征量和老化狀態的映射關系。神經網絡構建的等效模型可以通過對樣本數據進行學習來構建適用于不同工況下的狀態辨識模型，通過基于殼溫、運行工況與老化狀態的對應關系可以實現老化評估模型的構建，從而實現對IGBT模塊的狀態評估。因此本節采用人工神經網絡模型以構建殼溫和老化狀態的映射關系實現對IGBT模塊的狀態監測。為建立起IGBT模塊12個IGBT芯片和12個二極管芯片的殼溫變化與老化狀態的映射關系，設置MMC系統的橋臂運行電流和電容電壓的交直流分量作為運行工況的輸入量，將各芯片對應的底部殼溫作為模塊狀態的輸入量。

MMC系統中橋臂電流主要由交流分量和直流偏置組成，以670 A工作電流下的波形為例，如圖7（a）所示。圖中藍色實線為電流波形，紅色實線為直流分量，紅色虛線為電流的包絡線。圖中電流波形包絡線上的最大值為IH為670 A，最小值IL為-249 A，根據式（7）分離出直流分量IDC為210.5 A，根據式（8）求取出交流分量IAC為459.5 A。

IDC = （ IH + IL ） /2，（7）

IAC = IH - IDC。（8）

子模塊容電壓的波形如圖7（b）所示，其中藍色實線為電壓波形，紅色實線為直流分量，紅色虛線為電壓的包絡線。其中電壓的峰值VH為722 V，谷值VL為620 V，通過式（9）和（10）計算出電容電壓的直流分量VDC為671 V，紋波電壓VRIP幅值為51 V。

VDC = （VH + VL ） /2，（9）

VRIP = VH - VDC。（10）

實驗中模擬IGBT模塊老化過程中的狀態變化，設置了健康、良好、一般和危險4類模塊運行狀態作為神經網絡的輸出。將神經網絡輸出層最大值對應的狀態作為最終輸出結果。神經網絡的隱藏層神經元節點數通常大于輸入節點數和輸出節點數乘積的平方根值[26]，在文中輸入層數為28，輸出層數為4，隱藏層設置為11個神經元節點，神經網絡結構如圖8所示。對訓練神經網絡的數據集進行標定時，標定的規則是數據對應的狀態標記為1，其余狀態結果標記為0。各狀態對應的輸出結果健康NW、良好NH、一般NN和危險ND進行如下標定：健康（1，0，0，0）、良好（0，1，0，0）、一般（0，0，1，0）和危險（0，0，0，1）。將標定后的數據集分為訓練集和校驗集，使用訓練集的數據對神經網絡模型進行計算，并將校驗集的數據帶入訓練好的神經網絡模型以驗證模型的準確性。

2.2 MMC系統測試平臺搭建和實驗結果分析

完整的MMC系統在導通大電流時需要較高的直流母線電壓和較多的子模塊，因容量、成本等因素在實驗室中無法直接復現。為了降低電路的復雜性，本章節采用含有輔助子模塊的半橋子模塊測試電路拓撲來模擬單相MMC子模塊的工況[27]，如圖9（a）所示。MMC工況模擬平臺主要由主電源、全橋控制模塊、被測子模塊和輔助子模塊構成。其中供電模塊由全橋電路組成，全橋電路通過逆變直流電源向電路中提供橋臂電流以模擬橋臂上MMC子模塊的工作電流，輔助子模塊補償被測子模塊的電壓直流分量從而降低對直流母線電壓的需求，被測子模塊和輔助子模塊進行能量交換來補償直流母線電流分量。該拓撲在降低了直流母線電壓和電感的需求的條件下，極大地提升了子模塊上的輸出電壓，實現了在相同直流母線電壓條件下電壓測試能力的提升。該MMC系統測試平臺結構如圖9（b）所示，電源柜為3臺SP600VDC4000W可編程電源作為直流母線供電；模塊柜中分別存放輔助子模塊、被測子模塊和電感，如圖9（c）所示，輔助子模塊使用2塊IGBT模塊FF1000R17IE4并聯以提升輔助子模塊的運行裕度，電容電壓和運行電流分別通過差分探頭和電流鉗進行采集；控制柜主要控制模塊柜中的循環水溫度和系統電源的開關；水冷箱對模塊柜中的模塊進行散熱；實驗平臺通過上位機的Plecs軟件控制DSP開發板DSP28377S實現對平臺中IGBT的調制，測量到的橋臂電流和電容電壓通過采集卡NI-6225采集后上傳至上位機中的Labview和Plecs軟件中進行處理。為保證平臺的安全可靠運行，設置系統的最大工作電流和子模塊電容電壓為最大工況額定值的70%，即800 V/700 A。

為模擬MMC系統的不同運行工況，分別設置平臺運行在7種不同電流和電壓等級的運行模式下，不同模擬老化實驗的運行工況見表1所示。

由于在實際實驗中難以通過改變焊層面積來模擬多芯片模塊中焊層老化的情況，采用改變冷卻水溫的方式來模擬焊層老化。

水冷散熱器殼溫測量點的表達式[28]為

q = C ?M ?（TC - TA ），（11）

式中：q為流過測量點的熱流密度；C為散熱水的熱容；M為散熱水的質量；TC和TA分別為殼溫點溫度和冷卻水溫。

散熱水質量可以通過冷卻液的密度ρ和單位流量V計算，為

M = ρ ?V。（12）

將式（12）和（1）帶入式（11），得到了殼溫點的表達式為

在實驗中由于條件所限，無法模擬模塊老化后有效散熱面積SEA和功率P的變化，但是根據式（12）可知在保持散熱工況時，改變冷卻液溫度即可實現模擬焊層老化引起的殼溫上升。因此在文中通過改變循環液體溫度來模擬多芯片IGBT模塊的老化狀態。分別設置10、15、20、25 ?C四種不同循環液溫度來模擬IGBT模塊處于健康、良好、一般和危險的不同狀態。測試數據以秒為單位記錄模塊在不同運行模式下到達熱穩定后的采集數據，為保證訓練的網絡準確而不具有傾向性[29]，在各種工況下分別采集500組數據作為數據總集。將采集到數據中的70%作為訓練集，15%作為校驗集，15%作為測試集。

神經網絡訓練迭代過程如圖10（a）所示，其中藍色實線為訓練集均方誤差MSE曲線，紅色虛線為校驗集均方誤差MSE曲線，在迭代174次后神經網絡模型達到穩定。使用訓練好的神經網絡模型對測試集數據進行分類，所對應的混淆矩陣如圖10（b）所示，此時神經網絡輸出的分類值與輸入的目標分類值一致，所有數據均可以正常分類到對應的標簽下，該神經網絡模型對訓練數據集中的測試數據實現了較好的分類。

2.3 基于需求偏好的狀態監測結果處理

在MMC系統運行過程中，功率模塊的老化過程是連續的，使得實際監測到數據對應的狀態量也是連續變化的。對于變化過程中的狀態，傳統的識別方法是基于中值或者最大值進行狀態分類[30]，雖然從數學角度上進行了分類，但是當分類數值接近后，僅選擇更大的結果作為輸出容易忽視模塊處于其他狀態的可能性。

在實際應用中，不同需求偏好的應用場合對于模塊的可靠性和經濟性有著不同的需求，如圖11所示。

對于高可靠性要求的應用場景監測傾向較為保守，其對可靠性的要求高于經濟性；對于高經濟性要求的應用場景，經濟性的影響要大于可靠性的需求。針對不同應用場合，筆者提出一種考慮需求偏好的運行狀態評估方法，根據不同的需求偏好在可靠性與經濟性之間尋求平衡點，對神經網絡的輸出結果進行評估。以健康狀態向良好狀態的變化過程為例：對于高可靠性偏好的應用場合，一旦良好狀態對應的輸出值NW高于保守傾向設定的狀態閾值NC，即判定模塊的狀態由健康下降至良好，為

對于平衡型的應用場景，依然以NH和NW中的最大值作為判定結果，為

對于偏向于經濟性的應用場景，只有當NH低于激進監測傾向設定的狀態閾值NA時才判定模塊狀態下降至良好，為

以文中系統為例，將MMC系統測試平臺分別運行在模式2、4、7三種運行模式下，在原有的每2組標簽的分類中點分別設置不同水溫對應的6種運行工況，在每種運行工況下分別采集約90組數據。按照傳統分類法，循環水溫為12 ?C為健康狀態，13～17 ?C為良好狀態，18～22 ?C為一般狀態，超過23 ?C為危險狀態，在4個狀態下采集到的數據總數如表2所示。

此時按照傳統的分類方法，將采集結果帶入2.2節中訓練的神經網絡中，輸出結果如圖12（a）所示。此時的輸出結果中雖然有86.3%的數據分類與初始標簽一致，但是仍有13.7%的數據與所屬標簽不同。對輸出結果的分布進行統計（去除為0的部分），如圖12（b）所示。由圖可知，當功率模塊處于模擬老化中間狀態時，由于水溫波動、傳感器誤差、模塊結構等因素的影響，輸出結果對各標簽的匹配度逐漸降低，使得大量的輸出結果處于0.5附近，易造成誤分類并影響模塊狀態的判斷。

根據文中所提方法，重新對表2中采集的數據進行評估，將保守和激進的監測傾向均設置為0.25，此時的輸出結果與平衡型的對比如圖13（a）和圖13（b）所示。由圖13（a）可知，在使用保守型傾向的監測模式下模塊處于健康狀態的數據從266下降到126，處于危險狀態的數據則從283上升到481。此時的監測系統將原來模糊的狀態更多地定位于下一級老化運行狀態，對于模塊健康狀態的評估更加嚴格，該監測傾向適用于對模塊運行可靠性要求較高的系統。由圖13（b）可知，使用激進型監測傾向時模塊處于健康狀態的數據由266上升至411，處于危險狀態的數據由283降低至51。監測系統將原來模糊的狀態更多地定位于上一級健康運行狀態，該類監測傾向適用于對經濟性要求較高的應用場景。

結合本章所提的監測結果處理方法，可以構建出針對大功率工況下IGBT模塊狀態監測方法的流程圖，如圖14所示。首先，采集系統運行的電壓、電流參量并對其進行交直流分解后獲取IGBT模塊運行的電氣工況，采集IGBT模塊的殼溫獲取其運行狀態，將采集到的數據輸入到訓練好的神經網絡中后可以獲取到對應

工況下的運行狀態輸出值。根據對應的需求偏好選擇對應的監測傾向，當監測傾向為平衡時，則以各狀態中最大輸出值作為模塊當前的對應狀態；當監測傾向為保守時則表明用戶對應可靠性有較高的可靠性需求，此時將初始狀態重置為危險，若危險狀態對應的輸出值大于保守型設置的閾值時則輸出狀態為危險，否則將對應的狀態前移一位后繼續重復判斷步驟直至輸出監測狀態；當監測傾向為激進時表明用戶對經濟性有更高的需求，此時將初始狀態重置為健康，若健康狀態對應的輸出值大于激進型設置的閾值時則輸出狀態為健康，否則將對應的狀態后移一位后繼續重復判斷步驟直至輸出監測狀態。通過該方法可以實現了基于需求偏好對連續變化狀態量的進一步處理，提升了對模塊運行狀態監測的識別準確性。

3 MMC系統中子模塊狀態監測系統設計方法

3.1 狀態監測系統設計

對功率變換器進行狀態監測可以及時獲取關鍵部件的健康狀態，針對失效的器件及時維護可以有效地減少變換器故障。IGBT的狀態監測系統根據其老化狀態與對應特征參量的映射關系，建立起相應的老化監測模型，從而根據采集到的特征參量變化信息實現對關鍵部件的狀態監測。構建MMC系統中的IGBT狀態監測系統有助于提升系統的運行可靠性，進一步挖掘功率變換器的應用潛力。根據文中所提監測方法的特點，將狀態監測系統的結構總結為5個功能模塊構成，為圖15所示。

1）狀態感知模塊。狀態感知模塊主要實現對關鍵部件特征量的采集，通過設置溫度傳感器、電壓傳感器、電流傳感器等對應的測量設備實現對應特征量的測量，實現對模塊當前運行狀態的感知。該系統需要監測的待測量主要為工況和殼溫，針對電壓、電流和溫度進行采集。IGBT的殼溫通過散熱器上的輔助板布置在芯片正下方熱電偶進行采集，如圖16（a）所示；子模塊的電容電壓通過差分探頭經由電容母排輸出口進行采集，如圖16（b）所示；橋臂電流使用電流鉗采集電感電流，如圖16（c）所示。

2）通信模塊。通信模塊將狀態感知模塊中采集到的數據傳輸至特征識別模塊中進行處理，在數據傳輸時需要保障實時性和有效性以確保監測結果的準確性。該MMC系統模擬大功率運行工況時，高電壓、大電流的運行環境會產生極大的電磁干擾，并最終影響信號的通信與傳輸。為了減少電磁干擾的影響，針對信號的采集做了電磁屏蔽處理，如圖17（a）和（b）所示，通過設置金屬屏蔽箱并將其接地可以有效地降低磁場對內部信號采集設備的干擾。在該工況下使用通訊線進行傳輸會受到電磁干擾影響，因此選擇使用光纖進行通信。光信號不受電磁場干擾的影響，可以有效地避免大功率運行工況對數據傳輸和采集造成的影響。在屏蔽箱中將采集到的數據通過光纖轉換器轉換為光信號，通過光纖傳送至接收端后，在接收端處通過光纖轉換器重新還原為電信號，并輸送至上位機進行處理，如圖17（c）和（d）所示。

狀態感知模塊對采集到的參數進行狀態感知，分別檢測每個采樣周期內的電容電壓、橋臂電流數據并提取對應的交直流分量作為運行工況的特征，并將最大運行電流輸出到輸出顯示系統中作為報警提示，避免系統超限運行；通過溫度傳感器采集IGBT模塊的殼溫數據作為模塊狀態的特征以進行模塊老化狀態的識別。采集到的數據信號通過光纖轉換器將光信號重新轉換為電信號輸入到上位機中，并在上位機軟件中進行數據處理實現對IGBT和電容器的狀態監測，如圖18所示。

3）特征識別模塊。通信模塊傳輸回的采集數據中，因為采樣噪聲、工況變化、運行波動等造成信號中可能存在較多的無用、異常或缺失的信號，以及與對應的特征狀態無關的信號，通過特征識別模塊提取出評估模型所需的特征信號以濾除無關信號對監測的干擾。傳輸后的數據輸入到上位機中，由于在電壓和電流的采樣中存在較多的諧波、雜波、噪聲的干擾，如圖19（a）和（c）所示，需要對其進行濾波處理后以降低噪聲、采樣波動等對原信號的影響，提升采集到的信號質量。濾波后的波形如圖19（b）和（d）所示。

4）狀態評估模塊。狀態評估模塊將采集并識別到的特征量輸入到對應的評估模型中，實現對IGBT和電容器的狀態評估。在LabVIEW中將訓練好的神經網絡模型導入到上位機中建立針對IGBT模塊老化狀態的監測模型，根據殼溫的變化監測對應的老化狀態實現對IGBT模塊的狀態評估。上位機中程序框圖如圖20所示。

5）控制中心。狀態評估模塊對變換器關鍵部件當前狀態進行評估后將結果輸入到控制中心并通過人機交互界面向用戶展示，同時儲存并記錄監測結果。在線監測系統的輸出顯示模塊如圖21所示，最大工作電流作為報警提示，避免系統超限運行；輸出結果顯示神經網絡對不同狀態對應的輸出結果；根據用戶的需求偏好選擇監測方案控制狀態以評估模塊的處理方案，其對應的輸出狀態顯示在健康、良好、一般和危險4個輸出顯示燈上；狀態監測的結果可以通過保存按鈕進行保存。

3.2 實驗結果展示

以最大工作電流為670 A的模式7工況為例，將循環水水溫從15 °C上升至20 °C，模擬模塊運行狀態由良好降低到一般的過程。在變化初期處于良好結果為0.75，處于一般狀態的結果為0.25。此時所有的監測傾向下都會輸出良好，如圖22（a）所示。水溫繼續上升后良好的輸出下降至0.64而一般的輸出上升到0.36，雖然平衡型和激進型的監測傾向均認為模塊處于良好狀態，但此時處于一般狀態結果已經超過保守型監測傾向的觸發動作臨界點0.25，即判斷模塊的運行狀態已經發生變化，如圖22（b）所示。因此使用保守型的監測傾向會在模塊老化初期就進行評估以保證運行系統具備極高的可靠性。當循環水溫繼續上升后，模塊處于良好的輸出結果已經下降到0.27，而處于一般狀態的輸出結果已經上升到0.73。此時的平衡型和保守型均會將模塊的運行狀態調整至一般。但是此時模塊處于健康狀態的輸出結果仍然高于激進型策略的基準值，因此激進型的保守策略仍然認為模塊可以處于良好狀態下，如圖22（c）。激進型的監測傾向在保證模塊正常運行的前提下降低了監測評估的指標，雖然可靠性有所降低，但是延長的工作時間以保證其經濟性。

4 結 論

針對模塊化多電平換流閥中多芯片并聯IGBT模塊運行狀態提出了一種監測系統的設計方法，得出了以下結論：

1）MMC系統中IGBT模塊老化與殼溫上升存在著映射關系，通過建立對應的映射模型可以根據殼溫的測量反應模塊的老化。但由于MMC系統工況的復雜性，該映射關系無法簡單地通過計算求取對應的數學關系。因此，文中基于測量數據集通過神經網絡建立了模塊老化與殼溫的映射模型，實現MMC子模塊中IGBT模塊狀態的測量。

2）文中基于應用場景對經濟性和可靠性的需求提出了一種基于監測傾向的評估方法，可以根據不同的應用需求做出更加符合實際情況的評估，以解決老化過程中狀態量連續變化難以識別的問題。

3）文中提出了一種在線監測系統的設計方法，并采用MMC工況應力模擬平臺驗證了方法的可行性和有效性，對于大功率工況下IGBT模塊的狀態監測問題可以提供有效的理論參考和設計依據。

文中在構建針對大功率MMC系統中功率模塊狀態的在線監測系統時由于條件所限，僅通過改變水溫來模擬不同運行狀態下的功率模塊，并未融入全服役運行周期不同運行狀態的特征數據進行建模。在實際應用時，可將廠商歷史運維數據及運行實測數據進行建模訓練，以便完善模型，提升IGBT狀態監測系統識別的準確性和實用性。

參考文獻

［1］? Li B， Ma Z M， Hidalgo-Gonzalez P， et al. Modeling the impact of EVs in the Chinese power system： pathways for implementing emissions reduction commitments in the power and transportation sectors[J]. Energy Policy， 2021， 149： 111962.

［2］? 袁志昌， 郭佩乾， 劉國偉， 等. 新能源經柔性直流接入電網的控制與保護綜述[J]. 高電壓技術， 2020， 46（5）： 1460-1475.

Yuan Z C， Guo P Q， Liu G W， et al. Review on control and protection for renewable energy integration through VSC-HVDC[J]. High Voltage Engineering， 2020， 46（5）： 1460-1475.（in Chinese）

［3］? 葉杰， 湯廣福， 趙成勇. 多電壓等級柔性直流電網建模與穩定性分析[J]. 高電壓技術， 2022， 48（4）： 1433-1441.

Ye J， Tang G F， Zhao C Y. Modeling and stability analysis for flexible DC power grid with multi-voltage levels[J]. High Voltage Engineering， 2022， 48（4）： 1433-1441.（in Chinese）

［4］? 苑賓， 梅念， 陳東， 等. 三次諧波注入對MMC運行特性的影響[J]. 高電壓技術， 2020， 46（3）： 1060-1068.

Yuan B， Mei N， Chen D， et al. Influences of third harmonic injection on the operation characteristics of MMC system[J]. High Voltage Engineering， 2020， 46（3）： 1060-1068.（in Chinese）

［5］? 鄧吉利. 柔性直流換流閥壓接式IGBT器件可靠性建模與評估[D]. 重慶： 重慶大學， 2018.

Deng J L. Reliability modeling and assessment of press-pack igbt devices for the flexible DC converter valve[D]. Chongqing： Chongqing University， 2018.

［6］? Yang S ， Bryant A， Mawby P， et al. An industry-based survey of reliability in power electronic converters[C]// 2009 IEEE Energy Conversion Congress and Exposition. IEEE， 2009.

［7］? 呂高泰， 雷萬鈞， 趙佳琪， 等. MMC子模塊關鍵器件長時間尺度運行工況老化分析與可靠性評估[J]. 高電壓技術， 2020， 46（10）： 3469-3476.

Lü G T， Lei W J， Zhao J Q， et al. Long-time scale working condition based aging analysis and reliability evaluation of key devices in MMC submodule[J]. High Voltage Engineering， 2020， 46（10）： 3469-3476.（in Chinese）

［8］? Mandeya R， Chen C L， Pickert V， et al. Gate–emitter pre-threshold voltage as a health-sensitive parameter for IGBT chip failure monitoring in high-voltage multichip IGBT power modules[J]. IEEE Transactions on Power Electronics， 2019， 34（9）： 9158-9169.

［9］? Wang K H， Zhou L W， Sun P J， et al. Monitoring bond wires fatigue of multichip IGBT module using time duration of the gate charge[J]. IEEE Transactions on Power Electronics， 2021， 36（1）： 888-897.

［10］? Wang K H， Zhou L W， Sun P J， et al. Monitoring bond wire defects of IGBT module using module transconductance[J]. IEEE Journal of Emerging and Selected Topics in Power Electronics， 2021， 9（2）： 2201-2211.

［11］? Yuan W B， He Y G， Li Z G， et al. A real-time aging monitoring method of parallel-connected IGBT modules[J]. Materials Science in Semiconductor Processing， 2021， 124： 105555.

［12］? Dalessandro L， Karrer N， Ciappa M， et al. Online and offline isolated current monitoring of parallel switched high-voltage multi-chip IGBT modules[C]//2008 IEEE Power Electronics Specialists Conference. IEEE， 2008： 2600-2606.

［13］? Chen C L， Pickert V， Al-Greer M， et al. Localization and detection of bond wire faults in multichip IGBT power modules[J]. IEEE Transactions on Power Electronics， 2020， 35（8）： 7804-7815.

［14］? Tomonaga H， Tsukuda M， Okoda S， et al. 16-Channel micro magnetic flux sensor array for IGBT current distribution measurement[J]. Microelectronics Reliability， 2015， 55（9/10）： 1357-1362.

［15］? Wang Z， Qiao W， Qu L Y. A real-time adaptive IGBT thermal model based on an effective heat propagation path concept[J]. IEEE Journal of Emerging and Selected Topics in Power Electronics， 2021， 9（4）： 3936-3946.

［16］? Hu Z， Du M X， Wei K X， et al. An adaptive thermal equivalent circuit model for estimating the junction temperature of IGBTs[J]. IEEE Journal of Emerging and Selected Topics in Power Electronics， 2019， 7（1）： 392-403.

［17］? 胡姚剛， 李輝， 白鵬飛， 等. 基于殼溫差的風電變流器IGBT模塊基板焊層健康狀態評估[J]. 太陽能學報， 2020， 41（4）： 194-204.

Hu Y G， Li H， Bai P F， et al. Health assessment of base plate solder of igbt module in wind power converter based on shell temperature difference[J]. Acta Energiae Solaris Sinica， 2020， 41（4）： 194-204.（in Chinese）

［18］? 張宇嬌， 范虹興， 張炫焜， 等. 柔性直流輸電換流閥用IGBT模塊焊料層疲勞壽命研究[J]. 高電壓技術， 2020， 46（10）： 3381-3389.

Zhang Y J， Fan H X， Zhang X K， et al. Fatigue life analysis of IGBT module solder layer for VSC-HVDC valve[J]. High Voltage Engineering， 2020， 46（10）： 3381-3389.（in Chinese）

［19］? 夏宏鑒， 陳民鈾， 賴偉， 等. 基于頻帶能量的模塊化多電平換流閥中金屬化薄膜電容器失效檢測方法[J]. 中國電機工程學報， 2021， 41（22）： 7782-7793.

Xia H J， Chen M Y， Lai W， et al. Failure detection method for metalized polypropylene film capacitor in modular multilevel converter based on band energy[J]. Proceedings of the CSEE， 2021， 41（22）： 7782-7793.（in Chinese）

［20］? 肖飛， 劉賓禮， 羅毅飛. IGBT疲勞失效機理及其健康狀態監測[M]. 北京： 機械工業出版社， 2019.

Xiao F， Liu B L， Luo Y F. Fatigue failure mechanism of IGBT and its health monitoring[M]. Beijing： China Machine Press， 2019.（in Chinese）

［23］? 韓曉云， 郝全睿， 許烽， 等. 模塊化多電平換流器的可靠性維修周期優化[J]. 高電壓技術， 2020， 46（10）： 3429-3439.

Han X Y， Hao Q R， Xu F， et al. Optimization of reliability maintenance cycle of modular multilevel converter[J]. High Voltage Engineering， 2020， 46（10）： 3429-3439.（in Chinese）

［21］? B?czkowski S， Ghimre P， de Vega A R， et al. Online Vce measurement method for wear-out monitoring of high power IGBT modules[C]//2013 15th European Conference on Power Electronics and Applications （EPE）. Lille， France： IEEE， 2013： 1-7.

［22］? Gelagaev R， Jacqmaer P， Driesen J. A fast voltage clamp circuit for the accurate measurement of the dynamic ON-resistance of power transistors[J]. IEEE Transactions on Industrial Electronics， 2015， 62（2）： 1241-1250.

［24］? Hu B R， Hu Z D， Ran L， et al. Heat-flux-based condition monitoring of multichip power modules using a two-stage neural network[J]. IEEE Transactions on Power Electronics， 2021， 36（7）： 7489-7500.

［25］? 楊立敏， 王暉， 韓志勇， 等. 全橋型模塊化多電平換流器損耗簡化計算模型研究[J]. 電工電能新技術， 2019， 38（8）： 53-62.

Yang L M， Wang H， Han Z Y， et al. Research on simplified loss model of full-bridge modular multilevel converters[J]. Advanced Technology of Electrical Engineering and Energy， 2019， 38（8）： 53-62.（in Chinese）

［26］? Khomfoi S， Tolbert L M. Fault diagnosis and reconfiguration for multilevel inverter drive using AI-based techniques[J]. IEEE Transactions on Industrial Electronics， 2007， 54（6）： 2954-2968.

［27］? Tang Y， Ran L， Alatise O， et al. Improved testing capability of the model-assisted testing scheme for a modular multilevel converter[J]. IEEE Transactions on Power Electronics， 2016， 31（11）： 7823-7836.

［28］? Holman J P. Heat transfer[M]. New York： McGraw-Hill， 2009.

［29］? 周志華. 機器學習[M]. 北京： 清華大學出版社， 2016.

Zhou Z H. Machine learning[M]. Beijing： Tsinghua University Press， 2016.（in Chinese）

［30］? 王月月， 陳民鈾， 賴偉， 等. 基于MOSFET外特性參量的自適應模糊神經網絡狀態評估模型[J]. 電工技術學報， 2018， 33（18）： 4286-4294.

Wang Y Y， Chen M Y， Lai W， et al. Healthy condition assessment on MOSFETs based on external characteristic parameters and adaptive neuro-fuzzy inference system[J]. Transactions of China Electrotechnical Society， 2018， 33（18）： 4286-4294.（in Chinese）