发布时间：2021-12-11所属分类：电工职称论文浏览：1次
摘 要： 摘要：随着电力电子技术在新能源、高速机车、直流输电等大容量电力变换领域的广泛应用，其可靠性问题成为学术界和工业界的研究热点。基于因果模型的可靠性分析方法虽然在研究早期提供了原理层面的阐述，但在多物理场强耦合的复杂工况中的应用价值较低，而基于数据模型
摘要：随着电力电子技术在新能源、高速机车、直流输电等大容量电力变换领域的广泛应用，其可靠性问题成为学术界和工业界的研究热点。基于因果模型的可靠性分析方法虽然在研究早期提供了原理层面的阐述，但在多物理场强耦合的复杂工况中的应用价值较低，而基于数据模型的可靠性研究方法尚处于初级阶段。该文提出将大数据处理技术应用于大容量电力电子系统可靠性研究的新思路，充分借助电力变换装置的海量历史运行数据，引入机器学习、数据挖掘和人工智能等大数据科学的最新理论成果，从数据泛在关系出发开展可靠性研究。论文详细阐述电力电子系统的大数据特征，并总结电力电子系统大数据应用中的若干关键技术。此外，论文从器件–装置–系统等多个层面深入分析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。大数据基本理论和方法的应用将提供一种通过数据关系间接理解原理本质的研究方法论的思维转变，有望为电力电子系统的可靠性研究开辟新途径。
关键词：大容量;电力电子系统;数据模型;大数据处理
0 引言
近年来，大容量电力电子技术因其主动可控性强、动态响应速度快和能量转换效率高等优点，成为新能源接入[1-2]、高速机车牵引[3-6]、智能输配电[7-8]、工业节能和国防装备中的基础性技术。特别是随着能源互联网战略的提出[9]，电力电子与电力系统的深度融合日益成为电气工程领域的研究热点。大容量电力变换系统的功率等级一般在百 kW 级乃至数十 GW 级以上，电压等级一般在 kV 级乃至数百 kV 级以上，电流等级一般在数百安培级乃至数万安培级以上。大容量电力电子系统的运行环境和运行工况日益复杂，例如在特种电源领域，面临极高温/ 极低温、强辐射、高压强等极端环境条件，处于电压/电流/功率大波动、规则/非规则的高脉冲功率和周期/非周期性强机械振动等极端运行工况。电力变换装置的可靠性对提高应用系统的综合性能、降低运维成本具有极为重要的作用。相关统计表明，光伏发电系统的计划外检修有 37%是由电力电子变换器故障引发[10];在交流变频驱动和风力发电系统中，电力电子装置导致的故障分别占到 38%和 13%[11-12]。因此，大容量电力电子装置及系统的可靠性日益成为学术界和工业界关注的焦点。
尽管大容量电力电子系统的运行环境和工况日益复杂，但技术、工艺和设计等的不断创新提高了电力电子装置在电–热–机等多重高强度应力下的可靠性。基于 50 万个高压大容量 IGBT 模块的统计表明[13]，模块的失效率从 1995 年的 1000FITs (1FIT 109 /(件h))下降到 2000 年的 20FITs。然而，目前电力电子装置的可靠性与用户的需求仍有较大差距，航空航天、交通牵引、输配电等领域对电力电子装置的故障率期望在 10FITs 以下[14]。此外，上述对可靠性要求较高的领域往往伴随着复杂的运行工况，为电力电子装置的可靠性设计带来更大挑战。由于电力电子装置是应用系统的动力接口，一旦装置发生故障，将会导致整个系统停运，其运维成本极高、停运损失极大。相关统计表明，有 40% 以上工业用户因电力电子装置故障造成的损失达到系统总成本的 50%以上[14]。
在电力电子装置失效因素中，约 50%是由功率半导体器件与印刷电路板(printed circuit board， PCB)的故障引发，16%是由电容失效造成，随后依次为母排故障、连接部分故障和控制芯片故障等[15]。以大容量 IGBT 模块的失效为例，由于模块封装的多层结构及多相异质材料的热膨胀系数不同，在反复热循环冲击下，多层材料内部疲劳损伤积累造成老化，引发铝键合线脱落和焊料层疲劳失效[16-19]。电力电子装置失效的原因可分为外部诱因和内部诱因，其中外部诱因是指过电压、过电流及过热等极端工况导致的短时间尺度的过应力失效;而内部诱因指在电气应力、热应力、辐射等条件下疲劳逐渐累积造成的长时间尺度老化[20]，具体如图1所示。
1 大容量电力电子系统可靠性研究现状
大容量电力电子系统具有多物理场(电磁场、温度场、应力场等)多环境因素(振动、过热、潮湿、灰尘等)强耦合的运行工况，其故障失效通常是由多种诱因耦合作用所致。因此，对其可靠性的研究具有多学科交叉的特点。纵观学术界和工业界的研究现状，电力电子装置可靠性的研究方法主要包括基于因果模型和基于数据模型两大类：
1)基于因果模型的可靠性研究方法：根据电力电子装置具体元器件(如半导体器件、电容器)老化失效的物理原理，分析装置失效故障的本质机理和因果关系，从而建立电力电子装置的可靠性模型。例如在半导体器件方面，之前的研究针对物理原理通过有限元分析(finite element analysis，FEA) 等手段提出了大量可靠性分析模型，如 CoffinManson 模型[21-22]，Norris-Landzberg 模型[23]及 Bayerer 模型[24]，为器件工作寿命和老化积累的研究提供理论分析。
但是，这种基于因果关系建立可靠性分析模型的研究方法具有较大局限性。首先，随着电力电子装置在新能源并网、电动汽车、电能质量补偿等领域的广泛应用，运行工况日益复杂，意味着通过科学机理对装置可靠性进行全面系统的研究仅存在理论可能。实际模型往往只针对单一因素或单一工况，并存在较多假设和忽略，这使得研究模型与实际工程应用之间严重脱节。
因此，基于因果模型的可靠性研究方法虽然提供了原理层面的阐释，但在多时间尺度多物理场耦合的实际工况下，该方法过于注重对因果关系的科学原理的分析，大大增加了研究周期和复杂程度。
2)基于数据模型的可靠性研究方法：在可靠性领域发展初期，研究人员利用统计学方法建立了众多可靠性分析模型，例如 MIL-HDBK-217， PRISM 和 Telcordia 等[25-27]。它们将失效率作为可靠性分析的重要指标，并将装置从出厂到老化失效期间按照失效率划分为 3 个阶段：早期故障阶段，偶然故障阶段，损耗故障阶段。如图 2 所示。
在产品投入使用初期，零件不合格、材料不良或者加工转配工艺不好等原因导致故障率较高，随着产品的更换、改进和磨合等，故障率迅速下降。
在偶然故障阶段产品的故障率近似于常数，故障被视为由偶然因素引起的随机事件。在耗损故障阶段，器件老化积累导致故障率迅速升高，产品逐渐发生故障不能继续使用。在整个寿命周期中故障率近似满足统计学中的韦伯分布。
然而，基于统计学原理建立的早期可靠性模型往往只适用于海量样本的随机分析，较多用于产品质量检验。而在实际工程应用中，可靠性研究更多关注有限数量装置的全生命周期管理和老化失效预测，样本数量较少，因此统计模型应用价值较低，尤其是对于单台装置的故障预防和寿命预测存在困难。
近年来，基于数据模型的可靠性研究方法开始关注众多传感器测量得到的装置外部参数之间的关联、聚类、时间序列等关系。这些参数是装置内部机理的外部表征，在多时间尺度多物理场耦合的运行工况下，对于这些参数的研究更加直观。基于数据模型的方法不拘泥于对原理层面的探索，能够充分利用装置历史运行数据库提供的海量信息，因此与实际工业应用结合紧密，研究周期大大缩短。例如，IGBT 模块的铝键合线裂纹、脱落会造成相同导通电流 Ice 和结温 Tj 情况下饱和压降 Uce 上升[19]，而铜基板与直接覆铜板(direct bonded copper， DBC)之间的焊接层老化会造成热阻的上升[18]，因此，通过对 Uce 和模块热阻的测量数据进行分析，对比它们与正常值的差异可以较准确的评估模块老化程度。这种方式主要建立在数据采集和分析的基础上，充分利用与器件可靠性问题相关的参数，进行数据挖掘以及可靠性信息的提取，而不用过多考虑复杂的器件工作机理和模型，在工程应用中简单易行，实际应用价值较高。
然而，目前该研究方法尚处于初级阶段，采用的数据处理算法仅为相关性分析、回归分析、聚类分析等基础算法，适用于较小的数据样本。而近些年来，随着工业互联网、能源互联网等战略的提出，以及设备监控系统和传感器技术的不断发展，可靠性研究的数据样本将呈现爆炸式增长。融合为计算机、商业、金融业等领域带来颠覆性变革的大数据处理技术，研究基于海量数据的可靠性理论和方法将有可能成为新的热点。借助大数据技术对海量电力电子装置的历史数据库进行处理，通过数据挖掘、关联分析、聚类分析、人工智能、机器学习等先进手段充分挖掘设备可靠性信息，有望为电力电子可靠性研究提供一种通过数据表征间接理解原理本质的研究方法。
2 大数据处理技术的基本知识
21 世纪以来，伴随着物联网、移动互联网、云计算等概念的提出和应用，全世界已经进入了一个数据爆炸时代，根据国际数据公司(IDC)的报告显示，仅在 2011 年全世界就产生了 1.8ZB(1.8 1021B) 的数据[28]，对数据存储能力、处理能力、展现能力等带来的巨大挑战。2011 年，麦肯锡全球研究院发布的《大数据：下一个创新、竞争和生产力的前沿》研究报告中，正式提出了大数据(big data)概念。
大数据定义为无法在规定时间内用现有的常规软件工具对其内容进行抓取、管理和处理的数据集合[29]。而大数据处理技术集合了分布式存储、并行处理、云计算、数据仓库、实时流计算、数据可视化以及非关系型数据库等针对海量数据处理的新技术。
相关知识推荐：电力职称论文适合发表哪些期刊
图灵奖得主、关系数据库的鼻祖 Jim Gray 将人类科学的发展定义为如图 3 所示的 4 个“范式”，并描绘了第 4 范式的愿景[30]。在前 3 范式中，科学研究的路径是先对复杂物理、化学乃至社会学原理进行分析与建模，然后再通过仿真和实验数据来证明结论，最终将结论运用于实际生产生活中。而第 4 范式(数据科学)强调通过对已有数据进行分析和挖掘，得到隐藏在复杂原理背后的因果、关联、相关、聚类等关系，从而指导科学研究与工业应用。因此，第 4 范式是一种以数据为驱动力的科学研究方式，而大数据处理技术正是第 4 范式思想在实际应用中的体现。
2013 年，中国电机工程学会信息化专委会发布了《中国电力大数据发展白皮书》，将 2013 年定为 “中国大数据元年”，加速了电力大数据的研究。大数据理论和方法正逐步应用于智能电网的数据管理、电力市场的业务分析、大电网的安全运行等[31-38]。然而，大数据处理技术在大容量电力电子系统中的应用却尚未引起学术界和工业界重视。
3 大容量电力电子系统的大数据特征
为了深入地阐释大数据的基本概念，本节以典型的高铁传动系统为例，具体阐述大容量电力电子系统的大数据的特征。
3.1 数据量大(Volume)
开关半导体器件、变压器、无源器件等大容量电力电子系统的组成部件需安装相关传感器和监控设备，从而保证系统运行的可靠性。当采样频率较高时，服务器需要实时处理的数据量以及数据库中堆积的历史数据量将相当庞大。
至 2020 年，我国将建成 18000km 的高速铁路网，投入运营的高速动车组将达到 2000 列以上[3]。以 CRH3 型高速动车组为例，每列车由两个互为冗余的牵引单元组成，以牵引单元 1 为例，其结构布置如图 4 所示。牵引变流器牵引变流器 M M M M M M M M 牵引变压器牵引电机 牵引电机车间跨接电缆图 4 高铁牵引系统结构布置图 Fig. 4 Structure layout of high speed railway traction system 牵引变流器作为传动系统的核心部件，主要由牵引控制单元、输入接触器、预充电电路、四象限整流器、串联谐振电路、直流侧电压检测单元、过压限制模块、逆变器和牵引变流器冷却系统等构成[5]。高铁作为铁路运送的载体，对于其牵引传动系统进行瞬态信息检测和提取，对故障判断甚至预测具有重要的价值。仅以对牵引变流器中 IGBT 模块的监测为例，大容量 IGBT 模块的关断时间通常为s 级，为有效提取开关阶段的瞬态电气参数，设采样频率为 10M/s，对每个 IGBT 模块采集 vce、 ice、vge 等基本电气数据，则每秒产生的数据量为 360MB，1 小时产生的数据量将近 1TB。当各个传感器源源不断地获取并传递数据时，数据量之大将远超过传统数据存储和处理方式的能力范围。
3.2 数据高速性(Velocity)
在对处理速度要求极高的场合，比如在高铁传动系统中，为保证运行状态监控和预警的实时性，需迅速处理完实时到达的海量数据流并完成故障判断。图 5 为 ABB 公司的压接式 IGBT 模块(4500V/ 2000A)在一个开关周期内的开通和关断波形。由此可以看出，器件在开关过程中产生的过压过流往往在几s 的时间尺度内发生，因此在大容量电力电子系统中，对大数据处理速度的要求远远高于商业、金融、计算机等领域。
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。——论文作者：何湘宁，石巍，李武华，罗皓泽，赵荣祥
参考文献
[1] 李文津，汤广福，康勇，等.基于 VSC-HVDC 的双馈式变速恒频风电机组启动及并网控制[J].中国电机工程学报，2014，34(12)：1864-1873. Li Wenjin，Tang Guangfu，Kang Yong，et al.Starting up and integration control of doubly-fed variable-speed constant-frequency wind power generator based on VSC-HVDC[J].Proceedings of the CSEE，2014，34(12)： 1864-1873(in Chinese).
[2] Du W J，Bi J T，Wang T，et al.Impact of grid connection of large-scale wind farms on power system small-signal angular stability[J].CSEE Journal of Power and Energy Systems，2015，1(2)：83-89.
[3] 刘建强，李石，游小杰，等.高速动车组牵引传动系统可靠性评估[J].电工技术学报，2013，28(1 增)：370-376. Liu Jianqiang，Li Shi，You Xiaojie，et al.Reliability evaluating for traction drive system of high-speed electrical multiple units[J] . Transactions of China Electrotechnical Society ， 2013 ， 28(1S) ： 370-376(in Chinese).
[4] Song W，Jiao S，Li Y W，et al.High-frequency harmonic resonance suppression in high-speed railway through single-phase traction converter with LCL filter[J].IEEE Transactions on Transportation Electrification，2016，2(3)： 347-356.
[5] 崔秀国.CRH3 型动车组电气系统可靠性研究[D].北京：北京交通大学，2013. Cui Xiuguo.Research on the reliability of electrical system for CRH3 electric multiple units[D].Beijing： Beijing Jiaotong University，2013(in Chinese).
[6] Lee K K.Advances in the application of power electronics to railway traction[C]//Proceedings of the 6th International Conference on Power Electronics Systems and Applications.Hong Kong，China：IEEE，2015.
[7] 杨洁，刘开培，王东旭，等.向无源网络供电的双端柔性直流输电系统小信号稳定性分析[J].中国电机工程学报，2015，35(10)：2400-2408. Yang Jie，Liu Kaipei，Wang Dongxu，et al.Small signal stability analysis of VSC-HVSC applied to passive network[J].Proceedings of the CSEE，2015，35(10)： 2400-2408(in Chinese).
[8] Amiri M，Amiri M，Afjei E.A novel distributed FACTS controller based on combined two half-bridge inverter[C]// Proceedings of the IEEE Canada Electric Power Conference.Vancouver，BC：IEEE，2008：1-4.
[9] 马钊，周孝信，尚宇炜，等.未来配电系统形态及发展趋势[J].中国电机工程学报，2015，35(6)：1289-1298. Ma Zhao，Zhou Xiaoxin，Shang Yuwei，et al.Form and development trend of future distribution system[J] . Proceedings of the CSEE，2015，35(6)：1289-1298(in Chinese).
[10] Moore L M，Post H N.Five years of operating experience at a large，utility-scale photovoltaic generating plant[J]. Progress in Photovoltaics：Research & Applications， 2008，16(3)：249-259.
[11] Reliawind.Report on wind turbine reliability profiles： Field data reliability analysis[Online].2011.Available： http://www.reliawind.eu/files/fileinline/110502_Reliawind _Deliverable_D.1.3ReliabilityProfilesResults.pdf.
[12] Fuchs F W.Some diagnosis methods for voltage source inverters in variable speed drives with induction machines-a survey[C]//Proceedings of the 29th Annual Conference of the IEEE Industrial Electronics Society. Roanoke，VA，USA：IEEE，2003：1378-1385.
[13] Yang S Y，Xiang D W，Bryant A，et al.Condition monitoring for device reliability in power electronic converters：A review[J].IEEE Transactions on Power Electronics，2010，25(11)：2734-2752.
SCI SSCI AHCI