融合失效物理模型与AI驱动搜索的多电平变换器可靠性导向最优参数设计

《Results in Engineering》：Reliability-Oriented Optimal Parameter Design of Multilevel Converters Integrating Physics-of-Failure Models and AI-Driven Search

　　

研究人员提出一种集成失效物理（physics-of-failure）模型的双阶段分层框架，用于构建功率变换器最优参数设计；开发复杂性惩罚神经架构搜索（CP-NAS）方法，以自动平衡预测精度与模型轻量化；提出性能指标梯度优化（PIGO）算法，以克服维度灾难并保证高可靠性收敛。

（4）研究解读

研究背景与问题：先进电力电子技术是智能电网的核心支撑，多电平变换器（multilevel converter）广泛用于柔性直流输电、交直流有源配电网和分布式能源接入等场景，可提升电能质量与系统稳定性并降低谐波和功率损耗。然而，为满足日益严格的性能要求，多电平变换器设计必须综合平衡高效率、功率密度、低谐波畸变等冲突目标，因此多目标约束下的系统参数优化设计十分关键。现有变换器优化设计正由人工设计（H-D）和计算机辅助优化设计（CAO-D）向人工智能驱动设计（AI-D）转变；H-D与CAO-D迭代周期长、精确多物理解析模型难以推导，在复杂拓扑中受限。AI-D可学习设计参数与性能指标间的数据驱动映射，神经架构搜索（NAS）进一步显示出自动化建模潜力，但直接用于功率变换器优化会带来严重计算负担，多维参数设计所需海量高频进化迭代要求高度轻量化代理模型，并需结构正则化以防止过参数化。该研究指出多电平变换器优化仍有两个关键挑战：其一，高维搜索瓶颈，当综合优化涉及五个及以上冲突目标时，标准多目标进化算法如非支配排序遗传算法III（NSGA-III）易发生Pareto前沿塌缩，大量候选参数集互不支配，搜索失去方向性选择压力并随机偏离物理最优；其二，现有功率半导体热可靠性AI分析多依赖理论热仿真，将经实际加速老化试验校准的物理寿命模型嵌入参数设计阶段仍需探索，关键是如何把实验验证的热疲劳机制作为主动优化梯度，嵌入AI驱动参数生成闭环以主动引导数学收敛。为此，研究人员提出AI驱动多目标最优电路参数设计方法，将开关器件寿命模型纳入设计框架，以兼顾电气性能与器件寿命。该研究由Shaishai Zhao、Jianfei Chen和Caisheng Wang完成，提出双阶段分层设计框架，将复杂变换器设计解耦为两个顺序任务，并把经实际加速老化试验校准的失效物理（physics-of-failure）寿命模型作为主动物理约束嵌入闭环优化；开发CP-NAS，通过结构正则项自动平衡预测精度与模型轻量化，消除人工超参数调优；提出PIGO，通过嵌入分层物理优先矩阵施加非对称选择压力，解决高维目标空间维度灾难，保证收敛至工业安全边界。其意义在于将半导体可靠性由被动后设计验证转为主动优化驱动。

关键技术方法概述：研究人员采用功率循环加速老化试验校准目标碳化硅器件的复合Coffin–Manson–Arrhenius寿命模型，试验对象为每工况4—5只开关器件同时测试，以ΔT_j为130°C、110°C和90°C三组应力诱导结构疲劳；用PLECS仿真获取结温轮廓，并以雨流计数提取ΔT_j和T_jm；生成7200组设计参数组合（DPC）并按7:3划分训练集与测试集；用CP-NAS结合NSGA-III搜索功率变换器性能估计模型（PEM）的网络结构；用PIGO结合NSGA-III优化DPC；在2 kW四电平有源中点钳位（4L-ANPC）逆变器样机上进行硬件验证和对比实验。

研究结果：

3.1 Results of the PEM Using CP-NAS method（基于CP-NAS的PEM结果）：通过将母线电容、滤波电容、电感和开关频率分别划分为12、3、10和20份，生成λ=7200组DPC，并基于建模仿真获得性能指标、按7:3划分数据集；采用NSGA-III搜索网络结构，种群最终聚焦于一个最优解，PEM平均绝对误差仅0.32%，模型复杂度为196；最优网络为5层，每层神经元数为{34, 37, 26, 39, 39}，批量大小为16，激活函数为“Sigmoid”。对比表明，CP-NAS测试误差0.32%、单次推理时间0.12 ms，优于标准NAS的0.48%和5.15 ms以及经验建模的1.25%和1.78 ms。结论是CP-NAS在保持高预测精度的同时实现计算敏捷性。

3.2 Results of the best DPC using PIGO method（基于PIGO的最优DPC结果）：通过PIGO获得Pareto前沿，显示设计参数与性能指标间清晰映射；最优整体性能点在冲突目标间取得较优平衡。表VI给出C_bus1、C_bus2、C_bus3为1077 uF，L_a、L_b、L_c为318 uH，C_a、C_b、C_c为10 uF，f_s为25 kHz；预期开关寿命（LOS）为8.25年，Ef为98.45%，THD为1.47%，RI__Cbus为3.43（2.6%），RI__Ioutput为0.37（4.7%），VOL为582.90 cm³，Cost为$65.55；正文亦述及期望LOS为8.21年。结果表明最高可靠性与效率需较大体积和较高成本，所提方法可识别权衡曲线膝点以保证稳健运行。

4.1 Results of hardware experiments（硬件实验结果）：通过构建4L-ANPC逆变器实验样机并测试，验证设计精度。开关采用SCT3080AL，T_vj=175°C；A相通道08K稳态壳温最高为38.85°C，作为可靠性基准；基于校准热阻0.9 K/W和计算功率损耗确定关键开关结温，并按Coffin–Manson与Arrhenius模型由实测热应力得到实验验证LOS为8.21年，与表VI优化理论值8.25年匹配。实测Ef与计算值误差约0.20%，THD误差约0.31%；RI__Cbus和RI__Ioutput实测均值分别为4.7 V和0.75 A，纹波比分别为3.5%和9.4%，满足设计目标但存在测量误差；不同功率下测试显示设计变换器性能随功率增加而优化。结论是所提优化算法正确且设计精度较高。

4.2 Comparison experiments（对比实验）：通过控制变量法在L=1700 uH和不同f_s下观察Ef、THD和RI__Ioutput变化。L=1700 uH采用双核NPS184060，体积42.75 cm³、成本$8.95。Ef随f_s增大而降低，THD在25 kHz逐渐趋平；f_s=15 kHz且L=546 uH时RI__Ioutput>10%，不满足目标，其余三种情况满足。表IX显示15 kHz/1700 uH与25 kHz/546 uH效率几乎相同（98.24%与98.25%），但前者LOS为10.21年，显著长于后者的8.21年；原因是15 kHz时部分总功率损耗由半导体芯片转移至磁性元件，整体效率因较大电感器铜损和铁损增加而保持相近，但开关器件热应力明显缓解，从而提高系统可靠性。结论是效率本身不足以作为可靠性指标，内部损耗分布显著影响半导体结温和寿命。

4.3 Comparison experiments with other methods（与其他方法对比实验）：通过与其他AI优化设计方法及CP-NAS、PIGO的定量比较，验证所提框架性能与必要性。与Ref.[9]、Ref.[10]相比，所提方法优化参数覆盖多个电容、电感和开关频率，优化目标包括LOS、Ef、THD、RI__Cbus、RI__Ioutput、VOL和Cost，并创新性纳入可靠性；其他方法未考虑可靠性。CP-NAS相比标准NAS和经验建模具有更低误差和更短推理时间；PIGO相比标准NSGA-III和经验设计，同时实现8.25年LOS、98.45%Ef和1.47%THD，而NSGA-III为6.18年、98.38%和1.55%，经验设计为5.23年、97.85%和2.15%。结论是所提方法在优化参数多样性、优化目标全面性和误差可接受性方面优于现有方法，为功率变换器优化设计提供高效智能方案。

讨论与结论（译文）：原文结论指出，本文将复杂功率变换器最优电路参数设计概念化为双阶段、物理约束的算法问题，并提出先进AI驱动方法以系统处理效率、功率密度和长期可靠性之间的严重冲突。首先，通过引入CP-NAS，框架建立定制化结构正则化机制，消除对启发式专家调参的依赖，并从本质上防止网络过拟合，建立稳健而轻量的代理映射。其次，所提PIGO算法成功解决多目标变换器设计中常见的维度灾难；通过将领域知识驱动的分层优先矩阵嵌入遗传进化过程，算法施加非对称选择压力，保证数学收敛严格遵循工业安全与可靠性边界。最后，通过将失效物理热疲劳模型直接集成到主动优化闭环，本工作使半导体可靠性从被动后设计验证步骤转变为主要优化驱动因素。针对4L-ANPC逆变器样机的全面硬件验证证实，所识别参数实现优异的半导体期望寿命8.21年与98.45%效率。最终，本研究为同时要求多维电气卓越和极端器件长寿命的现代电力电子提供高效且算法稳健的设计范式。