基于多层感知机与贝叶斯正则化的模块化多电平换流器结温度估算方法

《IEEE Open Journal of Power Electronics》：Machine Learning Junction Temperature Estimation Method Based on TSEP in MMCs

　　

摘要：

模块化多电平换流器（MMCs）是适用于各种高压和中压电网应用的一种有吸引力的解决方案。然而，它们由多个子模块（SMs）串联组成，这些子模块会受到不均匀的热应力影响，从而导致不同子模块的老化速度不同，并可能引发换流器的意外故障和 malfunction。因此，采用了各种主动热控制策略，通过利用 MMC 中功率器件的结温度信息来平衡热应力。有几种方法可以估算结温度；最常见的是基于带有集总参数的分析模型或基于热敏感电参数（TSEPs）的方法，这些方法利用半导体集电极-发射极电压的测量值。然而，这些方法存在一些局限性，例如对参数变化高度敏感，且无法跟踪快速的热变化；此外，TSEP 方法很容易受到开关频率下的 PWM 噪声以及集电极-发射极电压与结温度特性拐点附近非线性的影响。为了解决这些问题，本文提出了一种基于机器学习（ML）的估算架构，该架构采用了多层 perceptron（MLP）神经网络（NN）。所提出的数据驱动模型在结合贝叶斯正则化和选择性地进行导电采样的情况下，能够解决非线性问题并消除测量误差。通过实验验证（使用 Power-Hardware-in-the-Loop (PHiL) 系统），该方法能够显著降低平均绝对误差（MAE）和均方根误差（RMSE）。