当前位置： 仪表板 >> 仪表板介绍 >> 智慧多功能杆电源热稳定性评估的新方法
鉴于热参数是影响智慧杆电源稳定性的重要因素，江苏未来城市公共空间开发运营有限公司的黄李奔，在年第6期《电气技术》上撰文，提出基于BP神经网络模型的热稳定评估方法。构建测温实验平台，开展不同环境温度、不同负载条件下的电源温升特性实验，通过不同工况的热评估验证了所提方法的有效性。结合未来应用场景及其气象环境，对智慧杆电源在使用前进行热安全性评估分析，为产品的实际使用和后续性能提升提供支撑。
智慧多功能杆（以下简称“智慧杆”）是由杆体、综合箱和综合管道等模块组成，可挂载两种及以上设备，与系统平台联网，实现或支撑实现智能照明、视频采集、移动通信、交通管理、环境监测、气象监测、应急管理、紧急求助、信息发布、智慧停车等城市管理与服务功能的新型公共基础设施。
智慧杆上面搭载了大量的传感器和智慧设备，这些设备的电压、功率各不相同，例如信息发布屏多为ACV，5G基站为DC48V，视频摄像机多为AC24V，LED灯具多为DC24V，广播多为DC12V等。目前，供电方式以市电接入、配合多种适配器电源转换的传统形式为主，无法实现集中管理和远程控制等。智慧杆设备布置和负荷如图1所示。
图1智慧杆设备布置和负荷近年来，根据智慧杆多种设备稳定运行和统一管理的需求，陆续有部分企业，如南网能源、深圳茂硕、江苏未来城市等，开始研发适用于智慧杆的一体化电源，初步具备了远程开关、实时计量、电压转换、多路输出等功能，支持DC48V、DC24V、DC12V等设备应用的需求。智慧杆电源适配设备需求如图2所示。
智慧杆电源中有诸多电力电子器件，电子产品的工业化发展离不开技术性和可靠性，而整个电子系统的可靠性则由电源可靠性把关。因此，注重开关电源可靠性是提升智慧杆系统稳定性的关键。
图2智慧杆电源适配设备需求开关电源是一种轻量化的高效电源，按照输出方式的不同主要分为直流（DC-DC）和交流（AC-DC）两种类型。开关电源目前在数据通信等民用领域和航天科工等军用领域都有广泛的应用前景，且在我国电源产品中的占比已高达60%。
多样化的工作环境对开关电源输入电流上限和工作频率的要求一再提高，过多的功率负担意味着功率元件的剧烈升温，高温会带来电子元件损坏、材料老化等不可逆危害，这给其核心电源模块的电子元件热稳定性设计带来了巨大的挑战。范莉莎的研究指出，电子元件工作温度每提升2℃，电源可靠性就会下降10%；当工作温度突破50℃时，电源寿命仅有20℃工作温度时的16.66%左右。
电源模块易受热失效的元件包括电解电容、电感和功率金属-氧化物半导体场效应晶体管（MOSFET）。其中，电解电容的高温失效机理主要是由于电解液的蒸发导致，电解液浓稠会使电容电阻率上升，此外电解液减少还会降低与氧化层的接触，使电容值降低，电解电容热失效机理示意图如图所示。
图电解电容热失效机理示意图电感的失效则主要是由电感线圈的热量积累导致，线圈的绝缘皮层由于高温熔化脱落，相邻线匝互相接触引发短路，造成电感值减小。功率MOSFET热失效诱因可分为两类，一类是栅-源极击穿效应，另一类是热载流子效应，而环境高温的应力作用还会加剧这两种效应。MOSFET失效分析见表1。
表1MOSFET失效分析针对温度对电源等电子设备的稳定性影响问题，一些学者已开展了相关研究工作。
罗哲雄等提出双面散热汽车绝缘栅双极型晶体管（IGBT）模块热测试方法，可准确实现双面与单面结-壳热阻测试。
以逆变电源为研究对象，郭庆等开展FloTHERM仿真建模分析，采用有限元方法构建离散化方程组，分析逆变电源内部功率器件的温度变化特性。
周月阁等提出一种基于iSIGHT平台的开关电源电热耦合仿真分析方法，针对开关电源构建了其电路及稳态热场的仿真模型，基于iSIGHT平台并结合各种仿真软件优势，对开关电源的电热耦合模型进行优化，研究结果显著提高了仿真精度。
张艺耀等开展基于流-固耦合的船用电源模块流场及温度场分析，针对船用不间断电源，利用有限元软件Icepak对其进行仿真模拟计算，通过合理的散热布局及效果优化，有效降低了电子器件的发热温度。
1理论研究和方法分析1.1研究对象分析
本文的研究对象——未来城市智慧杆电源，具有适用多种应用场景的特点，具体包括智能数据采集、多路计量、电源转换、负荷控制和安全分析等。智慧杆电源具有多电轨、分路计量、远程通/断、状态和故障告警等功能，装置采用计量模块、负载控制模块、电能变化模块、多电轨模块、安全边缘计算模块和通信模块，支持DC48V、DC24V、DC12V的输出需求。智慧杆电源结构示意图与实物如图4所示。
图4智慧杆电源电源的热稳定性研究通常采用电流试验、热成像、热电偶测温等物理方法进行实验分析，测试成本高且准确性较低。本文研究的智慧杆电源，结构设计较为复杂，单一的实验研究手段难以满足热稳定性精确分析的要求；且由于电子元器件数量和种类众多，依靠有限元仿真或热网络分析等建模方式需要简化热路，易造成计算不可靠等问题。
因此，本文提出通过神经网络模型来实现对智慧杆电源的热稳定评估，以解决上述问题。通过开展智慧杆电源的热稳定性研究，阐明电源在不同环境温度和负载条件下的温度变化机理，有助于厘清电源在正常工作或恶劣工况条件下的超温概率，判断电源在不同工作条件下是否产生过热现象，从而合理规避风险，并最终提高电源使用寿命。
1.2神经网络算法原理
人工神经网络是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点。BP（backpropagation）神经网络算法又称为误差反向传播算法，是人工神经网络中的一种监督式学习算法。
BP神经网络算法在理论上可以逼近任意函数，其基本结构由非线性变化单元组成，具有很强的非线性映射能力。网络的中间层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定，灵活性很大，在优化、信号处理与模式识别、智能控制、故障诊断等许多领域都有广泛的应用。
作为一种模仿生物神经网络功能和结构的数学模型，神经网络通过寻找整个系统的输入和输出之间的关系解决实际问题。神经网络的数学模型如图5所示，其基本单位是神经元，神经元单位由连接结构、激励函数和学习规则三个重要因素决定。
其中，连接结构表示神经网络中各个神经元之间的连接组合形式，决定了神经元在网络中的处理能力和映射方式；激励函数是神经元进行运算时使用的计算函数。神经元通过使用各种激励函数，并结合学习规则进行神经元输出和网络参数权重的更新；学习规则负责进行网络中权重的调整。
图5神经网络数学模型神经网络是由大量、简单的神经元进行广泛的互相连接而形成的复杂网络模型，神经元模型中x1,x2,...,xm为输入向量的分量，wk1,wk2,...,wkm为突触的权值，bk为传递函数偏置，偏置后为神经网络元的激励函数，最后为神经元的输出结果。
神经网络模型通过传递函数的转换规则，实现了强大的输入输出映射关系，具有并行分布处理、高度鲁棒性、分布存储及学习能力，以及充分逼近复杂非线性关系的能力。作为一种应用最广泛的神经网络，多层前馈神经网络利用梯度下降思想并通过梯度搜索技术，最小化网络的实际输出值和期望输出值的损失函数值。从结构上来看，多层神经网络模型具有输入层、隐含层和输出层，神经网络结构示意图如图6所示。
图6神经网络结构示意图式（1）—（4）神经网络模型对非线性函数模型的学习，按照工作机制，依次是数据输入后的正向传播和误差的反向传播，两种方式交替运行，一定次数后达到理想精度。正向传播过程将数据经隐含层传送至输出层，并且该过程中网络的权值和阈值始终不变。进行反向传播时会计算实际输出与理想结果的误差，将误差重新输入输出层并向前层传播，通过梯度下降法调节各个网络节点的权重与阈值，此过程又被称为学习过程。
1.热稳定性评估方法设定
基于以上研究，可以通过神经网络算法得到环境温度与电源温度之间映射关系的神经网络模型，将真实环境温度数据代入神经网络模型中得到映射的电源温度，最终通过判断电源温度是否满足安全温度阈值，完成电源系统的热稳定性评估，其具体评估过程如图7所示。
图7电源系统热稳定性评估过程具体评估步骤如下：
1）进行神经网络模型的初始化，对各个节点的权值和阈值进行赋值；2）向系统输入一组训练数据；）将训练数据做归一化处理；4）建立神经网络模型；5）设置节点的权值、输出层的一般化误差和隐含层的阈值，计算隐含层的一般化误差，并修正各个节点的权值和阈值；6）将得到的训练结果数据做反归一化处理；7）判断误差、结果和训练次数是否达到要求，如果未达到则进行步骤2）；如果达到则结束模型预测；8）将实际环境温度样本代入已建立的神经网络模型，获得对应的智慧杆电源温度样本；9）针对步骤8）获得的电源温度样本数据进行过温判断，获得其过温概率，完成电源稳态温度热安全性评估。
综上所述，本文所提智慧杆电源的热稳定性评估方法，首先通过实验进行电源的温升特性研究；然后基于神经网络模型建立环境温度、负载条件与电源稳态温度的映射关系；继而将气象数据作为输入参数代入已构建的神经网络映射模型中，计算出不同负载条件下各电源稳态温度值即具体的输出参数；最后根据已设置的电源稳态温度阈值，计算超温概率，判断电源在正常工作条件下是否存在超温风险或过热现象，完成该款智慧杆电源的热稳定性评估。
2实验测试和数据分析2.1测试平台搭建
对于智慧杆电源的热稳定性评估研究，首先需开展实验测试分析工作。基于智慧杆电源、恒温箱、热敏电阻、数据采集卡、负载电阻、空气开关等实验设备，搭建智慧杆电源温度测量实验平台，电源测温实验系统示意图如图8所示。
将智慧杆电源盒放在恒温箱内部，并在其内部12V、24V、48V电源表面设置热敏电阻，通过导线连接数据采集板，各电源输出端接电阻负载并设置空气开关以起电路保护作用。在不同温度和负载条件下，接通电路开关，通过数据采集软件，获取12V、24V、48V电源温度随时间的变化数据。此外，在恒温箱内部加设一个热敏电阻监测环境温度是否为设定状态。
图8电源测温实验系统示意图本实验所采用的恒温箱型号为—S电热鼓风干燥箱，带智能数显控温仪表，具有时间比例调节功能的控温器及白金传感器作为本仪器的测温控温系统，温度控制范围为室温～00℃，温度分辨率为0.1℃，温度波动度为±1℃。通过电加热器对工作室内空气进行加热，经过空气对流循环，实现工作区与被加热物品的热量交换，实现加热烘烤的功能。工作室上侧设置排风阀，工作过程中可随时将加热释放的潮气排出箱外，从而保证实验过程中环境温度稳定。
考虑电源实际工作场景与装配结构，设置电源温度测试实验工况见表2。其中，环境温度分别为26℃、0℃、4℃、8℃、42℃、46℃、50℃；负载组合情况共有7种，分别为12V电源接负载、24V电源接负载、48V电源接负载、12V+24V电源接负载、12V+48V电源接负载、24V+48V电源接负载、12V+24V+48V电源接负载。
在测温实验过程中，待电源温度随时间变化达到稳定状态时停止实验，最终获取实验工况条件下的各温度变化曲线，从而分析各电源正常工作时的稳态温度随环境温度变化的关系（后续图表仅以环境温度42℃为例）。
表2电源温度测试实验工况2.2电源温度随时间变化关系
基于测温实验平台与实验设计工况，开展不同环境温度和不同负载条件下的电源温升实验，获取12V、24V、48V三个电源各自的温度随时间的变化关系。图9所示为环境温度42℃条件下的电源温升曲线。
图9电源温升曲线（以环境温度42℃为例研究发现，智慧杆电源盒内的电源在接负载的条件下，其温度上升过程大致分为三个阶段：
1）初始阶段表现为线性变化或近似弹性变化。在此阶段内，电源温度与时间成近似线性关系，电源温度随时间的推移迅速增大。
2）随着时间的进一步增加，电源温度随时间推移的增长程度逐渐减缓，类似于材料的屈服过程。在此阶段内，与初始近似弹性变化阶段相比，电源上升同样的温度所需的时间逐渐延长。
）电源在具体工况条件下的最终温度表现为某一恒定值，温升曲线收敛至该恒定值，类似于材料的强化过程。随着时间的进一步增加，各电源温度基本保持不变，从而可获取其工作状态下的稳态温度值。
从温升曲线的表现形式不难看出，处于负载工作条件下的电源温度上升过程与未接负载电源的温升过程略有区别，具体表现为：
1）在起始阶段，未接负载的电源温度与时间的变化关系是非线性的，温度变化的初始速率较高，随后逐渐降低，到极值点后再以一种近似弹性变化的关系与负载工作条件下的电源温度随时间的变化过程保持一致，最终到达稳定值。
2）在单一电源接负载的工作条件下，其余两个电源之间的稳态温度差值不明显，尤其是在24V电源单独工作条件下，12V和48V两个电源的温度上升过程几乎保持一致。
）处于负载工作条件下的电源温度上升幅度较大，可能与未接负载电源的温升过程存在耦合效应，造成了未接负载电源的温度超过环境温度。
4）随着负载电源数量的增加，未接负载电源温度超过环境温度的比例也随之提升，并且负载电源的温度上升过程呈现出互相影响的正相关关系，进一步增强了负载电源的温度上升趋势。
通过上述实验获取的12V、24V、48V电源温升曲线是研究电源盒热稳定性的基础，从曲线中获取的稳态温度值可以用来分析环境温度与负载变化对电源盒热稳定性的影响，并可作为基础数据建立随机预测模型，来预测实际工作条件下电源盒的超温概率。
2.电源稳态温度分析
基于不同环境温度、不同负载条件下的智慧杆电源测温实验获取的温升曲线，提取负载电源温升曲线中的稳态温度值。环境温度42℃条件下，单个电源接负载、两个电源同时接负载及三个电源同时接负载时12V、24V、48V电源的稳态温度值见表。
表电源稳态温度值（以环境温度42℃为例）
图10所示为单个电源接负载时稳态温度与环境温度的关系。不难发现，各电源稳态温度值与环境温度值之间大致呈线性变化关系；相同环境温度条件下，48V电源单独接负载时的稳态温度最高，12V电源单独接负载时的稳态温度高于24V电源。
在空间上智慧杆电源盒内12V电源与48V电源位置接近，前文研究结果已表明，当24V电源单独工作时，12V和48V两个电源的温度上升过程几乎保持一致；由此不难判断，在同一环境温度条件下，48V电源的发热量以较短的热量传递路径对12V电源产生热传导、热辐射等影响，两个电源之间更显著的热传递现象导致了12V电源稳态温度的进一步提升，从而高于24V电源正常工作时的稳态温度值。
图10单电源接负载稳态温度与环温关系图11所示为三个电源同时接负载时稳态温度与环境温度的关系。与上述结论一致，随着环境温度的升高，三个电源稳态温度值均随之提升，且相互之间呈强线性关系，线性拟合度均在0.99以上，比单个电源接负载时稳态温度和环境温度间的线性关系表现得更强。
此工况条件下，48V电源稳态温度明显高于其他两个电源，说明在不同环境温度条件下，48V电源正常工作时的发热量最高。此外，12V电源与24V电源稳态温度值之间差距不显著，且环境温度越高，两者间的差值越小，由此表明环境温度较高时，12V电源和24V电源的发热量接近。
图11三电源同时接负载稳态温度与环温图12所示为智慧杆电源内12V、24V、48V三个电源两两组合处于工作状态时，稳态温度与环境温度的关系。研究发现，两个电源同时接负载时，稳态温度的变化规律和单个电源单独接负载或三个电源同时接负载时保持一致。此外，以12V电源为例，如图11（a）和图11（b）所示，无论是其与24V电源还是与48V电源组合接负载时，在相同环境温度条件下12V电源自身的稳态温度值基本相等；24V电源和48V电源也保持同样的特性，其稳态温度差值最大不超1℃。
图12两电源同时接负载稳态温度与环温基于神经网络模型的电源热稳定性研究.1神经网络模型的仿真分析
采用测温实验获取的电源稳态温度作为数据样本，建立环境温度、负载条件与各电源稳态温度之间的神经网络映射模型，并进行仿真分析。环境温度和负载条件都与前文取值相同。根据神经网络验证原理，取智慧杆电源测温样本的40组作为训练样本，9组作为验证样本。基于神经网络模型的电源温度预测结果如图1所示，其中图1（a）为验证样本中电源温度预测输出与期望输出的对比曲线，图1（b）为两者的误差曲线。
图1基于神经网络模型的电源温度预测从图1不难发现，样本数据与模拟数据之间的最大偏差小于2%，表明所建立的神经网络模型能够在智慧杆电源负载和温度相互耦合的条件下有效映射环境温度与电源温度之间的对应关系。
.2算例分析
对前面建立的基于神经网络的电源稳态温度热稳定性评估方法进行算例分析。在南京某地夏季（7—8月）环境温度条件及7种负载组合情况下进行智慧杆电源过温概率计算。实际环境温度条件下电源7种负载组合情况见表4。
表4基于所提方法，分别计算实际环境温度下12V、24V和48V电源7种负载组合的过温概率如图14所示。从图14（a）可以发现，12V电源在实际环境温度条件下，按工况1、4、5和7工作时存在过温可能，其中工况7的过温概率最高。由图14（b）可知，24V电源在实际环境温度条件下，按工况4、6和7工作时存在过温可能，其中工况7的过温概率最高。由图14（c）可知，48V电源在实际环境温度条件下，按工况、6和7工作时存在过温可能，其中工况7的过温概率最高。
图14仿真结果验证了前述关于负载电源数量与电源温度呈现互相影响的正相关关系，随着负载电源数量的增加，负载电源超温风险进一步提升。
由图14可知，在工况4条件下，12V电源的过温概率高于24V电源。由前述分析可知，空间上智慧杆电源内12V电源与48V电源位置接近，48V电源的发热量以较短的热量传递路径对12V电源产生热传导、热辐射等影响，两个电源之间更显著的热传递现象导致12V电源的过温概率提升，从而使12V电源的过温风险高于24V电源。同理可知，在工况6条件下，48V电源的过温风险高于24V电源。
综上所述，智慧杆电源在夏季典型地区（南京）各电源组合正常工作时，满载条件下智慧杆电源盒内12V、24V、48V三个电源的过温概率最大值均低于1%，由于夏季环境温度显然高于其他季节，参考以上分析可得出结论：本文研究的智慧杆电源在正常工作状态下的超温概率较低，热失效风险较小，电源的热稳定性较高。
4结论针对智慧杆电源的热稳定性研究，本文基于自主搭建的测温实验平台，对江苏未来城市公司研发的智慧杆电源开展了不同环境温度、不同负载条件下的电源温升特性实验，得出温升特性曲线及各电源稳态温度值。基于神经网络模型构建电源稳态温度热安全性评估方法，仿真计算结果证明了所提方法的有效性。
算例结果表明，该智慧杆电源在南京夏季高温条件下正常工作时的过温概率均低于1%，热稳定性可靠；可结合未来应用场景及其气象环境，通过该方法对智慧杆电源进行使用前的热稳定性评估分析，同时也可采用该方法对其他厂商智慧杆电源或其他行业电源设备进行研究。
本工作成果发表在年第6期《电气技术》，论文标题为“基于BP神经网络模型的智慧杆电源热稳定性评估方法”，作者为黄李奔。
