智慧多功能杆电源热稳定性评估的新方法是什么，多功能智能杆系统设计与工程建设规范
chanong
|考虑到热参数是影响智慧杆供电稳定性的重要因素，江苏未来城公共空间开发运营有限公司黄立本先生于2023年第6期第：010号发表文章-30000。他撰写并提出了以下建议：基于BP神经网络模型方法的热稳定性评价。我们搭建了温度测量实验平台，进行了不同环境温度和负载条件下的电源温升特性实验，并通过不同工作条件下的热评估验证了所提方法的有效性。结合未来的应用场景和天气环境，我们在智慧杆电源使用前进行热安全评估和分析，以支持产品的实际使用和后续的性能提升。
智能多功能杆（以下简称智能杆）由杆体、综合箱、综合管道等模块组成，搭载多种设备，并与系统平台实现联网。或者支持智能灯光、视频采集和移动。通信、交通管理、环境监测、气象监测、应急管理、紧急救助、信息公开、智慧停车等城市管理和服务功能的新型公共基础设施。智能杆�**沧坝写罅看衅骱椭悄苌璞福缪购凸β矢鞑幌嗤缧畔⑴镀林饕茿C220V，5G基站主要是DC48V，视频摄像头主要是AC24V。 LED灯主要使用DC 24V，广播主要使用DC 12V等。目前的供电方式主要是采用多个适配器进行市电接入和功率转换的传统形式，无法实现集中管理或远程控制。图1为智能杆设备布置及负载情况。
图1 智慧杆设备布置及荷载
近年来，南方电网能源、深圳茂硕、江苏未来城等企业针对智慧杆各类设备稳定运行和统一管理的需求，开始研发一体化电源。适用于智慧杆，首先开发了远程切换、实时测量、电压转换、多路输出等功能，支持DC 48V、DC 24V、DC 12V等设备应用需求。图2显示了智能杆电源适配器的设备要求。智能杆电源搭载了众多电力电子器件，电子产品的产业发展离不开技术和可靠性，而整个电子系统的可靠性取决于电源的可靠性。因此，关注开关电源的可靠性是提高智能杆系统稳定性的关键。
图2 智能杆电源适配器的设备要求
开关电源是轻量化、高效的电源，根据输出方式主要分为直流（DC-DC）和交流（AC-DC）两种。开关电源目前预计在数据通信等消费领域和航空航天科工等军事领域有广泛的应用，在日本电源产品中的占比高达60%。由于使用环境的多样化，对开关电源的输入电流和工作频率上限的要求不断提高，功率负载过大导致功率器件发热，高温会造成器件损坏等不可逆的损坏。电子元件和部件。会发生严重危险。功率模块电子元件的热稳定性设计提出了重大挑战。范丽莎研究表明，电子元件工作温度每升高2，电源可靠性下降10%，而当工作温度超过50时，电源寿命缩短，其工作寿命仅约16.66%。 20。容易出现热故障的电源模块组件包括电解电容器、电感器和功率金属氧化物半导体场效应晶体管(MOSFET)。其中，电解电容器的高温失效机理主要是由于电解液蒸发造成的；随着电解液变稠，电容器的电阻率增大，随着电解液减少，与电解液的接触也减少。图3显示了电解电容器形成氧化膜、电容值降低、发生热故障的机理。
图3 电解电容器热失效机理示意图
电感器故障主要是由于电感器线圈内热量积聚造成的，高温导致线圈绝缘层熔化、剥落，造成相邻匝相互接触而短路，降低寿命。电感值。功率MOSFET热失效的原因可分为两类：栅源击穿效应和热载流子效应，而高环境温度应力进一步加剧了这两种效应。表1 显示了MOSFET 失效分析。
表1 MOSFET失效分析
一些学者针对温度对电源等电子设备稳定性的影响开展了相关研究活动。
罗哲雄等人提出了一种双面冷却汽车绝缘栅双极晶体管（IGBT）模块热测试方法，可以准确实现双面和单面结壳热阻测试。郭庆等人以逆变电源为研究对象，进行FloTHERM仿真建模分析，利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。周跃歌等人提出了一种基于iSIGHT平台的开关电源电热耦合仿真分析方法，构建了开关电源电路和稳态热场的仿真模型。结合不同仿真软件的优点，对开关电源的电热耦合进行分析并优化模型，研究结果显着提高了仿真精度。张益耀等人基于流固耦合对某船用电源模块的流场和温度场进行了分析，利用有限元软件Icepak对某船用不间断电源进行了仿真计算，并通过合理的散热布局及效果，优化可以有效降低电子设备成本，降低器件发热温度。 1 理论研究与方法分析1.1 研究对象分析本文研究对象的——未来城市智慧杆电源具有适合智能数据采集、多路计量、计量等多种应用场景的特点。电源转换.有.负荷控制和安全分析等。智能杆电源具有多轨、分流计量、远程开/关、状态和故障报警等功能，包括计量模块、负载控制模块、变电模块、多轨模块、安全边缘计算模块和通信模块支持48V DC、24V DC 和12V DC 输出要求。图4为智能杆电源原理图及实际结构图。
图4 智慧杆供电
电源的热稳定性研究通常采用电流测试、热成像、热电偶温度测量等物理方法进行实验分析，但测试成本高、精度低。本文考虑的智能杆电源结构设计相对复杂，单一的实验研究方法难以满足精确热稳定性分析的要求，且电子元件数量和类型的简化热路径很可能由于它依赖于有限元模拟和热网络分析等建模技术，因此会导致计算不可靠等问题。因此，本文提出利用神经网络模型评估智能杆电源的热稳定性来解决上述问题。进行智能杆电源的热稳定性研究，可以揭示电源在不同环境温度和负载条件下的温度变化机制，并可以确定电源在正常或恶劣工作条件下的过热概率，有助于澄清。为了合理规避风险，最终延长电源的使用寿命，确定在一定条件下是否会出现过热现象以及电源在不同工作条件下的表现。 1.2 神经网络算法原理人工神经网络由大量连接权值可调的神经元组成，具有大规模并行处理、分布式信息存储、优异的自组织能力和自学**能力。 BP（Backpropagation）神经网络算法，也称为误差反向传播算法，是一种人工神经网络的监督学**算法。 BP神经网络算法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，具有强大的非线性映射能力。网络的隐含层数、每层处理单元的数量、网络的学**系数等参数可以根据情况进行设定，灵活性高，可应用于多种领域，例如优化。它可用于信号处理和模式识别、智能控制和故障诊断等广泛应用。神经网络作为模仿生物神经网络功能和结构的数学模型，通过寻找整个系统的输入和输出之间的关系来解决实际问题。神经网络的数学模型如图5所示，其基本单元是神经元，神经元单元由连接结构、激励函数和学**规则三个重要因素决定。其中，连接结构代表了神经网络中各个神经元之间的连接组合形式，决定了网络中神经元的处理能力和映射方式，而激励函数则是神经元进行运算时所使用的计算函数。神经元使用不同的激励函数并结合学**规则来更新神经元输出和网络参数权重。学**规则调整网络中的权重。
图5 神经网络数学模型
神经网络是由大量相互广泛连接的简单神经元形成的复杂网络模型。在神经元模型中，x1,x2,xm 是输入向量wk1,wk2,的分量。wkm是突触的权重，bk是传递函数的bias，afterbias是神经网络元件的激励函数，最后是神经元的输出结果。神经网络模型通过传递函数变换规则实现强输入输出映射关系，并具有并行分布式处理、高鲁棒性、分布式存储和学**能力，能够完美逼近复杂的非线性关系。多层前馈神经网络是应用最广泛的神经网络之一，它利用梯度下降的思想和梯度搜索技术来计算网络实际输出值与期望输出值之间的损失，从而最小化函数值。从结构上看，多层神经网络模型具有输入层、隐藏层和输出层，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
等式（1）至（4）
利用神经网络模型的非线性函数模型的学**机制是数据输入后的前向传播和误差的反向传播，这两种方法交替执行，一定次数后达到理想的精度。在前向传播过程中，数据通过隐藏层发送到输出层，在此过程中网络权重和阈值保持不变。进行反向传播时，计算实际输出与理想结果之间的误差，将误差重新输入到输出层并传播到前层，并使用梯度下降计算每个网络节点的权重和阈值。值将被调整。这个过程也称为学**过程。 1.3 设置热稳定性评价方法基于上述研究，通过神经网络算法可以得到环境温度与电源温度映射关系的神经网络模型，并将实际环境温度数据代入神经网络中模型进行映射，最后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，具体评估流程如图7所示。
图7 供电系统热稳定性评价流程
具体评估步骤为：1）初始化神经网络模型，并为每个节点分配权重和阈值；2）向系统输入一组训练数据；3）对训练数据进行归一化；4）建立神经网络模型。网络模型；5）设置节点权重、输出层泛化误差、隐含层阈值，计算隐含层泛化误差，并设置各节点的权重和阈值；6）训练结果数据进行反归一化；7）判断是否错误、结果和训练时间满足您的要求。如果不满足要求，则继续步骤2)。如果满足要求，则完成模型预测。 8) 替换您的实际值。将环境温度样本输入到建立的神经网络模型中，得到相应的智能杆电源温度样本；9) 对步骤8)得到的电源温度样本数据进行过热判断，计算其过热概率，得到并进行热安全评估电源的稳态温度。综上所述，本文提出的智能杆电源热稳定性评估方法首先通过实验研究电源的温升特性，然后建立环境温度、负载条件与稳态温度之间的映射关系。基于神经网络模型的电源，通过将气象数据作为输入参数代入构建的神经网络映射模型中，计算出各个电源在不同负载条件下的稳态温度值，然后应用于具体的输出参数。 变得。最后根据配置的电源稳态温度阈值计算过温概率，判断电源是否存在过热风险或正常工作情况下过热，判断智能杆电源的热稳定性。评估。
2 实验测试与数据分析2.1 测试平台搭建对于智能杆电源的热稳定性评价研究，首先需要进行实验测试与分析工作。基于智能杆式电源、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能杆式电源测温实验平台电源测温实验系统示意图如图8所示。将智能杆电源盒安装在恒温箱内，将热敏电阻安装在内部12V、24V、48V电源表面，用接线连接到数据采集板，并接一个阻性负载和一个阻性负载每个电源输出端子，这是为了电路保护而设置的。在各种温度和负载条件下，打开电路开关，通过数据采集软件获取12V、24V、48V电源的温度随时间变化的数据。另外，在恒温箱内添加热敏电阻，用于监测环境温度是否处于设定状态。
图8 电源测温实验系统示意图
本实验采用的恒温模型为101-3S电动鼓风干燥箱，其测温及控温系统包括智能数显温控仪、时间比例调节温控仪和铂金传感器。测量范围为室温至300，温度分辨率为0.1，温度波动为1。用电加热器对工作室内的空气进行加热，通过空气的对流循环，实现工作区域与被加热物体之间的热交换，实现加热、烘烤功能。工作室顶部安装有排气阀，工作时加热产生的湿气可随时排出箱外，使实验时环境温度稳定。考虑到实际工作场景和电源组装结构，设置电源温度测试的实验条件如表2所示。其中环境温度为26、30、34、38、42、46、50，有7种负载组合，48V电源接入负载， 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。测温实验时，当电源温度随时间变化达到稳态时，停止实验，最终得到实验工作条件下的温度变化曲线，找出各电源稳态温度之间的差异.我们分析了其中的关系。显示电源正常工作时的电源及环境温度变化情况（下图仅以环境温度42为例）。
表2 电源温度测试实验条件
2.2 电源温度变化随时间的关系基于测温实验平台和实验设计条件，在不同环境温度、不同负载条件下进行电源温升实验，确定各温度变化随时间的关系。兼容3 种电源：12V、24V 和48V。图9为环境温度42时的电源温升曲线。
图9 电源温升曲线（以环境温度42为例）
研究结果显示，当智能杆电源箱电源接入负载时，温升过程大致可分为三个阶段。 1）初始阶段呈线性或近似弹性变化。此阶段，电源温度与时间呈近似线性关系，并且电源温度随着时间的推移而迅速升高。 2）随着时间的推移，电源温度随时间的上升会逐渐减慢，类似于材料击穿过程。在这个阶段，电源升至相同温度所需的时间相对于第一个几乎弹性变化阶段逐渐增加。 3）电源在特定使用条件下的最终温度运行为某个恒定值，温升曲线收敛于该恒定值。这与材料强化过程类似。此外，随着时间的推移，每个电源的温度基本上不会发生变化，使我们能够获得工作条件下的稳态温度值。从温升曲线的表示可以看出，负载工作条件下电源的温升过程与电源空载时的温升过程略有不同。在初始阶段，空载电源的温度升高过程具有非线性的温度-时间关系，温度变化的初始速率较高，随后逐渐减小，达到极点后几乎保持弹性。在负载运行条件下，与电源温度变化过程随时间的变化关系是一致的，并最终达到稳定值。 2) 在单个电源连接到负载的工作条件下，其余两个电源之间的稳态温差不明显。特别是当24V电源单独工作时，两个电源的温升过程变得明显。 12V和48V几乎一样。 3）负载工作条件下，电源温度明显升高，与未接负载的电源温升过程的耦合效应会导致未接负载的电源温度升高。超过环境温度。 4）随着负载电源数量的增加，未连接的负载电源温度超过环境温度的速率也增加，且负载电源的温升过程相互正相关，因此温升负载电源的数量进一步增加。这是负载电源的温升趋势。上述实验得到的12V、24V、48V电源温升曲线作为研究电源箱热稳定性的基础，并利用曲线得到的稳态温度值来分析周围环境的影响。可用于温度和负载的变化影响电源箱的热稳定性，可以作为建立随机预测模型的基础数据，预测电源箱在实际工况下的过热概率。 2.3 电源稳态温度分析根据不同环境温度、不同负载条件下智能杆电源测温实验得到的温升曲线，提取负载电源温升曲线中的稳态温度值。环境温度42下，12V、24V、48V电源在1个电源连接负载和2个电源同时连接负载时的稳态温度值。表3 显示了三个电源同时连接到负载的示例。
表3 稳态供电温度值（以环境温度42为例）
图10显示了单电源连接到负载时稳态温度与环境温度之间的关系。不难发现，各电源的稳态温度值与环境温度值之间存在近似线性关系。相同环境温度条件下，48V电源仅接负载时的稳态温度最高，12V电源仅接负载时的稳态温度高于24V电源。智慧杆供电箱内的12V和48V电源在空间上距离较近，从以往的研究结果来看，24V电源单独运行时12V和48V电源的温升过程几乎相同。我已经知道了。由此不难判断，在相同的环境温度条件下，48V电源产生的热量会通过短传热路径传导和辐射的方式影响12V电源。两个电源之间的任何温差都会进一步提高12V电源的稳态温度，使其高于24V电源正常工作时的稳态温度值。
图11 三个电源同时连接负载时稳态温度与环境温度的关系
图11显示了三个电源同时连接到负载时稳态温度与环境温度之间的关系。与上述结论一致，随着环境温度的升高，三种电源的稳态温度值也随之升高，且它们之间存在较强的线性关系，且线性拟合度均在0.99以上，使得它们比较稳定，我就是。与单电源连接到负载时相比，状态温度和环境温度之间存在更强的线性关系。在这些工作条件下，48V 电源的稳态温度明显高于其他两种电源，表明在各种环境温度条件下，48V 电源在正常工作期间产生的热量最多。还可以看出，12V和24V电源的稳态温度值差异并不大，而且环境温度越高，它们之间的差异越小。该值越高，12V 和24V 电源产生相同热量的热量就越多。
图12 两个电源同时连接到负载时的稳态温度与环境温度
图12显示了12V、24V和48V三种智能杆电源组合运行时稳态温度与环境温度的关系。在本研究中，当两个电源同时连接到负载时，稳态温度变化模式为我们发现变化模式与情况一致同时。另外，以12V电源为例，如图11（a）和11（b）所示，无论是与24V电源还是48V电源组合并连接到负载，稳态都不会改变。 插头。相同环境温度条件下12V电源本身的温度值基本相同，24V电源和48V电源也保持相同的特性，最大稳态温差不超过1。 C。
3 基于神经网络模型的电源热稳定性研究3.1 神经网络模型仿真分析以测温实验得到的电源稳态温度作为数据样本，在环境温度与环境温度之间建立神经网络映射。对每个电源的负载条件和稳态温度进行建模，并进行仿真分析。环境温度和负载条件与之前相同。根据神经网络验证原理，选取40组智能杆电源测温样本作为训练样本，9组作为验证样本。图13显示了基于神经网络模型的电源温度预测结果。图13(a)为电源温度预测输出与验证样本预期输出的对比曲线，图13(b)为电源温度预测输出与验证样本预期输出的对比曲线。两条误差曲线。
图13 使用神经网络模型的电源温度预测结果
从图13不难看出，样本数据与仿真数据之间的最大偏差小于2%。这说明所建立的神经网络模型能够在以下条件下有效地映射环境温度与电源温度之间的关系：智能杆的电力负荷和温度是相互关联的。 3.2 计算实例分析我们通过计算实例对已经建立的利用神经网络评估电源稳态热稳定性的方法进行分析。计算南京某地夏季（7-8月）环境温度条件和7种负载组合下，智慧杆电源出现过热的概率。表4给出了电源在实际环境温度条件下的七种负载组合。
表4 实际环境温度条件下电源的七种负载组合
基于所提出的方法，计算了12V、24V和48V电源七种负载组合在实际环境温度下的过热概率，如图14所示。由图14(a)可知，在实际环境温度条件下，工作条件1、4、5、7都会导致12V电源过热，其中工作条件7最容易过热，可以看到：昂贵的。从图14(b)中我们可以看出，在实际环境温度条件下，24V电源在工作条件4、6、7下工作时都会出现过热的情况，其中工作条件7最容易过热，大家可以看到。从图14(c)中，在真实环境温度条件下，工作在工况3、6、7下都会导致48V电源过热，其中工况7最容易过热，可以看到。
图14 电源七种负载组合在实际环境温度下的过热概率
仿真结果证实了前述负载电源数量与电源温度之间的正相关关系，并且随着负载电源数量的增加，负载电源过热的风险进一步增加。Masu从图14可以看出，在工况4下，12V电源的过热概率高于24V电源。从以上分析可以看出，智慧杆电源的12V电源和48V电源在空间上距离较近，48V电源产生的热量会通过热传导和传导影响12V电源。两种电源更显着的区别在于，传热现象增加了12V电源过热的机会，增加了12V电源过热的风险。与24V电源相比。类似地，操作条件6表明48V电源的过热风险高于24V电源的过热风险。综上所述，若智慧杆电源在典型夏季地区（南京）正常运行，智慧杆电源箱内12V、24V、48V三种电源在满载情况下的最大过热概率为：由于夏季环境温度明显高于其他季节，参考上述分析可以得出，本文考虑的智能杆电源在正常运行情况下过热的可能性较低。热故障风险低，电源热稳定性高。
4 结论为了研究智能杆电源的热稳定性，本文基于自制的测温实验平台，对智能杆电源在不同环境温度、不同负载条件下进行了电源温升特性实验。由江苏未来城公司开发，用于获取各电源的输出温升特性曲线和稳态温度值。构建了基于神经网络模型的电源稳态温度热安全评估方法，仿真计算结果证明了该方法的有效性。计算实例结果表明，在南京夏季高温条件下正常工作时，智能杆电源过热概率小于1%，热稳定性可靠。该方法可用于智能杆功率优化。这种根据未来的应用场景及其气候环境来设计杆式电源，并在使用前进行热稳定性评估和分析的方法，对于研究其他厂家的智能杆式电源和其他行业的电源也很有用。它。该研究结果发表于2023年第6期，《电气技术》。论文题目为《基于BP神经网络模型的智慧杆电源热稳定性评估方法》，作者为黄立本。