电力电子算法中物理信息神经网络（PINN）的研究

电力电子算法中物理信息神经网络（PINN）的深度研究：结合SiC功率器件与驱动技术的下一代控制范式

全球能源互联网核心节点赋能者-BASiC Semiconductor基本半导体之一级代理商倾佳电子（Changer Tech）是一家专注于功率半导体和新能源汽车连接器的分销商。主要服务于中国工业电源、电力电子设备和新能源汽车产业链。倾佳电子聚焦于新能源、交通电动化和数字化转型三大方向，代理并力推BASiC基本半导体SiC碳化硅MOSFET单管，SiC碳化硅MOSFET功率模块，SiC模块驱动板等功率半导体器件以及新能源汽车连接器。

倾佳电子杨茜致力于推动国产SiC碳化硅模块在电力电子应用中全面取代进口IGBT模块，助力电力电子行业自主可控和产业升级！

倾佳电子杨茜咬住SiC碳化硅MOSFET功率器件三个必然，勇立功率半导体器件变革潮头：

倾佳电子杨茜咬住SiC碳化硅MOSFET模块全面取代IGBT模块和IPM模块的必然趋势！

倾佳电子杨茜咬住SiC碳化硅MOSFET单管全面取代IGBT单管和大于650V的高压硅MOSFET的必然趋势！

倾佳电子杨茜咬住650V SiC碳化硅MOSFET单管全面取代SJ超结MOSFET和高压GaN 器件的必然趋势！

1. 绪论：电力电子、人工智能与宽禁带半导体的技术交汇

1.1 第三代半导体的物理挑战与控制瓶颈

随着全球能源结构的转型与电气化进程的加速，电力电子技术正处于从传统的硅（Si）基器件向以碳化硅（SiC）和氮化镓（GaN）为代表的宽禁带（WBG）器件跨越的关键历史节点。SiC功率器件，凭借其高达3倍于硅的禁带宽度、10倍的临界击穿场强以及3倍的热导率，正在重塑电动汽车（EV）、光伏储能、轨道交通及智能电网等高能效应用领域的格局 。

然而，硬件性能的飞跃同时也带来了前所未有的控制与建模挑战。SiC MOSFET在实现极高开关速度（dv/dt > 50 V/ns, di/dt > 5 A/ns）的同时，其开关瞬态过程对电路寄生参数表现出极端的敏感性 。传统的基于查表法（Look-up Table, LUT）或线性比例-积分-微分（PID）控制的驱动策略，在面对SiC器件复杂的非线性特性（如随电压剧烈变化的结电容、动态导通电阻退化、以及高温下的阈值电压漂移）时，显得力不从心。例如，深圳基本半导体（BASiC Semiconductor）的B3M系列SiC MOSFET，在1200V高压应用中，其米勒平台电压与栅极电荷特性呈现出高度的非线性，若沿用传统驱动模型，极易导致电压过冲、电磁干扰（EMI）超标甚至器件误导通 。

1.2 数据驱动算法的局限性与“黑盒”困境

与此同时，人工智能（AI）技术，特别是深度学习（Deep Learning），在模式识别和非线性回归领域取得了突破性进展。工业界开始尝试利用人工神经网络（ANN）、循环神经网络（RNN）等纯数据驱动模型来解决功率器件的寿命预测、结温估算及故障诊断问题 。

尽管纯数据驱动方法在拟合能力上表现优异，但在电力电子这一安全关键（Safety-Critical）领域，其“黑盒”特性引发了严重的信任危机：

泛化能力差：在训练数据集覆盖范围之外（Out-of-Distribution, OOD），纯神经网络可能预测出违背基本物理定律的结果，如负的能量损耗或违反基尔霍夫定律（KVL/KCL）的电压电流关系 。

数据饥渴：训练高精度的深度学习模型需要海量的标注数据。然而，获取全生命周期的SiC模块老化数据（如基本半导体Pcore™系列的功率循环测试数据）极其昂贵且耗时 。

缺乏可解释性：工程人员无法理解网络决策背后的物理逻辑，这在故障追溯和安全认证中是不可接受的。

1.3 物理信息神经网络（PINN）：打破僵局的第三条道路

物理信息神经网络（Physics-Informed Neural Networks, PINN）的出现，为上述困境提供了革命性的解决方案。PINN不仅是一种算法，更是一种将物理先验知识（Physical Priors）与数据驱动学习深度融合的科学计算范式。通过将控制电力电子系统的偏微分方程（PDEs）、常微分方程（ODEs）及代数约束（如电路拓扑约束）直接嵌入到神经网络的损失函数（Loss Function）中，PINN迫使训练过程在满足物理定律的流形（Manifold）上进行收敛 。

倾佳电子杨茜探讨PINN算法在电力电子领域的理论架构与工程实践，特别是针对国产SiC生态系统——以基本半导体（BASiC）的先进SiC器件与青铜剑技术（Bronze Technologies）的智能驱动方案为例——进行详细的结合分析。我们将论证PINN如何在器件行为级高保真建模、自适应栅极驱动控制、以及全生命周期健康管理（PHM）三个维度上，重新定义下一代电力电子系统的智能化标准。

2. PINN在电力电子中的理论架构与数学基础

2.1 从标准神经网络到物理信息约束

传统的深度神经网络（DNN）训练旨在最小化预测值 u^ 与真实标签 u 之间的数据误差（Data Loss）。而在PINN框架下，神经网络被视为物理方程的逼近器。

假设一个电力电子系统的状态变量 u(t)（如电感电流、电容电压、器件内部载流子浓度）受如下非线性微分方程组控制：

dtdu​=F(u,t;λ),t∈

其中，F 是非线性算子（包含电路拓扑、器件物理模型），λ 是系统物理参数（如电感 L、电容 C、热阻 Rth​）。

PINN的损失函数 Ltotal​ 被构造为多目标的加权和：

Ltotal​(θ)=wdata​Ldata​+wphysics​Lphysics​+wboundary​Lboundary​

数据损失 Ldata​ ：

Ldata​=Nd​1​∑i=1Nd​​∥u^(ti​)−umeas​(ti​)∥2

该项利用稀疏的传感器测量数据（如青铜剑驱动板上的NTC采样温度、Vce电压）来锚定解的空间 。

物理残差损失 Lphysics​ ：

Lphysics​=Nc​1​∑j=1Nc​​​∂t∂u^​​tj​​−F(u^(tj​),tj​;λ)​2

该项是PINN的核心。通过自动微分（Automatic Differentiation, AD）技术，网络可以直接计算输出对输入的偏导数。对于SiC MOSFET的开关瞬态，F 包含了基于漂移-扩散方程或分段线性电路模型的动力学描述。最重要的是，该项不需要任何标签数据，仅需在定义域内采样的配点（Collocation Points）即可计算，极大地降低了对实验数据的依赖 。

边界/初始条件损失 Lboundary​ ：

确保解满足物理系统的初始状态（如 t=0 时刻电流为零）和边界约束（如散热器温度恒定）。

2.2 硬约束与软约束的工程权衡

在电力电子算法中，约束的施加方式直接关系到系统的安全性。

软约束（Soft Constraints） ：上述通过损失函数惩罚项施加的方式即为软约束。其优点是实现简单，适用于复杂的非线性PDE。缺点是网络输出只能“近似”满足物理定律，在训练未完全收敛时，可能会出现微小的物理违规（如Kirchhoff电流定律的微小残差） 。

硬约束（Hard Constraints） ：通过特殊的网络架构设计，使得网络输出在数学上恒等满足某些物理条件。例如，在电路仿真中，可以构建输出变换 u^(t)=u0​+t⋅N(t)，从而强制满足初始条件 u^(0)=u0​。对于青铜剑驱动器的短路保护逻辑，硬约束是必须的，以确保在任何预测偏差下，保护阈值（如DESAT电压6.5V）具有绝对的优先级 。

2.3 针对SiC瞬态特性的刚性（Stiffness）问题与自适应加权

SiC器件的开关过程涉及纳秒级（10−9s）的电压电流剧变，而系统的热响应则在秒级（100s）甚至分钟级。这种跨越9个数量级的时间尺度差异，导致PINN训练过程中出现严重的梯度病态（Gradient Pathology）问题——即慢动态的梯度主导了优化方向，导致网络无法捕捉快瞬态细节 。

为了解决这一问题，必须引入自适应加权算法（Adaptive Weighting） 。通过在训练过程中动态调整 wphysics​ 和 wdata​，使得不同时间尺度下的损失项梯度幅值保持平衡。例如，在模拟BASiC BMF540R12MZA3模块的开通瞬间（di/dt 可达 4.17 kA/μs ），算法会自动增加瞬态时刻物理残差的权重，迫使网络专注于学习高频振荡特性。

3. SiC功率器件的高保真行为级建模：PINN的应用实践

3.1 传统建模方法的局限与PINN的突破

SiC MOSFET的精准建模是实现高性能控制的前提。现有的建模方法两极分化严重：

物理模型（TCAD） ：求解泊松方程和载流子连续性方程，精度极高但计算耗时巨大，无法用于电路级实时仿真。

紧凑模型（SPICE/BSIM） ：基于经验公式拟合，计算快但精度受限于参数提取的准确性，且难以描述复杂的退化机制和温度依赖性 。

PINN提供了一种“灰盒”建模思路：利用神经网络强大的拟合能力来替代SPICE中复杂的经验公式，同时利用物理方程约束网络的泛化能力。

3.2 表面势（Surface Potential）计算的加速

在SiC MOSFET的物理建模中，表面势 ϕs​ 是连接栅极电压与漏极电流的核心变量。它是超越方程（Transcendental Equation）的根，传统SPICE模型需要在每个仿真步长内进行多次迭代求解，严重拖慢仿真速度。

基于PINN的方法可以构建一个映射网络 N:VGS​→ϕs​。与普通拟合不同，该网络的训练受到高斯定理（Gauss's Law）和电荷守恒定律的直接约束。研究表明，PINN模型可以在保持物理一致性的前提下，将表面势的计算速度相比传统迭代法提升62%以上 。对于基本半导体的B3M系列，这种方法能够极高精度地捕捉其沟道物理特性，包括界面态陷阱电荷（Interface Traps）对阈值电压的影响。

3.3 非线性电容与开关损耗建模

SiC器件的结电容（Ciss​,Coss​,Crss​）随电压 VDS​ 呈现高度非线性变化。以BASiC BMF540R12MZA3为例，其反向传输电容 Crss​ 在低压时高达数百pF，而在800V时骤降至几十pF 。这种剧烈的非线性是导致开关振荡和EMI的主要源头。

利用PINN，我们可以建立一个电荷模型 Q(V)，并利用物理约束 C(V)=dQ/dV 进行训练。这不仅保证了电容曲线的平滑拟合，更重要的是保证了仿真过程中的电荷守恒（Charge Conservation） ，这是传统分段线性模型经常违反的物理原则。

基于此高保真电容模型，PINN可以进一步用于预测开关损耗。通过输入栅极电阻 Rg​、母线电压 VDC​ 和负载电流 IL​，PINN可以直接输出开通损耗 Eon​ 和关断损耗 Eoff​。与基本半导体数据手册中提供的离散测试点（如25°C和175°C下的损耗数据 ）不同，PINN提供了一个连续的、对温度和电流全域可微的损耗曲面，为驱动参数的实时优化提供了基础。

3.4 漂移-扩散方程的降阶求解

对于更深层次的物理机理研究，PINN可以直接求解简化的一维漂移-扩散方程（Drift-Diffusion Equations）。

Jn​=qnμn​E+qDn​∇n

通过将该方程嵌入损失函数，PINN能够利用少量的外部I-V特性测试数据，反以此推断出器件内部的电场分布 E(x) 和载流子浓度分布 n(x) 。这对于分析SiC MOSFET在极端工况下的雪崩击穿和短路耐受能力具有重要意义，使得工程师无需破坏器件即可“透视”其内部物理状态。

4. 智能驱动控制：PINN在驱动器中的算法实现

4.1 青铜剑驱动方案的技术基座

青铜剑技术（Bronze Technologies）作为国内领先的驱动方案提供商，其产品线覆盖了从驱动核（Driver Core）到即插即用（Plug-and-Play）驱动器的全系列。其核心优势在于自研的ASIC芯片组，实现了高集成度的保护与控制功能 。

2QD系列驱动核：如2QD0535T33，具备5W驱动功率和35A峰值电流，集成原副边欠压保护、软关断等功能 。

即插即用驱动器：如适配62mm模块的BSRD-2503方案，集成了隔离DC/DC电源和有源钳位功能 。

PINN算法的引入，旨在将这些现有的硬件保护逻辑升级为具备预测能力的自适应控制逻辑。

4.2 基于PINN的自适应栅极驱动（Adaptive Gate Driving, AGD）

驱动SiC MOSFET的核心矛盾在于开关速度（dv/dt）与电磁干扰（EMI）/电压过冲之间的权衡。传统的电阻驱动（Resistive Driving）只能选择一个固定的栅极电阻 Rg​，无法兼顾全工况性能。

PINN可以被训练为一个轨迹优化控制器。其输入为当前工况（VDC​,IL​,Tj​），输出为最优的栅极电流轨迹 IG​(t)。

物理约束：必须满足器件的栅极电荷守恒方程 ∫IG​dt=Qg​。

性能目标（Loss Function） ：

L=αEsw​+β(Vpeak​−Vlimit​)+​+γ(EMInoise​)

其中，(Vpeak​−Vlimit​)+​ 为惩罚项，确保电压过冲不超过BASiC模块的额定值（如1200V模块通常要求尖峰<1200V，实测击穿电压BV > 1600V提供了安全裕量 ）。

通过在FPGA或高性能MCU上部署剪枝后的轻量化PINN模型，驱动器可以实现在线的多级开通/关断（Multi-Level Switching） 。例如，在电压上升阶段（Voltage Rise Phase）限制栅极电流以控制dv/dt，在电流下降阶段（Current Fall Phase）增加栅极电流以降低损耗 。

4.3 智能串扰抑制与米勒钳位优化

在桥臂构型中，高速开关产生的 dv/dt 会通过米勒电容 Cgd​ 耦合到对管栅极，引发生误导通。青铜剑的驱动器（如2CP0225Txx）标配了有源米勒钳位（Active Miller Clamp）功能 。

传统的米勒钳位是基于阈值触发的（当 VGS​<2V 时开启）。而基于PINN的策略可以实现预测性钳位。PINN利用学习到的非线性电容模型 Cgd​(VDS​) 和当前的母线电压，实时计算串扰电流 icrosstalk​=Cgd​⋅dv/dt 及其在栅极回路产生的感应电压。

VGS,induced​≈RG,off​⋅Cgd​(v)⋅dtdv​

如果预测值接近阈值 Vth​，驱动器可以提前调整关断电阻或介入钳位电路，而无需等待电压实际跌落，从而在根本上消除了误导通风险，同时避免了不必要的持续钳位带来的损耗 。

4.4 故障预测与软关断（Soft Shutdown）增强

短路保护是驱动器的最后一道防线。青铜剑驱动器采用退饱和（DESAT）检测机制，当检测到 VCE​（或SiC的 VDS​）超过阈值（如6.5V）时，触发软关断以抑制 di/dt 引起的电压尖峰 。

然而，SiC MOSFET的退饱和特性不如IGBT明显，且噪声极大。PINN可以用于故障前兆（Precursor）检测。通过学习正常开关波形的物理特征（如导通阶段的 VGS​ 平台时间和 ID​ 上升斜率），PINN可以识别出微小的波形畸变。 例如，短路发生初期，电流急剧上升会导致 VGS​ 出现异常的感应电压凸起。PINN作为一个异常检测器（Anomaly Detector），其训练目标是最小化正常波形的重构误差。当重构误差超过阈值时，即可判定为潜在短路，从而在电流达到破坏值之前提前触发软关断。这种方法比传统的定值DESAT检测更快且更抗干扰 。

5. PINN驱动的全生命周期健康管理（PHM）

5.1 基于NTC数据融合的虚拟结温传感

结温（Tj​）是影响SiC器件寿命和性能的最关键参数。基本半导体的Pcore模块内部集成了NTC热敏电阻 。然而，NTC安装在DBC基板上，与芯片存在热阻和热容，导致测量值 TNTC​ 存在显著的延迟和幅值衰减。

PINN可以构建一个高保真的虚拟热传感器。该模型基于热扩散方程（Heat Diffusion Equation）：

ρcp​∂t∂T​=∇⋅(k∇T)+qgen​

其中 qgen​ 为芯片损耗热源。PINN的输入包括实测的 TNTC​、负载电流 I 和电压 V（用于计算损耗），输出为芯片结温 Tj​。

物理约束的引入：

材料属性：模型中明确嵌入了封装材料的热学参数，特别是基本半导体模块使用的 Si3​N4​ AMB陶瓷基板。其热导率（90 W/mK）、密度和比热容作为方程系数固定在网络中 ，确保了热传导路径的物理正确性。

边界条件：散热器表面的对流换热系数作为边界条件约束。

通过这种方式，PINN不仅是一个回归模型，而是一个实时求解热传导方程的求解器。它能够从滞后的NTC数据中“反卷积”出真实的瞬态结温，实现对过温故障的毫秒级响应 。

5.2 键合线疲劳与剩余寿命（RUL）预测

SiC模块的主要失效模式之一是键合线（Bond Wire）根部的疲劳断裂，这主要是由热循环引起的热膨胀系数（CTE）不匹配导致的。传统的寿命预测依赖于Coffin-Manson经验公式或Norris-Landzberg公式：

Nf​=A(ΔTj​)−αfβexp(kB​Tm​Ea​​)

。

PINN提出了一种物理引导的退化建模方法。网络不仅利用历史运行数据（温度循环谱），还将Coffin-Manson模型作为正则化项（Regularization Term）加入损失函数。

L=Ldata​+λ∥RULpred​−RULphysics​∥2

这样，在数据稀缺的早期阶段，预测结果主要由物理模型（Coffin-Manson）主导；随着实测退化数据（如 VCE,on​ 或 RDS(on)​ 的增加）的积累，网络逐渐学习到特定个体的偏差，实现高精度的个性化寿命预测。对于基本半导体通过大量功率循环测试认证的车规级模块（如Pcore™6），这种方法可以结合出厂测试数据，提供极高置信度的RUL估算 。

6. 硬件实现挑战：FPGA与边缘计算

6.1 推理延迟与实时性

将PINN算法部署在驱动器中面临的最大挑战是计算实时性。SiC的高频开关要求控制回路在微秒甚至纳秒级完成。在通用的MCU或DSP上运行深度神经网络通常无法满足这一要求。

FPGA（现场可编程门阵列） 是实现PINN驱动控制的理想平台 。

并行计算：FPGA可以利用其丰富的DSP切片并行执行矩阵乘法运算，极大地降低推理延迟。

定点化（Quantization） ：为了节省资源，PINN模型通常需要从32位浮点数量化为8位甚至更低精度的定点数。研究表明，经过适当训练的量化PINN仍能保持足够的物理精度。

6.2 存内计算与专用ASIC

青铜剑技术的ASIC研发能力为未来集成PINN提供了硬件基础。未来的智能驱动芯片可能会集成专用的神经网络加速单元（NPU）或采用存内计算（Compute-in-Memory）架构，将PINN的权重直接存储在计算单元中，消除冯·诺依曼架构的内存墙瓶颈，实现真正的“端侧智能” 。

7. 案例分析与数据支撑

7.1 案例一：基于BASiC BMF540R12MZA3的PINN热网络建模

对象：1200V/540A SiC半桥模块，采用Si3N4 AMB基板。

数据：利用数据手册提供的瞬态热阻抗（Zth）曲线和静态损耗数据。

PINN构建：构建一个基于Cauer热网络微分方程的PINN。网络输入为功率损耗 Ploss​(t)，输出为各层温度节点（芯片、焊层、基板）。

优势：相比于传统的Foster/Cauer RC网络，PINN可以轻松处理热导率随温度变化的非线性（SiC的热导率随温度升高而显著下降），从而在高温重载工况下提供比线性RC模型更准确的 Tj​ 估算 。

7.2 案例二：青铜剑驱动器的自适应短路保护

对象：青铜剑2QD0535T33驱动核驱动高压SiC模块。

问题：高压SiC器件的短路耐受时间（SCWT）极短（< 3 μs），传统DESAT检测响应慢且易受干扰。

PINN方案：训练一个检测 VGS​ 米勒平台异常的PINN模型。正常开关时，米勒平台持续时间与负载电流呈确定函数关系；短路时，米勒平台会发生畸变。PINN实时监测 VGS​ 轨迹，一旦偏离物理模型预测的正常带（Confidence Band），立即触发软关断。

数据支撑：实验表明，这种基于前兆的检测可以将保护响应时间缩短至1 μs以内，显著降低了器件失效风险 。

8. 结论与展望

物理信息神经网络（PINN）代表了电力电子算法的一次深刻变革。它不仅解决了深度学习在工程应用中的“黑盒”信任问题，更为SiC功率器件的极致性能释放提供了理论与工具支撑。

对于基本半导体（BASiC）而言，PINN技术可以赋能其模块产品，使其不仅是能量转换的执行者，更是具备自我感知能力的智能节点。对于青铜剑技术（Bronze Technologies），将PINN算法固化于自研ASIC或FPGA驱动方案中，将打造出具备自适应优化、全生命周期健康管理能力的下一代智能驱动器。

未来，随着边缘计算算力的提升和算法的轻量化演进，我们有理由相信，**“物理为骨，数据为肉”**的PINN控制范式，将成为构建高可靠、高功率密度电力电子系统的核心技术路径。

审核编辑 黄宇