DC-Link薄膜电容热分析与结温预测

DC-Link Film Capacitor Thermal Analysis and Junction Temperature Prediction

摘要: DC-Link薄膜电容是电动汽车电驱系统中的一个重要组成部分，在反复充放电的过程中会导致电容发热，影响其使用寿命。本文基于ANSYS仿真软件对某型号DC-Link薄膜电容器进行温度场分析，结果表明，在高温环境中，电容器芯子中心处为温度最高点，而配备散热器后，最高温度点转移至远离散热器的外壳处，散热器能显著降低芯子温度。进一步分析揭示，电容瞬时温升主要由当前瞬时损耗和当前总体温升两个内在因素决定，基于此，采用LSTM神经网络对随机损耗下的电容器结温进行预测，并通过仿真数据验证了其预测精度。本文为电容器优化设计和动态工况下电容结温实时预测提供研究基础。

Abstract: DC-Link film capacitor is an important part of electric vehicle electric drive system, and the repeated charging and discharging process will cause the capacitor to heat up, which affects its service life. This paper analyzes the temperature field of a certain model of DC-Link film capacitor based on ANSYS simulation software, and the results show that in a high-temperature environment, the highest temperature point is at the center of the capacitor core, and when equipped with a heat sink, the highest temperature point is shifted to the shell far away from the heat sink, and the heat sink can significantly reduce the core temperature. Further analysis reveals that the capacitor instantaneous temperature rise is mainly determined by two intrinsic factors, namely, the current instantaneous loss and the current total body temperature rise. Based on this, this paper adopts the LSTM neural network to predict the capacitor junction temperature under the stochastic loss, and verifies its prediction accuracy by simulation data. This paper provides a research basis for capacitor optimization design and real-time prediction of capacitor junction temperature under dynamic working conditions.

1. 引言

DC-Link薄膜电容是电动汽车电驱系统中的一个重要组成部分，其反复充放电的过程会使电容发热，导致薄膜电容器内部材料的劣化，如电介质层的击穿和金属层的热膨胀等，从而缩短电容器的使用寿命并增加故障风险[1]-[4]。通过对结温的准确评估，有助于优化电容器的设计，并增强系统的安全性和可靠性。

国内外已有部分文献对电容器结构优化、温度分布、散热机理等方面进行研究。El-Husseini等[5]对不同形状的电容进行损耗和热仿真分析，发现长形电容有着更高的ESR，电容承受相同电流情况下电容越长耗散的功率越大，长型电容的发热量要高于承受相同载荷下的短形电容，这一结论为薄膜电容器的结构设计提供了参考。邱昊等[6]研究了芯子和铜排损耗对电容器温升的影响，并利用遗传算法优化铜排结构参数，成功降低了电容器内部温度。黄琳皓等[7]设计了矩形散热流道板，并分析了不同外在因素对电容器散热效果和温度分布的影响，显著降低了电容器内部最高温度。马俊林等[8]人采用有限元分析结合试验验证方法，研究了在额定工况条件下电容器内部温度分布，研究结果表明，有限元仿真结果与试验测试结果较为一致。范丽娜等[9]使用ANSYS软件对直流母线电容器进行热仿真分析，详细阐述了电容器的热仿真流程，并深入分析电容器的发热机理。陈晓红等[10]对金属化聚丙烯膜脉冲电容器的放电过程进行热仿真分析，研究发现，随着充放电频率的提高，电容器各部位的温度呈上升趋势，揭示了金属化膜脉冲电容器内部的发热规律。上述文献对电容器热分析多停留在稳态，然而，对于车载DC-Link电容器而言，由于汽车行驶工况复杂性和多变性，使得电容器对应的损耗和损耗引起温度变化也呈现多变性。

针对上述问题，本文基于ANSYS有限元仿真软件，探讨了DC-Link电容器在稳态和瞬态条件下的温度分布与其温升特性，并分析了散热器不同位置对电容结温的影响，为电容器优化设计提供参考依据；同时，本文结合LSTM神经网络对瞬态工况下电容结温进行预测，通过与有限元仿真结果对比验证了预测模型的准确性，为动态工况下电容结温实时预测提供研究基础。

2. DC-Link薄膜电容温度场分析

2.1. 三维模型搭建与材料属性定义

以某型号电动汽车DC-Link金属化薄膜电容器为例，电容器外壳材质为PPS塑料，电容器内部采用七个芯子并联，环氧料填充。对电容器进行简化，忽略焊点、圆角等对电容温度变化影响较小的结构，电容三维模型如图1所示，主要由芯子、母排、绝缘纸、外壳及环氧料组成。电容器内部结构较为复杂，直接对环氧料部分建模较为困难，建立好电容器内部模型后，利用ANSYS建模工具DesignModeler中的填充功能进行环氧料填充。

Figure 1. Capacitor 3D model

图1. 电容三维模型

电容器芯子由金属铝或锌喷涂在绝缘介质膜上，然后通过精细的卷绕工艺制成，形成多层交替的电极和绝缘介质结构。由于电极的厚度在微米级别，绝缘介质的厚度在纳米级别，考虑到仿真过程中的复杂性，将电容器芯子视为一个整体。芯子的导热性为各向异性，径向(XY方向)导热率为0.25 W·m⁻¹·K⁻¹，轴向(Z方向)导热率为0.5 W·m⁻¹·K⁻¹，各部分材料属性如表1所示。

Table 1. Capacitor material parameters

表1. 电容材料参数

	密度(kg·m^−3)	比热(J·kg^−1·K^−1)	导热率(W·m^−1·K^−1)
PPS外壳	1650	1000	0.25
母排	8900	386	390
环氧料	1820	1340	1
绝缘纸	1370	3	250
芯子	910	1883	XYZ: 0.25\0.25\0.5

2.2. 损耗计算

Figure 2. Three-phase two-level inverter topology

图2. 三项两电平逆变器拓扑结构

电动汽车三项两电平逆变器的拓扑结构如图2所示。在逆变器输入侧，为防止高幅值的脉动电流在直流母线上产生高幅值的脉动电压，需要在电机控制器内部并联DC-Link电容器；电池到电机控制器之间存在较长的线束，会引入较大的线路寄生电感，使电池无法快速响应负载侧高频变化需求，这也是需要在电机控制器内部并联DC-Link电容器的原因之一[11]。DC-Link电容器等效电路可以近似看成由理想电容C、等效串联电感ESL、等效串联电阻ESR组成。

由基尔霍夫电流定律可知，流入电容器的电流I_C等于电源输出电流I_L和逆变器输入电流I_S之间的差值，电源输出电流与逆变器输入电流又可分为直流和交流两部分，其直流部分近似相等，电池供电时，电源输出交流部分远小于逆变器输入交流部分，可以得到电容纹波电流为：

$I_{\text{C}}=I_{\text{L}}-I_{\text{S}}=\left(I_{\text{L}\text{.dc}}+I_{\text{L}\text{.ac}}\right)-\left(I_{\text{S}\text{.dc}}+I_{\text{S}\text{.ac}}\right)=I_{\text{L}\text{.ac}}-I_{\text{S}\text{.ac}}\approx -I_{\text{S}\text{.ac}}$ (1)

可以得到纹波电流有效值为[12]：

$I_{\text{C}\text{.rms}}=I_{\text{S}\text{.ac}\text{.rms}}=\sqrt{I_{\text{S}\text{.rms}}^2-I_{\text{S}\text{.dc}}^2}=I_{\text{P}\text{.rms}}\sqrt{2M\left[\frac{\sqrt{3}}{4\text{π}}+\left(\frac{\sqrt{3}}{\text{π}}-\frac{9M}{16}\right){\cos }^2\phi \right]}$ (2)

式中：I_C.rm为电容纹波电流有效值，I_S.ac.rms为输入逆变器交流分量有效值，I_S.rms为输入逆变器有效值，I_S._dc为输入逆变器电流平均分量，I_P.rms为相电流有效值；M为调制度；cosφ为功率因数。

由式(2)可以得出当功率因数为1，且调制比为0.61时，纹波电流有效值与相电流有效值达到最大比值0.65。电容器损耗由电容器的等效串联电阻ESR和其承受纹波电流大小有关，其表达式为：

$P_{\text{loss}}=I_{\text{C}\text{.rms}}^2\text{·}{R}_{\text{esr}}$ (3)

式中：P_loss为电容器损耗，R_esr为电容器等效串联电阻。

相电流有效值的最高为300 A可以得到纹波电流有效值理论最大值为195 A，电容器ESR为0.3 mΩ，可以得到电容器发热功率为11.4075 W，一个电容器芯子的发热功率为1.63 W，单个芯子体积为2.31 × 10⁻⁴ m³，所以芯子发热功率密度为7056 W/m³。

2.3. 稳态热仿真

在稳态热仿真中，电容器的对流传热系数设定为10 W/(m²·K)，环境温度假定为80℃。根据上述DC-Link薄膜电容有限元模型和边界条件进行稳态热仿真，温度场分布结果如图3所示。从电容器截面温度分布可以看出电容器最热点在芯子中心部位，最高温度为91.35℃；电容器外壳顶部温度略高于侧面温度，中心区域温度也高于周围温度，最高温度为87.58℃。

Figure 3. Capacitor temperature distribution diagram

图3. 电容器温度分布图

由上述可知，电容器芯子温度沿轴向传递相对较快，对电容器不同外壳表面进行恒温设置，温度为60℃，以模拟散热器对电容结温带来的影响。可以看出当散热器装在电容器顶部(芯子轴向温度传播时对应外边面)时，电容器外壳温度与内部温度分布如图4(a)与图4(b)所示，电容器最高温度在电容器外壳远离散热器处，最高温度为79.337℃，芯子最高温度为接近外壳最高温度处；母排温度也较低，为69.88℃。当电容器装在侧面1 (芯子径向温度传播时对应外边面，远离母排端)时，电容器外壳温度与内部温度分布如图4(c)与图4(d)所示，电容器外壳最高温度为83.84℃，高于散热器安装在顶部时的温度，造成温差的另一个原因与散热面的大小有关，母排对应温度也相对较大。当电容器装在侧面2 (芯子径向温度传播时对应外边面，靠近母排端)时，电容器外壳温度与内部温度分布如图4(e)与图4(f)所示，电容器外壳最高温度为82.18℃，高于散热器安装在顶部时的温度，且低于散热器安装在侧面远离母排端时的温度，而且母排对应温度最低。由上述分析可知电容器的散热器应尽量设计在芯子轴向温度传播时对应的外壳表面，此外表面的面积与散热器接触面积应尽量设计较大一些；在实际应用中，由于材料等原因母排也会存在内阻，流过电流时也会产生部分热量，在不影响装配和电器参数的情况下，电容器母排应尽量设计靠近散热器处。

(a) 上表面散热器模拟结果下电容器外壳温度 (b) 上表面散热器模拟结果下电容器内部温度

(c) 侧面1散热器模拟结果下电容器外壳温度 (d) 侧面1散热器模拟结果下电容器内部温度

(e) 侧面2散热器模拟结果下电容器外壳温度 (f) 侧面2散热器模拟结果下电容器内部温度

Figure 4. Temperature distribution of capacitors under simulated heat sink conditions

图4. 模拟散热器下电容温度分布

2.4. 瞬态热仿真

在瞬态热仿真中，电容器的对流传热系数设定为10 W/(m²·K)，环境温度假定为80℃，进行20,000秒的瞬态热仿真。温度变化曲线如图5所示，可以看出温升主要集中在前半段，随时间推移，电容器最大温度逐渐趋近于2.3节稳态仿真时对应温度。电容器内部温度的瞬时变化与其产热和散热相关；在仿真模拟的前半段时间内，由于电容器产热大于散热，导致温度迅速上升；而在后半段时间内，电容器的散热能力逐渐接近产热，因此温升曲线逐渐趋于平缓；当电容器内部的产热与散热达到平衡时，电容器内部温度到达稳定。电容器的产热与其瞬时损耗功率直接相关，当损耗功率保持不变时，电容器产生的热量也基本不变。另一方面，电容器的散热能力则与散热条件有关，在电容器所处的环境温度和散热系数保持恒定的情况下，电容器表面温度与环境温度的差值越大，相同时间内散掉的热量也就越多；而电容器表面和环境的温差又与电容器内部总体温升紧密相关。综上分析，影响电容器瞬时温升的主要内在因素主要有两个：电容器当前瞬时损耗和电容器当前总体温升。

Figure 5. Temperature rise curves

图5. 温升曲线

3. 基于LSTM神经网络的电容结温预测

3.1. LSTM结构原理

长短期记忆(Long Short-Term Memory, LSTM)神经网络是一种特殊的循环神经网络(Recurrent Neural Networks, RNN)，专门用于处理序列数据，特别是在需要记忆长时间依赖关系的任务中。LSTM通过其独特的记忆单元结构，解决了传统RNN在处理长序列时遇到的梯度消失或梯度爆炸问题。核心的记忆单元通过遗忘门、输入门、细胞状态更新和输出门决定信息的保留、遗忘与输出。遗忘门决定哪些信息从细胞状态中丢弃；输入门决定哪些新信息需要存储到细胞状态中；细胞状态更新结合遗忘门和输入门的结果，更新细胞状态；输出门决定细胞状态的哪些部分需要输出。LSTM的优势在于能够有效地处理长序列数据中的长期依赖关系，广泛应用于自然语言处理、时间序列预测等领域。

电容器的总体温升通过每个时间段的瞬时温升累加得到，根据本章第2.4节的讨论，影响电容器瞬时温升的内在因素主要有两个：电容器的当前瞬时损耗功率和当前总体温升。用于电容器结温预测的LSTM神经网络如图6所示，P_n代表第n时刻电容器瞬时损耗功率，T_n代表第n时刻电容器当前总体温升，H_n代表第n时刻电容器的瞬时温升。对于电容器当前总体温升，只需给出初始的T₀温度，后续的总体温升可以通过前一时刻的总体温升与前一时刻的瞬时温升相加获得。

Figure 6. LSTM neural network

图6. LSTM神经网络

3.2. LSTM神经网络温度预测结果与仿真预测结果对比

在训练LSTM神经网络的过程中，训练集的数据通过多次随机损耗下的仿真获得，这为模型提供了丰富且多样化的输入样本。部分训练集中的仿真结果与LSTM预测结果对比如图7所示，结果显示仿真瞬时温升变化与LSTM预测值高度吻合；其相关指数R²达到0.976，表明电容器当前损耗和当前总体温升对下一刻瞬时温升存在极强的相关性；均方根误差(Root Mean Squared Error, RMSE)为0.00039008，进一步验证了预测结果的准确性。

Figure 7. Comparison of simulation and prediction in training set

图7. 训练集仿真与预测对比

尽管训练集中的LSTM预测结果与多次随机损耗下的仿真结果高度吻合，但也并不能直接说明该模型在其他损耗条件下的电容温度预测中同样有效。为了验证模型在新条件下的泛化能力，对一段新随机损耗下的电容温升进行预测，预测结果与仿真结果对比如图8所示。结果显示，预测结果的相关指数R²达到0.895，RMSE为0.00084804。虽然这一结果较训练集有所下降，但仍然表现出较强的相关性和较低的误差，表明LSTM模型在新的随机损耗条件下仍然具有较好的预测能力。这些指标充分证明了LSTM模型在捕捉和预测温升变化方面的卓越性能。

Figure 8. Comparison of simulation and prediction in test set

图8. 测试集仿真与预测对比

4. 结语

本文基于ANSYS有限元仿真软件，研究了DC-Link电容器在瞬态和稳态条件下的温度分布与温升特性，并分析了散热器不同位置对电容结温的影响。研究发现，在无散热器条件下，电容器最高温度集中在芯子内部，通过合理设计散热器，可以显著降低芯子的最高温度。此外，基于电容器瞬时温升影响因素，并结合LSTM神经网络，对瞬态工况下的电容结温进行预测，通过与仿真的对比验证了预测模型的准确性。为电容器结构设计和动态工况下电容结温预测提供参考依据与研究基础。

值得一提的是，除了电容器当前瞬时损耗和当前总体温升两个内在因素外，环境温度和其他散热条件也是影响电容当前结温瞬时变化的主要相关因素。若能收集到足够多的相关数据，可以预期LSTM神经网络在电容结温的实时预测方面将表现出更优异的性能。