CN105138741A - 基于神经网络的igbt模型参数校准系统及方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的IGBT模型参数校准系统及方法，系统设置有数据输入模块、电路实测模块、参数仿真模块以及参数校准模块；通过数据输入模块设定基极驱动电压V_gs和集电极输入电流I_T；电路实测模块根据V_gs和I_T来测定IGBT集电极和发射极之间的电压实际输出值V_CE；参数仿真模块根据V_gs、I_T以及IGBT模型参数来确定IGBT集电极和发射极之间的电压仿真输出值V’_CE；参数校准模块根据V_CE与V’_CE之间的偏差采用神经网络模型来校准IGBT模型参数；其效果是：够对IGBT器件的模型参数进行校准，综合考虑了开通和关断两种状态对IGBT器件进行建模，充分利用了神经网络模型的参数优化效果，更准确地描述了IGBT内部的变化情况。

Description

基于神经网络的IGBT模型参数校准系统及方法

技术领域

本发明涉及半导体器件的参数校准技术，具体地讲，是一种基于神经网络的IGBT模型参数校准系统及方法。

背景技术

绝缘栅双极型晶体管(InsulatedGateBipolarTransistor，IGBT)因兼具了金属氧化物半导体场效应晶体管(Metal-Oxide-SemiconductorField-EffectTransistor，MOSFET)的高输入阻抗和电力晶体管(GiantTransistor，GTR)的低导通压降的优点，已经广泛使用在各个电子应用领域。目前所能获得的器件信息主要来自公开的器件数据手册和软件仿真模型，如在Simulink中能获得IGBT的理想型模型，在Pspice中能获得某型号IGBT的特定模型和参数。而在实际应用中，为了更好的分析器件动态特性，并通过优化其驱动及保护电路，达到减小开关损耗，提高可靠性等目的，单纯依靠器件的数据手册或者通过仿真模型难以实现。同时，由于器件差异性的存在，每个器件拥有不同的参数值，需要依据所用器件的模型及其相关实际参数才能进行针对性的分析和优化。现今，主要从行为和机理两个方面对IGBT进行建模，但是行为建模是通过曲线拟合的方式实现的，唯有机理建模才能分析IGBT的内在本质。

1990年Hefner就已提出IGBT的物理模型，虽然IGBT在日益更新，但是Hefner模型仍具有相当大的影响力，很多现有的IGBT模型都是在此基础上发展起来的。Hefner模型主要分析了IGBT关断状态，而实际IGBT是电压驱动的全控型器件，开通和关断是不一样的，所以非常有必要分别分析开通和关断暂态。同时，Hefner只提供了一组参考模型参数，未给出参数提取的方式；现有的学者通过手册和经验公式获取参数，估计值较多，数据获取不具有系统性；也有人通过经验公式获取参数初始值，再使用一组实验数据优化参数，方法简单易实现，但是未提及优化算法，优化精度不高，且从模型公式可知无法获取优化目标函数与模型参数之间的直接关系。

发明内容

有鉴于此，本发明首先提供了一种基于神经网络的IGBT模型参数校准系统，该系统充分利用神经网络模型的优化功能，通过构建一个黑箱对IGBT的参数进行校准，使其更加贴合器件本身的动态特性。

为达到上述目的，本发明所采用的具体技术方案如下：

一种基于神经网络的IGBT模型参数校准系统，其关键在于，设置有数据输入模块、电路实测模块、参数仿真模块以及参数校准模块；

所述数据输入模块用于设定基极驱动电压V_gs和集电极输入电流I_T；

所述电路实测模块用于根据所述基极驱动电压V_gs和集电极输入电流I_T来测定IGBT集电极和发射极之间的电压实际输出值V_CE；

所述参数仿真模块用于根据所述基极驱动电压V_gs、集电极输入电流I_T以及IGBT模型参数来确定IGBT集电极和发射极之间的电压仿真输出值V’_CE；

所述参数校准模块用于根据所述电压实际输出值V_CE与所述电压仿真输出值V’_CE之间的偏差来校准IGBT模型参数；

所述IGBT模型参数包括W_B、A、N_B、I_sne、t_p、K_p，其中W_B为基区宽度；A为总导电面积；N_B为基区掺杂浓度；I_sne为发射极电子饱和电流；t_p为基区少数载流子寿命；K_p为MOSFET沟道跨导；

所述参数校准模块采用神经网络模型来调整IGBT模型参数，使得所述电压实际输出值V_CE与所述电压仿真输出值V’_CE之间的偏差达到预设范围。

进一步地，所述电路实测模块包括电压源V_dc、电路负载R以及待测IGBT器件，其中电压源V_dc的正极经过所述电路负载R与所述待测IGBT器件的集电极相连，所述待测IGBT器件的发射极接所述电压源V_dc的负极，所述待测IGBT器件的基极接基极驱动电压源，通过改变所述基极驱动电压源来调整所述基极驱动电压V_gs，通过改变所述电压源V_dc或电路负载R来调整所述集电极输入电流I_T，通过测试所述待测IGBT器件集电极与发射极之间的电压差来获取所述电压实际输出值V_CE。

更进一步地，所述参数校准模块中的神经网络模型中设置有一个隐藏层，该隐藏层的节点数为8，输入层输入的是一个表征电压实际输出值V_CE与电压仿真输出值V’_CE之间的偏差的目标函数，输出层输出的是IGBT模型参数中的6个参数值。

除此之外，本发明还提出了一种基于神经网络的IGBT模型参数校准方法，主要按照以下步骤进行：

步骤1：搭建一个实测电路，并通过改变基极驱动电压V_gs和集电极输入电流I_T来测定对应情况下IGBT集电极和发射极之间的电压实际输出值V_CE；

步骤2：通过数据手册得到待测IGBT器件模型参数的初始值，并根据步骤1所述的基极驱动电压V_gs、集电极输入电流I_T以及IGBT模型参数来确定IGBT集电极和发射极之间的电压仿真输出值V’_CE；

IGBT器件模型参数包括W_B、A、N_B、I_sne、t_p、K_p，其中W_B为基区宽度；A为总导电面积；N_B为基区掺杂浓度；I_sne为发射极电子饱和电流；t_p为基区少数载流子寿命；K_p为MOSFET沟道跨导；

步骤3：根据所述电压实际输出值V_CE与所述电压仿真输出值V’_CE之间的偏差，采用神经网络模型来调整IGBT模型参数，使得所述电压实际输出值V_CE与所述电压仿真输出值V’_CE之间的偏差达到预设范围。

作为进一步的描述，步骤1中搭建的实测电路包括电压源V_dc、电路负载R以及待测IGBT器件，其中电压源V_dc的正极经过所述电路负载R与所述待测IGBT器件的集电极相连，所述待测IGBT器件的发射极接所述电压源V_dc的负极，所述待测IGBT器件的基极接基极驱动电压源，通过改变所述基极驱动电压源来调整所述基极驱动电压V_gs，通过改变所述电压源V_dc或电路负载R来调整所述集电极输入电流I_T，通过测试所述待测IGBT器件集电极与发射极之间的电压差来获取所述电压实际输出值V_CE。

再进一步描述，步骤2中，开通模型下，电压仿真输出值V’_CE是按照进行仿真得到的，关断模型下，电压仿真输出值V’_CE是按照 $\frac{{\mathrm{dV}}_{CE}}{dt}=\frac{I_b}{C_{bcj}}$ 进行仿真得到的，其中： $I_{mos}=\left\{\begin{array}{cc}0,& V_{gs}<V_T\\ K_p(V_{gs}-V_T-V_{ds}/2)V_{ds},& V_{ds}\&le;V_{gs}-V_T\\ K_p{(V_{gs}-V_T)}^2/2,& V_{ds}>V_{gs}-V_T\end{array}\right.,$ V_gs为基极驱动电压，V_ds为MOSFET漏源极之间的电压，V_T是沟道导通阈值电压，I_b为基极电流，C_bcj为IGBT中的寄生电容值，且I_b与C_bcj是可以通过所述基极驱动电压V_gs、集电极输入电流I_T以及IGBT模型参数来确定的。

步骤3中的神经网络模型设置有一个隐藏层，该隐藏层的节点数为8，输入层输入的是一个表征电压实际输出值V_CE与电压仿真输出值V’_CE之间的偏差的目标函数，输出层输出的是IGBT模型参数中的6个参数值。

在利用神经网络进行参数校准的过程中，神经网络模型输入层输入的目标函数可以选为其中V_i ^m表示电压实际输出曲线上第i个采样点的值，V_i ^s表示电压仿真输出曲线上第i个采样点的值，i＝1～n，n为采样点的个数。

作为优选，在所述神经网络模型中，采用变步长法在IGBT器件参数初始值附近分别调节IGBT器件一个参数值，具体为：θ_i+1＝θ_i+β(θ_i-θ_i-1)，其中θ_i表示本次调节时的模型参数值，θ_i+1表示下次调节时的模型参数值，θ_i-1表示上次调节时的模型参数值，β表示以相邻模型参数差值为基数的变化步长，且按照 $\mathrm{\&beta;}=\left\{\begin{array}{cc}-0.5& \mathrm{\&Delta;}x<0,\mathrm{\&Delta;}y<0\\ -0.25& \mathrm{\&Delta;}x<0,\mathrm{\&Delta;}y>0\\ 0.25& \mathrm{\&Delta;}x>0,\mathrm{\&Delta;}y<0\\ 0.5& \mathrm{\&Delta;}x>0,\mathrm{\&Delta;}y>0\end{array}\right.$ 计算，其中x表示实际电压输出与仿真输出之间绝对误差的最大值，y表示目标函数输出值，Δ表示相邻两次仿真之间的差值，初始步长设为初始参数值的0.5倍。

本发明的有益效果：

(1)利用该系统或方法能够对IGBT器件的模型参数进行校准，使其更加贴合实际的输入输出关系；

(2)在构建仿真模型时，综合考虑了开通和关断两种状态对IGBT器件进行建模，更准确地描述了IGBT内部的变化情况；

(3)充分利用了神经网络模型的参数优化效果，根据IGBT实测输出电压值及IGBT模型仿真输出电压值的偏差来校准IGBT器件参数，得到的器件参数更准确的表征被测IGBT器件。

附图说明

图1为本发明的系统框图；

图2为图1中电路实测模块的电路原理图；

图3为图1中神经网络模型的结构示意图；

图4为IGBT器件的等效模型；

图5为IGBT器件的模型坐标；

图6为关断模型的电流与电压波形图；

图7为Hefner模型的电流与电压波形图；

图8为参数校准后IGBT开通时电流与电压波形图；

图9为参数校准后IGBT关断时电流与电压波形图。

具体实施方式

下面结合具体实施例和说明书附图对本发明作进一步说明。

如图1所示的一种基于神经网络的IGBT模型参数校准系统，设置有数据输入模块、电路实测模块、参数仿真模块以及参数校准模块；

所述数据输入模块用于设定基极驱动电压V_gs和集电极输入电流I_T；

所述电路实测模块用于根据所述基极驱动电压V_gs和集电极输入电流I_T来测定IGBT集电极和发射极之间的电压实际输出值V_CE；

所述参数仿真模块用于根据所述基极驱动电压V_gs、集电极输入电流I_T以及IGBT模型参数来确定IGBT集电极和发射极之间的电压仿真输出值V’_CE；

所述参数校准模块用于根据所述电压实际输出值V_CE与所述电压仿真输出值V’_CE之间的偏差来校准IGBT模型参数；

所述IGBT模型参数包括W_B、A、N_B、I_sne、t_p、K_p，其中W_B为基区宽度；A为总导电面积；N_B为基区掺杂浓度；I_sne为发射极电子饱和电流；t_p为基区少数载流子寿命；K_p为MOSFET沟道跨导；

所述参数校准模块采用神经网络模型来调整IGBT模型参数，使得所述电压实际输出值V_CE与所述电压仿真输出值V’_CE之间的偏差达到预设范围。

通过图2可以看出，所述电路实测模块包括电压源V_dc、电路负载R以及待测IGBT器件，其中电压源V_dc的正极经过所述电路负载R与所述待测IGBT器件的集电极相连，所述待测IGBT器件的发射极接所述电压源V_dc的负极，所述待测IGBT器件的基极接基极驱动电压源，通过改变所述基极驱动电压源来调整所述基极驱动电压V_gs，通过改变所述电压源V_dc或电路负载R来调整所述集电极输入电流I_T，通过测试所述待测IGBT器件集电极与发射极之间的电压差来获取所述电压实际输出值V_CE。

通过图3可以看出，本实施例中，所述参数校准模块中的神经网络模型中设置有一个隐藏层，该隐藏层的节点数为8，输入层输入的是一个表征电压实际输出值V_CE与电压仿真输出值V’_CE之间的偏差的目标函数，输出层输出的是IGBT模型参数中的6个参数值。

本实施例中还具体公开一种基于神经网络的IGBT模型参数校准方法，按照以下步骤进行：

步骤1：搭建一个实测电路，并通过改变基极驱动电压V_gs和集电极输入电流I_T来测定对应情况下IGBT集电极和发射极之间的电压实际输出值V_CE，这里的实测电路采用如图2所示的方式；

步骤2：通过数据手册得到待测IGBT器件模型参数的初始值，并根据步骤1所述的基极驱动电压V_gs、集电极输入电流I_T以及IGBT模型参数来确定IGBT集电极和发射极之间的电压仿真输出值V’_CE；

IGBT器件模型参数包括W_B、A、N_B、I_sne、t_p、K_p，其中W_B为基区宽度；A为总导电面积；N_B为基区掺杂浓度；I_sne为发射极电子饱和电流；t_p为基区少数载流子寿命；K_p为MOSFET沟道跨导；

具体实施时，在开通模型下，电压仿真输出值V’_CE是按照进行仿真得到的，关断模型下，电压仿真输出值V’_CE是按照进行仿真得到的，其中： $I_{mos}=\left\{\begin{array}{cc}0,& V_{gs}<V_T\\ K_p(V_{gs}-V_T-V_{ds}/2)V_{ds},& V_{ds}\&le;V_{gs}-V_T\\ K_p{(V_{gs}-V_T)}^2/2,& V_{ds}>V_{gs}-V_T\end{array}\right.,$ V_gs为基极驱动电压，V_ds为MOSFET漏源极之间的电压，V_T是沟道导通阈值电压，I_b为基极电流，C_bcj为IGBT中的寄生电容值，且I_b与C_bcj是可以通过所述基极驱动电压V_gs、集电极输入电流I_T以及IGBT模型参数来确定的。

步骤3：根据所述电压实际输出值V_CE与所述电压仿真输出值V’_CE之间的偏差，采用神经网络模型来调整IGBT模型参数，使得所述电压实际输出值V_CE与所述电压仿真输出值V’_CE之间的偏差达到预设范围。

这里的神经网络模型采用图3所示的模型，且输入层输入的目标函数为其中V_i ^m表示电压实际输出曲线上第i个采样点的值，V_i ^s表示电压仿真输出曲线上第i个采样点的值，i＝1～n，n为采样点的个数。

在所述神经网络模型中，采用变步长法在IGBT器件参数初始值附近分别调节IGBT器件一个参数值，具体为：θ_i+1＝θ_i+β(θ_i-θ_i-1)，其中θ_i表示本次调节时的模型参数值，θ_i+1表示下次调节时的模型参数值，θ_i-1表示上次调节时的模型参数值，β表示以相邻模型参数差值为基数的变化步长，且按照

$\mathrm{\&beta;}=\left\{\begin{array}{cc}-0.5& \mathrm{\&Delta;}x<0,\mathrm{\&Delta;}y<0;\\ -0.25& \mathrm{\&Delta;}x<0,\mathrm{\&Delta;}y>0;\\ 0.25& \mathrm{\&Delta;}x>0,\mathrm{\&Delta;}y<0;\\ 0.5& \mathrm{\&Delta;}x>0,\mathrm{\&Delta;}y>0;\end{array}\right.$ 计算，其中x表示实际电压输出与仿真输出之间绝对误差的最大值，y表示目标函数输出值，Δ表示相邻两次仿真之间的差值，初始步长设为初始参数值的0.5倍。

为了进一步理解如何根据基极驱动电压V_gs、集电极输入电流I_T以及IGBT模型参数来确定IGBT集电极和发射极之间的电压仿真输出值V’_CE，下面对IGBT模型进行如下理论推导：

如图4所示，IGBT主要由MOSFET和双极结型晶体管(BipolarJunctionTransistor,BJT)两部分构成，驱动电路控制MOSFET的开通与关断，从而控制BJT基极的电流，实现IGBT的开通与关断。由于MOSFET内部有寄生电容，在开通时刻存在充放电情况，MOSFET的导通电流I_mos有一个变化的过程；而关断时刻，MOSFET的栅极和源极两端为负压，其导通电流会瞬间为0，故对IGBT的导通和关断模型分开分析。

导通模型下，首先，根据图4可知，IGBT模型的输入为集电极输入电流I_T和驱动电压V_gs，其均由外围电路决定。

对于IGBT模型内部，通过Hefner模型可知，在BJT部分有两种载流子相互作用，且由于基极处于大注入的情况下，电子和空穴的浓度相等，即n≈p，故空穴和电子产生的对应电流如式(1)-(2)所示。

$I_n\left(x\right)=\frac{b}{1+b}{I}_T+qAD\frac{\&part;p}{\&part;x}---\left(1\right)$

$I_p\left(x\right)=\frac{1}{1+b}{I}_T-qAD\frac{\&part;p}{\&part;x}---\left(2\right)$

其中，x表示BJT整个导电层的长度，图5为其分布情况；b为双极性迁移率比，即b＝u_n/u_p，u_n和u_p分别为电子和空穴的迁移率；q＝1.6e-19C为元电荷；A表示IGBT的总导电面积；D为双极性扩散系数。

剩余空穴δp在x上的分布情况可由式(3)得到。

$\mathrm{\&delta;}p\left(x\right)=P_0\&lsqb;1-\frac{x}{W}\&rsqb;-\frac{p_0}{WD}\&lsqb;\frac{x^2}{2}-\frac{Wx}{6}-\frac{x^3}{3W}\&rsqb;\&CenterDot;\frac{dW}{dt}---\left(3\right)$

P₀为BJT发射极输入端的空穴浓度，可由P₀＝2Q/(qAW)得到，Q为基区总剩余电荷，W表示准中性基区宽度，它与冶金基区宽度W_B以及耗尽层宽度W_bcj有关，具体关系如式(4)和(5)：

$W_{bcj}=\sqrt{2{\mathrm{\&epsiv;}}_{si}(V_{bc}+V_{bi})/{\mathrm{qN}}_B}---\left(4\right)$

其中V_bi≈0.7V，ε_si表示硅的介电常数，N_B为基区掺杂浓度，准中性基区宽度为：

W＝W_B-W_bcj(5)

在开通时刻，空穴从发射区注入且在集电区形成电流I_c，而MOSFET的沟道电流I_mos提供电子在准中性基区与空穴发生复合，形成基极电流I_b，上述集电极电流I_c和基极电流I_b就构成了IGBT输入电流I_T，由式(1)和(3)可知基极电流为：

$I_b=I_n(x=W)=\frac{b}{1+b}{I}_T-\frac{2D}{W^2}Q+\frac{Q}{3W}\&CenterDot;\frac{dW}{dt}---\left(6\right)$

而MOSFET的沟道电流I_mos与驱动电压V_gs相关，可视为一个压控电流源，如式(7)所示：

$I_{mos}=\left\{\begin{array}{cc}0,& V_{gs}<V_T\\ K_p(V_{gs}-V_T-V_{ds}/2)V_{ds},& V_{ds}\&le;V_{gs}-V_T\\ K_p{(V_{gs}-V_T)}^2/2,& V_{ds}>V_{gs}-V_T\end{array}\right.---\left(7\right)$

另外，基区总剩余电荷Q在开通时刻的初始值为0，而其变化量主要有自身寿命消耗和电子电流流出与注入之差，即：

$\frac{dQ}{dt}=-\frac{Q}{{\mathrm{\&tau;}}_p}+(I_n(x=W)-I_n(x=0))----\left(8\right)$

其中，τ_p表示基区少数载流子寿命；I_n(x＝0)表示的是BJT发射端输入的电子电流，如式(9)所示。

$I_n(x=0)=I_{sne}(P_0^2/n_i^2)---\left(9\right)$

其中n_i为本征载流子浓度，I_sne为发射极电子饱和电流。

IGBT的输出为集电极和发射极两端的电压V_CE，由于BJT的电压降主要在于其基极和BJT集电极之间的压降V_bc，即IGBT中寄生电容C_bcj两端的电压，且在开关瞬态，BJT发射极与基极两端的电压相对较小且几乎不变，故可以忽略不计，所以dV_CE/dt＝dV_bc/dt，C_bcj是可变电容，与耗尽层宽度相关，具体关系如下：

C_bcj＝Aε_si/W_bcj(10)

故根据式(6)-(8)和式(10)即可建立IGBT的开通模型，即式(11)。

$\frac{{\mathrm{dV}}_{CE}}{dt}=\frac{I_b-I_{mos}}{C_{bcj}}---\left(11\right)$

当IGBT关断时，MOSFET部分马上关断，导电沟道消失，即I_mos为0。故可由式(6)、(8)和(10)建立IGBT的关断模型，即式(12)。

$\frac{{\mathrm{dV}}_{CE}}{dt}=\frac{I_b}{C_{bcj}}---\left(12\right)$

综上分析，本发明在利用神经网络进行IGBT模型参数校准过程中，充分考虑到了IGBT开通状态和关闭状态的差异，使其校准后的模型参数更加贴合IGBT器件的动态特性。

在进行参数校准过程中，IGBT的模型参数主要由表1所示。

表1IGBT模型参数

表中的物理常数基本固定，而器件参数却与具体的器件相关，本发明在利用神经网络模型进行参数校准的过程中，首先选用三段式获取实验样本数据，将IGBT输出电压V_CE作为比较对象，通过逐次逼近的方式修正初始参数，在利用图2所示测试电路获取实验数据过程中，根据“小、中、大”选取3个有一定间距的电阻值，如20Ω、120Ω和200Ω；在选定一个电阻后，在其电压源和电阻功率范围内，以电压为标准，同样采用三段式选择电压源V_dc，如对于20Ω(500W)阻性负载，可选择电压10V，50V，100V，这样即可获得3*3个样本曲线数据。

三个外部特征参数I_T，V_gs和V_CE获取完毕后，便可以将仿真模型输出与实际测量输出进行比较，从而根据误差函数优化模型参数，使得模型输出曲线逐次逼近实际输出曲线。

优化的目的是调节模型参数值使得目标函数J实现最小值，但目标函数与模型参数之间没有直接的关系，且IGBT的机理模型是非线性的，很难提取出所有模型参数的直接表达式，因此本发明将目标函数J与模型参数θ(W_B，A，N_B，I_sne，τ_p，K_p)之间的关系作为一个黑箱处理，采用神经网络作为参数校准的优化算法，系统进行参数校准的过程主要包含两部分：

(1)通过改变实验样本数据或模型参数使得仿真输出和实际输出得到不同的误差，即获得不同的目标函数值J，将对应的模型参数和目标函数值形成多组训练数据，如(θ₁,J₁)，(θ₂,J₂)……以此训练得到一个神经网络模型；

(2)根据此神经网络模型和理想目标函数值，得到一个预测输出值θ′，将θ′代入IGBT的仿真模型中，根据其输出电压曲线即可得到对应的目标函数值J′，将(θ′,J')作为新的一组训练数据添加到神经网络中，重新训练得到一个神经网络模型，以此循环，直到目标函数值或循环次数达到一定要求。

在配制神经网络结构参数时，选用了BP神经网络模型，遵循Kolmogorov多层神经网络映射存在定理，确定选择一个隐藏层，并通过经验公式计算得到隐藏层初始节点数，具体为：其中n为输入层节点数目，m为输出层节点数目，最后通过仿真情况对其值进行调节得到最优节点数。同时以logsig函数作为隐藏层的激活函数，使其输出限制在[0,1]范围内，即： $\log sig\left(x\right)=\frac{1}{1+e^{-x}}.$

在利用神经网络进行参数校准时，由于各个参数的量化等级不一样，需要对数据进行归一化处理，具体为：其中y表示归一值，x表示当前值，[y_min，y_max]表示归一化所需限制的范围，而x_max和x_min分别表示待处理数据中的最大值和最小值。由于需要保证神经网络输出值(即模型参数)为正，且神经网络的激活函数为logsig函数，所以归一化范围为[0,1]，即y_max和y_min分别为1和0。

归一化相对应的必须有反归一化，所以在通过训练好的神经网络获取输出值时还需要对其进行反归一化处理，才能得到对应的模型参数。

为了验证本发明的有效性，接下来以FGA25N120型的IGBT为例，在获取训练样本时，测试电路的驱动信号通过电压型驱动板MAST5-2C/P24/S5及占空比为50％的方波产生，通过经验公式和数据手册获得该类型IGBT器件参数的初始值，如表2所示。

表2参数辨识结果

为验证发明IGBT机理模型的精确性和必要性，将一组实验样本数据和参数初始值代入仿真模型中。为保持电路的一致性，仿真系统的集电极电流I_T由式得到，由于开通模型和已有的Hefner模型一致，故只比较关断模型，其仿真与实验波形对比图分别如图6和图7所示。

由图可知，Hefner模型在关断瞬态未考虑滞后过程，使得模型的精确度下降。虽然关断模型仍具有一定的误差，但是其使用的是初始参数，通过参数辨识以后将得到改善，而参数辨识是不能改变关断位置的，故验证了本发明区分开通和关断模型的精确性和必要性。

在本实施例中，通过神经网络模型对IGBT器件参数进行调整，当目标函数J为0时得到的参数校准结果如表2所示。

通过参数辨识后，IGBT机理模型可以直接应用在多个方面，如预测、实验前的仿真等，具有很大的实际意义。为进一步验证IGBT机理模型的适用性，在上节测试电路的基础上，选取训练样本以外的实验数据，如电压源为100V，电阻为100Ω，寄生电感为15μH。

在机理模型完善且实验电路准备就绪后，分别通过Matlab仿真和实验测取IGBT集电极和发射极间的电压波形以及集电极电流波形。IGBT开通和关断暂态下的仿真与实验波形对比图分别如图8和图9所示。由图可看出，仿真波形与实验波形的振荡趋势和尖峰基本一致。对比结果表明，本文提出的IGBT机理模型完全能适用于IGBT的状态分析，且通过神经网络辨识后的参数使模型具有更高的精确度。

综上所述，本发明在Hefner模型的基础上，提出将IGBT机理模型分为开通与关断暂态两部分来建立，更准确地描述了IGBT内部的变化情况。同时针对模型参数与优化目标函数关系难以获取的问题，提出了一种基于神经网络优化算法实现模型参数校准的方法。通过实验与仿真结果的对比，验证了该机理模型的适用性，以及神经网络辨识所得参数的精确性。

最后需要说明的是，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于神经网络的IGBT模型参数校准系统，其特征在于，设置有数据输入模块、电路实测模块、参数仿真模块以及参数校准模块；

所述数据输入模块用于设定基极驱动电压V_gs和集电极输入电流I_T；

所述电路实测模块用于根据所述基极驱动电压V_gs和集电极输入电流I_T来测定IGBT集电极和发射极之间的电压实际输出值V_CE；

所述参数仿真模块用于根据所述基极驱动电压V_gs、集电极输入电流I_T以及IGBT模型参数来确定IGBT集电极和发射极之间的电压仿真输出值V’_CE；

所述参数校准模块用于根据所述电压实际输出值V_CE与所述电压仿真输出值V’_CE之间的偏差来校准IGBT模型参数；

所述IGBT模型参数包括W_B、A、N_B、I_sne、t_p、K_p，其中W_B为基区宽度；A为总导电面积；N_B为基区掺杂浓度；I_sne为发射极电子饱和电流；t_p为基区少数载流子寿命；K_p为MOSFET沟道跨导；

所述参数校准模块采用神经网络模型来调整IGBT模型参数，使得所述电压实际输出值V_CE与所述电压仿真输出值V’_CE之间的偏差达到预设范围。

2.根据权利要求1所述的基于神经网络的IGBT模型参数校准系统，其特征在于，所述电路实测模块包括电压源V_dc、电路负载R以及待测IGBT器件，其中电压源V_dc的正极经过所述电路负载R与所述待测IGBT器件的集电极相连，所述待测IGBT器件的发射极接所述电压源V_dc的负极，所述待测IGBT器件的基极接基极驱动电压源，通过改变所述基极驱动电压源来调整所述基极驱动电压V_gs，通过改变所述电压源V_dc或电路负载R来调整所述集电极输入电流I_T，通过测试所述待测IGBT器件集电极与发射极之间的电压差来获取所述电压实际输出值V_CE。

3.根据权利要求1所述的基于神经网络的IGBT模型参数校准系统，其特征在于，所述参数校准模块中的神经网络模型中设置有一个隐藏层，该隐藏层的节点数为8，输入层输入的是一个表征电压实际输出值V_CE与电压仿真输出值V’_CE之间的偏差的目标函数，输出层输出的是IGBT模型参数中的6个参数值。

4.一种基于神经网络的IGBT模型参数校准方法，其特征在于按照以下步骤进行：

步骤1：搭建一个实测电路，并通过改变基极驱动电压V_gs和集电极输入电流I_T来测定对应情况下IGBT集电极和发射极之间的电压实际输出值V_CE；

步骤2：通过数据手册得到待测IGBT器件模型参数的初始值，并根据步骤1所述的基极驱动电压V_gs、集电极输入电流I_T以及IGBT模型参数来确定IGBT集电极和发射极之间的电压仿真输出值V’_CE；

IGBT器件模型参数包括W_B、A、N_B、I_sne、t_p、K_p，其中W_B为基区宽度；A为总导电面积；N_B为基区掺杂浓度；I_sne为发射极电子饱和电流；t_p为基区少数载流子寿命；K_p为MOSFET沟道跨导；

步骤3：根据所述电压实际输出值V_CE与所述电压仿真输出值V’_CE之间的偏差，采用神经网络模型来调整IGBT模型参数，使得所述电压实际输出值V_CE与所述电压仿真输出值V’_CE之间的偏差达到预设范围。

5.根据权利要求4所述的基于神经网络的IGBT模型参数校准方法，其特征在于：按照以下步骤进行：步骤1中搭建的实测电路包括电压源V_dc、电路负载R以及待测IGBT器件，其中电压源V_dc的正极经过所述电路负载R与所述待测IGBT器件的集电极相连，所述待测IGBT器件的发射极接所述电压源V_dc的负极，所述待测IGBT器件的基极接基极驱动电压源，通过改变所述基极驱动电压源来调整所述基极驱动电压V_gs，通过改变所述电压源V_dc或电路负载R来调整所述集电极输入电流I_T，通过测试所述待测IGBT器件集电极与发射极之间的电压差来获取所述电压实际输出值V_CE。

6.根据权利要求4所述的基于神经网络的IGBT模型参数校准方法，其特征在于：步骤3中的神经网络模型设置有一个隐藏层，该隐藏层的节点数为8，输入层输入的是一个表征电压实际输出值V_CE与电压仿真输出值V’_CE之间的偏差的目标函数，输出层输出的是IGBT模型参数中的6个参数值。

7.根据权利要求6所述的基于神经网络的IGBT模型参数校准方法，其特征在于：神经网络模型输入层输入的目标函数为其中V_i ^m表示电压实际输出曲线上第i个采样点的值，V_i ^s表示电压仿真输出曲线上第i个采样点的值，i＝1～n，n为采样点的个数。

8.根据权利要求6或7所述的基于神经网络的IGBT模型参数校准方法，其特征在于：在所述神经网络模型中，采用变步长法在IGBT器件参数初始值附近分别调节IGBT器件一个参数值，具体为：θ_i+1＝θ_i+β(θ_i-θ_i-1)，其中θ_i表示本次调节时的模型参数值，θ_i+1表示下次调节时的模型参数值，θ_i-1表示上次调节时的模型参数值，β表示以相邻模型参数差值为基数的变化步长，且按照

$\mathrm{\&beta;}=\left\{\begin{array}{cc}-0.5& \mathrm{\&Delta;}x<0,\mathrm{\&Delta;}y<0;\\ -0.25& \mathrm{\&Delta;}x<0,\mathrm{\&Delta;}y>0;\\ 0.25& \mathrm{\&Delta;}x>0,\mathrm{\&Delta;}y<0;\\ 0.5& \mathrm{\&Delta;}x>0,\mathrm{\&Delta;}y>0;\end{array}\right.$ 计算，其中x表示实际电压输出与仿真输出之间绝对误差的最大值，y表示目标函数输出值，Δ表示相邻两次仿真之间的差值，初始步长设为初始参数值的0.5倍。

9.根据权利要求4所述的基于神经网络的IGBT模型参数校准方法，其特征在于：步骤2中，开通模型下，电压仿真输出值V’_CE是按照进行仿真得到的，关断模型下，电压仿真输出值V’_CE是按照进行仿真得到的，其中： $I_{mos}=\left\{\begin{array}{cc}0,& V_{gs}<V_T\\ K_p(V_{gs}-V_T-V_{ds}/2)V_{ds},& V_{ds}\&le;V_{gs}-V_T\\ K_p{(V_{gs}-V_T)}^2/2,& V_{ds}>V_{gs}-V_T\end{array}\right.,$ V_gs为基极驱动电压，V_ds为MOSFET漏源极之间的电压，V_T是沟道导通阈值电压，I_b为基极电流，C_bcj为IGBT中的寄生电容值，且I_b与C_bcj是可以通过所述基极驱动电压V_gs、集电极输入电流I_T以及IGBT模型参数来确定的。