CN110489790B - 基于改进abc-svr的igbt结温预测方法 - Google Patents

Abstract

基于改进ABC‑SVR的IGBT结温预测方法，采集多组IGBT结温和结温相关电学参数，作为样本数据集；对人工蜂群算法中搜索蜜源的公式进行改进；对搜索蜜源的公式进行改进后的人工蜂群算法对支持向量回归机的参数组合进行寻优，得到基于改进人工蜂群算法优化的IGBT结温预测支持向量回归机模型的最佳参数组合；根据最佳参数组合建立最佳IGBT结温预测支持向量回归机模型；对建立的最佳IGBT结温预测支持向量回归机模型进行训练和准确性判断；利用最佳的最佳IGBT结温预测支持向量回归机模型预测结温。本发明所需参数少，实现简单，预测精度高，可广泛适用于IGBT结温测量难度大、要求精度高的应用场合。

Description

基于改进ABC-SVR的IGBT结温预测方法

技术领域

本发明涉及一种基于改进人工蜂群算法优化支持向量回归机(ABC-SVR)的绝缘双极型晶体管(IGBT)结温预测方法，主要运用于功率IGBT可靠性技术领域。

背景技术

绝缘双极型晶体管(IGBT)结合了场效应管晶体管(MOSFET)和双极型晶体管(BJT)的优点，具有驱动简单、损耗低、耐高压等特点，在新能源、航空航天、交通运输领域得到了广泛运用，IGBT的可靠性问题也受到日渐关注。

结温作为IGBT可靠性的一个重要参数，对器件及装置的性能有着重要的影响：结温过高，会导致半导体器件发生失效；同时，过大的温度波动也会对器件产生过高的疲劳应力作用，降低器件的使用寿命与可靠性。

目前IGBT的结温检测主要包括模拟法和探测法。其中模拟法包括电热耦合模型法、FEM数值计算法和迭代计算法；探测法包括热敏参数法、物理接触法和红外热成像法。模拟法参数计算复杂，需要提取数十个参数且易受负载影响，求解过程繁琐且误差较大、预测精度低；探测法中物理接触法和红外热成像法原理简单，但是需要打开器件封装或者预先埋入传感器，增大了电路复杂度且难以在实际工程中应用。

支持向量机(SVM)是一种近年来发展迅速的机器学习技术，常用于回归分析和分类，其中应用于回归支持向量机的称为支持向量回归机(SVR)。

发明内容

本发明要解决的问题是克服现有IGBT热敏参数法结温预测精度低、需要提取多参数且易受负载影响的缺点，提供一种基于改进人工蜂群算法优化支持向量回归机(ABC-SVR)的IGBT结温预测方法，预测方法所需参数少，实现简单，预测精度高，可广泛应用于对IGBT结温测量难度大、要求精度高的应用场合。

本发明解决其技术问题所采用的技术方案为：一种基于改进人工蜂群算法优化支持向量回归机(ABC-SVR)的IGBT结温预测方法，包括以下步骤：

步骤1：采集多组(至少50组)IGBT结温和结温相关电学参数，作为样本数据集，所述结温相关电学参数包括饱和压降U_CE和饱和电流I_CE，样本数据集内的样本数据的格式为(U_CE，I_CE，T)，以饱和压降U_CE和饱和电流I_CE作为样本输入，以IGBT结温T作为样本输出；将步骤1的样本数据集内的数据随机分为两份，将其中一份数据作为训练样本，将另一份数据作为测试样本；

步骤2：对人工蜂群算法中搜索蜜源的公式进行改进，改进后的公式如下：

v_ij＝x_ij+rand(-1,1)P_i(x_ij-x_kj)，

i,k∈{1,2,...,N}j＝1,2,...,D，

v_i＝(v_i1,…,v_iD)，x_i＝(x_i1,…,x_iD)，

v_i＝x_i+rand(-1,1)P_i(x_i-x_k)，

D＝3；

式中，x_i为第i个初始蜜源，x_ij为第i个初始蜜源中的第j个参数，N为算法初始化时随机生成初始蜜源(即解向量)的个数，初始蜜源的维数为D(D为SVR待优化参数的个数，即每个初始蜜源中都含有D个SVR待优化参数)；x_i通过上式更新为新蜜源为v_i，v_ij为新蜜源的第j个参数；j为蜜源中表征参数顺序的标量，j取值依次从1取到D(因每次更新蜜源应对其所有参数进行更新，即将初始蜜源x_i更新为v_i应迭代D次)；x_k表示N个初始蜜源中的第k个蜜源，k为1至N中随机选择的一个整数，且k≠i；x_kj表示N个初始蜜源中的第k个蜜源中的第j个参数，k为1至N中随机选择的一个整数，且k≠i；P_i为适应度概率，表达式为：

式中fit_i是适应度函数，其公式为：

式中f_i是预测值与实际值的均方根误差；

步骤3：利用步骤2的对搜索蜜源的公式进行改进后的人工蜂群算法对支持向量回归机的参数组合进行寻优，得到基于改进人工蜂群算法优化的IGBT结温预测支持向量回归机模型的最佳参数组合，最佳参数组合包括三个参数：惩罚因子C、核函数宽度参数σ和不敏感损失函数ε；

步骤4：根据最佳参数组合，通过训练样本建立基于改进人工蜂群算法优化的最佳IGBT结温预测支持向量回归机模型；

步骤5：利用测试样本判断最佳IGBT结温预测支持向量回归机模型的准确度，准确度达到99％以上的最佳IGBT结温预测支持向量回归机模型的准确度为最终模型；

步骤6：测得实际待测IGBT的饱和压降U_CE和饱和电流I_CE，将实际待测IGBT的饱和压降U_CE和电流I_CE输入最终模型，最终模型的输出即为预测结温。

进一步，所述步骤3，利用步骤2的对搜索蜜源的公式进行改进后的人工蜂群算法对支持向量回归机的参数组合进行寻优，得到基于改进人工蜂群算法优化的IGBT结温预测支持向量回归机模型的最佳参数组合，最佳参数组合包括三个参数：惩罚因子C、核函数宽度参数σ和不敏感损失函数ε；具体如下：

步骤3-1：设置人工蜂群算法的参数和支持向量机参数取值范围，包括蜂群数量ColonySize、雇佣蜂数量ColonySize/2、最大搜索次数limit、迭代次数MaxCycle、SVR的不敏感损失函数ε的范围、高斯核函数宽度参数σ的范围和惩罚因子C的范围；

步骤3-2：初始化蜂群，每个初始蜜源x_i对应一个支持向量回归机SVR待优化的参数组合(ε，σ，C)，根据所述步骤3-1中的人工蜂群算法的参数和支持向量机参数取值范围，初始化蜂群；

步骤3-3：根据参数组合(ε，σ，C)的数量建立同等数量的支持向量回归机(SVR)模型，计算初始蜂群的适应度fit_i和适应度概率P_i，并根据适应度概率P_i中的最大值选择与最大适应度概率P_i相对应的初始蜜源x_i，与最大适应度概率P_i相对应的初始蜜源x_i中含有(x_i1,...,x_ij,...,x_iD)共D个参数；

步骤3-4：应用与最大适应度概率P_i相对应的初始蜜源x_i的参数(x_i1,...,x_ij,...,x_iD)，根据改进的搜索蜜源的公式生成新蜜源v_i的参数(v_i1,...,v_ij,...,v_iD)，获得了新蜜源v_i的参数(v_i1,...,v_ij,...,v_iD)就意味着得到了新蜜源v_i＝(v_i1,...,v_ij,...,v_iD)；

步骤3-5：根据改进的搜索蜜源的公式，将步骤3-4获得的新蜜源v_i代入改进公式中的x_i得到最新的新蜜源v_i，再将最新的新蜜源v_i又重新代入改进公式中的x_i，如此往复，实现迭代计算，每迭代一次获得一个最新的新蜜源v_i，将每次迭代获得的最新的新蜜源v_i代入支持向量回归机(SVR)模型，计算最新的新蜜源v_i的适应度；迭代过程中根据最新的新蜜源v_i适应度的变化同步判断是否陷入局部最优解，若最新的新蜜源的适应度变大，说明该最新的新蜜源v_i被优化，若最新的新蜜源的适应度不变甚至变小，说明已陷入局部最优解，则放弃该最新的新蜜源，并产生另一个初始蜜源x_i，产生另一个初始蜜源x_i后返回步骤3-4，返回步骤3-4时，产生的另一个初始蜜源x_i替代步骤3-4中的与最大适应度概率P_i相对应的初始蜜源x_i，产生另一个初始蜜源x_i的公式为：

式中，x_{min j}表示所有N个初始蜜源中第j个参数中最小的蜜源，x_{max j}表示所有N个初始蜜源中第j个参数中最大的蜜源，j为蜜源中表征参数顺序的标量，j取值依次从1取到D，D＝3；

若达到最大迭代次数后仍未陷入局部最优解，则最后一次迭代计算求得的解为最优解并进入下一步骤；D＝3，即最优解中含有3个参数；

步骤3-6：记录最优解，最优解的3个参数构成的组合即为基于改进人工蜂群算法优化的IGBT结温预测支持向量回归机模型的最佳参数组合(ε，σ，C)。

进一步，所述步骤5中，利用测试样本判断最佳IGBT结温预测支持向量回归机模型的准确度，具体如下：

步骤5-1：利用测试样本，判断建立的最佳IGBT结温预测支持向量回归机模型的结温输出的准确度，若准确度达到99％以上，则继续步骤6，否则返回步骤3-4，返回步骤3-4时，又重新产生另一个初始蜜源x_i，又重新产生的另一个初始蜜源x_i替代步骤3-4中的与最大适应度概率P_i相对应的初始蜜源x_i；又重新产生另一个初始蜜源x_i的公式为：

式中，x_{min j}表示所有N个初始蜜源中第j个参数中最小的蜜源，x_{max j}表示所有N个初始蜜源中第j个参数中最大的蜜源，j为蜜源中表征参数顺序的标量，j取值依次从1取到D，D＝3。

使用本发明，克服了现有IGBT热敏参数法结温预测精度低、需要提取多参数且易受负载影响的缺点，本发明之基于改进人工蜂群算法优化支持向量回归机的IGBT结温预测方法，只需要提供待测IGBT的饱和压降U_CE和饱和电流I_CE，预测方法所需参数少，而实际工程中这两个参数获取难度不高，参数获取后即可输入算法内，实现简单，无需额外的设备，算法输出结果即待测IGBT结温，且预测精度可在算法内设置或改变，因此可以达到较高预测精度，可广泛应用于对IGBT结温测量难度大、要求精度高的应用场合。

附图说明

图1为基于改进人工蜂群算法优化支持向量回归机的方法流程图。

具体实施方式

以下对本发明作进一步说明，使用如前所述的一种基于改进人工蜂群算法优化支持向量回归机的IGBT结温预测方法为：

步骤1：采集多组(至少50组)IGBT结温和结温相关电学参数，作为样本数据集，所述结温相关电学参数包括饱和压降U_CE和饱和电流I_CE，样本数据集内的样本数据的格式为(U_CE，I_CE，T)，以饱和压降U_CE和饱和电流I_CE作为样本输入，以IGBT结温T作为样本输出；将步骤1的样本数据集内的数据随机分为两份，将其中一份数据作为训练样本，将另一份数据作为测试样本；

步骤2：对人工蜂群算法中搜索蜜源的公式进行改进，具体如下：

步骤2-1：定义适应度函数：

公式(1)中f_i是预测值与实际值的均方根误差；

步骤2-2：对人工蜂群算法中搜索蜜源的公式进行改进，人工蜂群算法中搜索蜜源的原公式为：

v_ij＝x_ij+rand(-1,1)(x_ij-x_kj)

i,k∈{1,2,...,N}j＝1,2,...,D

v_i＝(v_i1,…,v_iD)，x_i＝(x_i1,…,x_iD)

v_i＝x_i+rand(-1,1)P_i(x_i-x_k)

D＝3，x_i中的参数x_i1、x_i2和x_i3分别对应参数组合中的ε，σ，C

式中，x_i为第i个初始蜜源，x_ij为第i个初始蜜源中的第j个参数，N为算法初始化时随机生成初始蜜源(即解向量)的个数，初始蜜源的维数为D(D为SVR待优化参数的个数，即每个初始蜜源中都含有D个SVR待优化参数)；x_i通过上式更新为新蜜源为v_i，v_ij为新蜜源的第j个参数；j为蜜源中表征参数顺序的标量，j取值依次从1取到D(因每次更新蜜源应对其所有参数进行更新，即将初始蜜源x_i更新为v_i应迭代D次)；x_k表示N个初始蜜源中的第k个蜜源，k为1至N中随机选择的一个整数，且k≠i；x_kj表示N个初始蜜源中的第k个蜜源中的第j个参数，k为1至N中随机选择的一个整数，且k≠i；

对人工蜂群算法中搜索蜜源的公式进行改进，改进后的公式为：

v_ij＝x_ij+rand(-1,1)P_i(x_ij-x_kj)

i,k∈{1,2,...,N}j＝1,2,...,D

v_i＝(v_i1,…,v_iD)，x_i＝(x_i1,…,x_iD)，

v_i＝x_i+rand(-1,1)P_i(x_i-x_k)

D＝3

其中，P_i为适应度概率，表达式为：

步骤3：利用步骤2的对搜索蜜源的公式进行改进后的人工蜂群算法对支持向量回归机的参数组合进行寻优，得到基于改进人工蜂群算法优化的IGBT结温预测支持向量回归机模型的最佳参数组合，最佳参数组合包括三个参数：惩罚因子C、核函数宽度参数σ和不敏感损失函数ε；具体如下：

步骤3-1：设置人工蜂群算法的参数和支持向量机参数取值范围，包括蜂群数量ColonySize、雇佣蜂数量ColonySize/2、最大搜索次数limit、迭代次数MaxCycle、SVR的不敏感损失函数ε的范围、高斯核函数宽度参数σ的范围和惩罚因子C的范围；

步骤3-2：初始化蜂群，每个初始蜜源x_i对应一个支持向量回归机SVR待优化的参数组合(ε，σ，C)，根据所述步骤3-1中的人工蜂群算法的参数和支持向量机参数取值范围，初始化蜂群；

步骤3-3：根据参数组合(ε，σ，C)的数量建立同等数量的支持向量回归机(SVR)模型，计算初始蜂群的适应度fit_i和适应度概率P_i，并根据适应度概率P_i中的最大值选择与最大适应度概率P_i相对应的初始蜜源x_i，与最大适应度概率P_i相对应的初始蜜源x_i中含有(x_i1,...,x_ij,...,x_iD)共D个参数；

步骤3-4：应用与最大适应度概率P_i相对应的初始蜜源x_i的参数(x_i1,...,x_ij,...,x_iD)，根据改进的搜索蜜源的公式生成新蜜源v_i的参数(v_i1,...,v_ij,...,v_iD)，获得了新蜜源v_i的参数(v_i1,...,v_ij,...,v_iD)就意味着得到了新蜜源v_i＝(v_i1,...,v_ij,...,v_iD)；

步骤3-5：根据改进的搜索蜜源的公式，将步骤3-4获得的新蜜源v_i代入改进公式中的x_i得到最新的新蜜源v_i，再将最新的新蜜源v_i又重新代入改进公式中的x_i，如此往复，实现迭代计算，每迭代一次获得一个最新的新蜜源v_i，将每次迭代获得的最新的新蜜源v_i代入支持向量回归机(SVR)模型，计算最新的新蜜源v_i的适应度；迭代过程中根据最新的新蜜源v_i适应度的变化同步判断是否陷入局部最优解，若最新的新蜜源的适应度变大，说明该最新的新蜜源v_i被优化，若最新的新蜜源的适应度不变甚至变小，说明已陷入局部最优解，则放弃该最新的新蜜源，并产生另一个初始蜜源x_i，产生另一个初始蜜源x_i后返回步骤3-4，返回步骤3-4时，产生的另一个初始蜜源x_i替代步骤3-4中的与最大适应度概率P_i相对应的初始蜜源x_i，产生另一个初始蜜源x_i的公式为：

式中，x_{min j}表示所有N个初始蜜源中第j个参数中最小的蜜源，x_{max j}表示所有N个初始蜜源中第j个参数中最大的蜜源，j为蜜源中表征参数顺序的标量，j取值依次从1取到D，D＝3；

若达到最大迭代次数后仍未陷入局部最优解，则最后一次迭代计算求得的解为最优解并进入下一步骤；D＝3，最优解中含有3个参数；

步骤3-6：记录最优解，最优解的3个参数构成的组合即为基于改进人工蜂群算法优化的IGBT结温预测支持向量回归机模型的最佳参数组合(ε，σ，C)；

步骤4：根据最佳参数组合，通过训练样本建立基于改进人工蜂群算法优化的最佳IGBT结温预测支持向量回归机模型；具体如下：

在已知参数组合(ε，σ，C)的情况下，根据参数组合(ε，σ，C)，通过训练样本建立IGBT结温预测支持向量回归机模型为现有成熟技术，故在此不再赘述。当参数组合(ε，σ，C)为基于改进人工蜂群算法优化的IGBT结温预测支持向量回归机模型的最佳参数组合时，根据参数组合(ε，σ，C)建立的IGBT结温预测支持向量回归机模型，为基于改进人工蜂群算法优化的最佳IGBT结温预测支持向量回归机模型；

步骤5：利用测试样本判断最佳IGBT结温预测支持向量回归机模型的结温输出的准确度；准确度达到99％以上的最佳IGBT结温预测支持向量回归机模型的准确度为最终模型；

利用测试样本判断最佳IGBT结温预测支持向量回归机模型的结温输出的准确度，具体如下：

步骤5-1：利用测试样本，判断建立的最佳IGBT结温预测支持向量回归机模型的结温输出的准确度，若准确度达到99％以上，则继续步骤6，否则返回步骤3-4，返回步骤3-4时，又重新产生另一个初始蜜源x_i，又重新产生的另一个初始蜜源x_i替代步骤3-4中的与最大适应度概率P_i相对应的初始蜜源x_i；又重新产生另一个初始蜜源x_i的公式为：

式中，x_{min j}表示所有N个初始蜜源中第j个参数中最小的蜜源，x_{max j}表示所有N个初始蜜源中第j个参数中最大的蜜源，j为蜜源中表征参数顺序的标量，j取值依次从1取到D，D＝3；

步骤6：测得实际待测IGBT的饱和压降U_CE和饱和电流I_CE，将实际待测IGBT的饱和压降U_CE和电流I_CE输入最终模型，最终模型的输出即为预测结温。

Claims (3)

1.基于改进ABC-SVR的IGBT结温预测方法，其特征在于，包括以下步骤：

步骤1：采集至少50组IGBT结温和结温相关电学参数，作为样本数据集，所述结温相关电学参数包括饱和压降U_CE和饱和电流I_CE，样本数据集内的样本数据的格式为(U_CE，I_CE，T)，以饱和压降U_CE和饱和电流I_CE作为样本输入，以IGBT结温T作为样本输出；将步骤1的样本数据集内的数据随机分为两份，将其中一份数据作为训练样本，将另一份数据作为测试样本；

步骤2：对人工蜂群算法中搜索蜜源的公式进行改进，改进后的公式如下：

v_ij＝x_ij+rand(-1,1)P_i(x_ij-x_kj)，

i,k∈{1,2,...,N}j＝1,2,...,D，

v_i＝(v_i1,…,v_iD)，x_i＝(x_i1,…,x_iD)，

v_i＝x_i+rand(-1,1)P_i(x_i-x_k)，

D＝3；

式中，x_i为第i个初始蜜源，x_ij为第i个初始蜜源中的第j个参数，N为算法初始化时随机生成初始蜜源即解向量的个数，初始蜜源的维数为D，D为SVR待优化参数的个数，即每个初始蜜源中都含有D个SVR待优化参数；x_i通过上式更新为新蜜源为v_i，v_ij为新蜜源的第j个参数；j为蜜源中表征参数顺序的标量，j取值依次从1取到D，因每次更新蜜源应对其所有参数进行更新，即将初始蜜源x_i更新为v_i应迭代D次；x_k表示N个初始蜜源中的第k个蜜源，k为1至N中随机选择的一个整数，且k≠i；x_kj表示N个初始蜜源中的第k个蜜源中的第j个参数，k为1至N中随机选择的一个整数，且k≠i；P_i为适应度概率，表达式为：

式中fit_i是适应度函数，其公式为：

式中f_i是预测值与实际值的均方根误差；

步骤3：利用步骤2的对搜索蜜源的公式进行改进后的人工蜂群算法对支持向量回归机的参数组合进行寻优，得到基于改进人工蜂群算法优化的IGBT结温预测支持向量回归机模型的最佳参数组合，最佳参数组合包括三个参数：惩罚因子C、核函数宽度参数σ和不敏感损失函数ε；

步骤4：根据最佳参数组合，通过训练样本建立基于改进人工蜂群算法优化的最佳IGBT结温预测支持向量回归机模型；

步骤5：利用测试样本判断最佳IGBT结温预测支持向量回归机模型的准确度，准确度达到99％以上的最佳IGBT结温预测支持向量回归机模型的准确度为最终模型；

步骤6：测得实际待测IGBT的饱和压降U_CE和饱和电流I_CE，将实际待测IGBT的饱和压降U_CE和电流I_CE输入最终模型，最终模型的输出即为预测结温。

2.根据权利要求1所述的基于改进ABC-SVR的IGBT结温预测方法，其特征在于，所述步骤3，利用步骤2的对搜索蜜源的公式进行改进后的人工蜂群算法对支持向量回归机的参数组合进行寻优，得到基于改进人工蜂群算法优化的IGBT结温预测支持向量回归机模型的最佳参数组合，最佳参数组合包括三个参数：惩罚因子C、核函数宽度参数σ和不敏感损失函数ε；具体如下：

步骤3-1：设置人工蜂群算法的参数和支持向量机参数取值范围，包括蜂群数量ColonySize、雇佣蜂数量ColonySize/2、最大搜索次数limit、迭代次数MaxCycle、SVR的不敏感损失函数ε的范围、高斯核函数宽度参数σ的范围和惩罚因子C的范围；

步骤3-2：初始化蜂群，每个初始蜜源x_i对应一个支持向量回归机SVR待优化的参数组合(ε，σ，C)，根据所述步骤3-1中的人工蜂群算法的参数和支持向量机参数取值范围，初始化蜂群；

步骤3-3：根据参数组合(ε，σ，C)的数量建立同等数量的支持向量回归机模型，计算初始蜂群的适应度fit_i和适应度概率P_i，并根据适应度概率P_i中的最大值选择与最大适应度概率P_i相对应的初始蜜源x_i，与最大适应度概率P_i相对应的初始蜜源x_i中含有(x_i1,...,x_ij,...,x_iD)共D个参数；

步骤3-4：应用与最大适应度概率P_i相对应的初始蜜源x_i的参数(x_i1,...,x_ij,...,x_iD)，根据改进的搜索蜜源的公式生成新蜜源v_i的参数(v_i1,...,v_ij,...,v_iD)，获得了新蜜源v_i的参数(v_i1,...,v_ij,...,v_iD)就意味着得到了新蜜源v_i＝(v_i1,...,v_ij,...,v_iD)；

步骤3-5：根据改进的搜索蜜源的公式，将步骤3-4获得的新蜜源v_i代入改进公式中的x_i得到最新的新蜜源v_i，再将最新的新蜜源v_i又重新代入改进公式中的x_i，如此往复，实现迭代计算，每迭代一次获得一个最新的新蜜源v_i，将每次迭代获得的最新的新蜜源v_i代入支持向量回归机模型，计算最新的新蜜源v_i的适应度；迭代过程中根据最新的新蜜源v_i适应度的变化同步判断是否陷入局部最优解，若最新的新蜜源的适应度变大，说明该最新的新蜜源v_i被优化，若最新的新蜜源的适应度不变甚至变小，说明已陷入局部最优解，则放弃该最新的新蜜源，并产生另一个初始蜜源x_i，产生另一个初始蜜源x_i后返回步骤3-4，返回步骤3-4时，产生的另一个初始蜜源x_i替代步骤3-4中的与最大适应度概率P_i相对应的初始蜜源x_i，产生另一个初始蜜源x_i的公式为：

式中，x_{min j}表示所有N个初始蜜源中第j个参数中最小的蜜源，x_{max j}表示所有N个初始蜜源中第j个参数中最大的蜜源，j为蜜源中表征参数顺序的标量，j取值依次从1取到D，D＝3；

若达到最大迭代次数后仍未陷入局部最优解，则最后一次迭代计算求得的解为最优解并进入下一步骤；D＝3，最优解中含有3个参数；

步骤3-6：记录最优解，最优解的3个参数构成的组合即为基于改进人工蜂群算法优化的IGBT结温预测支持向量回归机模型的最佳参数组合(ε，σ，C)。

3.根据权利要求2所述的基于改进ABC-SVR的IGBT结温预测方法，其特征在于，所述步骤5中，利用测试样本判断最佳IGBT结温预测支持向量回归机模型的准确度，具体如下：

步骤5-1：利用测试样本，判断建立的最佳IGBT结温预测支持向量回归机模型的结温输出的准确度，若准确度达到99％以上，则继续步骤6，否则返回步骤3-4，返回步骤3-4时，又重新产生另一个初始蜜源x_i，又重新产生的另一个初始蜜源x_i替代步骤3-4中的与最大适应度概率P_i相对应的初始蜜源x_i；又重新产生另一个初始蜜源x_i的公式为：

式中，x_{min j}表示所有N个初始蜜源中第j个参数中最小的蜜源，x_{max j}表示所有N个初始蜜源中第j个参数中最大的蜜源，j为蜜源中表征参数顺序的标量，j取值依次从1取到D，D＝3。

Images