CN110795894A - 基于bp神经网络计算igbt模块温度的方法 - Google Patents
基于bp神经网络计算igbt模块温度的方法 Download PDFInfo
- Publication number
- CN110795894A CN110795894A CN201911162775.8A CN201911162775A CN110795894A CN 110795894 A CN110795894 A CN 110795894A CN 201911162775 A CN201911162775 A CN 201911162775A CN 110795894 A CN110795894 A CN 110795894A
- Authority
- CN
- China
- Prior art keywords
- neural network
- calculating
- igbt module
- temperature
- loss
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 210000002569 neuron Anatomy 0.000 claims description 15
- 230000005284 excitation Effects 0.000 claims description 12
- 238000011084 recovery Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008646 thermal stress Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Conversion In General (AREA)
Abstract
本发明提供了一种基于BP神经网络计算IGBT模块温度的方法,包括如下步骤:S1、建立样本集,所述样本集的数据包括IGBT模块中各功率元件的损耗数据及对应的结温数据;S2、以所述损耗数据为输入、以所述结温数据为期望输出,建立BP神经网络的结构;S3、对所述BP神经网络进行网络训练;S4、将所述损耗数据输入至已训练好的所述BP神经网络中,计算实际输出;S5、对比所述实际输出与所述期望输出,判断误差是否在预设范围内:S6、若是,则使用当前BP神经网络进行仿真预测;S7、若否,则调整当前BP神经网络的结构,并返回步骤S3。通过本发明的方法可以实时准确得到IGBT模块结温的要求。
Description
技术领域
本发明涉及电力电子技术领域,尤其涉及一种基于BP神经网络计算IGBT模块温度的方法。
背景技术
IGBT模块应用在电动汽车电驱动系统,要应对电动汽车的频繁启动以及急停等工况,此时常工作在功率波动的恶劣条件下,因此IGBT模块需承受交变的热应力冲击,使得IGBT模块易发生疲劳、老化以及失效等问题,增加发生故障的概率。因此,IGBT模块的可靠性关系着电动汽车的安全运行。只有实时掌握模块运行状态参数,才能科学地、准确地做出预判,避免发生重大事故。
研究发现,由于IGBT模块内部材料的热膨胀系数不同,在结温温度循环波动下,模块内部连接处的热应力不同,长期承受结温温度循环容易导致器件失效。器件工作结温越高,安全裕度越小;结温波动越大,热循环寿命越短。因此,IGBT模块结温的实时监测对实现功率器件状态监测、故障预判断以及结温控制具有重要的意义。
以往有许多关于IGBT模块结温的研究和应用,大多阐述了利用建立热网络的方法计算结温,而热网络中热节点的选择与IGBT模块的结构密切相关,IGBT结构的变动都需要评估热网络的可用性,甚至重新设计热网络,工作量巨大。同时,随着器件的老化,热网络中的热阻和热容等参数将发生一定的改变,此时得到的结温值已经不准确。因此,该方法在实时监测结温的应用中具有一定的局限性,需要考虑采用新的方法计算结温。
发明内容
本发明的目的在于克服现有技术的缺陷,提供一种基于BP神经网络计算IGBT模块温度的方法,可以实时准确得到IGBT模块结温的要求。
为实现上述目的,本发明的基于BP神经网络计算IGBT模块温度的方法,包括如下步骤:
S1、建立样本集,所述样本集的数据包括IGBT模块中各功率元件的损耗数据及对应的结温数据;
S2、以所述损耗数据为输入、以所述结温数据为期望输出,建立BP神经网络的结构;
S3、对所述BP神经网络进行网络训练;
S4、将所述损耗数据输入至已训练好的所述BP神经网络中,计算实际输出;
S5、对比所述实际输出与所述期望输出,判断误差是否在预设范围内:
S6、若是,则使用当前BP神经网络进行仿真预测;
S7、若否,则调整当前BP神经网络的结构,并返回步骤S3。
通过上述方法,采用BP神经网络计算IGBT模块温度,克服了传统热网络计算方法工作量巨大且预测的结温值不准确的缺点。
本发明基于BP神经网络计算IGBT模块温度的方法的进一步改进在于,各所述功率元件为所述IGBT模块中所有的IGBT芯片和二极管。
本发明充分考虑IGBT模块实际的布置情况,不是将上或者下桥臂的功率元件作为一体考虑,而是分别考虑每个影响模块温度变化的IGBT芯片和二极管,避免了温升虚拟加载在一个IGBT芯片或二极管的问题,进一步提高了计算结果的准确性。
本发明基于BP神经网络计算IGBT模块温度的方法的进一步改进在于,所述IGBT芯片的损耗为IGBT导通损耗和IGBT开关损耗之和,所述二极管的损耗的为二极管导通损耗和二极管反向恢复损耗之和。
通过上述方法,使作为样本的损耗数据更加准确,进一步提高网络训练的效果。
本发明基于BP神经网络计算IGBT模块温度的方法的进一步改进在于,在进行步骤S3之前,对所述样本集中的损耗数据和结温数据做归一化处理。
由于损耗数据与结温数据均为以往IGBT模块的实验数据,每组损耗数据和每组结温数据之间存在数量级差别,容易使在进行网络训练的时得出的权值和阈值变得极小,这样会导致计算机在自动舍入误差时容易去掉或者改变训练得出的权值或阈值,进而影响到训练后神经网络的性能。因此,为了消除这种影响,需要在网络训练之前,对输入损耗数据和结温数据进行归一化处理,即通过一定的线性变换将其统一限制在[0,1]或者[-1,1]区间内。
本发明基于BP神经网络计算IGBT模块温度的方法的进一步改进在于,步骤S3包括如下步骤:
S3-1、网络初始化;
S3-2、输入所述损耗数据计算实际输出;
S3-3、计算神经网络训练误差,判断所述神经网络训练误差是否满足精度要求;
S3-4、若是,则结束训练;
S3-5、若否,则进行误差反向传播,更新当前所述神经网络的权值参数,返回步骤S3-2。
本发明基于BP神经网络计算IGBT模块温度的方法的进一步改进在于,所述网络初始化包括:初始化权值参数、阈值参数和激励函数的参数。
本发明基于BP神经网络计算IGBT模块温度的方法的进一步改进在于,所述神经网络训练误差是根据平方型误差函数计算的全局误差。
本发明基于BP神经网络计算IGBT模块温度的方法的进一步改进在于,设定权值更新的最大次数,在步骤S3-5中,进行误差反向传播之前,先判断是否达到所述最大次数,若是,则调整所述阈值参数或所述激励函数的参数后直接返回步骤S3-2;若否,则继续进行误差反向传播,更新当前所述神经网络的权值参数。
增加最大次数限制,防止网络训练时间过长,出现过拟合情况。
本发明基于BP神经网络计算IGBT模块温度的方法的进一步改进在于,所述激励函数为带位移因子的Sigmoid函数。
采用上述形式的激励函数,增加网络灵活性,解决网络的收敛速度慢、收敛精度低、易陷入局部极小解等问题。
本发明基于BP神经网络计算IGBT模块温度的方法的进一步改进在于,步骤S7中调整所述BP神经网络的结构的方法是,第一次调整时,仅增加所述样本集的数据量;第二次调整时,在第一次调整后的BP神经网络的结构的基础上加大所述隐含层神经元节点数;第三次调整时,在第二次调整后的BP神经网络的结构的基础上加大所述隐含层的层数;以上述顺序按调整次数循环。
采用上述调整方法,减小BP神经网络的复杂性。
本发明包括且不限于以下有益效果:克服了传统热网络计算方法工作量巨大且预测的结温值不准确的缺点,直接建立了损耗与结温的BP神经网络关系式,只需根据样本的变化,重新调整神经网络的参数,利用计算机训练得到最优的神经网络模型,极大地减小了开发成本,而且能够对复杂工作环境下的IGBT模块的结温值科学地、准确地做出预判,避免发生重大事故。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例中BP神经网络的结构图;
图2示出了本发明实施例中计算方法流程图。
具体实施方式
目前市场上,IGBT模块(即由IGBT芯片与二极管芯片通过特定的电路桥接封装而成的模块化半导体产品)目前每一相的上、下桥臂均有多个并联的IGBT芯片(即绝缘栅双极型晶体管芯片)、多个并联的二极管。因这些IGBT芯片和二极管工作时存在损耗产生热量,使IGBT模块的结温上升,它们是IGBT模块的发热源。
这些IGBT芯片和二极管在工作时,一般都是多个器件同时在工作,造成在同一时间内的发热源不止一个,且热源之间还存在着耦合作用,使得传热问题非常复杂,以往的线性计算公式不再适用。因此,考虑采用非线性的BP神经网络模型,解决计算IGBT模块结温的问题。
神经网络主要模拟大脑神经元的某些特点,是一个模拟非线性函数的数学方法。神经网络具有自学习能力,能够从大量的数据中自己总结规律,即使不清楚网络内部的运行机理,只要有足够数据让网络自行学习训练,便可建立良好的输入输出模型,同时又能通过网络自身的记忆、分析可对数据进行分类,通过关联处理,使得模型预测结果的准确性得到保证。其中神经网络中的BP网络(反向传播神经网络)可以利用非线性可微分函数进行权值训练,成功实现了多层前馈神经网络训练时调整权值的问题,具有结构简单、适用性强的特点,且BP神经网络的数学意义明确,学习算法简洁,所以采用BP神经网络来计算结温。由此,IGBT芯片和二级管的损耗作为BP神经网络模型的输入,根据BP神经网络的计算方程即可得到IGBT芯片和二级管的结温,进而得到IGBT模块的结温。
下面结合附图和具体实施例对本发明做进一步详细说明。
参阅图1和图2,图1显示了示出了本发明实施例中BP神经网络的结构图;图2示出了本发明实施例中计算方法流程图;本发明的基于BP神经网络计算IGBT模块温度的方法,包括如下步骤:
S1、建立样本集,样本集的数据包括IGBT模块中各功率元件的损耗数据及对应的结温数据;
S2、以所述损耗数据为输入、以所述结温数据为期望输出,建立BP神经网络的结构;
S3、对所述BP神经网络进行网络训练;
S4、将所述损耗数据输入至已训练好的所述BP神经网络中,计算实际输出;
S5、对比实际输出与期望输出,判断误差是否在预设范围内:
S6、若是,则使用当前BP神经网络进行仿真预测;
S7、若否,则调整当前BP神经网络的结构,并返回步骤S3。
通过上述方法,采用BP神经网络计算IGBT模块温度,克服了传统热网络计算方法工作量巨大且预测的结温值不准确的缺点。
具体地,在本实施例中,IGBT模块的每一相的上、下桥臂均有3个并联的IGBT芯片和3个并联的二极管,则三个相的每一相各有6个IGBT芯片和6个二极管。这6个IGBT芯片和6个二极管均是IGBT模块的发热源,它们的损耗就是热量产生的源头,进而使IGBT模块的结温上升。
所以,在步骤S1中,以上述IGBT模块的单相的损耗数据x和结温数据t建立样本集;
在步骤S2中,根据该样本集建立BP神经网络的结构,为了尽可能降低网络训练的复杂性,通常优先选择单隐含层网络,即BP神经网络的结构包括输入层P、输出层T和一层隐含层R,以6个IGBT芯片和6个二极管的损耗数据x作为BP神经网络的输入,可以确定输入层P共有12个节点;以6个IGBT芯片和6个二极管的结温数据t作为IGBT模块单相结温的期望输出,可以确定输出层T共有12个节点;对于隐含层神经元节点数β的确定,需根据样本集中数据量、计算需求及样本集的数量慎重考虑,因为隐含层神经元节点数β的确定对网络训练的影响极大,个数太多会导致网络训练时间过长,出现过拟合情况;过少则会欠拟合。所以,隐含层神经元节点数β的计算可以参照经验公式,然后在范围内不断试验,最后根据神经网络训练误差E及精确度确定最佳隐含层神经元节点数β,其中,确定隐含层神经元节点数β的经验公式为:
其中α为输入层节点数,δ为输出层节点数,c为[0,10]之间的常数,将α=12,δ=12代入公式(1),同时优选c为1,可得β=5,可确定隐含层共有5个节点。故建立的BP神经网络的结构如图1所示;
在步骤S4中,根据正向传播算法建立隐含层节点输出公式(2)和输出层节点输出公式(3)
其中,xi是输入层第i个节点的输入,vki是输入层第i个节点到隐含层第k个神经元节点的权值,wjk是隐含层第k个神经元节点到输出层第j个节点的权值,ak是隐含层第k个神经元节点的阈值,bj是输出层第j个节点的阈值,Zk是隐含层第k个神经元节点的输出,yj是输出层第j个节点的实际输出,为激励函数;为了增加网络灵活性,解决网络的收敛速度慢、收敛精度低、易陷入局部极小解等问题,本实施例选择带位移因子的Sigmoid函数作为激励函数具体公式如下:
通过调整p的大小来改变激励函数,从而可以更灵活的控制收敛算法速度。
在步骤S5~7中,计算实际输出y与期望的结温数据t的总误差e:
根据需求,预设误差范围,判断总误差e是否在预设误差范围内:
若是,则说明当前BP神经网络为所需要的模型,可以采用该BP神经网络进行仿真预测,将损耗数据输入至当前BP神经网络中,计算得到的12个实际输出y即为6个IGBT芯片和6个二极管的预测结温值,进而得到该IGBT模块的结温值,具体地,从该12个预测结温值中选择最高的结温值作为该IGBT模块作为样本的这一相的结温值,然后采用该BP神经网络对该IGBT模块的其他相的结温值进行计算,整个IGBT模块的结温值可以选择这三相结温值中的最高值,至此,完成对整个IGBT模块的结温值的准确计算;
若否,则说明该BP神经网络的结构可能不是很好,所以,需要对当前BP神经网络的结构进行调整,可以通过在原结构的基础上增加输入层P和输出层T的节点数量、增加隐含层R的神经元节点数量和增加隐含层R的层数等不同方式或不同组合来实现对BP神经网络的结构的调整,然后返回步骤S3,对调整后的BP神经网络进行网络训练,如此循环,直至得到所需要的BP神经网络。
进一步地,本实施例优选采用如下方法来调整所述BP神经网络的结构:
在第一次调整时,仅增加所述样本集的数据量(即输入层节点数α和输出层节点数δ);第二次调整时,在第一次调整后的BP神经网络的结构的基础上加大所述隐含层神经元节点数β;第三次调整时,在第二次调整后的BP神经网络的结构的基础上加大所述隐含层R的层数;以上述顺序按调整次数循环。
作为本发明基于BP神经网络计算IGBT模块温度的方法的较佳实施例,IGBT芯片的损耗为IGBT导通损耗和IGBT开关损耗之和,二极管的损耗的为二极管导通损耗和二极管反向恢复损耗之和。通过该计算方法,能够得到较为准确的损耗数据x,进一步提高网络训练的效果。
具体地,IGBT导通损耗的计算公式为:
IGBT开关损耗Eswigbt的计算公式为:
其中,Econdigbt是IGBT导通损耗,Vce是IGBT导通降压,ic是通过IGBT的电流,t1是IGBT导通的时间,E′swigbt是通过IGBT电流为i′igbt且母线电压为U′时的IGBT开关损耗,ic是通过IGBT的电流,Udc是母线电压。
二极管导通损耗的计算公式为:
二极管反向恢复损耗的计算公式为:
其中,Econdfwd是二极管导通损耗,Vf是二极管导通降压,if是通过二极管的电流,t2是二极管导通的时间,Eswfwd是二极管反向恢复损耗,E′swfwd是通过二极管电流为i′fwd且母线电压为U′时的反向恢复损耗,if是通过二极管的电流,Udc是母线电压。
作为本发明基于BP神经网络计算IGBT模块温度的方法的较佳实施例,由于损耗数据x与结温数据t均为以往IGBT模块的实验数据,每组损耗数据和每组结温数据之间存在数量级差别,容易使在进行网络训练的使得出的权值和阈值变得极小,这样会导致计算机在自动舍入误差时容易去掉或者改变训练得出的权值或阈值,进而影响到训练后神经网络的性能。因此,为了消除这种影响,需要在进行步骤S3之前,对样本集中的损耗数据x和结温数据t做归一化处理,即通过一定的线性变换将其统一限制在[0,1]或者[-1,1]区间内。
具体的,以损耗数据x为例,本实施例对损耗数据x归一化的公式为:
其中,xmin为最小值,xmax为最大值,x′i为归一化后值。
参阅图2,作为本发明基于BP神经网络计算IGBT模块温度的方法的较佳实施例,步骤S3包括如下步骤:
S3-1、网络初始化;
S3-2、输入损耗数据x,计算实际输出y;
S3-3、计算神经网络训练误差E,判断神经网络训练误差E是否满足精度要求;
S3-4、若是,则结束训练;
S3-5、若否,则进行误差反向传播,更新当前所述神经网络的权值参数,返回步骤S3-2。
进一步地,步骤S3-3中的神经网络训练误差E是根据平方型误差函数计算的全局误差。
具体的,步骤S3-3中的平方型误差函数算法为:
本实施例选了200个样本集进行网络训练,其中,Ei是第i个样本集的神经网络训练误差,则对于200个样本集来说,可得全局误差E的计算公式如下:
通过使神经网络训练误差E最小(可根据需要预设精度要求),从而得到最优参数;否则,进行误差反向传播,根据每层的误差反馈来更新当前神经网络的权值参数,然后返回步骤S3-2,再次计算神经网络训练误差E,然后判断,如此反复直至神经网络训练误差E足够小(满足精度要求),结束训练。
其中,在步骤S3-5中,根据误差反向传播来更新神经网络的权值参数,然后重新计算神经网路训练误差E,如此反复更新,直至满足使神经网络训练误差E足够小为止。具体地,关于权值参数的更新,通过如下公式进行计算:
其中,公式(13)为输出层权值的调整值的计算公式,公式(14)为隐含层权值的调整值的计算公式,η为学习率,本实施例将其设为0.1,通过输出层权值的调整值和隐含层权值的调整值来更新当前的输出层权值和隐含层权值。
作为本发明基于BP神经网络计算IGBT模块温度的方法的较佳实施例,设定权值更新的最大次数,在步骤S3-5中,进行误差反向传播之前,先判断是否达到所述最大次数,若是,则采用试数的方式对隐含层阈值a、输出层阈值b或激励函数的参数进行单独调整或组合调整,然后直接返回步骤S3-2;若否,则继续进行误差反向传播,更新当前所述神经网络的权值参数。通过增加最大次数的限制,防止网络训练时间过长,出现过拟合情况。
以上所述仅是本发明的较佳实施例而已,并非对本发明做任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案的范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (10)
1.一种基于BP神经网络计算IGBT模块温度的方法,其特征在于,包括如下步骤:
S1、建立样本集,所述样本集的数据包括IGBT模块中各功率元件的损耗数据及对应的结温数据;
S2、以所述损耗数据为输入、以所述结温数据为期望输出,建立BP神经网络的结构;
S3、对所述BP神经网络进行网络训练;
S4、将所述损耗数据输入至已训练好的所述BP神经网络中,计算实际输出;
S5、对比所述实际输出与所述期望输出,判断误差是否在预设范围内:
S6、若是,则使用当前BP神经网络进行仿真预测;
S7、若否,则调整当前BP神经网络的结构,并返回步骤S3。
2.如权利要求1所述的基于BP神经网络计算IGBT模块温度的方法,其特征在于,各所述功率元件为所述IGBT模块中所有的IGBT芯片和二极管。
3.如权利要求2所述的基于BP神经网络计算IGBT模块温度的方法,其特征在于,所述IGBT芯片的损耗为IGBT导通损耗和IGBT开关损耗之和,所述二极管的损耗的为二极管导通损耗和二极管反向恢复损耗之和。
4.如权利要求1~3任一项所述的基于BP神经网络计算IGBT模块温度的方法,其特征在于,在进行步骤S3之前,对所述样本集中的损耗数据和结温数据做归一化处理。
5.如权利要求4所述的基于BP神经网络计算IGBT模块温度的方法,其特征在于,步骤S3包括如下步骤:
S3-1、网络初始化;
S3-2、输入所述损耗数据,计算实际输出;
S3-3、计算神经网络训练误差,判断所述神经网络训练误差是否满足精度要求;
S3-4、若是,则结束训练;
S3-5、若否,则进行误差反向传播,更新当前所述神经网络的权值参数,返回步骤S3-2。
6.如权利要求5所述的基于BP神经网络计算IGBT模块温度的方法,其特征在于,所述网络初始化包括:初始化所述权值参数、阈值参数和激励函数的参数。
7.如权利要求5所述的基于BP神经网络计算IGBT模块温度的方法,其特征在于,所述神经网络训练误差是根据平方型误差函数计算的全局误差。
8.如权利要求6所述的基于BP神经网络计算IGBT模块温度的方法,其特征在于,设定权值更新的最大次数,在步骤S3-5中,进行误差反向传播之前,先判断是否达到所述最大次数,若是,则调整所述阈值参数或所述激励函数的参数后直接返回步骤S3-2;若否,则继续进行误差反向传播,更新当前所述神经网络的权值参数。
9.如权利要求6所述的基于BP神经网络计算IGBT模块温度的方法,其特征在于,所述激励函数为带位移因子的Sigmoid函数。
10.如权利要求1所述的基于BP神经网络计算IGBT模块温度的方法,其特征在于,步骤S7中调整所述BP神经网络的结构的方法是,第一次调整时,仅增加所述样本集的数据量;第二次调整时,在第一次调整后的BP神经网络的结构的基础上加大所述隐含层神经元节点数;第三次调整时,在第二次调整后的BP神经网络的结构的基础上加大所述隐含层的层数;以上述顺序按调整次数循环。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911162775.8A CN110795894B (zh) | 2019-11-25 | 2019-11-25 | 基于bp神经网络计算igbt模块温度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911162775.8A CN110795894B (zh) | 2019-11-25 | 2019-11-25 | 基于bp神经网络计算igbt模块温度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110795894A true CN110795894A (zh) | 2020-02-14 |
CN110795894B CN110795894B (zh) | 2024-06-18 |
Family
ID=69445848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911162775.8A Active CN110795894B (zh) | 2019-11-25 | 2019-11-25 | 基于bp神经网络计算igbt模块温度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110795894B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460617A (zh) * | 2020-03-03 | 2020-07-28 | 华中科技大学 | 一种基于神经网络的igbt结温预测方法 |
CN112098798A (zh) * | 2020-09-18 | 2020-12-18 | 北京航空航天大学 | 一种基于神经网络的碳化硅mos器件结温在线测量方法 |
CN112685927A (zh) * | 2020-12-16 | 2021-04-20 | 广东工业大学 | 一种真空烧结炉炉内工件温度软测量方法 |
WO2022248532A1 (en) * | 2021-05-25 | 2022-12-01 | Danmarks Tekniske Universitet | Data-driven and temperature-cycles based remaining useful life estimation of an electronic device |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104779779A (zh) * | 2015-04-15 | 2015-07-15 | 厦门理工学院 | 一种抑制开关电源温度漂移的方法 |
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
-
2019
- 2019-11-25 CN CN201911162775.8A patent/CN110795894B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN104779779A (zh) * | 2015-04-15 | 2015-07-15 | 厦门理工学院 | 一种抑制开关电源温度漂移的方法 |
CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
Non-Patent Citations (1)
Title |
---|
姚芳;胡洋;李铮;黄凯;李志刚;: "IGBT模块结温预测BP神经网络模型" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460617A (zh) * | 2020-03-03 | 2020-07-28 | 华中科技大学 | 一种基于神经网络的igbt结温预测方法 |
CN111460617B (zh) * | 2020-03-03 | 2022-10-14 | 华中科技大学 | 一种基于神经网络的igbt结温预测方法 |
CN112098798A (zh) * | 2020-09-18 | 2020-12-18 | 北京航空航天大学 | 一种基于神经网络的碳化硅mos器件结温在线测量方法 |
CN112685927A (zh) * | 2020-12-16 | 2021-04-20 | 广东工业大学 | 一种真空烧结炉炉内工件温度软测量方法 |
WO2022248532A1 (en) * | 2021-05-25 | 2022-12-01 | Danmarks Tekniske Universitet | Data-driven and temperature-cycles based remaining useful life estimation of an electronic device |
Also Published As
Publication number | Publication date |
---|---|
CN110795894B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110795894B (zh) | 基于bp神经网络计算igbt模块温度的方法 | |
CN111460617B (zh) | 一种基于神经网络的igbt结温预测方法 | |
Xia et al. | A data-driven method for IGBT open-circuit fault diagnosis based on hybrid ensemble learning and sliding-window classification | |
CN109101738B (zh) | 一种igbt模块老化程度评估方法 | |
Xu et al. | Artificial intelligence-based control design for reliable virtual synchronous generators | |
US11795973B2 (en) | Deep learning-based cooling system temperature prediction apparatus according to physical causality and method therefor | |
Rojas-Dueñas et al. | Black-box modelling of a dc-dc buck converter based on a recurrent neural network | |
Alavi et al. | Fault diagnosis for power electronic inverters: A model-based approach | |
CN111798095A (zh) | 一种基于神经网络电力电缆状态评价方法 | |
Samie et al. | Developing prognostic models using duality principles for DC-to-DC converters | |
CN112330488B (zh) | 基于迁移学习的电网频率态势预测方法 | |
Rojas-Duenas et al. | A deep learning-based modeling of a 270 V-to-28 V DC-DC converter used in more electric aircrafts | |
Poblete et al. | Distributed neural network observer for submodule capacitor voltage estimation in modular multilevel converters | |
Markovic et al. | Hybrid fault detection in power systems | |
Yang et al. | Incipient residual-based anomaly detection in power electronic devices | |
Miao et al. | IGBT junction temperature estimation based on machine learning method | |
Zaman et al. | Neural network based prediction of stable equivalent series resistance in voltage regulator characterization | |
CN117195713A (zh) | 一种基于深度算子学习的锂电池模组温度场重建方法 | |
CN111722076A (zh) | 一种基于数据驱动的igbt器件剩余使用寿命预测方法 | |
CN116184036A (zh) | 基于神经网络的电力电子变换器参数在线辨识方法及系统 | |
Park et al. | Thermal estimation of modular multilevel converter submodule using deep regression on GRU and LSTM network | |
CN113361586A (zh) | 一种基于神经网络的功率器件在线老化检测方法及系统 | |
Hmam et al. | A multirate simulation method for large timescale systems applied for lifetime simulations | |
Fu et al. | A tractable failure probability prediction model for predictive maintenance scheduling of large-scale modular-multilevel-converters | |
CN113110103A (zh) | 非线性模型预测控制优化方法及控制器 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |