CN112001127A - 一种igbt结温预测的方法 - Google Patents
一种igbt结温预测的方法 Download PDFInfo
- Publication number
- CN112001127A CN112001127A CN202010882768.1A CN202010882768A CN112001127A CN 112001127 A CN112001127 A CN 112001127A CN 202010882768 A CN202010882768 A CN 202010882768A CN 112001127 A CN112001127 A CN 112001127A
- Authority
- CN
- China
- Prior art keywords
- data
- igbt
- chaotic
- junction temperature
- algorithm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 241000544061 Cuculus canorus Species 0.000 claims abstract description 133
- 230000000739 chaotic effect Effects 0.000 claims abstract description 124
- 230000032683 aging Effects 0.000 claims abstract description 82
- 235000005770 birds nest Nutrition 0.000 claims abstract description 69
- 235000005765 wild carrot Nutrition 0.000 claims abstract description 69
- 238000002474 experimental method Methods 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 31
- 238000010606 normalization Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 229920006395 saturated elastomer Polymers 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 241000271566 Aves Species 0.000 claims description 3
- 241000272177 Cuculiformes Species 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract 1
- 239000013589 supplement Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种IGBT结温预测的方法，是基于混沌化布谷鸟算法优化极限学习机的IGBT结温预测的方法，步骤是：获取IGBT老化实验数据，包括结温数据，老化循环次数，饱和压降数据和集电极电流数据；归一化和分配实验数据，并初始化极限学习机；利用混沌算法混沌化布谷鸟算法，并设置混沌化布谷鸟算法参数；计算鸟巢初始适应度；在循环中以极限学习机为载体，以混沌化布谷鸟算法为依托，以非线性收敛公式为调节，对鸟巢进行位置更新以及适应度计算，直至结束；输出结温预测的结果。本发明前期对算法进行全局搜索，后期加速全局收敛，预测结温精度高且预测速度快，尤其以极限学习机为载体，输入变量可根据需要进行补充，兼容性大并且弥补了现有方法的不足。
Description
技术领域
本发明的技术方案属于电力电子器件IGBT可靠性技术领域，具体的说是一种IGBT的结温预测的方法。
背景技术
进入新世纪以来，电力电子变流设备逐渐渗透到各个领域。电能转换系统中最重要部分电力电子变流器，它的可靠性对于系统的整体性能起着重要的作用。若电力电子变流器发生故障，那么会影响系统的正常运行，严重的会造成生命安全危险，因此电力电子变流器设备的可靠性问题显得尤为重要。而IGBT作为电力电子变流设备中的核心元件，其可靠性对于设备的整体运行起着关键性的作用。只有对IGBT使用之前和之中评估IGBT的老化状态才能有效的提高电力电子设备的可靠性，进而减少故障的发生。
IGBT模块的老化失效是内部疲劳累积和外部环境综合影响的结果。IGBT在不断老化失效的过程中，表征IGBT老化量的状态参数有结壳热阻，集-射极饱和压降(Vce(sat))，结温，关断时间和门极导通阈值电压等。而结温是电力设备中半导体器件的实际温度，当IGBT芯片产生的功率不能及时消散时，使得结温不断升高导致电力电子器件失效。研究表明，IGBT作为功率器件其安全裕度与结温的关系呈现负相关，其循环寿命与结温波动呈现负相关关系，而且其键合线失效和焊料层疲劳都与结温存在一定关系，因此对IGBT的结温预测的重要性日益突出。如果能在IGBT失效前，对IGBT结温提前作出预测，以便有足够的时间对失效的IGBT模块进行更换，做到防患于未然，这样就可以避免故障的发生。近年来一些学者对IGBT的结温进行预测并取得了一定的成绩。
目前预测结温的方法大致分为两种：物理模型预测和智能算法预测。物理模型预测其预测的准确性和精度较高，如热阻网络模型，其预测精度较高，但是与实际运行中的IGBT 的状态有一定的偏差，从而与实际的结温有所偏差，其模型较复杂且考虑的老化因素较少；而智能算法在预测精度和预测速度等方面有提高，有的学者使用BP神经网络对结温进行预测，也取得不错的成效，但是BP神经网络本身的算法是一种局部的搜索算法，因此并不能对全局进行最优解的搜索，即陷入局部最优，其另一个缺点是收敛速度慢，因此不利于全局的搜索。
因此，根据现有的测量方法的预测精度不高和无法进行全局搜索最优解等问题。本发明以极限学习机为载体，以混沌化布谷鸟算法和非线性收敛公式为依托，以集电极电流，饱和压降，老化循环次数为输入，以结温为输出建立循环老化状态下IGBT结温预测的数学模型。本发明充分考虑影响结温的三个因素，老化循环次数，饱和压降Vce(sat)，集电极电流，并结合机器学习方法，不仅提高了预测精度而且减小了预测时间，早期不易陷入局部最优，后期加速局部收敛，因此本发明具有一定的实用价值。
发明内容
本发明所要解决的技术问题是：提供一种IGBT结温预测的方法，在通过IGBT功率循环老化实验获得的结温数据，老化循环次数，饱和压降Vce(sat)数据，集电极电流数据的情况下，建立基于混沌化布谷鸟算法-极限学习机的预测模型(CCS-ELM)对IGBT的结温进行预测；与现有的方法相比，混沌算法使得算法不易陷入局部最优解，并能及时跳出局部最优解，优化布谷鸟算法得到混沌化布谷鸟算法；而混沌化布谷鸟算法则依靠levy飞行使得算法对全局的搜索性更强；非线性收敛公式的引入使得混沌化布谷鸟算法趋于全局收敛，CCS-ELM弥补了现有算法预测结温时精度的不足，从而更好通过预测结温来评估IGBT的老化状态。
本发明解决该技术问题所采用的技术方案是：一种IGBT的结温预测的方法，是基于混沌化布谷鸟算法优化的极限学习机的IGBT结温预测的方法，其步骤如下：
步骤一，获取IGBT的老化实验数据
(1.1)通过IGBT功率循环老化实验获得data_num组IGBT老化实验数据，包括结温数据，老化循环次数数据，饱和压降Vce(sat)数据，集电极电流数据；
步骤二，对老化实验数据进行归一化处理和分配
(2.1)使用归一化公式(1)对IGBT的老化实验数据进行归一化处理
(2.2)把老化实验数据分为训练数据和测试数据两部分，分配比例为：
训练数据的数量∶测试数据的数量＝p∶q；
由此，将data_num组IGBT的老化实验数据分为data_num×p/(p+q)组训练数据，和data_num×q/(p+q)组测试数据；每组数据包含四个变量，IGBT的结温数据，当前时刻的IGBT功率循环老化实验的循环次数，饱和压降Vce(sat)数据，集电极电流数据；
步骤三，根据影响IGBT结温的因素，对极限学习机参数进行初始化
设置极限学习机参数，包括：
设置极限学习机的输入层节点数indim为indim_num个，输入层节点数与影响IGBT结温的因素有关；
设置极限学习机的隐含层节点数hiddennum为hiddennum_num个；
设置极限学习机的输出层节点数outdim为outdim_num个，因为是对IGBT结温的预测，因此outdim_num＝1；
设置极限学习机的输入层到隐含层节点的权值和阈值的初始值，方法为：利用MATLAB 中rand函数随机生成一个m维数据组Z，利用式(2)把这m维的数据组映射至实数区间[0，1] 上，得到经映射至上[0，1]区间上m维数据组CZ，并将CZ作为极限学习机的输入层节点到隐含层节点的权值阈值初始值，由Z到CZ的映射规则见式(2)：
其中，zi为Z中的第i维数据，i≤200，czi是CZ中的第i维数据的值，是zi映射至[0，1]上的值，zmin是Z中的最小值，zmax是Z中的最大值；
上述中的m值的大小为indim_num×hiddennum_num+hiddennum_num；
步骤四，采用混沌算法优化布谷鸟算法，获得混沌化布谷鸟算法中的鸟巢
(4.1)把步骤三中生成的m维数据组CZ作为混沌第一代数据CZ(1)，即CZ(1)＝CZ，使用式(3)对得到的混沌第一代数据进行迭代计算，生成混沌第二代数据；式(3)描述了由混沌第t代的第i个数据迭代生成混沌第t+1代的第i个数据的方法，为：
其中，μ为混沌控制参数，当μ为4的时候，此时系统处于完全混沌状态，
表示混沌第 t代第i个数据，其中
如果在迭代计算中，
恰好为0、0.25、0.75或1，则赋值
这里Δ为实数区间[0，0.05]上的一个随机数，使
代替原来的
继续进行迭代计算；
(4.2)设置混沌迭代次数的最大值itemmax为n，重复(4.1)这一步骤n次，从而生成n组混沌数据，并把这n组混沌数据作为混沌混沌布谷鸟算法中的n个鸟巢，每个鸟巢含m 个数据；
步骤五，筛选混沌化布谷鸟算法中的鸟巢
(5.1)极限学习机黑箱化，并寻找最优的50个计算黑箱
将由步骤四得到的n组混沌化布谷鸟算法中的鸟巢数据作为极限学习机的权值和阈值，每个鸟巢的数据维度为m，其中，前indim_num×hiddennum_num维的数据作为极限学习机的输入层到隐含层的权值，第indim_num×hiddennum_num+1维至m维的数据作为极限学习机的输入层到隐含层的阈值，将按照上述方法设置了权值和阈值的一个极限学习机视为一个计算黑箱，由此可得n个计算黑箱；将通过步骤(2.2)获得的data_num×p/(p+q)组训练数据，训练数据包括：输入数据和输出数据，一组的输入数据包含三个变量，包括IGBT的饱和压降Vce(sat)、集电极电流和当前时刻的IGBT功率循环老化实验的循环次数，输出数据为IGBT 的结温，将训练数据输入到n个计算黑箱中的任意一个，得到相应的一组data_num×p/(p+q) 个的IGBT结温预测值，并通过式(4)获得该计算每个黑箱的性能指标值
其中，f为计算黑箱的性能指标函数，性能指标值越大越好；yi是由IGBT功率循环老化实验获得的一个实测值，视为IGBT结温的实际值，y′i表示IGBT结温的预测值，N表示输入一个计算黑箱的IGBT结温实际值的个数，也是一个计算黑箱输出的IGBT结温预测值的个数；
(5.2)导出计算黑箱中的权值和阈值，作为混沌化布谷鸟算法中的初始鸟巢
将通过式(4)计算得到的50个性能指标最优的计算黑箱记录并保存下来，并导出该 50个计算黑箱的输入层节点到隐含层节点的权值阈值数据，共得到50组权值阈值数据作为混沌化布谷鸟算法寻优的50组混沌化布谷鸟算法中的初始鸟巢，并记为cz50；
步骤六，对混沌化布谷鸟算法参数进行设置
设置混沌布谷鸟算法参数：设置混沌布谷鸟算法中鸟巢个体数量；设置混沌布谷鸟算法中每个鸟巢的数据维度为m；设置鸟巢被发现的概率pa；设置混沌布谷鸟算法最大迭代次数tmax；
步骤七，使用混沌化布谷鸟算法寻找最大适应度鸟巢，并构建IGBT结温预测模型
(7.1)首先将步骤五得到的50组混沌化布谷鸟算法中的初始鸟巢cz50作为混沌化布谷鸟算法中迭代寻优的第一代鸟巢，记为x1，见式(5)：
x1＝cz50 (5)
使用levy飞行对50组混沌化布谷鸟算法中的鸟巢进行处理，产生新的鸟巢；式(6)表示混沌化布谷鸟算法中第t代的第i个鸟巢的位移stepsize步长得到混沌化布谷鸟算法中的第t+1代的第i个鸟巢：
其中，stepsize则是由步长因子α，levy飞行所产生的步长step，和迭代时混沌化布谷鸟算法中最优的鸟巢xbest和
组成，见式(7)：
公式(7)中，
表示进行点对点的乘法，α为步长因子，本发明引入非线性收敛公式对步长因子进行改进，非线性收敛公式见式(8)，非线性收敛公式的引入使混沌化布谷鸟算法服从于全局收敛；
α＝0.1-0.09×(t/tmax)3 (8)
公式(7)中，step为levy飞行所产生的步长，见式(9)：
其中，u和v均服从标准正态分布，参数β在混沌化布谷鸟算法中大小为1.5，而参数φ的计算公式，见式(10)：
由公式(6)、(7)、(8)、(9)、(10)得到经过levy飞行位移的混沌化布谷鸟算法中的下一代第i个鸟巢的公式(11)；
(7.2)再次将(7.1)得到的混沌化布谷鸟算法中的鸟巢数据作为计算黑箱的权值和阈值，以及训练数据加载到计算黑箱中，通过计算黑箱得到IGBT结温的预测值，使用式(12) 分别计算混沌化布谷鸟算法中当代的50个鸟巢的适应度值，记录并保留混沌化布谷鸟算法中当代最优的鸟巢
式中，fitness为混沌化布谷鸟算法中的每个鸟巢的适应度函数，适应度值越大越好；yi是由 IGBT功率循环老化实验获得的一个实测值，视为IGBT结温的实际值，y′i表示IGBT结温的预测值，N表示输入一个计算黑箱的IGBT结温实际值的个数，也是一个计算黑箱输出的 IGBT结温预测值的个数；
(7.3)淘汰宿主鸟识别的被混沌化布谷鸟侵占的鸟巢，丢弃被识别的鸟巢
首先，确定被混沌布谷鸟侵占的混沌化布谷鸟鸟巢被发现的概率为pa，随后利用MATLAB随机产生一个均匀分布的随机数作为缩放因子b，b∈(0，1)，若b＞pa则对该鸟巢进行变异操作见式(13)，以新的鸟巢代替旧的鸟巢：
其中，式(13)的含义是混沌化布谷鸟算法中的第t代的第i个鸟巢被发现，并对该鸟巢进行变异，
和
表示在第t代中随机选出的两个混沌化布谷鸟算法中的鸟巢；
最后，与步骤(7.2)一样，计算经过筛选变异后的混沌化布谷鸟算法中的每个鸟巢的适应度，并记录和保留混沌化布谷鸟算法中适应度值最大的鸟巢；
(7.4)用混沌化布谷鸟算法优化极限学习机，建立基于混沌化布谷鸟算法-极限学习机的预测模型，称之为CCS-ELM预测模型，用以预测IGBT的结温；预测过程如下：
将data_num组IGBT的老化实验数据中的data_num×p/(p+q)组数据作为训练数据，每组训练数据包括：IGBT的饱和压降Vce(sat)、集电极电流、当前时刻的IGBT功率循环老化实验的循环次数，和IGBT的结温，将归一化后的IGBT的饱和压降Vce(sat)、集电极电流、当前时刻的IGBT功率循环老化实验的循环次数作为CCS-ELM预测模型输入数据，将归一化后的IGBT的结温作为CCS-ELM预测模型输出数据；将混沌布谷鸟算法中的每个鸟巢数据作为CCS-ELM预测模型的输入层节点到隐含层节点的一组权值和阈值；预测IGBT的结温值，并将获得的IGBT训练数据的结温预测值与IGBT训练数据的结温实际值，利用公式 (12)计算和记录每个鸟巢的适应度值；
步骤八，记录混沌化布谷鸟算法中历史记录中的最优鸟巢，若未达到混沌布谷鸟算法最大迭代次数tmax，则返回至步骤七，若达到混沌布谷鸟算法最大迭代次数则进行步骤九，并记录下混沌化布谷鸟算法中历史记录中的最优鸟巢；
步骤九，输出结温预测结果
将步骤八中获得的最优混沌化布谷鸟算法中的鸟巢数据作为CCS-ELM预测模型的最优权值和阈值；将data_num组IGBT的老化实验数据中的data_num×q/(p+q)组数据作为测试数据，每组训练数据包括：IGBT的饱和压降Vce(sat)、集电极电流、当前时刻的IGBT功率循环老化实验的循环次数和IGBT的结温，将归一化后的IGBT的饱和压降Vce(sat)、集电极电流、当前时刻的IGBT功率循环老化实验的循环次数作为CCS-ELM预测模型输入数据，将归一化后的IGBT的结温作为CCS-ELM预测模型输出数据；预测测试数据中的IGBT结温，并将获得的IGBT测试数据的结温预测值与IGBT测试数据的结温实际值，利用式(12) 计算其适应度值；
借助MATLAB软件在计算机的显示屏上显示步骤九预测的IGBT的结温数值和实际结温值对比图，以及步骤八中记录每一代的目标函数值的倒数，即均方根误差图，以及IGBT的测试数据的结温预测的均方根误差RMSE和决定系数R2。
上述的一种IGBT结温预测的方法，所述的IGBT老化参数，如集电极电流，饱和压降，老化循环次数等，和IGBT的结温是为本技术领域技术人员所熟知的。
上述的一种IGBT结温预测的方法，所述的混沌算法，布谷鸟算法和极限学习机以及非线性收敛公式是已有技术，是为本技术领域技术人员所熟知的。
上述的一种IGBT结温预测的方法，所述将所获取的IGBT老化数据以及结温数据输入计算机中的输入方法是公知的方法，所述计算机、显示器和MATLAB计算机软件均是通过商购获得的。
本发明的有益效果是：本发明与现有技术相比有以下特点，
(1)本发明在充分考虑老化状态下IGBT参数对IGBT的结温的影响下，以极限学习机为载体，以混沌化布谷鸟算法和非线性收敛公式优化为依托，以集电极电流，饱和压降，老化循环次数为输入，以IGBT的结温为输出，建立了基于混沌化布谷鸟算法-极限学习机的IGBT结温预测模型，称之为CCS-ELM预测模型；
(2)本发明借助极限学习机以“黑箱子”方式模糊的寻找IGBT结温和IGBT老化参数之间的关系，从输入到输出，以“黑箱子”作为介质找到IGBT老化参数与结温的关系而不需要研究中间过程，简单直接；
(3)本发明建立的基于混沌化布谷鸟算法-极限学习机的IGBT结温预测模型，以混沌化布谷鸟算法为依托，对其最优解进行全局搜索，同时引入非线性收敛公式使得算法在搜索后期进行全局收敛；
(4)本发明一种IGBT结温预测的方法，其扩展能力强，其影响因素可以不断扩展，即兼容性强，其不仅仅应用于IGBT的结温预测，也可以扩展至其他领域如光伏发电预测，风力发电预测甚至是其他领域应用。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明方法的流程示意图。
图2是多输入单输出的IGBT结温预测的数学模型框图。
图3是本发明对IGBT的结温可靠性预测的显示图。
图4是本发明对IGBT的混沌化布谷鸟算法收敛曲线图。
具体实施方式
图1表明本发明一种IGBT结温预测的方法的流程是，开始→归一化和分配老化实验数据→初始化极限学习机参数→采用混沌算法优化布谷鸟算法，获得混沌化布谷鸟算法中的鸟巢→筛选混沌化布谷鸟算法中的鸟巢→设置混沌化布谷鸟算法的参数→使用混沌化布谷鸟算法的levy飞行寻找最大适应度的鸟巢→计算混沌化布谷鸟算法中新鸟巢的适应度→判断新鸟巢的适应度是否比历史鸟巢的最优适应度值还要大→若新鸟巢的适应度值大，则替代历史最优适应度，否则继续保留→根据发现概率对鸟巢进行位置更新→计算鸟巢的适应度并保留最好的→判断是否达到最大循环次数→若没有达到则继续循环进行，若达到最大循环次数进行下一步→预测IGBT的结温→结束。
图2表明多输入单输出的IGBT结温预测的数学模型框图，该模型以饱和压降Vce(sat)，集电极电流，老化循环次数为输入，以结温为输出，以极限学习机为载体，以混沌化布谷鸟算法和非线性收敛公式优化极限学习机为依托，建立了老化状态下基于混沌化布谷鸟算法-极限学习机的IGBT结温预测模型。
实施例
本发明采用PC机作为平台进行模型搭建，其中CPU为i5-3230M 2.60GHz，安装内存为4GB，操作系统为Windows 7-64位，使用MATLAB R2016a版本。IGBT模块选用Macmic 公司的MMG75S120B6HN，该模块IGBT芯片和FWD芯片的间距为6.4毫米，最大稳定工作电流和反向重复峰值电压为1200V/75A。
步骤一，获取IGBT的老化实验数据
(1.1)通过IGBT功率循环老化实验过程中的数据采集，数据包括：结温数据，老化循环次数数据，饱和压降Vce(sat)数据，集电极电流数据，测试模块选取的型号是MMG75S120B的双管半桥型IGBT模块的下管，设置结温波动ΔTj为100℃，以饱和压降 Vce(sat)增大为原来的1.05倍即为失效，实验包括三部分IGBT饱和压降-结温矫正实验，功率循环老化实验，单脉冲测试实验；从单脉冲测试实验获取IGBT功率循环老化的0-6000次下的结温数据，集电极电流数据，集-射极饱和压降Vce(sat)数据共380组；
步骤二，对老化实验数据进行归一化处理和分配
(2.1)使用归一化公式(1)对IGBT的老化实验数据进行归一化处理；
(2.2)把老化实验数据分为训练数据和测试数据两部分，分配比例为：
训练数据的数量∶测试数据的数量＝7∶3；
由此，将380组IGBT的老化实验数据分为266组训练数据和114组测试数据；
步骤三，对极限学习机参数进行初始化
设置极限学习机的初始化参数，包括：
设置极限学习机的输入层节点数indim为3，三个节点依次代表IGBT的饱和压降Vce(sat)、集电极电流和当前时刻的IGBT功率循环老化实验的循环次数；
设置极限学习机的隐含层节点数hiddennum为50；
设置极限学习机的输出层节点数outdim为1，该节点代表IGBT的结温；
设置极限学习机的输入层节点到隐含层节点的权值和阈值的初始值，方法为：利用 MATLAB中rand函数随机生成一个200维数据组Z，利用式(2)把这200维的数据组映射至实数区间[0，1]上，得到经映射至[0，1]区间上200维数据组CZ，并将CZ作为极限学习机的输入层节点到隐含层节点的权值阈值的初始值，由Z到CZ的映射规则见式(2)；
步骤四，采用混沌算法优化布谷鸟算法，获得混沌化布谷鸟算法中的鸟巢
(4.1)把步骤三中生成的200维数据组CZ作为混沌第一代数据CZ(1)，即CZ(1)＝CZ，使用式(3)对得到的混沌第一代数据进行迭代计算，生成混沌第二代数据；式(3)描述了由混沌第t代的第i个数据迭代生成混沌第t+1代的第i个数据的方法；式(3)中，μ为混沌控制参数，这里令μ为4，
表示混沌第t代第i个数据，其中
如果在迭代计算中，
恰好为0、0.25、0.75或1，则赋值
这里Δ为实数区间[0，0.05]上的一个随机数，使
代替原来的
继续进行迭代计算；
(4.2)设置混沌迭代次数的最大值itemmax为5000，重复(4.1)这一步骤5000次，从而生成5000组混沌数据，并把这5000组混沌数据作为混沌化布谷鸟算法中的5000个鸟巢，每个鸟巢含200个数据；
步骤五，筛选混沌化布谷鸟算法中的鸟巢
(5.1)极限学习机黑箱化，并寻找最优的50个黑箱
将由步骤四得到的5000组混沌化布谷鸟算法中的鸟巢数据作为极限学习机的权值和阈值，每个鸟巢的数据维度为200，其中，前150维的数据作为极限学习机的输入层到隐含层的权值，后50维的数据作为极限学习机的输入层到隐含层的阈值，将按照上述方法设置了权值和阈值的一个极限学习机视为一个计算黑箱，由此可得5000个计算黑箱；将通过步骤 (2.2)获得的266组训练数据，训练数据包括：输入数据和输出数据，一组的输入数据包含三个变量，包括IGBT的饱和压降Vce(sat)、集电极电流和当前时刻的IGBT功率循环老化实验的循环次数，输出数据为IGBT的结温，输入到5000个计算黑箱中的任意一个，得到相应的一组266个IGBT结温预测值，并通过式(4)获得该计算每个黑箱的性能指标值；
(5.2)导出计算黑箱中的权值和阈值，作为混沌化布谷鸟算法中的初始鸟巢
将通过式(4)计算得到的50个性能指标最优的计算黑箱记录并保存下来，并导出该 50个计算黑箱的输入层节点到隐含层节点的权值阈值数据，共得到50组权值阈值数据作为混沌化布谷鸟算法寻优的50组混沌化布谷鸟算法中的初始鸟巢，并记为cz50；
步骤六，对混沌化布谷鸟算法参数进行设置
设置混沌布谷鸟算法参数：设置混沌布谷鸟算法中鸟巢个体数量为50；设置混沌布谷鸟算法中每个鸟巢的数据维度为200；设置鸟巢被发现的概率pa为0.25；设置混沌布谷鸟算法最大迭代次数tmax为100次；
步骤七，使用混沌化布谷鸟算法寻找最大适应度的鸟巢，并构建IGBT结温预测模型
(7.1)首先，将步骤五中得到的50组混沌化布谷鸟算法中的初始鸟巢cz50作为混沌化布谷鸟算法中迭代寻优的第一代鸟巢，记为x1，即x1＝cz50；
使用levy飞行对50组混沌化布谷鸟算法中的鸟巢进行处理，产生新的鸟巢；并经过式 (6)、(7)、(8)、(9)、(10)得到经过levy飞行位移的混沌化布谷鸟算法中的下一代第i个鸟巢的公式(11)，并推导出混沌化布谷鸟算法中的下一代第i个鸟巢；
(7.2)再次将(7.1)得到的混沌化布谷鸟算法中的鸟巢数据作为计算黑箱的权值和阈值，以及训练数据加载到计算黑箱中，通过计算黑箱得到IGBT结温的预测值，使用式(12) 分别计算混沌化布谷鸟算法中当代的50个鸟巢的适应度值，记录并保留混沌化布谷鸟算法中当代最优的鸟巢；
(7.3)淘汰宿主鸟识别的被混沌化布谷鸟侵占的鸟巢，丢弃被识别的鸟巢
首先，确定被混沌布谷鸟侵占的混沌化布谷鸟鸟巢被发现的概率为pa，pa为0.25，随后利用MATLAB随机产生一个均匀分布的随机数作为缩放因子b，b∈(0，1)，若b＞pa则对该鸟巢进行变异操作见式(13)，以新的鸟巢代替旧的鸟巢；
最后，与步骤(7.2)一样，计算经过筛选变异后的混沌化布谷鸟算法中的每个鸟巢的适应度，并记录和保留混沌化布谷鸟算法中适应度值最大的鸟巢；
(7.4)用混沌化布谷鸟算法优化极限学习机，建立基于混沌化布谷鸟算法-极限学习机的预测模型，称之为CCS-ELM预测模型，用以预测IGBT的结温；预测过程如下：
将380组IGBT的老化实验数据中的266组数据作为训练数据，每组训练数据包括：IGBT的饱和压降Vce(sat)、集电极电流、当前时刻的IGBT功率循环老化实验的循环次数，和IGBT的结温，将归一化后的IGBT的饱和压降Vce(sat)、集电极电流、当前时刻的IGBT 功率循环老化实验的循环次数作为CCS-ELM预测模型的输入数据，将归一化后的IGBT的结温作为CCS-ELM预测模型的输出数据；将混沌布谷鸟算法中的每个鸟巢数据作为 CCS-ELM预测模型的输入层节点到隐含层节点的一组权值和阈值；预测IGBT的结温值，并将获得的IGBT训练数据的结温预测值与IGBT训练数据的结温实际值，利用公式(12) 计算和记录每个鸟巢的适应度值；
步骤八，记录混沌化布谷鸟算法中历史记录中的最优鸟巢，若未达到混沌布谷鸟算法最大迭代次数100次，则返回至步骤七，若达到混沌布谷鸟算法最大迭代次数则进行步骤九，并记录下混沌化布谷鸟算法中历史记录中的最优鸟巢；
步骤九，输出结温预测结果
将步骤八中获得的最优混沌化布谷鸟算法中的鸟巢数据作为CCS-ELM预测模型的最优权值和阈值；将380组IGBT的老化实验数据中的114组数据作为测试数据，每组训练数据包括：IGBT的饱和压降Vce(sat)、集电极电流、当前时刻的IGBT功率循环老化实验的循环次数，和IGBT的结温，将归一化后的IGBT的饱和压降Vce(sat)、集电极电流、当前时刻的IGBT功率循环老化实验的循环次数作为CCS-ELM预测模型的输入数据，将归一化后的 IGBT的结温作为CCS-ELM预测模型的输出数据；预测测试数据中的IGBT结温，并将获得的IGBT测试数据的结温预测值与IGBT测试数据的结温实际值利用式(12)计算其适应度值；
借助MATLAB软件在计算机的显示屏上显示步骤九预测的IGBT的结温数值和实际结温值对比图，以及步骤八中记录每一代的目标函数值的倒数，即均方根误差图，以及IGBT的测试数据的结温预测的均方根误差RMSE＝1.96和决定系数R2＝0.9960。
表1用本发明方法与现有的技术方法对结温预测比较表
从表1中可以看出，混沌化布谷鸟优化的极限学习机无论在均方根误差还是决定系数都优于其他算法。
上述的实施案例中，所述的IGBT老化参数，如集电极电流，饱和压降，老化循环次数等，和IGBT的结温是为本领域技术人员所熟知的；所述的混沌算法，布谷鸟算法和极限学习机以及非线性收敛公式是已有技术，是为本技术领域技术人员所熟知的；所述将所获取的IGBT老化数据以及结温数据输入计算机中的输入方法是公知的方法；所述计算机、显示器和MATLAB计算机软件均是通过商购获得的。
以上仅为本发明较好的实施方式，但本发明的保护范围并不仅限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围内。
Claims (2)
1.一种IGBT结温预测的方法，其特征在于是基于混沌化布谷鸟优化极限学习机的IGBT结温预测的方法，其步骤如下：
步骤一，获取IGBT的老化实验数据
(1.1)通过IGBT功率循环老化实验获得380组IGBT的老化实验数据，包括结温数据，老化循环次数数据，饱和压降Vce(sat)数据，集电极电流数据；
步骤二，对老化实验数据进行归一化处理和分配
(2.1)使用归一化公式(1)对IGBT的老化实验数据进行归一化处理：
(2.2)把老化实验数据分为训练数据和测试数据两部分，分配比例为：
训练数据的数量∶测试数据的数量＝7∶3；
由此，将380组IGBT的老化实验数据分为266组训练数据和114组测试数据；每组数据包含四个变量，IGBT的结温数据，当前时刻的IGBT功率循环老化实验的循环次数，饱和压降Vce(sat)数据，集电极电流数据；
步骤三，对极限学习机参数进行初始化
设置极限学习机的初始化参数，包括：
设置极限学习机的输入层节点数indim为3，三个节点依次代表IGBT的饱和压降Vce(sat)、集电极电流和当前时刻的IGBT功率循环老化实验的循环次数；
设置极限学习机的隐含层节点数hiddennum为50；设置极限学习机的输出层节点数outdim为1，该节点代表IGBT的结温；
设置极限学习机的输入层节点到隐含层节点的权值和阈值的初始值，方法为：利用MATLAB中rand函数随机生成一个200维数据组Z，利用式(2)把这200维的数据组映射至实数区间[0，1]上，得到经映射至[0，1]区间上200维数据组CZ，并将CZ作为极限学习机的输入层节点到隐含层节点的权值阈值的初始值，由Z到CZ的映射规则见式(2)：
其中，zi为Z中第i维数据，i≤200，czi是CZ中的第i维数据的值，是zi映射至[0，1]上的值，zmin是Z中的最小值，zmax是Z中的最大值；
步骤四，采用混沌算法优化布谷鸟算法，获得混沌化布谷鸟算法中的鸟巢
(4.1)把步骤三中生成的200维数据组CZ作为混沌第一代数据CZ(1)，即CZ(1)＝CZ，使用式(3)对得到的混沌第一代数据进行迭代计算，生成混沌第二代数据；式(3)描述了由混沌第t代的第i个数据迭代生成混沌第t+1代的第i个数据的方法，为：
其中，μ为混沌控制参数，这里令μ为4的时候，此时系统完全处于混沌状态，
表示混沌第t代第i个数据，其中
如果在迭代计算中，
恰好为0、0.25、0.75或1，则赋值
这里Δ为实数区间[0，0.05]上的一个随机数，使
代替原来的
继续进行迭代计算；
(4.2)设置混沌迭代次数的最大值itemmax为5000，重复(4.1)这一步骤5000次，从而生成5000组混沌数据，并把这5000组混沌数据作为混沌化布谷鸟算法中的5000个鸟巢，每个鸟巢含200个数据；
步骤五，筛选混沌化布谷鸟算法中的鸟巢
(5.1)极限学习机黑箱化，并寻找最优的50个计算黑箱
将由步骤四得到的5000组混沌化布谷鸟算法中的鸟巢数据作为极限学习机的权值和阈值，每个鸟巢的数据维度为200，其中，前150维的数据作为极限学习机的输入层到隐含层的权值，后50维的数据作为极限学习机的输入层到隐含层的阈值，将按照上述方法设置了权值和阈值的一个极限学习机视为一个计算黑箱，由此可得5000个计算黑箱；将通过步骤(2.2)获得的266组训练数据，训练数据包括：输入数据和输出数据，一组的输入数据包含三个变量，包括IGBT的饱和压降Vce(sat)、集电极电流和当前时刻的IGBT功率循环老化实验的循环次数，输出数据为IGBT的结温，将训练数据输入到5000个计算黑箱中的任意一个，得到相应的一组266个IGBT结温预测值，并通过式(4)计算每个黑箱的性能指标值
其中，f为计算黑箱的性能指标函数，性能指标值越大越好；yi是由IGBT功率循环老化实验获得的一个实测值，视为IGBT结温的实际值，y′i表示IGBT结温的预测值，N表示输入一个计算黑箱的IGBT结温实际值的个数，也是一个计算黑箱输出的IGBT结温预测值的个数；
(5.2)导出计算黑箱中的权值和阈值，作为混沌化布谷鸟算法中的初始鸟巢
将通过式(4)计算得到的50个性能指标最优的计算黑箱记录并保存下来，并导出该50个计算黑箱的输入层节点到隐含层节点的权值阈值数据，共得到50组权值阈值数据作为混沌化布谷鸟算法寻优的50组混沌化布谷鸟算法中的初始鸟巢，并记为cz50；
步骤六，对混沌化布谷鸟算法参数进行设置
设置混沌布谷鸟算法参数：设置混沌布谷鸟算法中鸟巢个体数量为50；设置混沌布谷鸟算法中每个鸟巢的数据维度为200；设置鸟巢被发现的概率pa为0.25；设置混沌布谷鸟算法最大迭代次数tmax为100次；
步骤七，使用混沌化布谷鸟算法寻找最大适应度的鸟巢，并构建IGBT结温预测模型
(7.1)首先，将步骤五中得到的50组混沌化布谷鸟算法中的初始鸟巢cz50作为混沌化布谷鸟算法中迭代寻优的第一代鸟巢，记为x1，见式(5)：
x1＝cz50 (5)
使用levy飞行对50组混沌化布谷鸟算法中的鸟巢进行处理，产生新的鸟巢；式(6)表示混沌化布谷鸟算法中第t代的第i个鸟巢位移stepsize步长得到混沌化布谷鸟算法中的第t+1代的第i个鸟巢：
其中，stepsize则是由步长因子α，levy飞行所产生的步长step，和迭代时混沌化布谷鸟算法中最优的鸟巢xbest和
组成，见式(7)：
公式(7)中，
表示进行点对点的乘法，α为步长因子，本发明引入非线性收敛公式对步长因子进行改进，非线性收敛公式见式(8)，非线性收敛公式的引入使混沌化布谷鸟算法服从于全局收敛；
α＝0.1-0.09×(t/tmax)3 (8)
公式(7)中，step为levy飞行所产生的步长，见式(9)：
其中，u和v均服从标准正态分布，参数β在混沌化布谷鸟算法中大小为1.5，而参数φ的计算公式，见式(10)：
由公式(6)、(7)、(8)、(9)、(10)得到经过levy飞行位移的混沌化布谷鸟算法中的下一代第i个鸟巢的公式(11)；
(7.2)再次将(7.1)得到的混沌化布谷鸟算法中的鸟巢数据作为计算黑箱的权值和阈值，以及训练数据加载到计算黑箱中，通过计算黑箱得到IGBT结温的预测值，使用式(12)分别计算混沌化布谷鸟算法中当代的50个鸟巢的适应度值，记录并保留混沌化布谷鸟算法中当代最优的鸟巢
(7.3)淘汰宿主鸟识别的被混沌化布谷鸟侵占的鸟巢，丢弃被识别的鸟巢
首先，确定被混沌布谷鸟侵占的混沌化布谷鸟鸟巢被发现的概率为pa，pa为0.25，随后利用MATLAB随机产生一个均匀分布的随机数作为缩放因子b，b∈(0，1)，若b＞pa则对该鸟巢进行变异操作见式(13)，以新的鸟巢代替旧的鸟巢：
其中，式(13)的含义是混沌化布谷鸟算法中的第t代的第i个鸟巢被发现，并对该鸟巢进行变异，
和
表示在第t代中随机选出的两个混沌化布谷鸟算法中的鸟巢；
最后，与步骤(7.2)一样，计算经过筛选变异后的混沌化布谷鸟算法中的每个鸟巢的适应度，并记录和保留混沌化布谷鸟算法中适应度值最大的鸟巢；
(7.4)用混沌化布谷鸟算法优化极限学习机，建立基于混沌化布谷鸟算法-极限学习机的预测模型，称之为CCS-ELM预测模型，用以预测IGBT的结温；预测过程如下：
将380组IGBT的老化实验数据中的266组数据作为训练数据，每组训练数据包括：IGBT的饱和压降Vce(sat)、集电极电流、当前时刻的IGBT功率循环老化实验的循环次数，和IGBT的结温，将归一化后的IGBT的饱和压降Vce(sat)、集电极电流、当前时刻的IGBT功率循环老化实验的循环次数作为CCS-ELM预测模型的输入数据，将归一化后的IGBT的结温作为CCS-ELM预测模型的输出数据；将混沌布谷鸟算法中的每个鸟巢数据作为CCS-ELM预测模型的输入层节点到隐含层节点的一组权值和阈值；预测IGBT的结温值，并将获得的IGBT训练数据的结温预测值与IGBT训练数据的结温实际值，利用公式(12)计算和记录每个鸟巢的适应度值；
步骤八，记录混沌化布谷鸟算法中历史记录中的最优鸟巢，若未达到混沌布谷鸟算法最大迭代次数tmax(tmax＝100)，则返回至步骤七，若达到混沌布谷鸟算法最大迭代次数则进行步骤九，并记录下混沌化布谷鸟算法中历史记录中的最优鸟巢；
步骤九，输出结温预测结果
将步骤八中获得的混沌化布谷鸟算法中的最优鸟巢数据作为CCS-ELM预测模型的最优权值和阈值；将380组IGBT的老化实验数据中的114组数据作为测试数据，每组训练数据包括：IGBT的饱和压降Vce(sat)、集电极电流、当前时刻的IGBT功率循环老化实验的循环次数和IGBT的结温，将归一化后的IGBT的饱和压降Vce(sat)、集电极电流、当前时刻的IGBT功率循环老化实验的循环次数作为CCS-ELM预测模型的输入数据，将归一化后的IGBT的结温作为CCS-ELM预测模型的输出数据；预测测试数据中的IGBT结温，并将获得的IGBT测试数据的结温预测值与IGBT测试数据的结温实际值利用式(12)计算其适应度值；
借助MATLAB软件在计算机的显示屏上显示步骤九预测的IGBT的结温数值和实际结温值对比图，以及步骤八中记录每一代的目标函数值的倒数，即均方根误差图，以及IGBT的测试数据的结温预测的均方根误差RMSE和决定系数R2。
2.按照权利要求1所述的一种IGBT结温预测的方法，其特征在于：影响结温的变量得到充分考虑，分别是老化循环次数数据，饱和压降Vce(sat)数据，集电极电流数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010882768.1A CN112001127B (zh) | 2020-08-28 | 2020-08-28 | 一种igbt结温预测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010882768.1A CN112001127B (zh) | 2020-08-28 | 2020-08-28 | 一种igbt结温预测的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112001127A true CN112001127A (zh) | 2020-11-27 |
| CN112001127B CN112001127B (zh) | 2022-03-25 |
Family
ID=73471342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010882768.1A Expired - Fee Related CN112001127B (zh) | 2020-08-28 | 2020-08-28 | 一种igbt结温预测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112001127B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112800674A (zh) * | 2021-01-27 | 2021-05-14 | 重庆大学 | 一种基于极限学习机的电力系统元件可靠性参数计算方法 |
| CN113064042A (zh) * | 2021-02-01 | 2021-07-02 | 北京交通大学 | 一种功率半导体器件的结温提取方法 |
| CN113219315A (zh) * | 2021-05-13 | 2021-08-06 | 武汉大学 | 基于结温归一化的逆变器igbt老化在线监测方法及系统 |
| CN113820582A (zh) * | 2021-11-22 | 2021-12-21 | 山东阅芯电子科技有限公司 | 秒级功率循环试验中试验条件的搜索确定方法 |
| CN116413541A (zh) * | 2023-03-28 | 2023-07-11 | 国网山东省电力公司德州供电公司 | 一种基于数字孪生和闭环寻优的变压器状态感知方法 |
| CN118310637A (zh) * | 2024-06-07 | 2024-07-09 | 北京航空航天大学 | 基于神经网络和l-m算法的涡轮叶片三波段辐射测温方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647824A (zh) * | 2018-05-10 | 2018-10-12 | 广东工业大学 | 一种电价超短期预测方法 |
| US20190377023A1 (en) * | 2017-12-06 | 2019-12-12 | Nanjing Estun Automation Co., Ltd | Real-time online prediction method for dynamic junction temperature of semiconductor power device |
-
2020
- 2020-08-28 CN CN202010882768.1A patent/CN112001127B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190377023A1 (en) * | 2017-12-06 | 2019-12-12 | Nanjing Estun Automation Co., Ltd | Real-time online prediction method for dynamic junction temperature of semiconductor power device |
| CN108647824A (zh) * | 2018-05-10 | 2018-10-12 | 广东工业大学 | 一种电价超短期预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| LING-LING LI 等: "Extreme learning machine optimized by whale optimization algorithm using insulated gate bipolar transistor module aging degree evaluation", 《EXPERT SYSTEMS WITH APPLICATIONS》 * |
| 李玲玲 等: "一种新型ＩＧＢＴ结温计算模型", 《微电子学》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112800674A (zh) * | 2021-01-27 | 2021-05-14 | 重庆大学 | 一种基于极限学习机的电力系统元件可靠性参数计算方法 |
| CN113064042A (zh) * | 2021-02-01 | 2021-07-02 | 北京交通大学 | 一种功率半导体器件的结温提取方法 |
| CN113219315A (zh) * | 2021-05-13 | 2021-08-06 | 武汉大学 | 基于结温归一化的逆变器igbt老化在线监测方法及系统 |
| CN113219315B (zh) * | 2021-05-13 | 2022-04-15 | 武汉大学 | 基于结温归一化的逆变器igbt老化在线监测方法及系统 |
| CN113820582A (zh) * | 2021-11-22 | 2021-12-21 | 山东阅芯电子科技有限公司 | 秒级功率循环试验中试验条件的搜索确定方法 |
| CN113820582B (zh) * | 2021-11-22 | 2022-02-08 | 山东阅芯电子科技有限公司 | 秒级功率循环试验中试验条件的搜索确定方法 |
| CN116413541A (zh) * | 2023-03-28 | 2023-07-11 | 国网山东省电力公司德州供电公司 | 一种基于数字孪生和闭环寻优的变压器状态感知方法 |
| CN118310637A (zh) * | 2024-06-07 | 2024-07-09 | 北京航空航天大学 | 基于神经网络和l-m算法的涡轮叶片三波段辐射测温方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112001127B (zh) | 2022-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112001127B (zh) | 一种igbt结温预测的方法 | |
| Li et al. | Self-attention ConvLSTM and its application in RUL prediction of rolling bearings | |
| CN108985515B (zh) | 一种基于独立循环神经网络的新能源出力预测方法及系统 | |
| CN107103154A (zh) | 一种光伏组件模型参数辨识方法 | |
| CN105024645A (zh) | 一种基于矩阵进化的光伏阵列故障定位方法 | |
| CN113093014B (zh) | 一种基于阻抗参数的soh与soc的在线协同估计方法及系统 | |
| CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
| CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
| CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
| CN114048819A (zh) | 基于注意力机制和卷积神经网络的配电网拓扑辨识方法 | |
| Yu et al. | Sub-population improved grey wolf optimizer with Gaussian mutation and Lévy flight for parameters identification of photovoltaic models | |
| CN117556360A (zh) | 一种光伏逆变器异常监测方法及装置 | |
| CN113625144A (zh) | Igbt故障预测方法和系统 | |
| Yamauchi | Incremental learning on a budget and its application to quick maximum power point tracking of photovoltaic systems | |
| CN117540638A (zh) | 一种光伏电站等值建模方法、介质及系统 | |
| CN112418504A (zh) | 一种基于混合变量选择优化深度信念网络风速预测方法 | |
| CN116930769A (zh) | 一种基于双向生成式对抗神经网络的锂电池建模方法 | |
| Ge et al. | An Improved Distributed Maximum Power Point Tracking Technique in Photovoltaic Systems Based on Reinforcement Learning Algorithm | |
| CN114336637B (zh) | 一种考虑风光出力相关性的配电网证据理论潮流计算方法 | |
| CN115630316A (zh) | 基于改进长短期记忆网络的超短期风速预测方法 | |
| CN112701679B (zh) | 基于模型-数据混合驱动的主动配电网短期可靠性评估方法 | |
| Huynh et al. | Modelling and Determining Parameters of a Solar Photovoltaic Cell based on Voltage and Current Measurements | |
| CN113884936A (zh) | 一种基于issa耦合delm的锂离子电池健康状态预测方法 | |
| CN117390418B (zh) | 一种风电并网系统暂态稳定评估方法、系统及设备 | |
| Gong et al. | Research on data filling algorithm based on improved k-means and information entropy |
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 | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220325 |