CN113361586A - 一种基于神经网络的功率器件在线老化检测方法及系统 - Google Patents
一种基于神经网络的功率器件在线老化检测方法及系统 Download PDFInfo
- Publication number
- CN113361586A CN113361586A CN202110615113.2A CN202110615113A CN113361586A CN 113361586 A CN113361586 A CN 113361586A CN 202110615113 A CN202110615113 A CN 202110615113A CN 113361586 A CN113361586 A CN 113361586A
- Authority
- CN
- China
- Prior art keywords
- power device
- aging
- online
- neural network
- power
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Abstract
本发明公开一种基于神经网络的功率器件在线老化检测方法及系统,检测方法包括以下步骤:S1、确定待检测电力电子变换器的类型;S2、采集所述功率器件的健康工作参数,获取训练集;S3、构建功率器件老化识别模型,基于待检测电力电子变换器的类型,利用所述健康工作参数,训练所述功率器件老化识别模型;S4、基于训练好的所述功率器件老化识别模型构建功率器件在线状态分类器;S5、利用所述功率器件在线状态分类器在线进行所述功率器件老化检测。本发明摆脱传统检测时需要在恒温度或恒损耗下进行的限制,能够实时的识别出老化的功率器件,实现真正意义上的在线老化检测。
Description
技术领域
本发明涉及电力电子功率器件相关的老化检测技术领域,特别是涉及一种基于神经网络的功率器件在线老化检测方法及系统。
背景技术
长期以来,功率半导体器件的老化问题一直是电力电子变换器可靠性研究的重点,因为功率器件的老化失效是导致电力电子变换器失效的主要因素。目前,以IGBT、MOSFET为代表的主流功率半导体器件被广泛应用于各种电力电子设备,由于其内部芯片和封装材料的寿命限制,它们都存在着老化失效的问题,对电力电子变换器的正常运行产生隐患,进而造成相当大的经济损失。因此,对功率半导体器件进行实时的老化监测,可以对即将老化或失效的器件进行预警,避免不必要的经济损失。
针对功率半导体器件的老化检测,目前常用的方案是先提取与器件寿命相关的电参数,然后在某一特定条件下对比这些电参数的变化来评估老化。器件的电参数一般通过在器件旁边安装相关的传感器或状态检测电路(例如电流传感器、电压检测电路等)来获取。由于这些电参数和结温、电流之间都存在着耦合关系,例如IGBT的导通集电极-发射极电压VCE或SiC MOSFET的导通电阻RDS_ON,都会随着电流或结温的变化而变化,如图1所示,且IGBT同时存在正负温度系数。所以当变换器运行在真实工况时,由于电流和结温都在动态变化,无法直接通过功率器件的电参数变化来评估老化。因此现有方法在检测功率器件老化时,往往需要借助恒温装置,直接控制功率器件工作在相同温度或损耗,相同电流的条件下,然后再对比功率器件的电参数变化来评估老化。但在这种方式下,功率器件并没有工作在实际工况,不能实现真正意义上的在线老化预测。
器件工作在真实工况时,虽然电流,温度,器件的电参数都在动态变化,但是从图1可以看出三者之间的耦合关系在器件健康时是确定的,因此本发明通过神经网络的训练,不断学习在真实工况下健康功率器件在不同的电流和温度下的变化趋势,进而得到真实工况下的功率器件在线状态分类器,就可以实时的识别出老化的功率器件,实现真正意义上的在线老化检测。
发明内容
本发明的目的是提供一种基于神经网络的功率器件在线老化检测方法及系统,以解决上述现有技术存在的问题,使功率器件的老化检测摆脱传统检测时需要在恒温度或恒损耗下进行的限制,能够实时的识别出老化的功率器件,实现真正意义上的在线老化检测。
为实现上述目的,本发明提供了如下方案:本发明提供一种基于神经网络的功率器件在线老化检测方法,包括以下步骤:
S1、确定待检测电力电子变换器的类型,其中,所述待检测电力电子变换器包括功率器件;
S2、采集所述功率器件的健康工作参数,获取训练集,其中,所述健康工作参数用于描述健康功率器件在所述电力电子变换器稳定工作状态下的数据指标;
S3、构建功率器件老化识别模型,基于待检测电力电子变换器的类型,利用所述健康工作参数,训练所述功率器件老化识别模型;
S4、基于训练好的所述功率器件老化识别模型构建功率器件在线状态分类器;
S5、利用所述功率器件在线状态分类器在线进行所述功率器件老化检测。
优选的,所述S2包括以下步骤:
采集所述功率器件的工作参数,剔除所述工作参数中的非健康工作参数,获得所述功率器件的健康工作参数,其中所述非健康工作参数指所述电力电子变换器的输出电压和电流在非稳定期间产生的功率器件的工作参数。
优选的,所述工作参数包括所述功率器件的电参数、温度、输出电流数据,其中,所述电参数在不同电流和温度下是变化的。
优选的,所述S3包括以下步骤:
S3.1、构建所述功率器件老化识别模型的结构;
S3.2、基于所述电力电子变换器的类型选择所述功率器件老化识别模型的训练方式,设置所述功率器件老化识别模型的训练参数,基于所述训练集对所述功率器件老化识别模型进行训练及优化。
优选的,构建所述功率器件老化识别模型采用神经网络。
优选的,所述功率器件老化识别模型为三层神经网络,包括1层输入层,1层隐藏层和1层输出层;所述输入层神经元的数量根据所述电力电子变换器的工作模式决定,所述隐含层神经元的数量的计算方法如式(1)所示:
式中,a表示隐藏层神经元的数量,b表示输入层神经元的数量,l表示输出层神经元的数量,c表示常数。
优选的,所述S4包括以下步骤:
将功率器件老化识别模型与电力电子变换器建立通讯,共同组成功率器件在线状态分类器。
优选的,所述S4中还包括对所述功率器件在线状态分类器进行准确性验证:
人工模拟老化所述功率器件,获得模拟老化功率器件;将所述模拟老化功率器件和所述健康功率器件分别放入所述电力电子变换器中运行,分别采集所述模拟老化功率器件的老化工作参数和所述健康功率器件的对比工作参数,分别将所述老化工作参数和所述对比工作参数输入到所述功率器件在线状态分类器,完成功率器件在线状态分类器的准确性验证。
优选的,所述人工模拟老化采用包括但不限于硅胶掺杂、外部串联电阻。
还提供了一种基于神经网络的功率器件在线老化检测系统,用于实施基于神经网络的功率器件在线老化检测方法,包括功率器件工作参数采集模块、通讯模块和功率器件老化识别模块,其中,所述功率器件工作参数采集模块用于采集功率器件的电参数、温度和输出电流,
所述功率器件工作参数采集模块和所述通讯模块均固定设置在电力电子变换器内部,所述功率器件工作参数采集模块与功率器件连接,所述功率器件老化识别模块设置于服务器内部,所述功率器件工作参数采集模块通过所述通讯模块与所述服务器进行数据交互。
本发明公开了以下技术效果:
本发明提供的基于神经网络的功率器件在线老化检测方法及系统,根据健康功率器件和老化功率器件电参数与电流及温度的耦合关系不同,通过神经网络的训练,不断学习在真实工况下健康功率器件在不同的电流和温度下的变化趋势,进而得到真实工况下的功率器件在线状态分类器,实时的识别出老化的功率器件,并根据电力电子变换器不同的工作方式选择对应的模型训练方式,得到更为优化的结果,实现真正意义上的在线老化检测,大大提高了检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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性的前提下,还可以根据这些附图获得其他的附图。
图1为功率器件数据手册中相关电参数与温度和电流的关系曲线示意图;
图2为本发明实施例中基于神经网络的功率器件在线老化检测系统结构图;
图3为本发明实施例中基于神经网络的功率器件在线老化检测方法的流程示意图;
图4为本发明实施例中LSTM神经网络的单元结构示意图;
图5为本发明实施例中功率器件老化识别模型的训练流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供一种基于神经网络的功率器件在线老化检测方法及系统。本实施例选择的是本实施例中选择三相全桥电压源逆变器,并且功率器件选用一款商用的SiC MOSFET(碳化硅MOSFET)。参照图2,检测系统包括功率器件电参数采集模块、器件温度检测模块、输出电流检测模块、通讯模块和功率器件老化识别模块,其中,
器件温度检测模块用于测量功率器件的实时温度。
功率器件电参数采集模块用于包括但不限于IGBT的集电极-发射极导通电压VCE的采集以及SiC MOSFET的通态电阻RDS_ON的采集;
输出电流检测模块用于采集功率器件的实时工作电流;
通讯模块用于和服务器端的神经网络训练模型交互数据;
功率器件老化识别模块采用的是通过神经网络训练得到的功率器件老化识别模型,用于识别器件的健康状态。
功器件电参数采集模块、功率器件温度检测模块、输出电流检测模块、通讯模块都属于电力电子变换器附属功能,功率器件老化识别模型是在服务器上训练的神经网络模型。功器件电参数采集模块、功率器件温度检测模块、输出电流检测模块通过通讯模块将采集到的数据传输到服务器,利用服务器中的功率器件老化识别模块进行功率器件老化在线检测。
参照图3,基于神经网络的功率器件在线老化检测方法包括以下步骤:
S1、确定电力电子变换器类型;
本实施例中为三相全桥电压源逆变器。
S2、提取健康功率器件的电参数、温度、电流数据;在本实施例中,功率器件选择的是一款商用的全新SiC MOSFET,然后SiC MOSFET放入变换器中运行。并通过VDS采样电路和电流采样电路同步采样得到SiC MOSFET的开通漏源电压VDS和漏源电流ID,那么导通电阻RDS_ON可由下式得到:
RDS_ON=VDS/ID
通过热电偶测取SiC MOSFET的壳温TC。RDS_ON、ID和TC的采集频率都为开关频率。
S3、从所述提取的健康功率器件的电参数和温度,以及输出电流的数据中选择和标定用于神经网络训练的数据;当变换器刚开始工作或负载变化的一小段时间内,由于其电压,电流都没有达到稳定,所以在此段时间内提取的参数没有训练价值。因此本实例中选择的训练数据都在系统的电压,电流稳定之后。此外,本实例中选用的是全新商用的SiCMOSFET,因此在额定工作范围内连续工作数月,其产生的训练数据都可被标定为“健康”状态。并且数据采集的频率为开关频率,SiC MOSFET的硬开关频率一般在50k-65k,所以其产生的数据量足以支撑神经网络的训练。
S4、根据所述选择的电力电子变换器的类型,确定神经网络的训练方式;本实施例中选择的电力电子变换器是三相全桥电压源逆变器,该变换器输出的电流信号是三相工频正弦电流,交流周期为20ms,因此RDS_ON参数会在一个交流周期内随着相位的变化而变化。在这种情况下,训练数据是一个周期性变化的长序列数据,ID的变化可能是由于相位变化引起的,也可能是由于负载的变化引起的,因此为了区分相位变化和负载变化,除所述的RDS_ON、ID和TC参数之外,训练数据还应该包含用于表述相位状态的参数WT,这样训练数据就被简单的当做一组长序列数据。而LSTM神经网络通过输入门、输出门、遗忘门来控制哪些信息需要记忆或遗忘,可以很好的解决数据的长序列数据问题,因此本实施例选择LSTM神经网络进行训练。
S5、通过神经网络训练,不断学习健康的功率器件在不同温度和电流下的电参数值,得到功率器件老化识别模型;
LSTM神经网络是一种改进的循环神经网络,它可以很好的解决数据的长时依赖问题LSTM神经网络单元的结构示意图如图4所示。由图4可知,LSTM的一个神经元共包含了3个可控门,分别是输入门、遗忘门与输出门,以及1个记忆单元。LSTM神经网络通过这三个可控门,在其内部状态建立了自循环。LSTM神经网络的单元输入信息和激励函数决定3个门的开关状态、记忆存储单元的信息存储状态、信息的输出状态。
当把某一具体的时间点展开时,以LSTM神经网络单元的某一状态xt为例,每一刻,该时刻的输入xt和上一时刻存在记忆单元中的隐藏层信息ht-1的向量拼接,然后再和权重参数向量w点积,再经过激活函数处理后的数值即为该状态下神经元的输入信号,经过类似的处理后,同样可以得到输入门,遗忘门和输出门的控制信号,该信号是在0到1之间的数值,1表示该门完全打开,0表示该门完全关闭。上述信号的计算方式如下:
z=tanh(W·[ht-1,xt])
zi=σ(Wi·[ht-1,xt])
zf=σ(Wf·[ht-1,xt])
zo=σ(Wo·[ht-1,xt])
式中,W表示权重系数矩阵,σ和tanh表示激励函数,z、zi、zf、zo分别为输入向量、输入门控向量、遗忘门控向量和输出门控向量,h表示记忆单元中存储的信息,t表示时刻t。
本实施例中的功率器件老化识别模型的建立及训练流程如图5所示,具体包括如下步骤:
S5.1、根据所述在系统电压、电流稳定期间选取RDS_ON,ID,TC和WT作为训练数据,并构建训练样本集,具体包括:
1)历史的RDS_ON数据:RDS_ON=[RDS_ON1,RDS_ON2,·····RDS_ONn-1,RDS_ONn];
2)历史的ID数据:ID=[ID1,ID2,·····IDn-1,IDn];
3)历史的器件壳温数据TC:TC=[TC1,TC2,·····TCn-1,TCn];
3)历史的WT数据:WT=[WT1,WT2,·····WTn-1,WTn];
S5.2、设定功率器件老化识别模型的结构,具体包括:
1)设定神经网络层数
本实施例中使用的LSTM神经网络模型层数为3层,具体为:1层输入层,1层隐含层和1层输出层。
2)设定输入层神经元的数量
输入层神经元的数量是根据训练样本集的输入变量来确定的,所以本实施例中输入层神经元的数量为4。
3)设定隐含层神经元的数量
目前对于隐含层神经元数量的确定并无明确的理论依据,主要依靠经验和试错法相结合进行选择。本实施例中,隐含层神经元数量的选择如式(1)所示:
式中,a表示隐藏层神经元的数量,b表示输入层神经元的数量,l表示输出层神经元的数量,c表示常数,依据实际需要进行设定;本实施例中,隐藏层神经元的数量设定为14。
4)设定输出层神经元的数量
输出神经元的数量根据所述器件分类器的输出要求确定,本实施例中器件分类器的输出是表示器件健康或老化的二分类量,所以仅需一个输出神经元即可满足要求。
S5.3、设定功率器件老化识别模型的训练参数,并通过训练样本集对所述模型进行训练及优化;
本实施例中,输入门、遗忘门和输出门的激励函数都选用sigmoid函数;输入的激励函数选择tanh函数;期望误差值设置为0.00005;网络最大迭代次数为80000;时间步长设置为5;权重的初始值设置为0到1之间的随机数值;学习率的初始值选择0.001,并采用自适应调整的策略;训练过程中,采用自适应梯度下降算法对训练参数进行优化,最终得到训练完成的功率器件老化识别模型。
S6、构建功率器件在线状态分类器
本实施例中,功率器件老化识别模型训练好后,还未与所述三相全桥电压源逆变器构成反馈连接,即所述三相全桥电压源逆变器还无法实现在线的功率器件老化检测,因此所述功率器件老化识别模型与所述三相全桥电压源逆变器通过SCI转以太网模块建立实时的通讯,共同组成功率器件在线状态分类器,即可实现功率器件的在线老化检测。
S7、验证功率器件在线状态分类器的准确性;
为了验证功率器件在线状态分类器的准确性,本实施例中采用人工模拟的方式模拟器件的老化,比如硅胶掺杂,外部串联电阻等方法。将这些处理过后的“老化器件”和未处理的健康器件分别放置在所述三相全桥电压源逆变器中运行,再将产生的数据分别输入到训练好的功率器件在线状态分类器,即可验证其准确性。
S8、采集待检测功率器件的电参数、温度、电流数据,利用功率器件在线状态分类器进行功率器件的在线老化检测。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (10)
1.一种基于神经网络的功率器件在线老化检测方法,其特征在于:包括以下步骤:
S1、确定待检测电力电子变换器的类型,其中,所述待检测电力电子变换器包括功率器件;
S2、采集所述功率器件的健康工作参数,获取训练集,其中,所述健康工作参数用于描述健康功率器件在所述电力电子变换器稳定工作状态下的数据指标;
S3、构建功率器件老化识别模型,基于待检测电力电子变换器的类型,利用所述健康工作参数,训练所述功率器件老化识别模型;
S4、基于训练好的所述功率器件老化识别模型构建功率器件在线状态分类器;
S5、利用所述功率器件在线状态分类器在线进行所述功率器件老化检测。
2.根据权利要求1所述的基于神经网络的功率器件在线老化检测方法,其特征在于:所述S2包括以下步骤:
采集所述功率器件的工作参数,剔除所述工作参数中的非健康工作参数,获得所述功率器件的健康工作参数,其中所述非健康工作参数指所述电力电子变换器的输出电压和电流在非稳定期间产生的功率器件的工作参数。
3.根据权利要求1或2所述的基于神经网络的功率器件在线老化检测方法,其特征在于:所述工作参数包括所述功率器件的电参数、温度、输出电流数据,其中,所述电参数在不同电流和温度下是变化的。
4.根据权利要求1所述的基于神经网络的功率器件在线老化检测方法,其特征在于:所述S3包括以下步骤:
S3.1、构建所述功率器件老化识别模型的结构;
S3.2、基于所述电力电子变换器的类型选择所述功率器件老化识别模型的训练方式,设置所述功率器件老化识别模型的训练参数,基于所述训练集对所述功率器件老化识别模型进行训练及优化。
5.根据权利要求1或4所述的基于神经网络的功率器件在线老化检测方法,其特征在于:构建所述功率器件老化识别模型采用神经网络。
7.根据权利要求1所述的基于神经网络的功率器件在线老化检测方法,其特征在于:所述S4包括以下步骤:
将功率器件老化识别模型与电力电子变换器建立通讯,共同组成功率器件在线状态分类器。
8.根据权利要求1所述的基于神经网络的功率器件在线老化检测方法,其特征在于:所述S4中还包括对所述功率器件在线状态分类器进行准确性验证:
人工模拟老化所述功率器件,获得模拟老化功率器件;将所述模拟老化功率器件和所述健康功率器件分别放入所述电力电子变换器中运行,分别采集所述模拟老化功率器件的老化工作参数和所述健康功率器件的对比工作参数,分别将所述老化工作参数和所述对比工作参数输入到所述功率器件在线状态分类器,完成功率器件在线状态分类器的准确性验证。
9.根据权利要求1所述的基于神经网络的功率器件在线老化检测方法,其特征在于:所述人工模拟老化采用包括但不限于硅胶掺杂、外部串联电阻。
10.一种基于神经网络的功率器件在线老化检测系统,用于实施权利要求1所述的基于神经网络的功率器件在线老化检测方法,其特征在于:包括功率器件工作参数采集模块、通讯模块和功率器件老化识别模块,其中,所述功率器件工作参数采集模块用于采集功率器件的电参数、温度和输出电流,
所述功率器件工作参数采集模块和所述通讯模块均固定设置在电力电子变换器内部,所述功率器件工作参数采集模块与功率器件连接,所述功率器件老化识别模块设置于服务器内部,所述功率器件工作参数采集模块通过所述通讯模块与所述服务器进行数据交互。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110615113.2A CN113361586A (zh) | 2021-06-02 | 2021-06-02 | 一种基于神经网络的功率器件在线老化检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110615113.2A CN113361586A (zh) | 2021-06-02 | 2021-06-02 | 一种基于神经网络的功率器件在线老化检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113361586A true CN113361586A (zh) | 2021-09-07 |
Family
ID=77531472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110615113.2A Pending CN113361586A (zh) | 2021-06-02 | 2021-06-02 | 一种基于神经网络的功率器件在线老化检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361586A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828699A (zh) * | 2022-12-19 | 2023-03-21 | 华中科技大学 | 功率半导体模块全生命周期结温预测方法、系统及终端 |
US11976984B1 (en) * | 2022-12-19 | 2024-05-07 | Huazhong University Of Science And Technology | Method and system for predicting junction temperature of power semiconductor module in full life cycle, and terminal |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107870306A (zh) * | 2017-12-11 | 2018-04-03 | 重庆邮电大学 | 一种基于深度神经网络下的锂电池荷电状态预测算法 |
CN111260113A (zh) * | 2020-01-08 | 2020-06-09 | 西安工程大学 | SiC MOSFET模块全生命周期结温在线预测方法 |
-
2021
- 2021-06-02 CN CN202110615113.2A patent/CN113361586A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107870306A (zh) * | 2017-12-11 | 2018-04-03 | 重庆邮电大学 | 一种基于深度神经网络下的锂电池荷电状态预测算法 |
CN111260113A (zh) * | 2020-01-08 | 2020-06-09 | 西安工程大学 | SiC MOSFET模块全生命周期结温在线预测方法 |
Non-Patent Citations (1)
Title |
---|
赵元沛: "基于组合神经网络模型的MOSEFT健康状态评估系统研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828699A (zh) * | 2022-12-19 | 2023-03-21 | 华中科技大学 | 功率半导体模块全生命周期结温预测方法、系统及终端 |
US11976984B1 (en) * | 2022-12-19 | 2024-05-07 | Huazhong University Of Science And Technology | Method and system for predicting junction temperature of power semiconductor module in full life cycle, and terminal |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11409347B2 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
Mohideen et al. | Real-coded Genetic Algorithm for system identification and tuning of a modified Model Reference Adaptive Controller for a hybrid tank system | |
Variyam et al. | Prediction of analog performance parameters using fast transient testing | |
Wang et al. | Neural network based model predictive controllers for modular multilevel converters | |
CN112765873B (zh) | 一种基于lstm算法的变电设备发热预测方法 | |
CN106126944B (zh) | 一种电力变压器顶层油温区间预测方法及系统 | |
KR102424916B1 (ko) | 배터리 진단 방법 및 그 장치 | |
JP6842213B1 (ja) | 模擬電池構築方法および模擬電池構築装置 | |
CN110795894A (zh) | 基于bp神经网络计算igbt模块温度的方法 | |
CN110363334B (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
CN108120521A (zh) | 变压器绕组热点温度预测方法及终端设备 | |
CN108090629A (zh) | 基于非线性自回归神经网络的负荷预测方法与系统 | |
CN113777510A (zh) | 一种锂电池荷电状态估计方法及装置 | |
CN107392352A (zh) | 一种基于融合极限学习机的电池未来温度预测方法及系统 | |
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 | |
Verma et al. | Modeling electrical motor dynamics using encoder-decoder with recurrent skip connection | |
Xiao et al. | Recurrent neural networks based impedance measurement technique for power electronic systems | |
Miao et al. | IGBT junction temperature estimation based on machine learning method | |
Gedlu et al. | Temperature estimation of electric machines using a hybrid model of feed-forward neural and low-order lumped-parameter thermal networks | |
CN116566061A (zh) | 一种并网逆变器系统稳定性在线监测方法及系统 | |
CN116256402A (zh) | 一种基于频域介电谱数据检测阀侧套管缺陷检测方法 | |
Muneer et al. | Optimal Machine Learning based Controller for Shunt Active Power Filter by Auto Machine Learning | |
CN115718883A (zh) | 电池储能系统热预警方法及装置 | |
CN114966224A (zh) | 基于改进神经网络的模块化多电平变换器电容监测方法 | |
CN112099438B (zh) | 一种基于电流信号的机床节能控制方法及装置 |
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 |