CN115392140B - 功率变换器中功率器件结温预测模型建立方法及装置 - Google Patents
功率变换器中功率器件结温预测模型建立方法及装置 Download PDFInfo
- Publication number
- CN115392140B CN115392140B CN202211330583.5A CN202211330583A CN115392140B CN 115392140 B CN115392140 B CN 115392140B CN 202211330583 A CN202211330583 A CN 202211330583A CN 115392140 B CN115392140 B CN 115392140B
- Authority
- CN
- China
- Prior art keywords
- data
- power device
- neural network
- network model
- voltage
- 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.)
- Active
Links
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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
- H02M1/00—Details of apparatus for conversion
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明实施例涉及模型预测领域,尤其涉及一种功率变换器中功率器件结温预测模型建立方法及装置,所述方法包括:离线测取不同温度下,功率器件在不同母线电压条件下的通态电压数据和栅极电压过冲数据,以及不同温度下,功率器件在不同负载电流条件下的通态电压数据和栅极电压过冲数据;建立神经网络模型,利用所测取的数据对所述神经网络模型进行训练、测试和验证,得到训练后的神经网络模型。本发明实施例的技术方案,通过选取两个同时受功率器件温度和键合线失效影响的电气参数联合建立神经网络模型,预测功率器件的结温,实现了可解耦键合线失效的功率器件温度监测。
Description
技术领域
本发明实施例涉及模型预测领域,尤其涉及一种功率变换器中功率器件结温预测模型建立方法及装置。
背景技术
电力电子功率变换器的核心部件是功率器件,其可靠性与寿命直接影响着功率变换器系统的性能。根据电力电子功率器件的可靠性报告,热应力是导致电力电子功率器件的主要诱因。这是因为电力电子功率器件长期处于高速的开关切换工作状态,且电力电子功率器件在工作时不可避免要产生功率损耗(包括通态损耗与开关损耗),这个损耗将转化为热,对电力电子功率器件进行作用会使得电力电子功率器件面临严重的老化问题。
对电力电子功率器件进行准确、及时的状态监测对于保证整个系统的安全稳定运行具有重要意义。
发明内容
基于现有技术的上述情况,本发明实施例的目的在于提供一种功率变换器中功率器件结温预测模型建立方法及装置,通过建立功率器件结温预测模型,对功率变换器中功率器件的结温进行预测,具有结温监测响应快、采样频率高、对电路无侵入等技术效果。
为达到上述目的,根据本发明的一个方面,提供了一种功率变换器中功率器件结温预测模型建立方法,所述方法包括:
离线测取不同温度下,功率器件在不同母线电压条件下的通态电压数据和栅极电压过冲数据,以及不同温度下,功率器件在不同负载电流条件下的通态电压数据和栅极电压过冲数据;
建立神经网络模型,利用所测取的通态电压数据和栅极电压过冲数据对所述神经网络模型进行训练、测试和验证,得到训练后的神经网络模型。
进一步的,所述神经网络模型的输入为功率器件的通态电压数据和栅极电压过冲数据、以及所述通态电压数据和栅极电压过冲数据各自对应的母线电压数据以及负载电流数据,输出为功率器件的结温数据。
进一步的,所述神经网络模型包括输入层、隐藏层和输出层;
所述输入层为1层,隐藏层为20层,输出层为1层。
进一步的,所述功率器件包括IGBT;所述功率变换器包括整流器、逆变器、以及变流器。
进一步的,将所测取数据的70%作为训练数据集,将所测取数据的15%作为测试数据集,将所测取数据的15%作为验证数据集,对所述神经网络模型进行训练、测试和验证。
进一步的,所述训练包括:
获取神经网络模型的输出误差,当输出误差连续n次迭代无变化时,则终止训练,n为迭代误差阈值。
进一步的,所述方法还包括:
根据在线监测的功率器件的电气参数,利用所述训练后的神经网络模型预测所述功率器件的结温。
进一步的,所述在线监测的功率器件的电气参数包括功率器件所在功率变换器的母线电压、功率器件所在功率变换器的负载电流、功率器件导通时的集射极电压、以及功率器件开通瞬态的栅极电压过冲。
根据本发明的第二个方面,提供了一种功率变换器中功率器件结温预测模型建立装置,所述装置包括:
功率器件数据获取模块,用于离线测取不同温度下,功率器件在不同母线电压条件下的通态电压数据和栅极电压过冲数据,以及不同温度下,功率器件在不同负载电流条件下的通态电压数据和栅极电压过冲数据;
神经网络建立模块,用于建立神经网络模型,利用所测取的通态电压数据和栅极电压过冲数据对所述神经网络模型进行训练、测试和验证,得到训练后的神经网络模型。
根据本发明的第三个方面,提供了一种电子设备,包括:
处理器;和
存储器,其上存储有可执行代码,当所述可执行代码被处理器执行时,执行如本发明第一个方面所述的方法。
综上所述,本发明实施例提供了一种功率变换器中功率器件结温预测模型建立方法及装置,所述方法包括:离线测取不同温度下,功率器件在不同母线电压条件下的通态电压数据和栅极电压过冲数据,以及不同温度下,功率器件在不同负载电流条件下的通态电压数据和栅极电压过冲数据;建立神经网络模型,利用所测取的通态电压数据和栅极电压过冲数据对所述神经网络模型进行训练、测试和验证,得到训练后的神经网络模型。本发明实施例的技术方案,通过选取两个同时受功率器件温度和键合线失效影响的电气参数(功率器件通态电压以及功率器件开通栅极电压过冲),联合建立神经网络模型,预测功率器件的结温,实现了可解耦键合线失效的功率器件温度监测,解决了功率器件结温监测方法容易受到功率器件键合线失效的影响这一关键技术问题,相对于现有技术,提高了功率器件温度预测的准确性,减少了键合线失效以及器件老化对于功率器件温度预测误差的影响。
附图说明
图1是本发明实施例提供的结温预测模型建立方法的流程图;
图2是本发明实施例提供的神经网络模型的结构示意图;
图3是IGBT温度监测的BP神经网络模型训练集数据与拟合示意图1;
图4是IGBT温度监测的BP神经网络模型验证集数据与拟合示意图2;
图5是IGBT温度监测的BP神经网络模型验证集数据与拟合示意图3;
图6是训练集、验证集、测试集在迭代过程中均方误差的变化示意图;
图7是训练集、验证集、测试集在迭代过程中均方误差分布示意图;
图8是利用训练后的神经网络模型预测功率器件的结温的流程图;
图9是本发明实施例提供的结温预测模型建立装置的构成框图;
图10是本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
需要说明的是,除非另外定义,本发明一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本发明一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。
现有技术中对于功率器件的温度在线监测,尤其是IGBT器件的温度在线监测,主要采用物理接触法、物理非接触法、热阻抗模型法,以及热敏电参数法。物理接触法,比如利用热敏电阻或者热敏二极管,虽然原理简单、测量直接。但是测量实时误差较大且温度测量的响应较慢。物理非接触法,比如红外热成像仪,响应很快,但是红外热成像仪设备昂贵而且实际工程应用困难。热阻抗模型法,首先获得温度监测点的温度,然后利用IGBT芯片PN结到温度监测点之间的热阻抗推算IGBT的结温,但是该方法存在响应慢以及受老化影响的问题。热敏电参数,通过测量IGBT的外特性电气参数,推算IGBT的结温。
然而上述监测方法中,尤其是目前主流的基于热敏电参数的IGBT结温监测方法(通常采用基于通态电压的方法),存在受老化影响的技术问题。另外,基于饱和电流的结温监测方法也是受到广泛关注,但是,该方法依然存在受器件老化影响的问题。此外,基于IGBT内部栅极电阻、开关时间等热敏电参数的监测方法也有研究,但是,这些参数不仅分辨率低,而且实际中不易测量,且容易受到IGBT键合线部分失效的影响。基于关断电压变化率的峰值变化的方法有非常高的分辨率,但是实际监测电压的变化率比较困难。
总之,目前采用的结温监测方法仍然存在着很多不足,包括响应慢、分辨率低、难以在线监测、工程应用难度大、电路侵入性强,影响电路正常工作状态、信号精度易受外部干扰、精度不高、监测需要复杂的辅助电路、需要切换电路驱动方式、采样条件苛刻、实时捕捉困难、响应速度慢等单个或者多个缺点。实际应用中,功率器件,尤其是IGBT随着服役时间的推移,会不可避免地发生老化,其中最常见的就是键合线的失效。传统IGBT温度监测方法难以解耦键合线失效的影响,这意味着随着IGBT服役时间的进行,其温度监测准确度越来越低。因此,亟需一种可解耦IGBT键合线失效的强鲁棒性结温监测方法。
本发明实施例的主要构思在于选取两个同时受功率器件温度和键合线失效影响的电气参数,进行联合,建立可解耦键合线失效的功率器件结温预测模型。所选择的两个电气参数分别是功率器件通态电压以及功率器件开通栅极电压过冲。例如,对于典型的功率器件IGBT,两个电气参数的情况分别介绍如下:
对于IGBT通态电压,可以表示为芯片的压降与键合线压降之和,即:
上式中,是IGBT的芯片压降,是IGBT器件中键合线的压降。
其中芯片压降可以表示为下式:
式中,是玻尔兹曼常数,是器件的绝对温度,是单位电荷量,是IGBT电流密度,是元胞尺寸,是沟道长度,是反型层迁移率,是栅极氧化物的比电容,是栅极电压,是阈值电压,是N基区的宽度,是双极性扩散系数,是内部载流子浓度,是双极性扩散长度,是半漂移区厚度,是漂移区的高能级寿命,是电子迁移率,是空穴迁移率。
从上式可以看出,IGBT的芯片压降与温度密切相关。
另一方面,IGBT器件中键合线压降可以表示为:
其中是IGBT的集射极通态电流;是键合线的等效通态电阻,而键合线的等效通态电阻与键合线的失效程度有关,一般键合线断裂数量越多,越大。
由此可见,IGBT的键合线压降与键合线失效程度密切相关。
因此,IGBT的通态电压与IGBT的温度和键合线均密切相关。
对于IGBT开通栅极电压过冲,可以近似表示为:
上式中,是阈值电压,是IGBT栅极回路等效杂散电感,是IGBT的集电极开通电流变化率。其中与键合线的失效程度密切相关,一般键合线断裂数量越多,越大;另外,与温度密切相关,一般地,IGBT的温度越高,越大。
因此,IGBT的开通栅极电压过冲与IGBT的温度和键合线均密切相关。
而单一利用其中一个电气参数进行IGBT的温度监测难以解决受键合线失效影响的问题。这意味着,随着器件的老化,温度估算的误差会越来越大。
下面结合附图对本发明的技术方案进行详细说明。本发明的实施例,提供了一种功率变换器中功率器件结温预测模型建立方法,图1中示出了本发明实施例结温预测模型建立方法的流程图,所述方法包括如下步骤:
S102、离线测取不同温度下,功率器件在不同电压条件下的通态电压数据和栅极电压过冲数据,以及不同温度下,功率器件在不同电流条件下的通态电压数据和栅极电压过冲数据。本发明实施例的功率器件以IGBT为例。本发明中所涉及的功率变换器,包括但不限于单相或者三相PWM整流器、单相或者三相PWM逆变器、变流器、半桥拓扑、全桥拓扑等变换器形式。
该步骤S102中,可以通过搭建双脉冲测试平台,离线测试不同温度下,功率器件在不同电压条件下的通态电压数据和栅极电压过冲数据,以及不同温度下,功率器件在不同电流条件下的通态电压数据和栅极电压过冲数据。例如,可以测取在温度分别为25℃、50℃、75℃、100℃、125℃以及150℃情况下,功率器件为IGBT在额定电压的10%、20%、30%、40%、50%、60%下,以及分别测试额定电流的10%、20%、30%、40%、50%、60%下的IGBT通态电压以及栅极电压过冲,以构成用于神经网络模型训练、测试和验证的数据集。那么,在上述所选取温度、额定电压以及额定电流的情况下,所得到的数据集中包括216个在不同温度、额定电压以及额定电流下的IGBT通态电压数据以及216个在不同温度、额定电压以及额定电流下的IGBT栅极电压过冲数据,每一个数据都标识了该数据的温度条件、额定电压条件、额定电流条件以及在该条件下测定的通态电压值(或者栅极电压过冲值)。
S104、建立神经网络模型,该神经网络模型例如为BP神经网络模型,利用所测取的通态电压数据和栅极电压过冲数据以及所述通态电压数据和栅极电压过冲数据各自对应的母线电压数据以及负载电流数据对所述神经网络模型进行训练、测试和验证,得到训练后的神经网络模型。该神经网络模型的输入为功率器件的通态电压数据和栅极电压过冲数据(其中包含了该数据对应的温度、电压和电流条件),输出为功率器件的结温数据。该神经网络模型包括输入层、隐藏层和输出层,图2中示出了神经网络模型的结构示意图。如图2所示,该神经网络模型的输入层为1层,其输入数据为功率器件的通态电压数据和栅极电压过冲数据、以及所述通态电压数据和栅极电压过冲数据各自对应的母线电压数据以及负载电流数据。考虑神经网络训练迭代的复杂度与求解精度的折中,本发明实施例中BP神经网络模型的隐藏层设置为20层,隐含层是神经网络的内部复杂结构,其各层之间存在联系,通过基于训练数据集的学习,实现神经网络模型输入层与输出层之间的映射关系。输出层设置为1层,输出为功率器件的结温数据。该神经网络结构设置可以充分保证温度监测的精度以及该模型的适用范围。
将所测取数据的70%作为训练数据集,将所测取数据的15%作为测试数据集,将所测取数据的15%作为验证数据集,对所述神经网络模型进行训练、测试和验证。所述训练还包括:
获取神经网络模型的输出误差,当输出误差连续n次迭代无变化时,则终止训练,n为迭代误差阈值。本发明该实施例中,如果神经网络误差如果连续6次迭代都没变化,则终止训练,得到所需要的BP神经网络模型。图3-图7中分别示出了典型的训练与验证效果。其中,图3是IGBT温度监测的BP神经网络模型训练集数据与拟合示意图1;图4是IGBT温度监测的BP神经网络模型验证集数据与拟合示意图2;图5是IGBT温度监测的BP神经网络模型验证集数据与拟合示意图3;图6是训练集、验证集、测试集在迭代过程中均方误差的变化示意图,其中,最佳验证性能是在第39轮的16.9597;图7是训练集、验证集、测试集在迭代过程中均方误差分布示意图。从图3中可以看出,训练结果的确定系数R达到了0.99661,符合对结温监测的要求,模型达到了较高的精度。其中,“确定系数”是表征一个拟合的好坏的参数。“确定系数”的正常取值范围为[0 1],越接近1,表明模型对数据拟合的越好。从图4中可以看出,验证结果的确定系数R达到了0.99563,符合对结温监测的要求,模型达到了较高的精度。从图5中可以看出,测试结果的确定系数R达到了0.99628,符合对结温监测的要求,模型达到了较高的精度。从图6中可以看出,训练集、验证集、测试集在迭代过程中均方误差逐渐减小,在第39轮时符合误差设定阈值,此时的拟合误差为16.9597,精度较高。从图7中的训练集、验证集、测试集的训练误差分布图可以看出,该模型的拟合结果中超过90%的数据拟合误差小于4.824,精度较高。
得到训练好的神经网络模型后,就可以根据在线监测的功率器件的电气参数,利用所述训练后的神经网络模型预测所述功率器件的结温。其中,在线监测的功率器件的电气参数包括功率器件所在功率变换器的母线电压、功率器件所在功率变换器的负载电流、功率器件导通时的集射极电压、以及功率器件开通瞬态的栅极电压过冲。图8中示出了利用训练后的神经网络模型预测功率器件的结温的流程图。可以首先利用传感器监测IGBT所在变换器的母线电压;利用电流传感器监测IGBT的负载电流;然后采集IGBT在导通的集射极电压;采集IGBT开通瞬态的栅极电压过冲。将所采集到的母线电压、负载电流、通态电压、开通瞬态的栅极电压过冲4个电气量作为输入量,代入得到的训练好的BP神经网络模型中,模型输出可以得到IGBT的结温数据。
本发明的实施例,还提供了一种功率变换器中功率器件结温预测模型建立装置900,图9中示出了该装置的构成框图,所述装置包括:
功率器件数据获取模块901,用于离线测取不同温度下,功率器件在不同电压条件下的通态电压数据和栅极电压过冲数据,以及不同温度下,功率器件在不同电流条件下的通态电压数据和栅极电压过冲数据;神经网络建立模块902,用于建立神经网络模型,利用所测取的通态电压数据、栅极电压过冲数据母线电压数据以及负载电流数据对所述神经网络模型进行训练、测试和验证,得到训练后的神经网络模型。
本发明该实施例提供的功率器件结温预测模型建立装置中各个模块实现其功能的具体过程与本发明上述实施例提供的功率器件结温预测模型建立方法的各步骤相同,因此,此处将省略其重复描述。
图10所示为本发明一实施例提供的电子设备的结构示意图。如图10所示,该电子设备1000包括:一个或多个处理器1001和存储器1002;以及存储在存储器1002中的计算机程序指令,计算机程序指令在被处理器1001运行时使得处理器1001执行如上述任一实施例的功率器件结温预测模型建立方法。处理器1001可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备中的其他组件以执行期望的功能。
存储器1002可以包括一个或多个计算机程序产品,计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器1001可以运行程序指令,以实现上文的本发明的各个实施例的功率器件结温预测模型建立方法中的步骤以及/或者其他期望的功能。
在一些实施例中,电子设备1000还可以包括:输入装置1003和输出装置1004,这些组件通过总线系统和/或其他形式的连接机构(图10中未示出)互连。例如,在该电子设备是单机设备时,该输入装置1003可以是通信网络连接器,用于从外部的可移动设备接收所采集的输入信号。此外,该输入设备1003还可以包括例如键盘、鼠标、麦克风等。该输出装置1004可以向外部输出各种信息,例如可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等。
除了上述方法和设备以外,本发明的实施例还可以是计算机程序产品,包括计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行如上述任一实施例的功率器件结温预测模型建立方法中的步骤。
计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本发明的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行本发明的各个实施例的功率器件结温预测模型建立方法中的步骤。
计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
应理解,本发明实施例中的处理器可以为中央处理单元(Central ProcessingUnit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
综上所述,本发明实施例涉及一种功率变换器中功率器件结温预测模型建立方法及装置,所述方法包括:离线测取不同温度下,功率器件在不同母线电压条件下的通态电压数据和栅极电压过冲数据,以及不同温度下,功率器件在不同负载电流条件下的通态电压数据和栅极电压过冲数据;建立神经网络模型,利用所测取的通态电压数据和栅极电压过冲数据母线电压数据对所述神经网络模型进行训练、测试和验证,得到训练后的神经网络模型。本发明实施例的技术方案,通过选取两个同时受功率器件温度和键合线失效影响的电气参数(功率器件通态电压以及功率器件开通栅极电压过冲)联合建立神经网络模型,预测功率器件的结温,实现了可解耦键合线失效的功率器件温度监测,解决了功率器件结温监测方法容易受到功率器件键合线失效的影响这一关键技术问题,相对于现有技术,提高了功率器件温度预测的准确性,减少了键合线失效以及器件老化对于功率器件温度预测误差的影响。
应当理解的是,以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明一个或多个实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (9)
1.一种功率变换器中功率器件结温预测模型建立方法,其特征在于,所述方法包括:
离线测取不同温度下,功率器件在不同母线电压条件下的通态电压数据和栅极电压过冲数据,以及不同温度下,功率器件在不同负载电流条件下的通态电压数据和栅极电压过冲数据;
建立神经网络模型,利用所测取的通态电压数据和栅极电压过冲数据对所述神经网络模型进行训练、测试和验证,得到训练后的神经网络模型;
所述神经网络模型的输入为功率器件的通态电压数据和栅极电压过冲数据、以及所述通态电压数据和栅极电压过冲数据各自对应的母线电压数据以及负载电流数据,输出为功率器件的结温数据。
2.根据权利要求1所述的方法,其特征在于,所述神经网络模型包括输入层、隐藏层和输出层;
所述输入层为1层,隐藏层为20层,输出层为1层。
3.根据权利要求2所述的方法,其特征在于,所述功率器件包括IGBT;所述功率变换器包括整流器、逆变器、以及变流器。
4.根据权利要求3所述的方法,其特征在于,将所测取数据的70%作为训练数据集,将所测取数据的15%作为测试数据集,将所测取数据的15%作为验证数据集,对所述神经网络模型进行训练、测试和验证。
5.根据权利要求4所述的方法,其特征在于,所述训练包括:
获取神经网络模型的输出误差,当输出误差连续n次迭代无变化时,则终止训练,n为迭代误差阈值。
6.根据权利要求1-5中任意一项所述的方法,其特征在于,所述方法还包括:
根据在线监测的功率器件的电气参数,利用所述训练后的神经网络模型预测所述功率器件的结温。
7.根据权利要求6所述的方法,其特征在于,所述在线监测的功率器件的电气参数包括功率器件所在功率变换器的母线电压、功率器件所在功率变换器的负载电流、功率器件导通时的集射极电压、以及功率器件开通瞬态的栅极电压过冲。
8.一种功率变换器中功率器件结温预测模型建立装置,其特征在于,所述装置包括:
功率器件数据获取模块,用于离线测取不同温度下,功率器件在不同母线电压条件下的通态电压数据和栅极电压过冲数据,以及不同温度下,功率器件在不同负载电流条件下的通态电压数据和栅极电压过冲数据;
神经网络建立模块,用于建立神经网络模型,利用所测取的通态电压数据和栅极电压过冲数据对所述神经网络模型进行训练、测试和验证,得到训练后的神经网络模型;
其中,所述神经网络模型的输入为功率器件的通态电压数据和栅极电压过冲数据、以及所述通态电压数据和栅极电压过冲数据各自对应的母线电压数据以及负载电流数据,输出为功率器件的结温数据。
9.一种电子设备,其特征在于,包括:
处理器;和
存储器,其上存储有可执行代码,当所述可执行代码被处理器执行时,执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211330583.5A CN115392140B (zh) | 2022-10-28 | 2022-10-28 | 功率变换器中功率器件结温预测模型建立方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211330583.5A CN115392140B (zh) | 2022-10-28 | 2022-10-28 | 功率变换器中功率器件结温预测模型建立方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115392140A CN115392140A (zh) | 2022-11-25 |
CN115392140B true CN115392140B (zh) | 2023-04-07 |
Family
ID=84115253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211330583.5A Active CN115392140B (zh) | 2022-10-28 | 2022-10-28 | 功率变换器中功率器件结温预测模型建立方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115392140B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021174907A1 (zh) * | 2020-03-03 | 2021-09-10 | 华中科技大学 | 一种基于神经网络的igbt结温预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110221189B (zh) * | 2019-06-05 | 2020-07-17 | 合肥工业大学 | 一种igbt模块键合线在线状态监测的方法 |
CN110502777A (zh) * | 2019-07-03 | 2019-11-26 | 国网江苏省电力有限公司南京供电分公司 | 基于神经网络预测的igbt模块状态检测系统及方法 |
CN110658435B (zh) * | 2019-09-03 | 2020-11-03 | 清华大学 | 一种igbt结温监测装置及方法 |
CN113759225B (zh) * | 2020-06-01 | 2022-07-19 | 上海交通大学 | Igbt剩余寿命预测和状态评估实现方法 |
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 |
CN113850154A (zh) * | 2021-09-06 | 2021-12-28 | 同济大学 | 基于多模态数据的逆变器igbt微小故障特征提取方法 |
-
2022
- 2022-10-28 CN CN202211330583.5A patent/CN115392140B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021174907A1 (zh) * | 2020-03-03 | 2021-09-10 | 华中科技大学 | 一种基于神经网络的igbt结温预测方法 |
Non-Patent Citations (2)
Title |
---|
A Convenient Temperature Estimation Method for Half-Bridge of RC-IGBT with One Monitoring Unit;Yanyong Yang 等;《IEEE》;20221019;全文 * |
In Situ Junction Temperature Monitoring and Bond Wire Detecting Method Based on IGBT and FWD on-State Voltage Drops;Yanyong Yang 等;《IEEE》;20211123;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115392140A (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
van der Broeck et al. | IGBT junction temperature estimation via gate voltage plateau sensing | |
Yang et al. | A fast IGBT junction temperature estimation approach based on ON-state voltage drop | |
Baker et al. | Improved reliability of power modules: A review of online junction temperature measurement methods | |
Gonzalez-Hernando et al. | Wear-out condition monitoring of IGBT and MOSFET power modules in inverter operation | |
Dupont et al. | Preliminary evaluation of thermo-sensitive electrical parameters based on the forward voltage for online chip temperature measurements of IGBT devices | |
CN105510793B (zh) | 一种变流器igbt功率模块结温测量的自标定方法 | |
CN106969851A (zh) | 基于饱和压降测量igbt功率模块结温的在线检测装置 | |
CN105158667B (zh) | 一种变流器功率二极管结温测量系统与方法 | |
CN110412447A (zh) | 一种无损测量igbt模块并联芯片中最高芯片温度和最低芯片温度的方法 | |
CN109709141B (zh) | 一种igbt温升和热阻构成测试装置和方法 | |
Yang et al. | A temperature-dependent Cauer model simulation of IGBT module with analytical thermal impedance characterization | |
US20220334170A1 (en) | Method and system for characterizing igbt module aging based on miner theory | |
Zheng et al. | Monitoring of SiC MOSFET junction temperature with on-state voltage at high currents | |
Rizzo et al. | Intrusiveness of power device condition monitoring methods: Introducing figures of merit for condition monitoring | |
Wang et al. | Monitoring bond wire defects of IGBT module using module transconductance | |
Sathik et al. | Online condition monitoring of IGBT modules using voltage change rate identification | |
Lai et al. | In-situ calibration method of online junction temperature estimation in IGBTs for electric vehicle drives | |
Yang et al. | A novel on-line IGBT junction temperature measurement method based on on-state voltage drop | |
Zhang et al. | A high-sensitivity online junction temperature monitoring method for SiC mosfets based on the turn-on drain–source current overshoot | |
Huang et al. | Overview of recent progress in condition monitoring for insulated gate bipolar transistor modules: Detection, estimation, and prediction | |
CN113376497A (zh) | 一种适用于功率半导体器件结温和老化信息的在线监测方法 | |
CN115392140B (zh) | 功率变换器中功率器件结温预测模型建立方法及装置 | |
Shi et al. | A current sensorless IGBT junction temperature extraction method via parasitic parameters between power collector and auxiliary collector | |
JP4373206B2 (ja) | 電気的構成素子の動作温度を測定するための装置および方法 | |
Zhang et al. | Thermal network parameters identifying during the cooling procedure of IGBT module |
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 |