CN116205190B - 一种igbt物理模型参数获取方法及装置 - Google Patents
一种igbt物理模型参数获取方法及装置 Download PDFInfo
- Publication number
- CN116205190B CN116205190B CN202310492913.9A CN202310492913A CN116205190B CN 116205190 B CN116205190 B CN 116205190B CN 202310492913 A CN202310492913 A CN 202310492913A CN 116205190 B CN116205190 B CN 116205190B
- Authority
- CN
- China
- Prior art keywords
- igbt
- physical model
- values
- vge
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 87
- 239000011159 matrix material Substances 0.000 claims abstract description 188
- 239000002245 particle Substances 0.000 claims abstract description 109
- 230000003068 static effect Effects 0.000 claims description 70
- 238000004088 simulation Methods 0.000 claims description 67
- 238000005070 sampling Methods 0.000 claims description 51
- 238000012937 correction Methods 0.000 claims description 30
- 230000035945 sensitivity Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000002474 experimental method Methods 0.000 claims description 4
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 claims description 2
- 230000001568 sexual effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 6
- 238000010168 coupling process Methods 0.000 description 6
- 238000005859 coupling reaction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 210000001550 testis Anatomy 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- 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]
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种IGBT物理模型参数获取方法及装置。IGBT物理模型参数获取方法包括:对粒子群中的各个粒子进行迭代,每次迭代完成后,计算各个粒子的位置矩阵;第t+1次迭代完成后,若判断满足迭代停止的条件,则停止迭代,且将粒子群的群体最优位置矩阵的第i列元素的值作为所获取的第i个IGBT物理模型参数的值。迭代停止的条件为条件一或条件二;条件一:第t+1次迭代完成后,粒子群的群体最优位置矩阵所对应的IGBT物理模型的特性值与实际IGBT器件的特性值之间的误差小于或不大于预设误差阈值;条件二:迭代次数达到预设最大迭代次数。
Description
技术领域
本发明涉及半导体器件技术领域,尤其涉及一种IGBT物理模型参数获取方法。
背景技术
IGBT(Insulated Gate Bipolar Transistor,绝缘栅双极晶体管)作为电力电子装置中的核心全控开关器件,具有易于驱动和保护、开关频率高的优点,被广泛应用于各种功率等级的电力电子系统中。准确的IGBT物理模型对电力电子系统的研究具有重要意义,IGBT物理模型可以获得器件的内部特性,预测不同工作条件下的开关损耗和电磁干扰。
现在已经有许多高精度的物理模型被开发出来,将所建模得到的IGBT的物理参数代入到物理模型中,即可获得不同集电极-发射极电压、集电极电流、IGBT结温工况下,IGBT的集电极电流IC、集电极发射极电压VCE、门极发射极电压VGE等波形,以及IGBT输出特性曲线,具体可见:Xiaosong Kang等于2003年在“工业应用汇刊”(IEEE TRANSACTIONS ONINDUSTRY APPLICATIONS)第39卷第4期(VOL.39, NO.4)发表的文章“高压电场中止IGBT的特性与建模”(Characterization and Modeling of High-Voltage Field-Stop IGBTs);Patrick R.等于2003年9月在电力电子学汇刊(IEEETRANSACTIONS ON POWERELECTRONICS)第18卷第5期(VOL.18, NO.5)发表的文章“具有全温度相关特性的二极管和IGBT的电路模拟器模型”(Circuit Simulator Models for the Diode and IGBT WithFull Temperature DependentFeatures);Liqing Lu等于2010年在“工业应用汇刊”(IEEETRANSACTIONS ON INDUSTRY APPLICATIONS)第46卷第2期(VOL.46, NO.2)发表的文章“沟槽栅IGBT MOS侧载流子注入的建模”(Modeling of MOS-Side Carrier InjectioninTrench-Gate IGBTs)。
然而,基于物理的IGBT模型中的一个棘手问题仍然是器件参数的精确获取。IGBT物理模型中的一些参数具体值也是各个器件生产厂商的核心商业机密,不可能向一般研究者和工程技术人员公开。模型参数获取困难一直以来都是限制IGBT物理模型广泛应用的原因之一,因此如何合理高效的获取物理模型中的参数是具有重要意义的。
目前关于IGBT物理模型参数的获取,有方法采用简单的实验结合一些经验公式进行估算,然而这只能获得参数的粗略值;有方法采用了分步获取的方法,优先选择受模型参数耦合影响种类较少的特性,然后根据参数对特性的影响程度选择优先修正的参数,然而由于参数之间的交互影响,当前步骤获取的参数的不准确将导致下一步中获取的参数不准确,待获取参数数量越多参数耦合带来的负面影响就会越明显;有方法采用采用神经网络对IGBT模型参数进行校准,然而其只考虑了动态特性,这会导致对于动态特性敏感度低而静态特性敏感度高的参数获取不准确,以至于获取的参数得到的静态特性和实际值出现偏差。
发明内容
本发明的目的是针对现有技术中分步获取方法优先选择修正部分参数时因参数之间全局交互影响使得参数获取不准确的问题、以及因参数耦合导致在获取IGBT物理模型参数时参数搜索过程较为盲目、搜索过程变得繁琐并且低效的问题,提供一种IGBT物理模型参数获取方法及装置。
为解决上述技术问题,本发明采用的技术方案是:一种IGBT物理模型参数获取方法,包括:
对粒子群中的各个粒子进行迭代,每次迭代完成后,计算各个粒子的位置矩阵。
第t+1次迭代完成后,若判断满足迭代停止的条件,则停止迭代,且将粒子群的群体最优位置矩阵的第i列元素的值作为所获取的第i个IGBT物理模型参数的值。
其中,利用下式计算第t+1次迭代完成后第q个粒子的位置矩阵X q,t+1:
X q,t+1=X q,t +V q,t+1;
其中,X q,t+1、X q,t 、V q,t+1均为1×d维矩阵,d为待获取的IGBT物理模型参数的个数;i=1,2,……,d;t=0,1,……;q=1,2,……,Q;Q为预设的粒子个数。
X q,0中第i列元素的值x q,i,0为区间[L i ,H i ]内的随机数;L i 、H i 分别为待获取的第i个IGBT物理模型参数的预设搜索上限值、预设搜索下限值。
第t+1次迭代时第q个粒子的速度矩阵V q,t+1利用下式计算:
V q,t+1=R q,t •[ω•V q,t +R a •C 1•(P q,t -X q,t )+R b •C 2•(G t -X q,t )];
其中:R q,t 、P q,t 、G t 、V q,0均为1×d维矩阵;R a 和R b 是区间[0,1]内的随机数,V q,0中第i列元素的值v q,i,0为区间[-a i,0•(H i -L i ),a i,0•(H i -L i )]内的随机数;a i,0为与第i个IGBT物理模型参数对应的第i个预设比例值,5%≤a i,0≤30%;ω是惯性因子预设值;C 1为粒子群的个体学习因子预设值,C 2为粒子群的群体学习因子预设值;R q,t 为第t次迭代完成后得到的第q个粒子的搜索速度权重矩阵;P q,t 为第t次迭代完成后第q个粒子的个体最优位置矩阵;G t 为第t次迭代完成后粒子群的群体最优位置矩阵。
R q,t 中第i列元素的值r q,i,t 利用如下值计算:将位置矩阵X q,t 的第i列元素的值作为第i个IGBT物理模型参数的值后得到的IGBT物理模型的特性值与实际IGBT器件的特性值之间的偏差、第i个IGBT物理模型参数的值在预设区间范围内变化时IGBT静态特性的灵敏度、第i个IGBT物理模型参数的值在预设区间范围内变化时IGBT动态特性的灵敏度。
本发明中,利用粒子群的多个粒子对IGBT物理模型参数的值进行搜索,每个粒子的位置矩阵即由分别代表各个IGBT物理模型参数的值的元素构成。通过迭代,对各个粒子的位置矩阵进行更新,且每次迭代后,计算每个粒子更新后位置矩阵对应的IGBT物理模型的特性值与实际IGBT器件的特性值之间的偏差;利用上述偏差以及第i个IGBT物理模型参数的值在预设区间范围内变化时IGBT静态特性和动态特性的灵敏度,计算下一次迭代时第q个粒子的速度矩阵,从而尽量避免搜索过程的盲目,提高搜索过程的效率。在计算第t+1次迭代时第q个粒子的速度矩阵时,不仅考虑前一次得到的物理模型的动态和静态特性值与实际IGBT物理模型的动态和静态特性值之间的偏差,还同时考虑了各个参数变化时IGBT静态特性、动态特性的灵敏度,令第t+1次迭代时,每个粒子均向着其个体最优位置矩阵以及群体最优位置矩阵靠近,从而提高搜索效率。
申请人在研究时发现,IGBT物理模型的结果是所有参数共同作用的结果。IGBT的许多特性是由多个参数共同决定的,一个参数会影响多个特性。这意味着特定参数的效果将受到其他参数状态的影响。因此,本方案同时采用动态特性、静态特性用于参数提取,而不是采用现有技术中的分步提取方法,这合理的考虑了参数之间交互影响对于参数提取的影响。在参数获取过程中,根据参数对动静态特性的敏感度、静态特性误差和动态特性误差调节搜索速度权重矩阵,减少参数的盲目搜寻现象,提高了参数提取的效率,降低了参数耦合带来的负面影响,提高了参数提取的精度和效率。
上述技术方案中,R q,t 中第i列元素的值r q,i,t 利用下式计算:
;
;
;
S ave =(S 1+S 2+……+S d )/d;
D ave =(D 1+D 2+……+D d )/d;
其中:SW i 、DW i 分别对应为第i个IGBT物理模型参数的静态固有搜索权重、动态固有搜索权重;S i 为第i个IGBT物理模型参数的值在预设区间范围内变化时IGBT静态特性的灵敏度,D i 为第i个IGBT物理模型参数的值在预设区间范围内变化时IGBT动态特性的灵敏度;ERR S,q,t 为位置矩阵X q,t 所对应的IGBT物理模型的静态特性值与实际IGBT器件的静态特性值之间的误差,ERR D,q,t 为位置矩阵X q,t 所对应的IGBT物理模型的动态特性值与实际IGBT器件的动态特性值之间的误差。
通过上述设置,从而利用每次迭代后每个粒子的位置矩阵所对应的IGBT物理模型的静态、动态特性值与实际IGBT器件的偏差,对搜索速度权重矩阵进行更新,从而对速度矩阵进行更新,使得每次迭代后可以相应更新速度矩阵,从而使得粒子群算法对各个IGBT物理模型参数值的搜索更为高效。
上述技术方案中,S i 、D i 利用下式计算:
;
;
;
;
;
;
其中,f%为预设百分比,第i个IGBT物理模型参数所对应的预设区间范围为[(1-f%)•x Init,i,0,(1+f%)•x Init,i,0];MA、MB分别为第一预设采样点个数、第二预设采样点个数;KA为第一预设门极-发射极电压个数;VC i,+(m)、VG i,+(m)、IC i,+(m)分别对应为第i个第一修正模型的仿真中在IGBT关断周期的第m个采样点采集的IGBT集电极-发射极电压、门极-发射极电压、集电极电流;VC i,-(m)、VG i,-(m)、IC i,-(m)分别对应为第i个第二修正模型的仿真中在IGBT关断周期的第m个采样点采集的集电极-发射极电压、门极-发射极电压、集电极电流;VC Ini (m)、VG Ini (m)、IC Ini (m)分别对应为预设参数位置矩阵X Ini 所对应的IGBT物理模型的仿真中在IGBT关断周期的第m个采样点采集的IGBT集电极-发射极电压、门极-发射极电压、集电极电流。
YA i,+f%,vge(ka)(mb)为第i个第一修正模型的仿真中门极-发射极电压vge(ka)所对应的IGBT输出特性曲线上、与第mb个横坐标采样值XA Init,vge(ka)(mb)对应的纵坐标值。
YA i,-f%,vge(ka)(mb)为第i个第二修正模型的仿真中门极-发射极电压vge(ka)所对应的IGBT输出特性曲线上、与第mb个横坐标采样值XA Init,vge(ka)(mb)对应的纵坐标值。
YA Init,vge(ka)(mb)为预设参数位置矩阵X Ini 所对应的IGBT物理模型的仿真中门极-发射极电压vge(ka)所对应的IGBT输出特性曲线上、与第mb个横坐标采样值XA Init,vge(ka)(mb)对应的纵坐标值。
所述IGBT输出特性曲线的横坐标、纵坐标分别为集电极电流/通态压降、通态压降/集电极电流;KA≥1。
预设参数位置矩阵X Ini 为1×d维矩阵,且预设参数位置矩阵X Ini 第i列元素的值为x Init,i,0,x Init,i,0=(L i +H i )/2。
将预设参数位置矩阵X Ini 第i列元素的值x Init,i,0替换为(1+f%)•x Init,i,0后所得矩阵所对应的IGBT物理模型为第i个第一修正模型。
将预设参数位置矩阵X Ini 第i列元素的值x Init,i,0替换为(1-f%)•x Init,i,0后所得矩阵所对应的IGBT物理模型为第i个第二修正模型。
通过上述设置,从而利用预设参数位置矩阵所对应的IGBT物理模型、第一修正模型、第二修正模型仿真结果得到各个待获取的IGBT物理模型参数的值在预设区间范围内变化时,动态特性值(集电极-发射极电压、门极-发射极电压、集电极电流)、静态特性值的相应变化,从而计算得到S i 、D i 的值。通过上述设置,得到了反映各个待获取的参数取值变化时对IGBT静态特性、动态特性影响情况的S i 值、D i 值,从而使得调节搜索速度权重矩阵时,考虑了参数对静态特性的灵敏度、对动态特性的灵敏度,使得对参数的搜索更有效率。
上述技术方案中,个体最优位置矩阵P q,t 、群体最优位置矩阵G t 的更新方法如下:
若在第t次迭代完成后:ER q,t =min(ER q,1,ER q,2,……,ER q,t ),则令P q,t =X q,t ,否则P q,t 保持不变;若在第t次迭代完成后,存在qu∈[1,Q],使得:ER qu,t =min[min(ER 1,1,ER 1,2,……,ER 1,t ),min(ER 2,1,ER 2,2,……,ER 2,t ),……,min(ER Q,1,ER Q,2,……,ER Q,t )],则令G t =X qu,t ,否则G t 保持不变;其中,ER q,t =ERR S,q,t +ERR D,q,t ;ERR S,q,t 为位置矩阵X q,t 所对应的IGBT物理模型的静态特性值与实际IGBT器件的静态特性值之间的误差,ERR D,q,t 为位置矩阵X q,t 所对应的IGBT物理模型的动态特性值与实际IGBT器件的动态特性值之间的误差。
通过上述设置,若粒子在某次迭代后的误差ER q,t 为本粒子历史误差的最小值,则利用该次迭代后的粒子位置矩阵更新个体最优位置矩阵。若粒子在某次迭代后的误差ER q,t 为所有粒子历史误差的最小值,则利用该次迭代后的粒子位置矩阵更新群体最优位置矩阵。
上述技术方案中,迭代停止的条件为条件一或条件二。
条件一:第t次迭代完成后,粒子群的群体最优位置矩阵所对应的IGBT物理模型的特性值与实际IGBT器件的特性值之间的误差小于或不大于预设误差阈值。
条件二:迭代次数达到预设最大迭代次数。
上述技术方案中,条件一具体为:第t次迭代完成后,ERR qv,t ≤Thres;粒子群的群体最优位置矩阵G t 在第t次迭代完成后更新为与ERR qv,t 对应的位置矩阵X qv,t ,qv∈[1,Q]。
ER qv,t =ERR S,qv,t +ERR D,qv,t ;ERR S,qv,t 为位置矩阵X qv,t 所对应的IGBT物理模型的静态特性值与实际IGBT器件的静态特性值之间的误差,ERR D,qv,t 为位置矩阵X qv,t 所对应的IGBT物理模型的动态特性值与实际IGBT器件的动态特性值之间的误差。
通过上述设置,使得迭代停止的条件一中,以动态特性值和静态特性值的误差之和作为与位置矩阵X q,t 所对应的误差。即综合考虑了所仿真模型的静态特性、动态特性与实际IGBT器件相应的静态特性、动态特性之间的偏差,从而解决现有技术中仅考虑动态特性、忽视静态特性,而造成的模型静态特性偏差大、所获取参数精确度差的问题。
上述技术方案中,ERR D,q,t 、ERR S,q,t 的计算公式如下:
;
;
其中,MC、MD分别为第三预设采样点个数、第四预设采样点个数;KB为第二预设门极-发射极电压个数;VC q,t (mc)、IC q,t (mc)、VG q,t (mc)分别对应为位置矩阵X q,t 所对应的IGBT物理模型的仿真中在IGBT关断周期的第mc个采样点采集的IGBT集电极-发射极电压、集电极电流、门极-发射极电压。
VC re (mc)、IC re (mc)、VG re (mc)分别对应为实际IGBT器件的实验中在IGBT关断周期的第mc个采样点采集的IGBT器件集电极-发射极电压、集电极电流、门极-发射极电压。
第一归一化值I VCE 为位置矩阵X q,t 所对应的IGBT物理模型的仿真中IGBT关断后集电极-发射极电压。
第二归一化值I VGE 为位置矩阵X q,t 所对应的IGBT物理模型的仿真中IGBT的驱动模块施加关断信号的时刻门极-发射极电压。
第三归一化值I IC 为位置矩阵X q,t 所对应的IGBT物理模型的仿真中IGBT的驱动模块施加关断信号的时刻的集电极电流。
YA q,t,vge’(kb)(md)为位置矩阵X q,t 所对应的IGBT物理模型的仿真中门极-发射极电压vge’(kb)所对应的IGBT输出特性曲线上、与第md个横坐标采样值XA re,vge’(kb)(md)对应的纵坐标值。
YA re,vge’(kb)(md)为实际IGBT器件的实验得到的门极-发射极电压vge’(kb)所对应的IGBT输出特性曲线上、与第md个横坐标采样值XA re,vge’(kb)(md)对应的纵坐标值。
max(XA q,t,vge’(kb))为位置矩阵X q,t 所对应的IGBT物理模型的仿真中门极-发射极电压vge’(kb)所对应的IGBT输出特性曲线上的最大横坐标值。
所述IGBT输出特性曲线的横坐标、纵坐标分别为集电极电流/通态压降、通态压降/集电极电流;KB≥1。
本发明中,利用仿真得到模型、实际IGBT器件的特性值(包括门极-发射极电压、栅极-发射极电压、集电极电流、输出特性曲线对应的通态压降/集电极电流)计算相应的静态特性值之间的误差、动态特性值之间的误差,使得误差的计算更为合理。
上述技术方案中,所述IGBT关断周期为从IGBT的驱动模块施加关断信号的时刻到拖尾电流的结束时刻。
上述技术方案中,KA=KB=1;vge(1)、vge’(1)相等,且为13V、15V、17V中的任一个值;或KA=KB=3,vge(1)=vge’(1)=13V,vge(2)=vge’(2)=15V,vge(3)=vge’(3)=17V。
IGBT正常工作时,门极驱动电压一般为15V。本发明中,通过上述设置,从而选择IGBT正常工作时的门极驱动电压或附近的值,使得对静态特性值的采集更接近实际IGBT的工况。
上述技术方案中,a i,0=20%;ω的取值范围为[0.5-1];C 1=C 2=2。
本发明还提供一种IGBT物理模型参数获取装置,包括处理器,所述处理器被配置为用于执行上述IGBT物理模型参数获取方法的步骤。
本发明与现有技术相比,具有以下优点:
(1)结合粒子群算法实现参数的自动搜寻,无需采用复杂的电路获取方法,获取过程人工参与度低,降低了人工获取难度和成本。
(2)获取的参数同时保证了动态特性和静态特性的准确,合理的考虑了参数之间全局交互影响对于参数获取的影响。
(3)根据参数分别对动态特性和静态特性的敏感度,采用固有搜索权重的方式,减少参数的盲目搜寻现象,提高了参数获取的效率。
(4)根据参数识别过程中静态特性误差和动态特性误差调节相应动静态参数的搜索速度权重矩阵,降低了参数耦合带来的负面影响,提高了参数获取的精度和效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述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是本申请的一些实施例,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附图。
图1为本发明实施例公开的一种IGBT物理模型参数获取方法的流程图。
图2为图1中获取模型参数的具体流程图。
图3为本实施例所采用的测试电路的电路原理图。
图4为元胞结构示意图。
图5为模型各个参数的静态特性敏感度图。
图6为模型各个参数的动态特性敏感度图。
图7为使用本发明参数获取方法得到的IGBT物理模型仿真结果与芯片数据手册静态特性对照图。
图8为在V DC =400V、I Close =40A、T j =300K的工况下、在IGBT的开通阶段、使用本发明参数获取方法得到的IGBT物理模型仿真结果与实际实验结果动态特性对照图。
图9为在V DC =400V、I Close =40A、T j =300K的工况下、在IGBT的关断阶段、使用本发明参数获取方法得到的IGBT物理模型仿真结果与实际实验结果动态特性对照图。
图10为在V DC =500V、I Close =20A、T j =300K的工况下、在IGBT的开通阶段、使用本发明参数获取方法得到的IGBT物理模型仿真结果与实际实验结果动态特性对照图。
图11为在V DC =500V、I Close =20A、T j =300K的工况下、在IGBT的关断阶段、使用本发明参数获取方法得到的IGBT物理模型仿真结果与实际实验结果动态特性对照图。
图12为在V DC =600V、I Close =30A、T j =350K的工况下、在IGBT的开通阶段、使用本发明参数获取方法得到的IGBT物理模型仿真结果与实际实验结果动态特性对照图。
图13为在V DC =600V、I Close =30A、T j =350K的工况下、在IGBT的关断阶段、使用本发明参数获取方法得到的IGBT物理模型仿真结果与实际实验结果动态特性对照图。
图14为在V DC =700V、I Close =30A、T j =300K的工况下、在IGBT的开通阶段、使用本发明参数获取方法得到的IGBT物理模型仿真结果与实际实验结果动态特性对照图。
图15为在V DC =700V、I Close =30A、T j =300K的工况下、在IGBT的关断阶段、使用本发明参数获取方法得到的IGBT物理模型仿真结果与实际实验结果动态特性对照图。
图16为在V DC =800V、I Close =40A、T j =400K的工况下、在IGBT的开通阶段、使用本发明参数获取方法得到的IGBT物理模型仿真结果与实际实验结果动态特性对照图。
图17为在V DC =800V、I Close =40A、T j =400K的工况下、在IGBT的关断阶段、使用本发明参数获取方法得到的IGBT物理模型仿真结果与实际实验结果动态特性对照图。
图18为使用本发明参数获取方法得到的IGBT物理模型仿真结果与实际实验结果在驱动模块V gg 施加低电平关断信号时的集电极电流为20A时电源电压V DC 不同和不同结温工况下误差分布图。
图19为使用本发明参数获取方法得到的IGBT物理模型仿真结果与实际实验结果在驱动模块V gg 施加低电平关断信号时的集电极电流为30A时电源电压V DC 不同和不同结温工况下误差分布图。
图20为使用本发明参数获取方法得到的IGBT物理模型仿真结果与实际实验结果在驱动模块V gg 施加低电平关断信号时的集电极电流为40A时电源电压V DC 不同和不同结温工况下误差分布图。
图中,V DC 为图3中电感L load 与地之间所接电源的电源电压,I Close 为驱动模块V gg 施加IGBT关断信号时的集电极电流,T j 为结温。
具体实施方式
下面将结合本申请的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本发明提供一种IGBT物理模型参数获取方法。在本发明的方法中,对粒子群中的各个粒子进行迭代,每次迭代完成后,计算各个粒子的位置矩阵。第t+1次迭代完成后,若判断满足迭代停止的条件,则停止迭代,且将粒子群的群体最优位置矩阵的第i列元素的值作为所获取的第i个IGBT物理模型参数的值。
利用下式计算第t+1次迭代完成后第q个粒子的位置矩阵X q,t+1:
X q,t+1=X q,t +V q,t+1;
其中,X q,t+1、X q,t 、V q,t+1均为1×d维矩阵,d为待获取的IGBT物理模型参数的个数;i=1,2,……,d;t=0,1,……;q=1,2,……,Q;Q为预设的粒子个数。
X q,0中第i列元素的值x q,i,0为区间[L i ,H i ]内的随机数;L i 、H i 分别为待获取的第i个IGBT物理模型参数的预设搜索上限值、预设搜索下限值。
第t+1次迭代时第q个粒子的速度矩阵V q,t+1利用下式计算:
V q,t+1=R q,t •[ω•V q,t +R a •C 1•(P q,t -X q,t )+R b •C 2•(G t -X q,t )];
其中:R q,t 、P q,t 、G t 、V q,0均为1×d维矩阵;R a 和R b 是区间[0,1]内的随机数,V q,0中第i列元素的值v q,i,0为区间[-a i,0•(H i -L i ),a i,0•(H i -L i )]内的随机数;a i,0为与第i个IGBT物理模型参数对应的第i个预设比例值,5%≤a i,0≤30%;ω是惯性因子预设值;C 1为第q个粒子的个体学习因子预设值,C 2为粒子群的群体学习因子预设值;R q,t 为第t次迭代完成后得到的第q个粒子的搜索速度权重矩阵;P q,t 为第t次迭代完成后第q个粒子的个体最优位置矩阵;G t 为第t次迭代完成后粒子群的群体最优位置矩阵。
R q,t 中第i列元素的值r q,i,t 利用如下值计算:将位置矩阵X q,t 的第i列元素的值作为第i个IGBT物理模型参数的值后得到的IGBT物理模型的特性值与实际IGBT器件的特性值之间的偏差、第i个IGBT物理模型参数的值在预设区间范围内变化时IGBT静态特性的灵敏度、第i个IGBT物理模型参数的值在预设区间范围内变化时IGBT动态特性的灵敏度。
其中,迭代停止的条件为条件一或条件二。
条件一:第t次迭代完成后,粒子群的群体最优位置矩阵所对应的IGBT物理模型的特性值与实际IGBT器件的特性值之间的误差小于或不大于预设误差阈值。
条件二:迭代次数达到预设最大迭代次数。
R q,t 中第i列元素的值r q,i,t 利用下式计算:
;
;
;
S ave =(S 1+S 2+……+S d )/d;
D ave =(D 1+D 2+……+D d )/d;
其中:SW i 、DW i 分别对应为第i个IGBT物理模型参数的静态固有搜索权重、动态固有搜索权重;S i 为第i个IGBT物理模型参数的值在预设区间范围内变化时IGBT静态特性的灵敏度,D i 为第i个IGBT物理模型参数的值在预设区间范围内变化时IGBT动态特性的灵敏度;ERR S,q,t 为位置矩阵X q,t 所对应的IGBT物理模型的静态特性值与实际IGBT器件的静态特性值之间的误差,ERR D,q,t 为位置矩阵X q,t 所对应的IGBT物理模型的动态特性值与实际IGBT器件的动态特性值之间的误差。
S i 、D i 利用下式计算:
;
;
;
;
;
;
其中,f%为预设百分比,第i个IGBT物理模型参数所对应的预设区间范围为[(1-f%)•x Init,i,0,(1+f%)•x Init,i,0];MA、MB分别为第一预设采样点个数、第二预设采样点个数;KA为第一预设门极-发射极电压个数;VC i,+(m)、VG i,+(m)、IC i,+(m)分别对应为第i个第一修正模型的仿真中在IGBT关断周期的第m个采样点采集的IGBT集电极-发射极电压、门极-发射极电压、集电极电流;VC i,-(m)、VG i,-(m)、IC i,-(m)分别对应为第i个第二修正模型的仿真中在IGBT关断周期的第m个采样点采集的集电极-发射极电压、门极-发射极电压、集电极电流;VC Ini (m)、VG Ini (m)、IC Ini (m)分别对应为预设参数位置矩阵X Ini 所对应的IGBT物理模型的仿真中在IGBT关断周期的第m个采样点采集的IGBT集电极-发射极电压、门极-发射极电压、集电极电流。f%取值可为5%。
本申请中,对于上述各个不同模型,相同序号采样点与IGBT关断周期的起始时刻的时间间隔是相同的。即计算时VC i,+f%(m)、VC i,-f%(m)、VCE Ini (m)是相对应时刻采集的数据。对于不同模型,采样点的采样周期可设置为定值。例如,第1个采样点、第2个采样点与IGBT关断周期的起始时刻的时间间隔分别为△T、2△T。
YA i,+f%,vge(ka)(mb)为第i个第一修正模型的仿真中门极-发射极电压vge(ka)所对应的IGBT输出特性曲线上、与第mb个横坐标采样值XA Init,vge(ka)(mb)对应的纵坐标值。
YA i,-f%,vge(ka)(mb)为第i个第二修正模型的仿真中门极-发射极电压vge(ka)所对应的IGBT输出特性曲线上、与第mb个横坐标采样值XA Init,vge(ka)(mb)对应的纵坐标值。
YA Init,vge(ka)(mb)为预设参数位置矩阵X Ini 所对应的IGBT物理模型的仿真中门极-发射极电压vge(ka)所对应的IGBT输出特性曲线上、与第mb个横坐标采样值XA Init,vge(ka)(mb)对应的纵坐标值。
所述IGBT输出特性曲线的横坐标、纵坐标分别为集电极电流/通态压降、通态压降/集电极电流;KA≥1。
例如,当vge(1)=13V、IGBT输出特性曲线横坐标和纵坐标分别为集电极电流、通态压降时,YA i,+f%,vge(ka)(mb)即为第i个第一修正模型的仿真中门极-发射极电压为13V所对应的IGBT输出特性曲线上、与第mb个采样点的集电极电流值对应的通态压降;当vge(1)=13V、IGBT输出特性曲线横坐标和纵坐标分别为通态压降、集电极电流时,YA i,+f%,vge(ka)(mb)即为第i个第一修正模型的仿真中门极-发射极电压为13V所对应的IGBT输出特性曲线上、与第mb个采样点的通态压降对应的集电极电流值。
本申请中,对于上述各个不同模型,对于同一个mb值,YA i,+f%,vge(ka)(mb)、YA i,-f%,vge(ka)(mb)、YA Init,vge(ka)(mb)是与同一个横坐标值对应的不同模型得到的IGBT输出特性曲线上的纵坐标值。横坐标采样值可为等间隔采样,也可根据需要对各个横坐标采样值的取值进行设置。
预设参数位置矩阵X Ini 为1×d维矩阵,且预设参数位置矩阵X Ini 第i列元素的值为x Init,i,0,x Init,i,0=(L i +H i )/2。
将预设参数位置矩阵X Ini 第i列元素的值x Init,i,0替换为(1+f%)•x Init,i,0后所得矩阵所对应的IGBT物理模型为第i个第一修正模型。
将预设参数位置矩阵X Ini 第i列元素的值x Init,i,0替换为(1-f%)•x Init,i,0后所得矩阵所对应的IGBT物理模型为第i个第二修正模型。
个体最优位置矩阵P q,t 、群体最优位置矩阵G t 的更新方法如下:
若在第t次迭代完成后:ER q,t =min(ER q,1,ER q,2,……,ER q,t ),则令P q,t =X q,t ,否则P q,t 保持不变。
若在第t次迭代完成后,存在qu∈[1,Q],使得:ER qu,t =min[min(ER 1,1,ER 1,2,……,ER 1,t ),min(ER 2,1,ER 2,2,……,ER 2,t ),……,min(ER Q,1,ER Q,2,……,ER Q,t )],则令G t =X qu,t ,否则G t 保持不变。
其中,ER q,t =ERR S,q,t +ERR D,q,t ;ERR S,q,t 为位置矩阵X q,t 所对应的IGBT物理模型的静态特性值与实际IGBT器件的静态特性值之间的误差,ERR D,q,t 为位置矩阵X q,t 所对应的IGBT物理模型的动态特性值与实际IGBT器件的动态特性值之间的误差。
所述条件一具体为:第t次迭代完成后,ERR qv,t ≤Thres。
其中,粒子群的群体最优位置矩阵G t 在第t次迭代完成后更新为与ERR qv,t 对应的位置矩阵X qv,t ,qv∈[1,Q]。
ER qv,t =ERR S,qv,t +ERR D,qv,t ;ERR S,qv,t 为位置矩阵X qv,t 所对应的IGBT物理模型的静态特性值与实际IGBT器件的静态特性值之间的误差,ERR D,qv,t 为位置矩阵X qv,t 所对应的IGBT物理模型的动态特性值与实际IGBT器件的动态特性值之间的误差。
ERR D,q,t 、ERR S,q,t 的计算公式如下:
;
;
其中,MC、MD分别为第三预设采样点个数、第四预设采样点个数;KB为第二预设门极-发射极电压个数;VC q,t (mc)、IC q,t (mc)、VG q,t (mc)分别对应为位置矩阵X q,t 所对应的IGBT物理模型的仿真中在IGBT关断周期的第mc个采样点采集的IGBT集电极-发射极电压、集电极电流、门极-发射极电压。
VC re (mc)、IC re (mc)、VG re (mc)分别对应为实际IGBT器件实验中在IGBT关断周期的第mc个采样点采集的IGBT器件集电极-发射极电压、集电极电流、门极-发射极电压。
第一归一化值为I VCE 为位置矩阵X q,t 所对应的IGBT物理模型的仿真中IGBT关断后集电极-发射极电压。
第二归一化值为I VGE 为位置矩阵X q,t 所对应的IGBT物理模型的仿真中IGBT的驱动模块施加关断信号的时刻门极-发射极电压。
第三归一化值为I IC 为位置矩阵X q,t 所对应的IGBT物理模型的仿真中IGBT的驱动模块施加关断信号的时刻的集电极电流。
本申请中,对于上述各个不同模型,相同序号采样点与IGBT关断周期的起始时刻的时间间隔是相同的。即计算时VC q,t (mc)、VC re (mc)是相对应时刻采集的数据。对于不同模型,采样点的采样周期可设置为定值。例如,第1个采样点、第2个采样点与IGBT关断周期的起始时刻的时间间隔分别为△T、2△T。
YA q,t,vge’(kb)(md)为位置矩阵X q,t 所对应的IGBT物理模型的仿真中门极-发射极电压vge’(kb)所对应的IGBT输出特性曲线上、与第md个横坐标采样值XA re,vge’(kb)(md)对应的纵坐标值。
YA re,vge’(kb)(md)为实际IGBT器件的实验得到的门极-发射极电压vge’(kb)所对应的IGBT输出特性曲线上、与第md个横坐标采样值XA re,vge’(kb)(md)对应的纵坐标值。
max(XA q,t,vge’(kb))为位置矩阵X q,t 所对应的IGBT物理模型的仿真中门极-发射极电压vge’(kb)所对应的IGBT输出特性曲线上的最大横坐标值。
所述IGBT输出特性曲线的横坐标、纵坐标分别为集电极电流/通态压降、通态压降/集电极电流;KB≥1。
例如,当vge’(1)=13V、IGBT输出特性曲线的横坐标和纵坐标分别为集电极电流、通态压降时,YA q,t,vge’(kb)(md)即为位置矩阵X q,t 所对应的IGBT物理模型的仿真中门极-发射极电压为13V所对应的IGBT输出特性曲线上、与第md个采样点的集电极电流值对应的通态压降;当vge’(1)=13V、IGBT输出特性曲线的横坐标和纵坐标分别为通态压降、集电极电流时,YA q,t,vge’(kb)(md)即为位置矩阵X q,t 所对应的IGBT物理模型的仿真中门极-发射极电压为13V所对应的IGBT输出特性曲线上、与第md个采样点的通态压降对应的集电极电流值。
本申请中,对于上述各个不同模型,对于同一个md值,YA q,t,vge’(kb)(md)、YA re,vge’(kb)(md)是与同一个横坐标值对应的不同模型得到的IGBT输出特性曲线上的纵坐标值。横坐标采样值可为等间隔采样,也可根据需要对各个横坐标采样值的取值进行设置。
第一、第二、第三归一化值用于对数据归一化,避免不同数据间量级差异导致的数据权值不均衡。归一化值设定的作用就是避免数据间量级差距导致的权值问题。例如,实际采集数据集电极-发射极电压VCE(700V)、集电极电流IC(30A)、门极-发射极电压VGE(15V)是有量级差距的,设置归一化值的目的就是降低不同采集参数(VCE、IC、VGE)之间量级差距对结果的影响,使得各个参数在总误差中所占权值基本相当。否则,计算误差时候,由于VCE量级最大,则VCE对总误差的影响最大,若仿真模型、实际IGBT芯片之间的VCE值差别较小,但仿真模型、实际模型之间的IC、VGE差别较大,但因VCE量级最大,求得的误差反而较小,因此,无法反应仿真模型与实际IGBT芯片的特性值之间的偏差,影响参数搜索的效率、参数获取的精度。
IGBT关断周期为从IGBT的驱动模块施加关断信号的时刻到拖尾电流的结束时刻。
KA=KB=1;vge(1)、vge’(1)相等,且为13V、15V、17V中的任一个值;或
KA=KB=3,vge(1)=vge’(1)=13V,vge(2)=vge’(2)=15V,vge(3)=vge’(3)=17V。
a i,0=20%;ω的取值范围为[0.5-1];C 1=C 2=2。
本发明还提供一种IGBT物理模型参数获取装置,包括处理器,所述处理器被配置为用于执行上述IGBT物理模型参数获取方法的步骤。
本申请中,位置矩阵X q,t 所对应的IGBT物理模型为将X q,t 的第i列元素的值作为第i个IGBT物理模型参数的值后得到的IGBT物理模型。
以下对本申请方案进一步详细描述。
请参阅附图1、图2,本发明提供了一种IGBT物理模型参数获取方法。
定义N个粒子用于参数搜寻,粒子的每个维度的位置矩阵代表参数变量值,粒子的初始速度矩阵和初始位置矩阵在设定范围内随机生成。每个粒子的维度d等于待获取的参数数量。用一个1×d矩阵来表示粒子,粒子的初始位置矩阵在设定参数搜寻范围随机生成。粒子群中粒子的个数、迭代次数,均为预设。可根据实际需求进行设置。
根据所获取器件的规格对器件参数范围预估,根据所估计IGBT器件模型参数的范围,设定参数搜寻范围。
粒子的速度矩阵也用1×d矩阵来表示,粒子最大移动速度矩阵为参数搜寻范围的百分之二十,最小速度矩阵为零,粒子初始速度矩阵在粒子速度矩阵允许范围内随机生成。
通过芯片手册和经验等方式估计IGBT器件模型参数的范围。
在器件正常工作条件下随机选择一种电压(集电极-发射极电压)、电流(集电极电流)、温度(IGBT结温)工况用于参数获取,本实例选择集电极-发射极电压为700V、集电极电流为30A、结温为300K的工作条件。其中,门极驱动电压可采用+15V和-5V。
本发明中,仅在随机选择的集电极-发射极电压、集电极电流、IGBT结温下对参数获取。电压、电流或温度改变时,所获取的参数仍然是有效的。根据图8至图20可以看出,针对不同的工况,本申请在随机选择的700V/30A/300K的工作条件下获取的IGBT物理模型参数的值在工况改变时仍然有效。
搭建一个测试电路(如图3所示),获得集电极-发射极电压、集电极电流、IGBT结温工况下,IGBT的集电极电流IC、集电极发射极电压VCE、门极发射极电压VGE等波形(只需要一种随机工况就可以)。
在本实施例搭建的测试电路中,IGBT的门极通过电阻R g 与IGBT的驱动模块V gg 的输出端连接,IGBT的发射极与V gg 的接地端均接地。本申请中,IGBT的驱动模块与IGBT门极、发射极的连接为已有技术。IGBT的集电极的连接形式可采用现有技术电路中的形式,例如:电感L S 两端分别与电感L load 、IGBT的集电极连接;二极管一端连接在两个电感之间,另一端与电阻R load 一端连接。电阻R load 另一端与电感L load 连接;电感L load 与地之间可连接电源(电源电压为V DC )。
本申请中,可在实际时搭建测试电路,从而获得IGBT的VCE值、IC值、VGE值。驱动模块V gg 通过输出高电平或低电平使得IGBT导通或关断。IGBT的驱动模块施加关断信号,即指IGBT的驱动模块V gg 输出低电平(-5V)用于关断。
通过数据手册获得IGBT门极驱动电压分别为13V、15V、17V的输出特性曲线。在实际中,也可以选择其他的电压,选择13、15、17的原因是IGBT正常工作时驱动电压在15V左右。
根据参数对动静态特性的敏感度确定参数静态固有搜索权重和参数动态固有搜索权重的具体步骤如下:
A):在器件正常工作条件下随机选择一种集电极-发射极电压、集电极电流、IGBT结温工况用于参数获取,本实例选择700V/30A/300K的工作条件,搭建一个测试电路获得:IGBT的集电极电流IC波形、集电极发射极电压VCE波形、门极发射极电压VGE波形;通过数据手册获得IGBT门极驱动电压分别为13V、15V、17V的输出特性曲线。
测试电路采用如图3所示的方式,当IGBT器件用于不同的电路中时,其行为主要受电压、电流、结温度和杂散电感的影响。通过调整电压、电流、结温度和杂散电感等变量,可以从如图3所示的基本斩波器电路中的IGBT的行为预测复杂电路中IGBT的行为。因此,出于IGBT器件仿真的目的,大多数电力电子电路可以简化为如图3所示的基本斩波器单元。通过如图3所示的基本斩波器电路获得IGBT开通关断时集电极电流IC波形、集电极发射极电压VCE波形、门极发射极电压VGE波形,作为IGBT物理行为特性用于参数获取。
B):通过芯片手册和经验等方式估计IGBT器件模型参数的范围。
需要参数获取的IGBT模型参数包括K p、λ、A、τ、h ph、N H、W H、W P 、τ NH 、V th、l m、a i、N B、W B、L S、C ' OX、C g,其中K p为MOS跨导系数;λ为沟道缩短参数;A为芯片有源面积;τ为N-漂移区载流子寿命;h ph为发射极复合参数;N H为缓冲层掺杂浓度;W H为缓冲层厚度;W P 为沟槽深度;τ NH 为缓冲层载流子寿命;V th为门极阈值电压;l m为单元间半宽;a i为单元间面积与有源器件面积之比;N B为N-漂移区掺杂浓度;W B为N-漂移区厚度;L S为杂散电感;C ' OX为单位氧化物电容;C g为门极电容。
本方案中,辨识参数的数量没有限制,对于已知准确的参数值不需要辨识,但未辨识参数的不准确会影响辨识精度。因此在优选方案中,把模型中需要辨识的参数一起辨识。
利用图3电路,使得集电极电流IC、集电极-发射极电压VCE、门极-发射极电压VGE较容易采集。本领域技术人员也可根据需要选择其他电路,对IGBT模型、实际IGBT芯片的各个特性进行采集。
本方案中,合理选择初始参数较为重要。参数范围越小、越准确,参数获取越有效、越准确。通过经验或芯片手册选择和估计参数范围。以英飞凌分立式IGBT IGW40T120为例,该IGBT器件为沟槽栅IGBT,元胞结构示意图如图4所示。具体参数估计如下,各个参数估计范围的上限值、下限值即分别为改参数的预设搜索上限值、预设搜索下限值。
1)芯片有源面积A的范围估计:
通过芯片手册提供的芯片图,本文使用的芯片总面积为41.405mm2。发射极导电垫的面积为24.451mm2,场限环的面积大约为16.954mm2。因此,芯片有源面积应接近24.451mm2。这里给出了20%的估计误差,因此芯片有源面积A的估计范围为19.56-29.34mm2。
此外,芯片有源面积可以采用IGBT的最大电流密度的经验范围的方法估计,或者可以打开封装并直接测量。
2)漂移区宽度W B(即基极宽度)的范围估计:
芯片手册中提供的芯片厚度为120μm。根据经验,N基区的厚度约占芯片厚度的85%。这里给出了10%的估计误差,因此漂移区宽度WB的估计范围为91.8-112.2μm。
3)MOS相关参数范围估计:
门极阈值电压Vth从芯片手册中获得。制造商提供的最小阈值电压为5.0V,最大阈值电压为6.5V,典型阈值电压为5.8V。因此,门极阈值电压估计范围为5.0-6.5V。根据经验,IGBT的MOS沟道缩短参数估计范围为1×10-4-3×10-3V-1。
根据芯片手册中提供的传输特性曲线估计MOS的跨导。值得注意的是,MOS的电子电流只是IGBT总电流的一部分,其计算方法:I mos =b×I C /(b+1)。由于较大的估计误差,MOS跨导应该被给予较宽的范围,以确保实际值在估计范围内。在传输特性估计之后,跨导约为4.1A/V2。考虑到估计误差,MOS跨导K p的选定范围为1-8A/V2。
4)漂移区掺杂浓度N B的范围估计:
所使用的FS IGBT的穿通临界电压约为1000-1400V。当FS IGBT在临界穿通电压下工作时,耗尽层的宽度等于漂移区的宽度。通过泊松方程导出的方程用于估计掺杂浓度:N B =2ε•|V D |/[qa•(W B ) 2 ],其中V D 是穿通电压,qa是单位电子电荷。掺杂浓度估计范围为:1.04×1014-2.18×1014cm-3。
5)单元间半宽l m和单元间面积与有源器件面积之比a i范围估计:
有源器件面积之比a i估计方法:a i≈min(C res )/min(C oes )。根据芯片手册中C res 和C oes 值估算的a i为0.846。考虑到较大的估计误差,这里给出了估计误差的40%,因此a i 的估计范围为:0.5-1。单元间半宽l m通常为5-15μm,沟槽深度W p 通常为1-10μm。
6)单位面积氧化电容C ' OX和门极电容C g范围估计:
单位面积氧化电容C ' OX和耗尽层电容C dep 共同决定了米勒电容C GC (C res ),氧化物电容是不形成耗尽层时的最大米勒电容(C dep =∞)。因此,C ' OX可计算如下:C ' OX=max(C res )/(Aa i )。芯片手册中提供的C res 计算C ' OX的范围约为4.3×10-8F∙cm-2。考虑到较大的估计误差,选择的C ' OX范围为:1×10-9-2×10-7F∙cm-2。
根据等式C g =C ies -C res ,计算得到C g =2.4nF。此处给出了20%的估计误差,因此C g 的估计范围为1.92-2.8nF。
7)N-漂移区载流子寿命范围估计:
载流子寿命不能直接测量,这主要取决于关断时的IGBT拖尾电流。为了保证参数获取算法的收敛性,有必要给它一个有效的参数范围。根据经验,IGBT的载流子寿命约为10μs,考虑到估算误差,载流子寿命范围选择为1-20μs。
8)缓冲区参数估计:
典型的FS IGBT缓冲区宽度为4-10μm。掺杂浓度范围通常为1×1015-5×1016cm-3。发射极复合参数随缓冲掺杂浓度的变化而变化,其范围约为1×10-14-1×10-12cm4s-1。FS层的载流子寿命范围约为0.1-1μs。
本申请中,将粒子位置矩阵信息赋予参数变量,运行目标函数和模型,计算模型和实验结果之间的误差。
本申请中,将第i个粒子d个维度的数值分别赋予对应的参数变量,以此方法更新物理模型模型的参数。调用仿真模型得到更新物理模型模型的参数之后模型IGBT集电极电流IC、集电极发射极电压VCE、门极发射极电压VGE和输出特性。将仿真模型的结果和实验结果采用相同的步长采样,计算每个采样点的误差。值得注意的是,为了保证集电极电流IC、集电极发射极电压VCE、门极发射极电压VGE和输出特性的权值相当,在计算误差时进行了归一化处理。从第一个粒子(q=1)开始重复执行此操作,直至最后一个粒子(q=Q)。
记录个体的最优位置矩阵(参数值)以及群体最优位置矩阵的方法如下:
记录每个粒子对应的误差,如果粒子对应的误差小于本粒子对应的所有历史误差,则将此粒子对应的位置矩阵更新为个体的最优位置矩阵;如果粒子对应的误差小于所有粒子对应的历史误差,则将此粒子对应的位置矩阵更新为群体最优位置矩阵。
个体最优位置矩阵为粒子历史经过的最优位置矩阵,最优判断方法为:目标函数计算的误差值最小。群体最优位置矩阵为N个粒子的个体最优位置矩阵中目标函数计算的误差值最小的位置矩阵。
判断是否获得满意的结果,如果获得满意的结果参数获取完成退出参数获取程序并输出最优解,如果没有获得满意的结果则计算搜索速度权重,进行迭代。
判断是否获得满意的结果方法可为:事先设置迭代搜寻次数,迭代寻优次数越大获得满意结果的可能越大,迭代寻优次数越大参数搜寻所需时间越长。达到迭代次数后人为判断结果是否满意,如不满意将获得的群体最优位置矩阵赋予某粒子初值,进行下一组迭代。
根据参数对动静态特性的敏感度和当前迭代动静态特性误差,对粒子每个维度赋予对应的搜索速度权重矩阵。其中,将计算的SW i 和DW i 以及动静态特性误差代入到搜索速度权重矩阵的计算方法然后直接赋值给粒子就可以。
粒子在搜索速度权重矩阵下,在原有惯性速度矩阵的基础上,朝着个体最优方向和群体最优方向移动。
粒子根据自己的位置矩阵即朝着个体最优方向和群体最优方向移动,因为粒子的速度矩阵更新公式即粒子在现有速度矩阵惯性的基础上,向个体最优和群体最优方向移动,P q,t -X q,t 即为个体最优方向,G t -X q,t 为群体最优方向。
粒子更新当前速度矩阵的计算公式为:V q,t+1=R q,t •[ω•V q,t +R a •C 1•(P q,t -X q,t )+R b •C 2•(G t -X q,t )],其中,R q,t 为搜索速度权重矩阵、为具有d个维度的1×d矩阵,每个维度对应于不同的参数;ω是惯性因子,ω代表了历史速度矩阵的影响。ω一般取在0.5-1之间,这里取0.6。C 1、C 2分别是个体学习因子、群体学习因子。C 1和C 2可取2。C 1和C 2的大小分别表示个体最优和群体最优对搜索速度矩阵的影响。R a 和R b 是介于0和1之间的随机数;X q,t 是个体的位置矩阵;q表示粒子序号;d表示维度;t表示迭代次数。
粒子都处在一个d维的空间中,d的数值大小等于需要获取参数的数量,每个粒子都有速度矩阵和位置矩阵属性,粒子位置矩阵值用来表示参数值。
粒子根据自己的速度矩阵更新位置矩阵。更新粒子位置矩阵的公式为:X q,t+1=X q,t +V q,t+1,其中X q,t 为第t次迭代粒子的位置矩阵,X q,t+1为第t+1次迭代粒子的位置矩阵。V q,t+1是生成的速度矩阵,P q,t 是记录的个体最优位置矩阵,G t 是记录的群体最优位置矩阵。
本申请的方法是一个循环的步骤,判断是否满意是每个循环过程都要判断,如果满意就不需要搜索权重计算以及辨识,直接会退出循环程序。
根据参数对动静态特性的敏感度确定参数搜索速度权重矩阵的方法如下。反映动态特性敏感度的参数D i 、静态特性敏感度的参数S i 的计算公式在前文已叙述。
参数的敏感度是通过模型得到的,模型中参数依次改变5%得到VCE、IC、VGE的波形,将改变前改变后得到模型的VCE、IC、VGE波形周期采样,通过公式计算敏感度。
参数识别过程中,误差可能是动态特性误差造成的,这时参数误差主要体现在动态特性相关参数上;误差也可能是静态特性误差造成的,这时参数误差主要体现在静态特性相关参数上;在采用智能算法进行参数获取时,如果不加以识别并采取措施,会导致参数的盲目搜索,使得搜索过程变得繁琐并且低效。为了减少这种负面影响,在参数搜索过程中对粒子每个维度赋予对应的搜索速度权重矩阵。
搜索速度权重矩阵的计算公式如下:
;
其中,r q,i,t 为搜索速度权重矩阵,ERR S,q,t 为仿真模型和实验数据静态特性之间的误差,ERR D,q,t 为仿真模型和实验数据动态特性之间的误差,SW i 为第i个IGBT物理模型参数的参数静态固有搜索权重,DW i 为第i个IGBT物理模型参数的参数动态固有搜索权重。本申请中,符号“•”、“×”的含义相同,均表示乘号。
误差的计算方法:将实验测试获得的IGBT集电极电流I C 、集电极发射极电压V CE 、门极发射极电压V GE 以及基于数据手册得到IGBT模块典型工况下的静态特性每隔一定的时间进行采样(根据IGBT开关速度矩阵选择采样周期)。本实例可选择动态特性采样周期为5ns,静态特性有效数据尺度内采样4000次。)计算得到的仿真结果和实验结果在对应采样点数值的残差。
实验结果来自于实验测试获得的IGBT集电极电流I C 、集电极发射极电压V CE 、门极发射极电压V GE 以及基于数据手册得到IGBT模块典型工况下的静态特性。
目标函数用于计算模型和实验结果之间的误差,目标函数值用于判断当前参数与理想参数之间的偏差程度。
IGBT物理模型中,一些参数对静态特性没有影响,如L S、C ' OX、C g ,一些参数同时影响动静态特性,然而它们对动静态特性的影响程度不同。图5、图6反映各参数静态特性敏感度和动态特性敏感度的计算结果。图5中,每个参数对应的条形结构的上限值(最右端)、下限值(最左端)的坐标值分别为-S(i,-f%)、S(i,+f%)。图6中,每个参数对应的条形结构的上限值(最右端)、下限值(最左端)的坐标值分别为-D(i,-f%)、D(i,+f%)。
本发明根据参数在动静态特性的影响程度,对参数赋予不同的固有搜索权重,降低参数在动静态特性上的耦合所带来的负面影响,提高参数获取的效率。
本申请中,根据获得的各个参数对应的IGBT物理模型得到集电极电流I C 、集电极-发射极电压V CE 、门极-发射极电压V GE 、IGBT输出特性曲线,为现有技术的内容,可参考背景技术中提到的文献。
计算得到的各个参数固有搜索权重如表1所示。
本申请中,各个步骤可采用计算机程序实现,执行完当前步骤的程序后可自动跳转执行下一步骤的程序。
为了满足参数识别精度和参数识别时间的不同要求,根据以下判断标准判断自动优化过程是否取得令人满意的结果。如果满足终止条件(即迭代停止的条件),则退出自动优化过程。终止条件为条件一或条件二。
条件一:根据参数识别精度要求,预先设定的目标误差水平,如果目标函数小于设置的目标误差水平,则退出自动优化过程。
条件二:根据参数获取的时间要求,预先设定粒子群的规模和最大迭代次数。如果迭代次数达到设定的最大迭代次数,则退出自动优化过程。
参数获取程序所花费的时间估算方法:T spend =SwarmSize×Iter×T sim ,其中SwarmSize为粒子群的规模,Iter为迭代次数,T sim 为物理模型单次运行所需要的时间。
为了验证本发明的有效性,以英飞凌分立式IGBT IGW40T120为例,采用本发明的方法获取物理模型的17个参数,仿真和测试电路如图3所示。参数获取结果如表2所示。将使用本发明方法获取的参数代入到物理模型中,通过多种工况下的实验结果和模型仿真结果的对比验证本发明的有效性。
仿真模型输出特性和芯片手册输出特性对比如图7所示。其中四种工况下IGBT开关瞬态的结果如图8至图17所示,电源电压V DC 等级包括400V、500V、600V和800V,驱动模块V gg 施加IGBT关断信号时的集电极电流等级包括20A、30A和40A,结温包括300K、350K和400K。在多种工况下,模型结果和实验结果误差如图18-20所示。驱动模块V gg 施加IGBT关断信号时的集电极电流,即理解为可通过预估确定,当集电极电流达到对应值时,令驱动模块V gg 施加IGBT关断信号。图8至图17中,归一化的集电极-发射极电压V CE_on (或V CE_off )为实际的集电极-发射极电压除以第一归一化值I VCE 得到的结果,归一化的集电极电流I C_on (或I C_off )为实际的集电极电流除以第三归一化值I IC 得到的结果。例如,令V DC =400V、T j =300K,当I Close =40A时(可通过测量或预估计算判断I Close 什么时间达到40A),令驱动模块V gg 施加IGBT关断信号,即得到图9的结果,在设定时间后,令驱动模块V gg 施加IGBT开通信号,即得到图8的结果。
图18-图20中,纵坐标err即为ER q,t (即ER q,t =ERR S,q,t +ERR D,q,t )。
可以看出,采用本发明的IGBT物理模型参数获取方法得到的模型参数,其仿真结果与实测结果在多种工况下吻合良好,验证了本发明提出的IGBT物理模型参数获取方法的正确性。本发明的模型参数获取方法可以保证获取参数在不同工况下静动态特性更加贴合器件本身的同时,保证参数获取方法的精度和效率,实现借助粒子群算法的参数自动搜寻,降低参数获取难度和成本。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
以上仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明范围所作的均等变化与改进等,均应仍归属于本专利涵盖范围之内。在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落入本申请所附权利要求所限定的范围。在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
Claims (8)
1.一种IGBT物理模型参数获取方法,其特征在于,包括:
对粒子群中的各个粒子进行迭代,每次迭代完成后,计算各个粒子的位置矩阵;
第t+1次迭代完成后,若判断满足迭代停止的条件,则停止迭代,且将粒子群的群体最优位置矩阵的第i列元素的值作为所获取的第i个IGBT物理模型参数的值;
其中,利用下式计算第t+1次迭代完成后第q个粒子的位置矩阵X q,t+1:
X q,t+1=X q,t +V q,t+1;
X q,t+1、X q,t 、V q,t 、V q,t+1均为1×d维矩阵,d为待获取的IGBT物理模型参数的个数;i=1,2,……,d;t为自然数;q=1,2,……,Q;Q为预设的粒子个数;
X q,0中第i列元素的值x q,i,0为区间[L i ,H i ]内的随机数;L i 、H i 分别对应待获取的第i个IGBT物理模型参数的预设搜索上限值、预设搜索下限值;
第t+1次迭代时第q个粒子的速度矩阵V q,t+1利用下式计算:
V q,t+1=R q,t •[ω•V q,t +R a •C 1•(P q,t -X q,t )+R b •C 2•(G t -X q,t )];
其中:R q,t 、P q,t 、G t 均为1×d维矩阵;R a 和R b 均是区间[0,1]内的随机数,V q,0中第i列元素的值v q,i,0为区间[-a i,0•(H i -L i ),a i,0•(H i -L i )]内的随机数;a i,0为与第i个IGBT物理模型参数对应的第i个预设比例值,5%≤a i,0≤30%;ω是惯性因子预设值;C 1为粒子群的个体学习因子预设值,C 2为粒子群的群体学习因子预设值;R q,t 为第t次迭代完成后得到的第q个粒子的搜索速度权重矩阵;P q,t 为第t次迭代完成后第q个粒子的个体最优位置矩阵;G t 为第t次迭代完成后粒子群的群体最优位置矩阵;
R q,t 中第i列元素的值r q,i,t 利用如下值计算得到:将位置矩阵X q,t 的第i列元素的值作为第i个IGBT物理模型参数的值后得到的IGBT物理模型的特性值与实际IGBT器件的特性值之间的偏差、第i个IGBT物理模型参数的值在预设区间范围内变化时IGBT静态特性的灵敏度、第i个IGBT物理模型参数的值在预设区间范围内变化时IGBT动态特性的灵敏度;
R q,t 中第i列元素的值r q,i,t 利用下式计算:
;
;
;
S ave =(S 1+S 2+……+S d )/d;
D ave =(D 1+D 2+……+D d )/d;
其中:SW i 、DW i 分别对应为第i个IGBT物理模型参数的静态固有搜索权重、动态固有搜索权重;S i 为第i个IGBT物理模型参数的值在预设区间范围内变化时IGBT静态特性的灵敏度,D i 为第i个IGBT物理模型参数的值在预设区间范围内变化时IGBT动态特性的灵敏度;ERR S,q,t 为位置矩阵X q,t 所对应的IGBT物理模型的静态特性值与实际IGBT器件的静态特性值之间的误差,ERR D,q,t 为位置矩阵X q,t 所对应的IGBT物理模型的动态特性值与实际IGBT器件的动态特性值之间的误差;
S i 、D i 利用下式计算:
;
;
;
;
;
;
其中,f%为预设百分比,第i个IGBT物理模型参数所对应的预设区间范围为[(1-f%)•x Init,i,0,(1+f%)•x Init,i,0];MA、MB分别为第一预设采样点个数、第二预设采样点个数;KA为第一预设门极-发射极电压个数;VC i,+(m)、VG i,+(m)、IC i,+(m)分别对应为第i个第一修正模型的仿真中在IGBT关断周期的第m个采样点采集的集电极-发射极电压、门极-发射极电压、集电极电流;VC i,-(m)、VG i,-(m)、IC i,-(m)分别对应为第i个第二修正模型的仿真中在IGBT关断周期的第m个采样点采集的集电极-发射极电压、门极-发射极电压、集电极电流;VC Ini (m)、VG Ini (m)、IC Ini (m)分别对应为预设参数位置矩阵X Ini 所对应的IGBT物理模型的仿真中在IGBT关断周期的第m个采样点采集的IGBT集电极-发射极电压、门极-发射极电压、集电极电流;所述IGBT关断周期为从IGBT的驱动模块施加关断信号的时刻到拖尾电流的结束时刻;
YA i,+f%,vge(ka)(mb)为第i个第一修正模型的仿真中门极-发射极电压vge(ka)所对应的IGBT输出特性曲线上、与第mb个横坐标采样值XA Init,vge(ka)(mb)对应的纵坐标值;
YA i,-f%,vge(ka)(mb)为第i个第二修正模型的仿真中门极-发射极电压vge(ka)所对应的IGBT输出特性曲线上、与第mb个横坐标采样值XA Init,vge(ka)(mb)对应的纵坐标值;
YA Init,vge(ka)(mb)为预设参数位置矩阵X Ini 所对应的IGBT物理模型的仿真中门极-发射极电压vge(ka)所对应的IGBT输出特性曲线上、与第mb个横坐标采样值XA Init,vge(ka)(mb)对应的纵坐标值;
所述IGBT输出特性曲线的横坐标、纵坐标分别为集电极电流/通态压降、通态压降/集电极电流;KA≥1;
预设参数位置矩阵X Ini 为1×d维矩阵,且预设参数位置矩阵X Ini 第i列元素的值为x Init,i,0,x Init,i,0=(L i +H i )/2;
将预设参数位置矩阵X Ini 第i列元素的值x Init,i,0替换为(1+f%)•x Init,i,0后所得矩阵所对应的IGBT物理模型为第i个第一修正模型;
将预设参数位置矩阵X Ini 第i列元素的值x Init,i,0替换为(1-f%)•x Init,i,0后所得矩阵所对应的IGBT物理模型为第i个第二修正模型。
2.根据权利要求1所述的IGBT物理模型参数获取方法,其特征在于,个体最优位置矩阵P q,t 、群体最优位置矩阵G t 的更新方法如下:
若在第t次迭代完成后:ER q,t =min(ER q,1,ER q,2,……,ER q,t ),则令P q,t =X q,t ,否则P q,t 保持不变;
若在第t次迭代完成后,存在qu∈[1,Q],使得:ER qu,t =min[min(ER 1,1,ER 1,2,……,ER 1,t ),min(ER 2,1,ER 2,2,……,ER 2,t ),……,min(ER Q,1,ER Q,2,……,ER Q,t )],则令G t =X qu,t ,否则G t 保持不变;
其中,ER q,t =ERR S,q,t +ERR D,q,t ;ERR S,q,t 为位置矩阵X q,t 所对应的IGBT物理模型的静态特性值与实际IGBT器件的静态特性值之间的误差,ERR D,q,t 为位置矩阵X q,t 所对应的IGBT物理模型的动态特性值与实际IGBT器件的动态特性值之间的误差。
3.根据权利要求1所述的IGBT物理模型参数获取方法,其特征在于,迭代停止的条件为条件一或条件二;
条件一:第t次迭代完成后,粒子群的群体最优位置矩阵所对应的IGBT物理模型的特性值与实际IGBT器件的特性值之间的误差小于或不大于预设误差阈值;
条件二:迭代次数达到预设最大迭代次数。
4.根据权利要求3所述的IGBT物理模型参数获取方法,其特征在于,所述条件一具体为:第t次迭代完成后,ERR qv,t ≤Thres;
其中,粒子群的群体最优位置矩阵G t 在第t次迭代完成后更新为与ERR qv,t 对应的位置矩阵X qv,t ,qv∈[1,Q];
ER qv,t =ERR S,qv,t +ERR D,qv,t ;ERR S,qv,t 为位置矩阵X qv,t 所对应的IGBT物理模型的静态特性值与实际IGBT器件的静态特性值之间的误差,ERR D,qv,t 为位置矩阵X qv,t 所对应的IGBT物理模型的动态特性值与实际IGBT器件的动态特性值之间的误差。
5.根据权利要求2或4中任一项所述的IGBT物理模型参数获取方法,其特征在于,ERR D,q,t 、ERR S,q,t 的计算公式如下:
;
;
其中,MC、MD分别为第三预设采样点个数、第四预设采样点个数;KB为第二预设门极-发射极电压个数;VC q,t (mc)、IC q,t (mc)、VG q,t (mc)分别对应为位置矩阵X q,t 所对应的IGBT物理模型的仿真中在IGBT关断周期的第mc个采样点采集的IGBT集电极-发射极电压、集电极电流、门极-发射极电压;所述IGBT关断周期为从IGBT的驱动模块施加关断信号的时刻到拖尾电流的结束时刻;
VC re (mc)、IC re (mc)、VG re (mc)分别对应为实际IGBT器件的实验中在IGBT关断周期的第mc个采样点采集的IGBT器件集电极-发射极电压、集电极电流、门极-发射极电压;
第一归一化值为I VCE 为位置矩阵X q,t 所对应的IGBT物理模型的仿真中IGBT关断后集电极-发射极电压;
第二归一化值为I VGE 为位置矩阵X q,t 所对应的IGBT物理模型的仿真中IGBT的驱动模块施加关断信号的时刻门极-发射极电压;
第三归一化值为I IC 为位置矩阵X q,t 所对应的IGBT物理模型的仿真中IGBT的驱动模块施加关断信号的时刻的集电极电流;
YA q,t,vge’(kb)(md)为位置矩阵X q,t 所对应的IGBT物理模型的仿真中门极-发射极电压vge’(kb)所对应的IGBT输出特性曲线上、与第md个横坐标采样值XA re,vge’(kb)(md)对应的纵坐标值;
YA re,vge’(kb)(md)为实际IGBT器件的实验得到的门极-发射极电压vge’(kb)所对应的IGBT输出特性曲线上、与第md个横坐标采样值XA re,vge’(kb)(md)对应的纵坐标值;
max(XA q,t,vge’(kb))为位置矩阵X q,t 所对应的IGBT物理模型的仿真中门极-发射极电压vge’(kb)所对应的IGBT输出特性曲线上的最大横坐标值;
所述IGBT输出特性曲线的横坐标、纵坐标分别为集电极电流/通态压降、通态压降/集电极电流;KB≥1。
6.根据权利要求5所述的IGBT物理模型参数获取方法,其特征在于,KB=1;vge’(1)为13V、15V、17V中的任一个值;或
KB=3,vge’(1)=13V,vge’(2)=15V,vge’(3)=17V。
7.根据权利要求1所述的IGBT物理模型参数获取方法,其特征在于,a i,0=20%;ω的取值范围为[0.5-1];C 1=C 2=2。
8.一种IGBT物理模型参数获取装置,其特征在于,包括处理器,所述处理器被配置为用于执行权利要求1-7中任一项所述的IGBT物理模型参数获取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310492913.9A CN116205190B (zh) | 2023-05-05 | 2023-05-05 | 一种igbt物理模型参数获取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310492913.9A CN116205190B (zh) | 2023-05-05 | 2023-05-05 | 一种igbt物理模型参数获取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116205190A CN116205190A (zh) | 2023-06-02 |
CN116205190B true CN116205190B (zh) | 2023-08-18 |
Family
ID=86511508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310492913.9A Active CN116205190B (zh) | 2023-05-05 | 2023-05-05 | 一种igbt物理模型参数获取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116205190B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156378A (zh) * | 2015-03-31 | 2016-11-23 | 国家电网公司 | 一种可实时化的igbt仿真模型建立方法 |
CN111144623A (zh) * | 2019-12-09 | 2020-05-12 | 云南电网有限责任公司临沧供电局 | 一种基于自适应学习因子粒子群的定值调优方法 |
CN112766452A (zh) * | 2021-01-05 | 2021-05-07 | 同济大学 | 一种双环境粒子群优化方法和系统 |
CN113239654A (zh) * | 2021-05-21 | 2021-08-10 | 电子科技大学 | 基于fig和ipso算法的igbt剩余寿命预测方法 |
CN114548014A (zh) * | 2022-01-05 | 2022-05-27 | 西安电子科技大学 | 一种igbt关态电流拖尾退化的评估方法 |
CN115236969A (zh) * | 2022-07-15 | 2022-10-25 | 浙江大学台州研究院 | 一种粒子群算法对pid参数的优化方法 |
CN115455780A (zh) * | 2022-09-22 | 2022-12-09 | 三峡大学 | 一种基于降阶方法的igbt瞬态温度快速计算方法 |
CN115906757A (zh) * | 2022-12-02 | 2023-04-04 | 苏州华太电子技术股份有限公司 | Igbt的建模方法、装置和计算机可读存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7636700B2 (en) * | 2004-02-03 | 2009-12-22 | Hrl Laboratories, Llc | Object recognition system incorporating swarming domain classifiers |
CN106991221B (zh) * | 2017-03-24 | 2020-04-24 | 清华大学 | 一种基于igbt器件瞬态物理过程的分段折线建模方法 |
CN110502805B (zh) * | 2019-07-31 | 2023-04-25 | 中国人民解放军海军工程大学 | Igbt物理模型参数提取方法 |
-
2023
- 2023-05-05 CN CN202310492913.9A patent/CN116205190B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156378A (zh) * | 2015-03-31 | 2016-11-23 | 国家电网公司 | 一种可实时化的igbt仿真模型建立方法 |
CN111144623A (zh) * | 2019-12-09 | 2020-05-12 | 云南电网有限责任公司临沧供电局 | 一种基于自适应学习因子粒子群的定值调优方法 |
CN112766452A (zh) * | 2021-01-05 | 2021-05-07 | 同济大学 | 一种双环境粒子群优化方法和系统 |
CN113239654A (zh) * | 2021-05-21 | 2021-08-10 | 电子科技大学 | 基于fig和ipso算法的igbt剩余寿命预测方法 |
CN114548014A (zh) * | 2022-01-05 | 2022-05-27 | 西安电子科技大学 | 一种igbt关态电流拖尾退化的评估方法 |
CN115236969A (zh) * | 2022-07-15 | 2022-10-25 | 浙江大学台州研究院 | 一种粒子群算法对pid参数的优化方法 |
CN115455780A (zh) * | 2022-09-22 | 2022-12-09 | 三峡大学 | 一种基于降阶方法的igbt瞬态温度快速计算方法 |
CN115906757A (zh) * | 2022-12-02 | 2023-04-04 | 苏州华太电子技术股份有限公司 | Igbt的建模方法、装置和计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
"hermal optimization of IGBT modules based on finite element method and particle swarm optimization";Omid Alavi等;《J Comput Electron》;930-938页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116205190A (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110502805B (zh) | Igbt物理模型参数提取方法 | |
CN110133468A (zh) | 一种基于多变量的igbt健合线老化监测评估方法 | |
CN112198411B (zh) | 一种基于栅电压变化的igbt健康监测方法 | |
CN113759225B (zh) | Igbt剩余寿命预测和状态评估实现方法 | |
Hefner et al. | Automated parameter extraction software for advanced IGBT modeling | |
CN110824321B (zh) | 一种igbt动态参数测试平台的杂散电容获取方法 | |
CN116205190B (zh) | 一种igbt物理模型参数获取方法及装置 | |
CN111220888B (zh) | 晶体管的开启电压的测试方法及测试装置 | |
CN115099126A (zh) | 一种基于机器学习的半导体器件性能相关特征结构参数自动筛选方法 | |
CN106383941A (zh) | 用于描述ldmos晶体管电容特性的仿真方法 | |
CN114217202A (zh) | 一种基于多个电参数的igbt模块键合线状态监测评估方法 | |
CN116776525B (zh) | 一种数据驱动型igbt器件的驱动优化方法 | |
Tominaga et al. | Modeling of IGBTs with focus on voltage dependency of terminal capacitances | |
CN107622167B (zh) | 一种用于栅控器件的集电极电流软测量方法 | |
CN114200275A (zh) | 一种碳化硅mosfet器件高温栅偏试验方法及系统 | |
KR102539017B1 (ko) | 효율적인 태양광발전 전력 변환을 위한 음영 감지 및 글로벌 최대 전력점 추적 방법 및 장치 | |
Watt et al. | Evaluation of an automated modeling tool applied to new 600 V, 2 A vertical GaN transistors | |
CN111046529A (zh) | 一种igbt的老化建模方法及老化注入器 | |
CN111639446B (zh) | 一种晶闸管设计参数的提取方法及提取装置 | |
Wu et al. | A Novel Compact Model of Gate Capacitance for SiC MOSFET with Easy Parameter Extraction Method | |
US20220222410A1 (en) | Simulation model and simulation method | |
Li et al. | Characteristics of IGBT Devices Considering Various Parasitic Parameters and Construction of Refined Model | |
Song et al. | General Analytical Model for SiC MOSFETs Turn-Off Loss Considering No Miller Plateau | |
Lu et al. | Physics-based Compact Model of SiC MOSFET for Cryogenic Performance Prediction | |
Wang et al. | Phenomenon of Short-Time Threshold Voltage Shift and Its Application in Junction Temperature Estimation |
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 |