CN117034786B - 一种igbt结温预测方法 - Google Patents

一种igbt结温预测方法 Download PDF

Info

Publication number
CN117034786B
CN117034786B CN202311298342.1A CN202311298342A CN117034786B CN 117034786 B CN117034786 B CN 117034786B CN 202311298342 A CN202311298342 A CN 202311298342A CN 117034786 B CN117034786 B CN 117034786B
Authority
CN
China
Prior art keywords
temperature
data
theoretical
junction temperature
processing unit
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
Application number
CN202311298342.1A
Other languages
English (en)
Other versions
CN117034786A (zh
Inventor
郝乐
齐敏
顾瑞娟
张艳丽
常佳峻
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Xinsaisi Electronic Technology Co ltd
Original Assignee
Shandong Xinsaisi Electronic Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Xinsaisi Electronic Technology Co ltd filed Critical Shandong Xinsaisi Electronic Technology Co ltd
Priority to CN202311298342.1A priority Critical patent/CN117034786B/zh
Publication of CN117034786A publication Critical patent/CN117034786A/zh
Application granted granted Critical
Publication of CN117034786B publication Critical patent/CN117034786B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/26—Testing of individual semiconductor devices
    • G01R31/2601—Apparatus or methods therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明公开了一种IGBT结温预测方法，属于电数字数据处理技术领域，本发明的IGBT结温预测方法根据IGBT管的发射极和集电极之间的电流数据，从而计算出电热理论温度，再采集IGBT管实际结温数据，将电热理论温度和环境温度构建为样本，温度差值设为标签，从而训练环境影响温度差值预测模型，训练后的环境影响温度差值预测模型可用于预测在不同电热理论温度和不同环境温度下理论与现实的温度差值，从而对电热理论温度进行补偿。本发明中的IGBT结温预测方法涉及的影响因素少，从而使得环境影响温度差值预测模型简单，同时考虑不同环境温度下对IGBT结温的影响，实现对IGBT结温的精准预测。

Description

一种IGBT结温预测方法
技术领域
本发明涉及电数字数据处理技术领域，具体涉及一种IGBT结温预测方法。
背景技术
IGBT（绝缘栅双极型晶体管）作为一种高性能功率半导体器件，广泛应用于电力电子领域。在实际应用中，IGBT的结温是一个重要的参数，直接关系到器件的可靠性和工作性能。因此，准确地预测IGBT的结温对于设计和控制电力电子系统至关重要。
现有IGBT结温预测方法根据集电极电流、饱和压降、饱和电流和老化情况等数据，采用基于支持向量回归机模型或神经网络进行IGBT结温预测，现有IGBT结温预测方法考虑了多方面的数据影响，造成了结温预测复杂度过高，同时，现有IGBT结温预测方法忽略了环境温度对IGBT结温的影响。
发明内容
针对现有技术中的上述不足，本发明提供的一种IGBT结温预测方法解决了以下技术问题：
1、现有IGBT结温预测方法复杂度过高；
2、现有IGBT结温预测方法忽略了环境温度对IGBT结温的影响。
为了达到上述发明目的，本发明采用的技术方案为：一种IGBT结温预测方法，包括以下步骤：
S1、根据IGBT管的发射极和集电极之间的电流数据，计算电热理论温度；
S2、通过温度传感器采集不同环境温度下的IGBT管的实际结温传感数据，并滤波处理，分别计算出不同环境温度下的IGBT管实际结温数据；
S3、将电热理论温度与IGBT管实际结温数据相减，得到不同环境温度下的温度差值；
S4、将电热理论温度和环境温度构建为样本，将温度差值设为标签，得到训练集；
S5、采用训练集对环境影响温度差值预测模型进行训练，得到训练后的环境影响温度差值预测模型；
S6、根据训练后的环境影响温度差值预测模型，得到待测IGBT管的实际结温。
本发明的有益效果为：本发明的IGBT结温预测方法根据IGBT管的发射极和集电极之间的电流数据，从而计算出电热理论温度，再采集IGBT管实际结温数据，将电热理论温度和环境温度构建为样本，温度差值设为标签，从而训练环境影响温度差值预测模型，训练后的环境影响温度差值预测模型可用于预测在不同电热理论温度和不同环境温度下理论与现实的温度差值，从而对电热理论温度进行补偿。本发明中的IGBT结温预测方法涉及的影响因素少，从而使得环境影响温度差值预测模型简单，同时考虑不同环境温度下对IGBT结温的影响，实现对IGBT结温的精准预测。
进一步地，所述S1中计算电热理论温度的公式为：
，其中，Tt为第t时刻的电热理论温度，T0,t为第t时刻的环境温度，It为第t时刻IGBT管的发射极和集电极之间的电流数据，R为IGBT管的发射极和集电极之间的等效电阻，t为时刻，C为比热容，m为IGBT管的重量。
上述进一步地方案的有益效果为：本发明中通过IGBT管的重量m、等效电阻R、比热容C、环境温度T0,t和电流数据It，先从理论上计算出，在此环境温度T0,t和电流数据It下IGBT管的电热理论温度。
进一步地，所述S2包括以下分步骤：
S21、通过温度传感器采集不同环境温度下的IGBT管的实际结温传感数据；
S22、计算一段时间内的每个实际结温传感数据的数据波动系数；
S23、根据每个数据波动系数，基于一段时间内的实际结温传感数据的平均值，计算不同环境温度下的IGBT管实际结温数据。
上述进一步地方案的有益效果为：本发明中通过温度传感器采集不同环境温度下的IGBT管的实际结温传感数据，将实际结温传感数据进行分段处理，通过一段时间内的实际结温传感数据，来评估每个实际结温传感数据的异常程度，计算出一段时间内的每个实际结温传感数据的数据波动系数，在每一小段时间内实际结温传感数据的大小应该趋于平稳，因此，可以用数据波动系数来评估每个实际结温传感数据的异常程度，实现对实际结温传感数据的滤波。
进一步地，所述S22中计算一段时间内的每个实际结温传感数据的数据波动系数公式为：
，其中，ai为第i个数据波动系数，tei为第i个实际结温传感数据，N为实际结温传感数据的数量，arctan为反正切函数。
上述进一步地方案的有益效果为：本发明中根据每个实际结温传感数据与平均值的差值的平方，再归一化到0~1之间，从而评估出每个实际结温传感数据的数据波动系数，表征实际结温传感数据的异常程度。
进一步地，所述S23中计算IGBT管实际结温数据的公式为：
，其中，ri为第i个IGBT管实际结温数据，μ为比例系数，ai为第i个数据波动系数，tei为第i个实际结温传感数据，N为实际结温传感数据的数量。
上述进一步地方案的有益效果为：本发明中数据波动系数越大，则实际结温传感数据的异常程度越高，从而对实际结温传感数据的滤波程度越高，但为了提高测温的灵敏度，同时考虑平均值和每个实际结温传感数据，并设定比例系数，实现再次对滤波后的数据的调节，提高IGBT管结温测量精度。
进一步地，所述S5中环境影响温度差值预测模型中包括：理论温度处理单元、环境温度处理单元、数据融合单元和差值输出单元；
所述理论温度处理单元用于输入电热理论温度；所述环境温度处理单元用于输入环境温度；所述数据融合单元的输入端分别与理论温度处理单元的输出端和环境温度处理单元的输出端连接，其输出端与差值输出单元的输入端连接；所述差值输出单元的输出端作为环境影响温度差值预测模型的输出端。
进一步地，所述理论温度处理单元的公式为：
，其中，E1,t为理论温度处理单元第t时刻的输出，e为自然常数，Tt为第t时刻的电热理论温度，w1为理论温度处理单元的权重，b1为理论温度处理单元的偏置；
所述环境温度处理单元的公式为：
，其中，E2,t为环境温度处理单元第t时刻的输出，e为自然常数，T0,t为第t时刻的环境温度，w2为环境温度处理单元的权重，b2为环境温度处理单元的偏置。
上述进一步地方案的有益效果为：本发明通过理论温度处理单元输入电热理论温度，通过环境温度处理单元输入环境温度，实现对电热理论温度和环境温度分别赋予不同输入权重和偏置，便于灵活调整电热理论温度和环境温度与温度差值的映射关系。
进一步地，所述数据融合单元的表达式为：
，其中，ht为数据融合单元第t时刻的输出，ln为对数函数，w3为数据融合单元的第一权重，w4为数据融合单元的第二权重，b3为数据融合单元的偏置，e为自然常数，E1,t为理论温度处理单元第t时刻的输出，E2,t为环境温度处理单元第t时刻的输出。
上述进一步地方案的有益效果为：本发明中数据融合单元实现理论温度处理单元的输出和环境温度处理单元的输出的融合，并设置指数函数和对数函数放大融合结果。
进一步地，所述差值输出单元的公式为：
，其中，yt为差值输出单元第t时刻的输出，ht为数据融合单元第t时刻的输出，e为自然常数，w5为差值输出单元的第一权重，b4为差值输出单元的第一偏置，w6为差值输出单元的第二权重，b5为差值输出单元的第二偏置。
上述进一步地方案的有益效果为：本发明中在差值输出单元设置了内层权重w5和偏置b4，外层权重w6和偏置b5，同时对差值输出单元的输出进行调节，提高差值输出单元输出温度差值的精度。
进一步地，所述S6包括以下分步骤：
S61、根据待测IGBT管的发射极和集电极之间的当前电流数据，计算出当前电热理论温度；
S62、将当前电热理论温度与当前环境温度输入到训练后的环境影响温度差值预测模型中，得到当前环境温度下的温度差值；
S63、采用当前电热理论温度减去当前环境温度下的温度差值，得到待测IGBT管的实际结温。
附图说明
图1为一种IGBT结温预测方法的流程图；
图2为环境影响温度差值预测模型的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种IGBT结温预测方法，包括以下步骤：
S1、根据IGBT管的发射极和集电极之间的电流数据，计算电热理论温度；
S2、通过温度传感器采集不同环境温度下的IGBT管的实际结温传感数据，并滤波处理，分别计算出不同环境温度下的IGBT管实际结温数据；
S3、将电热理论温度与IGBT管实际结温数据相减，得到不同环境温度下的温度差值；
S4、将电热理论温度和环境温度构建为样本，将温度差值设为标签，得到训练集；
S5、采用训练集对环境影响温度差值预测模型进行训练，得到训练后的环境影响温度差值预测模型；
S6、根据训练后的环境影响温度差值预测模型，得到待测IGBT管的实际结温。
本发明的IGBT结温预测方法根据IGBT管的发射极和集电极之间的电流数据，从而计算出电热理论温度，再采集IGBT管实际结温数据，将电热理论温度和环境温度构建为样本，温度差值设为标签，从而训练环境影响温度差值预测模型，训练后的环境影响温度差值预测模型可用于预测在不同电热理论温度和不同环境温度下理论与现实的温度差值，从而对电热理论温度进行补偿。本发明中的IGBT结温预测方法涉及的影响因素少，从而使得环境影响温度差值预测模型简单，同时考虑不同环境温度下对IGBT结温的影响，实现对IGBT结温的精准预测。
所述S1中计算电热理论温度的公式为：
，其中，Tt为第t时刻的电热理论温度，T0,t为第t时刻的环境温度，It为第t时刻IGBT管的发射极和集电极之间的电流数据，R为IGBT管的发射极和集电极之间的等效电阻，t为时刻，C为比热容，m为IGBT管的重量。
本发明中通过IGBT管的重量m、等效电阻R、比热容C、环境温度T0,t和电流数据It，先从理论上计算出，在此环境温度T0,t和电流数据It下IGBT管的电热理论温度。
所述S2包括以下分步骤：
S21、通过温度传感器采集不同环境温度下的IGBT管的实际结温传感数据；
S22、计算一段时间内的每个实际结温传感数据的数据波动系数；
S23、根据每个数据波动系数，基于一段时间内的实际结温传感数据的平均值，计算不同环境温度下的IGBT管实际结温数据。
在本发明中先通过步骤S1至S3实验构建出多个样本和标签，从而得到训练集，在构建训练集，保持其他因素不变，例如通电时间t、IGBT管的重量m、比热容C等，步骤S2中，每次都取通电时间t对应的IGBT管实际结温数据，保障其他因素的统一。
本发明中通过温度传感器采集不同环境温度下的IGBT管的实际结温传感数据，将实际结温传感数据进行分段处理，通过一段时间内的实际结温传感数据，来评估每个实际结温传感数据的异常程度，计算出一段时间内的每个实际结温传感数据的数据波动系数，在每一小段时间内实际结温传感数据的大小应该趋于平稳，因此，可以用数据波动系数来评估每个实际结温传感数据的异常程度，实现对实际结温传感数据的滤波。
所述S22中计算一段时间内的每个实际结温传感数据的数据波动系数公式为：
，其中，ai为第i个数据波动系数，tei为第i个实际结温传感数据，N为实际结温传感数据的数量，arctan为反正切函数。
本发明中根据每个实际结温传感数据与平均值的差值的平方，再归一化到0~1之间，从而评估出每个实际结温传感数据的数据波动系数，表征实际结温传感数据的异常程度。
所述S23中计算IGBT管实际结温数据的公式为：
，其中，ri为第i个IGBT管实际结温数据，μ为比例系数，ai为第i个数据波动系数，tei为第i个实际结温传感数据，N为实际结温传感数据的数量。
本发明中数据波动系数越大，则实际结温传感数据的异常程度越高，从而对实际结温传感数据的滤波程度越高，但为了提高测温的灵敏度，同时考虑平均值和每个实际结温传感数据，并设定比例系数，实现再次对滤波后的数据的调节，提高IGBT管结温测量精度。
如图2所示，所述S5中环境影响温度差值预测模型中包括：理论温度处理单元、环境温度处理单元、数据融合单元和差值输出单元；
所述理论温度处理单元用于输入电热理论温度；所述环境温度处理单元用于输入环境温度；所述数据融合单元的输入端分别与理论温度处理单元的输出端和环境温度处理单元的输出端连接，其输出端与差值输出单元的输入端连接；所述差值输出单元的输出端作为环境影响温度差值预测模型的输出端。
所述理论温度处理单元的公式为：
，其中，E1,t为理论温度处理单元第t时刻的输出，e为自然常数，Tt为第t时刻的电热理论温度，w1为理论温度处理单元的权重，b1为理论温度处理单元的偏置；
所述环境温度处理单元的公式为：
，其中，E2,t为环境温度处理单元第t时刻的输出，e为自然常数，T0,t为第t时刻的环境温度，w2为环境温度处理单元的权重，b2为环境温度处理单元的偏置。
本发明通过理论温度处理单元输入电热理论温度，通过环境温度处理单元输入环境温度，实现对电热理论温度和环境温度分别赋予不同输入权重和偏置，便于灵活调整电热理论温度和环境温度与温度差值的映射关系。
所述数据融合单元的表达式为：，其中，ht为数据融合单元第t时刻的输出，ln为对数函数，w3为数据融合单元的第一权重，w4为数据融合单元的第二权重，b3为数据融合单元的偏置，e为自然常数，E1,t为理论温度处理单元第t时刻的输出，E2,t为环境温度处理单元第t时刻的输出。
本发明中数据融合单元实现理论温度处理单元的输出和环境温度处理单元的输出的融合，并设置指数函数和对数函数放大融合结果。
所述差值输出单元的公式为：，其中，yt为差值输出单元第t时刻的输出，ht为数据融合单元第t时刻的输出，e为自然常数，w5为差值输出单元的第一权重，b4为差值输出单元的第一偏置，w6为差值输出单元的第二权重，b5为差值输出单元的第二偏置。
本发明中在差值输出单元设置了内层权重w5和偏置b4，外层权重w6和偏置b5，同时对差值输出单元的输出进行调节，提高差值输出单元输出温度差值的精度。
所述S6包括以下分步骤：
S61、根据待测IGBT管的发射极和集电极之间的当前电流数据，计算出当前电热理论温度；
S62、将当前电热理论温度与当前环境温度输入到训练后的环境影响温度差值预测模型中，得到当前环境温度下的温度差值；
S63、采用当前电热理论温度减去当前环境温度下的温度差值，得到待测IGBT管的实际结温。
在本发明中，步骤S61计算当前电热理论温度的公式与步骤S1相同。
在本发明中S5包括以下分步骤：
S51、将训练集中样本输入环境影响温度差值预测模型，得到预测温度差值；
S52、根据预测温度差值和标签，计算出参数合适度；
S53、判断参数合适度是否小于合适度阈值，若是，则当前训练次对应的环境影响温度差值预测模型为训练后的环境影响温度差值预测模型，结束训练，若否，则跳转S54；
S54、根据参数合适度，采用梯度下降法对环境影响温度差值预测模型中权重和偏置进行更新，并跳转至S51。
步骤S51的训练过程，也可以采用GA遗传算法，找到权重和偏置的合适值。
计算出参数合适度的公式为：，其中，fk为第k次训练的参数合适度，| |为绝对值运算，yk为第k次训练时环境影响温度差值预测模型的输出，为第k次训练时的标签。
本发明中在第k次训练时环境影响温度差值预测模型的输出yk和第k次训练时的标签相差较小时，对数函数/>和距离函数/>的组合，使得参数合适度更小，权重和偏置下降幅度更小，在第k次训练时环境影响温度差值预测模型的输出yk和第k次训练时的标签/>相差较大时，对数函数/>和距离函数/>的组合使得参数合适度更大，权重和偏置下降幅度更大，实现快速遍历。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种IGBT结温预测方法，其特征在于，包括以下步骤：
S1、根据IGBT管的发射极和集电极之间的电流数据，计算电热理论温度；
S2、通过温度传感器采集不同环境温度下的IGBT管的实际结温传感数据，并滤波处理，分别计算出不同环境温度下的IGBT管实际结温数据；
S3、将电热理论温度与IGBT管实际结温数据相减，得到不同环境温度下的温度差值；
S4、将电热理论温度和环境温度构建为样本，将温度差值设为标签，得到训练集；
S5、采用训练集对环境影响温度差值预测模型进行训练，得到训练后的环境影响温度差值预测模型；
S6、根据训练后的环境影响温度差值预测模型，得到待测IGBT管的实际结温；
所述S2包括以下分步骤：
S21、通过温度传感器采集不同环境温度下的IGBT管的实际结温传感数据；
S22、计算一段时间内的每个实际结温传感数据的数据波动系数；
S23、根据每个数据波动系数，基于一段时间内的实际结温传感数据的平均值，计算不同环境温度下的IGBT管实际结温数据；
所述S22中计算一段时间内的每个实际结温传感数据的数据波动系数公式为：
，
其中，ai为第i个数据波动系数，tei为第i个实际结温传感数据，N为实际结温传感数据的数量，arctan为反正切函数；
所述S23中计算IGBT管实际结温数据的公式为：
，
其中，ri为第i个IGBT管实际结温数据，μ为比例系数，ai为第i个数据波动系数，tei为第i个实际结温传感数据，N为实际结温传感数据的数量；
所述S5中环境影响温度差值预测模型中包括：理论温度处理单元、环境温度处理单元、数据融合单元和差值输出单元；
所述理论温度处理单元用于输入电热理论温度；所述环境温度处理单元用于输入环境温度；所述数据融合单元的输入端分别与理论温度处理单元的输出端和环境温度处理单元的输出端连接，其输出端与差值输出单元的输入端连接；所述差值输出单元的输出端作为环境影响温度差值预测模型的输出端；
所述理论温度处理单元的公式为：
，
其中，E1,t为理论温度处理单元第t时刻的输出，e为自然常数，Tt为第t时刻的电热理论温度，w1为理论温度处理单元的权重，b1为理论温度处理单元的偏置；
所述环境温度处理单元的公式为：
，
其中，E2,t为环境温度处理单元第t时刻的输出，e为自然常数，T0,t为第t时刻的环境温度，w2为环境温度处理单元的权重，b2为环境温度处理单元的偏置；
所述数据融合单元的表达式为：
，
其中，ht为数据融合单元第t时刻的输出，ln为对数函数，w3为数据融合单元的第一权重，w4为数据融合单元的第二权重，b3为数据融合单元的偏置，e为自然常数，E1,t为理论温度处理单元第t时刻的输出，E2,t为环境温度处理单元第t时刻的输出；
所述差值输出单元的公式为：
，
其中，yt为差值输出单元第t时刻的输出，ht为数据融合单元第t时刻的输出，e为自然常数，w5为差值输出单元的第一权重，b4为差值输出单元的第一偏置，w6为差值输出单元的第二权重，b5为差值输出单元的第二偏置。
2.根据权利要求1所述的IGBT结温预测方法，其特征在于，所述S1中计算电热理论温度的公式为：
，
其中，Tt为第t时刻的电热理论温度，T0,t为第t时刻的环境温度，It为第t时刻IGBT管的发射极和集电极之间的电流数据，R为IGBT管的发射极和集电极之间的等效电阻，t为时刻，C为比热容，m为IGBT管的重量。
3.根据权利要求1所述的IGBT结温预测方法，其特征在于，所述S6包括以下分步骤：
S61、根据待测IGBT管的发射极和集电极之间的当前电流数据，计算出当前电热理论温度；
S62、将当前电热理论温度与当前环境温度输入到训练后的环境影响温度差值预测模型中，得到当前环境温度下的温度差值；
S63、采用当前电热理论温度减去当前环境温度下的温度差值，得到待测IGBT管的实际结温。
CN202311298342.1A 2023-10-09 2023-10-09 一种igbt结温预测方法 Active CN117034786B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311298342.1A CN117034786B (zh) 2023-10-09 2023-10-09 一种igbt结温预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311298342.1A CN117034786B (zh) 2023-10-09 2023-10-09 一种igbt结温预测方法

Publications (2)

Publication Number Publication Date
CN117034786A CN117034786A (zh) 2023-11-10
CN117034786B true CN117034786B (zh) 2024-01-05

Family

ID=88630427

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311298342.1A Active CN117034786B (zh) 2023-10-09 2023-10-09 一种igbt结温预测方法

Country Status (1)

Country Link
CN (1) CN117034786B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107025364A (zh) * 2017-05-12 2017-08-08 西安交通大学 一种igbt模块的结温预测方法
CN111460617A (zh) * 2020-03-03 2020-07-28 华中科技大学 一种基于神经网络的igbt结温预测方法
CN112765873A (zh) * 2020-11-30 2021-05-07 中国南方电网有限责任公司超高压输电公司广州局 一种基于lstm算法的变电设备发热预测方法
CN115511100A (zh) * 2022-08-12 2022-12-23 国网浙江省电力有限公司杭州供电公司 一种基于环境温度相关数据学习的空调负荷回归预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108072821B (zh) * 2017-12-06 2018-11-16 南京埃斯顿自动控制技术有限公司 半导体功率器件动态结温的实时在线预测方法
CN112214951B (zh) * 2020-10-19 2022-05-24 武汉大学 分段式lstm的微网逆变器igbt可靠性评估方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107025364A (zh) * 2017-05-12 2017-08-08 西安交通大学 一种igbt模块的结温预测方法
CN111460617A (zh) * 2020-03-03 2020-07-28 华中科技大学 一种基于神经网络的igbt结温预测方法
CN112765873A (zh) * 2020-11-30 2021-05-07 中国南方电网有限责任公司超高压输电公司广州局 一种基于lstm算法的变电设备发热预测方法
CN115511100A (zh) * 2022-08-12 2022-12-23 国网浙江省电力有限公司杭州供电公司 一种基于环境温度相关数据学习的空调负荷回归预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于结温监测的风电IGBT热安全性和寿命耗损研究;姚芳;胡洋;李铮;黄凯;李志刚;;电工技术学报(09);全文 *
考虑热效应的IGBT热网络模型建模方法;申海东;解江;吴雪珂;欧永;;半导体技术(12);全文 *

Also Published As

Publication number Publication date
CN117034786A (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
CN103946672B (zh) 物理量传感器或其装置的输出值修正方法及装置
US11474146B2 (en) Method for estimating degradation of a wire-bonded power semi-conductor module
CN107167261B (zh) 一种基于热敏电阻的温度检测方法及电路
US11530954B2 (en) On-chip temperature sensor circuits
CN109059988B (zh) 光电检测仪器可靠性评估方法和装置
US20230003586A1 (en) Method for estimating parameters of a junction of a power semi-conductor element and power unit
CN107949631A (zh) 温度调整装置
CN117034786B (zh) 一种igbt结温预测方法
CN113125928A (zh) 基于Miner理论的IGBT模块老化表征方法及系统
CN110850261A (zh) 一种在线测量电路及测量方法
CN104062025A (zh) 一种节能自动ad温度采集监控系统
CN108519171B (zh) 一种仓储谷物粮情的判定方法
CN104460469A (zh) 一种环境传感器和一种环境参数测量和预测方法
CN211086505U (zh) 电力电子变电站中igbt的可靠性状态检测装置
US20210293733A1 (en) Method for operating a gas sensor device and gas sensor device for ascertaining pieces of information about an air quality
US11698356B2 (en) Gas detection device and gas detection method using metal-oxide semiconductor gas sensor
CN113985337B (zh) 电阻式电流传感器的标定方法、装置、系统及校准方法
CN116124309A (zh) 一种根据电阻温度变化率的温度补偿系统
CN102890518B (zh) 一种加速度计温度控制系统分析方法及其系统
CN104881077A (zh) 一种光伏系统中最大功率点跟踪控制方法
CN103869151A (zh) 一种基于红外原理的采样电阻实时纠偏补偿方法
CN105547484B (zh) 用于线阵探测器可靠性筛选的像元辐射响应标定方法
US8425113B2 (en) System and method for remote temperature sensing
CN117970978B (zh) 一种适用于实验的恒温恒湿实验箱自动调控系统
CN110346052B (zh) Mems非制冷红外探测器热学参数测试电路及测试方法

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