基于MEA-BP算法的IGBT结温预测模型

发布时间：2021-11-07 08:21

　　针对IGBT芯片被封装在模块内部,芯片结温无法直接测量的问题,提出了基于思维进化算法（MEA）优化的反向传播（BP）（MEA-BP）神经网络算法的IGBT结温预测算法模型。首先,利用温敏电参数（TSEP）法搭建IGBT模块饱和压降实验平台;然后,从实验数据中提取338组饱和压降与集电极电流数据作为TSEP,表征其与IGBT模块结温的关系;最后,利用MEA-BP神经网络算法将提取出的电气参数建立结温预测模型,对结温进行预测。实验结果表明,MEA-BP神经网络算法的结温预测值平均绝对百分比误差在集电极电流小于临界电流时为0.114,在大于临界电流时为0.062,比遗传算法（GA）优化的BP（GA-BP）神经网络算法以及经典BP神经网络算法能更准确预测IGBT结温。 

【文章来源】：半导体技术. 2020,45(11)北大核心

【文章页数】：7 页

【部分图文】：

饱和压降测试平台

为避免IC因模块高温特性而出现结温(θj)测量盲区,设置温度梯度区间为30～150 ℃,集电极电流梯度区间为1～50 A。首先将恒温器设置到一定温度梯度值,温控平台对IGBT整个模块进行加热,当IGBT被加热相当长一段时间后,IGBT达到热平衡,默认IGBT芯片温度达到设定值。打开IGBT驱动板电源,触发信号发生器和直流电源,同时使用单脉冲驱动IGBT导通并测量该条件下的饱和压降。因此,可以记录θj、IC和VCE。然后升高温度,测量在不同θj和IC下IGBT模块的饱和压降。实验流程如图2所示,图中θn和In分别为温度梯度和集电极电流梯度,其中n为循环次数,θ1=30 ℃,I1=1 A。用采集到的数据绘制出VCE、IC和θj的关系三维图,如图3所示。从图3可以直观地看出,VCE同时受IC和θj的影响,验证了实验选取VCE和IC作为结温预测网络模型参数的正确性。

用采集到的数据绘制出VCE、IC和θj的关系三维图,如图3所示。从图3可以直观地看出,VCE同时受IC和θj的影响,验证了实验选取VCE和IC作为结温预测网络模型参数的正确性。1.2 BP神经网络预测模型

【参考文献】：
期刊论文
[1]基于GAD-BP神经网络的短期负荷预测[J]. 张丹丹,胡钢,卢静,尹晓东,任其文.  电子测量技术. 2019(24)
[2]IGBT模块实时温度反馈的动态热网络模型[J]. 胡丰晔,崔昊杨,卓助航,张宇,周坤.  半导体技术. 2020(02)
[3]IGBT功率模块热网络模型建立及其参数辨识方法综述和展望[J]. 李凯伟,何怡刚,李兵,朋张胜.  电子测量与仪器学报. 2020(01)
[4]基于GA-BP算法的IGBT结温预测模型[J]. 禹健,郭天星,高超.  自动化与仪表. 2019(01)
[5]基于改进遗传算法的BP神经网络短期电力负荷预测[J]. 王帅哲,王金梅,王永奇,马文涛.  国外电子测量技术. 2019(01)
[6]Si和SiC功率器件结温提取技术现状及展望[J]. 王莉娜,邓洁,杨军一,李武华.  电工技术学报. 2019(04)
[7]大功率IGBT模块及驱动电路综述[J]. 杨媛,文阳,李国玉.  高电压技术. 2018(10)
[8]基于IGBT栅极米勒平台的新型电流过载检测技术[J]. 李新昌,徐大伟,朱弘月,程新红,俞跃辉.  仪器仪表学报. 2018(09)
[9]功率变流器的可靠性研究现状及展望[J]. 周雒维,吴军科,杜雄,杨珍贵,毛娅婕.  电源学报. 2013(01)



本文编号：3481502