一种隐埋缓冲掺杂层高压SBD器件新结构

提出了一种新型隐埋缓冲掺杂层(IBBD)高压SBD器件,对其工作特性进行了理论分析和模拟仿真验证。与常规高压SBD相比,该IBBD-SBD在衬底上方引入隐埋缓冲掺杂层,将反向击穿点从常规结构的PN结保护环区域转移到肖特基势垒区域,提升了反向静电释放(ESD)能力和抗反向浪涌能力,提高了器件的可靠性。与现有表面缓冲掺杂层(ISBD)高压SBD相比,该IBBD-SBD重新优化了漂移区的纵向电场分布形状,在保持反向击穿点发生在肖特基势垒区域的前提下,进一步降低反向漏电流、减小正向导通压降,从而降低了器件功耗。仿真结果表明,新器件的击穿电压为118 V。反向偏置电压为60 V时,与ISBD-SBD相比,该IBBD-SBD的漏电流降低了52.2%,正向导通电压更低。

基于可信深度神经网络的最优潮流计算方法

为应对新型电力系统以最优潮流为核心的精细化资源配置与运行分析需求,基于深度神经网络的最优潮流计算方法受到广泛关注。然而深度神经网络具有“黑箱特性”,现有方法普遍仅基于有限训练、测试集进行深度神经网络的训练与评估,难以从理论上量化计算误差,导致可信度缺乏理论保障。为此,该文提出基于可信深度神经网络的最优潮流计算方法。首先,以理论定量评估深度神经网络映射误差为核心,提出基于min-max双层规划问题的深度神经网络可信训练模型,实现深度神经网络的可信度量化训练;然后,基于KKT最优性条件与激活函数解析表征技术,将所提可信训练模型解析构建为以混合整数规划模型为基础的双层规划问题,并提出基于Danskin定理的精确求解策略;最后,提出基于凸松弛技术与模式识别思想的快速近似求解策略以减轻整数变量计算负担。仿真算例表明:所提方法可将基于有限测试集的深度神经网络映射评估精度提升28.73%,可更为精准地量化深度神经网络可信度;相较于基于有限训练集的现有深度神经网络训练方法,该方法可将计算误差减少87.49%,实现更为可信的深度神经网络训练。