基于MEA-BP算法的IGBT结温预测模型

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。

基于GA-BP算法的IGBT结温预测模型

人们已经使用BP神经网络进行IGBT结温预测,但BP神经网络结温预测模型却存在着预测误差较大的问题。该文基于英飞凌IGBT模块,选取了饱和导通压降和集电极电流的温敏参数来预测器件结温,分别测量了集电极电流大于和小于临界电流2组实验数据,建立了基于GA-BP算法和BP神经网络的结温预测模型。实验结果表明:当集电极电流大于临界电流时,两种算法预测精度更高;使用GA-BP算法结温预测模型较BP神经网络结温预测模型更接近实测数据,预测误差更低。

基于电压变化率的IGBT结温预测模型研究

基于半导体物理和IGBT基本结构,通过合理简化与理论推导,建立了电压变化率模型,对电压变化率的影响因素与温度特性进行了深入研究,得出电压变化率随电压或电流的增大,线性增大;随结温增大,线性减小.基于电压变化率模型,建立了IGBT电压变化率结温预测模型.仿真和实验结果验证了模型的正确性与准确性.对实现IGBT结温在线监测、提高IGBT模块及电力电子装置可靠性具有一定的理论意义和应用价值.

基于伴随负载的IGBT结温测量方法及预测模型

针对传统的温敏参数测量方法难以保证在测量时刻恒流源输出电流的稳定性,造成结温测量误差的弊端,本文提出了一种基于伴随负载的IGBT结温测量方法 ,该方法通过设置伴随负载,使得恒流源两端电压在其切换到被测器件前后保持不变,保证了恒流源电流的一致性,提高了结温测量准确性;通过Pspice仿真工具,完成了对器件热平衡过渡时间、饱和导通压降采集时间的确定;建立了基于MATLAB和BP神经网络的结温预测模型,验证了BP神经网络在IGBT结温预测的可行性。

基于PSO-BP算法的IGBT结温预测方法分析

针对IGBT结温难以直接测量的缺陷,阐述IGBT结温测量平台,选取不同IC的VCE温敏参数预测结温,分别离线采集实验数据,并分别搭建基于BP神经网络和PSO-BP算法的结温预测模型。实验结果表明,采用PSO-BP算法预测IGBT结温较BP神经网络更接近实测数据,误差更低。