功率变换器中功率器件结温预测模型建立方法及装置制造方法及图纸

本发明专利技术实施例涉及模型预测领域，尤其涉及一种功率变换器中功率器件结温预测模型建立方法及装置，所述方法包括：离线测取不同温度下，功率器件在不同母线电压条件下的通态电压数据和栅极电压过冲数据，以及不同温度下，功率器件在不同负载电流条件下的通态电压数据和栅极电压过冲数据；建立神经网络模型，利用所测取的数据对所述神经网络模型进行训练、测试和验证，得到训练后的神经网络模型。本发明专利技术实施例的技术方案，通过选取两个同时受功率器件温度和键合线失效影响的电气参数联合建立神经网络模型，预测功率器件的结温，实现了可解耦键合线失效的功率器件温度监测。解耦键合线失效的功率器件温度监测。解耦键合线失效的功率器件温度监测。

【技术实现步骤摘要】
功率变换器中功率器件结温预测模型建立方法及装置


[0001]本专利技术实施例涉及模型预测领域，尤其涉及一种功率变换器中功率器件结温预测模型建立方法及装置。

技术介绍

[0002]电力电子功率变换器的核心部件是功率器件，其可靠性与寿命直接影响着功率变换器系统的性能。根据电力电子功率器件的可靠性报告，热应力是导致电力电子功率器件的主要诱因。这是因为电力电子功率器件长期处于高速的开关切换工作状态，且电力电子功率器件在工作时不可避免要产生功率损耗（包括通态损耗与开关损耗），这个损耗将转化为热，对电力电子功率器件进行作用会使得电力电子功率器件面临严重的老化问题。
[0003]对电力电子功率器件进行准确、及时的状态监测对于保证整个系统的安全稳定运行具有重要意义。

技术实现思路

[0004]基于现有技术的上述情况，本专利技术实施例的目的在于提供一种功率变换器中功率器件结温预测模型建立方法及装置，通过建立功率器件结温预测模型，对功率变换器中功率器件的结温进行预测，具有结温监测响应快、采样频率高、对电路无侵入等技术效果。
[0005]为达到上述目的，根据本专利技术的一个方面，提供了一种功率变换器中功率器件结温预测模型建立方法，所述方法包括：离线测取不同温度下，功率器件在不同母线电压条件下的通态电压数据和栅极电压过冲数据，以及不同温度下，功率器件在不同负载电流条件下的通态电压数据和栅极电压过冲数据；建立神经网络模型，利用所测取的通态电压数据和栅极电压过冲数据对所述神经网络模型进行训练、测试和验证，得到训练后的神经网络模型。
[0006]进一步的，所述神经网络模型的输入为功率器件的通态电压数据和栅极电压过冲数据、以及所述通态电压数据和栅极电压过冲数据各自对应的母线电压数据以及负载电流数据，输出为功率器件的结温数据。
[0007]进一步的，所述神经网络模型包括输入层、隐藏层和输出层；所述输入层为1层，隐藏层为20层，输出层为1层。
[0008]进一步的，所述功率器件包括IGBT；所述功率变换器包括整流器、逆变器、以及变流器。
[0009]进一步的，将所测取数据的70%作为训练数据集，将所测取数据的15%作为测试数据集，将所测取数据的15%作为验证数据集，对所述神经网络模型进行训练、测试和验证。
[0010]进一步的，所述训练包括：获取神经网络模型的输出误差，当输出误差连续n次迭代无变化时，则终止训练，n为迭代误差阈值。
[0011]进一步的，所述方法还包括：根据在线监测的功率器件的电气参数，利用所述训练后的神经网络模型预测所述功率器件的结温。
[0012]进一步的，所述在线监测的功率器件的电气参数包括功率器件所在功率变换器的母线电压、功率器件所在功率变换器的负载电流、功率器件导通时的集射极电压、以及功率器件开通瞬态的栅极电压过冲。
[0013]根据本专利技术的第二个方面，提供了一种功率变换器中功率器件结温预测模型建立装置，所述装置包括：功率器件数据获取模块，用于离线测取不同温度下，功率器件在不同母线电压条件下的通态电压数据和栅极电压过冲数据，以及不同温度下，功率器件在不同负载电流条件下的通态电压数据和栅极电压过冲数据；神经网络建立模块，用于建立神经网络模型，利用所测取的通态电压数据和栅极电压过冲数据对所述神经网络模型进行训练、测试和验证，得到训练后的神经网络模型。
[0014]根据本专利技术的第三个方面，提供了一种电子设备，包括：处理器；和 存储器，其上存储有可执行代码，当所述可执行代码被处理器执行时，执行如本专利技术第一个方面所述的方法。
[0015]综上所述，本专利技术实施例提供了一种功率变换器中功率器件结温预测模型建立方法及装置，所述方法包括：离线测取不同温度下，功率器件在不同母线电压条件下的通态电压数据和栅极电压过冲数据，以及不同温度下，功率器件在不同负载电流条件下的通态电压数据和栅极电压过冲数据；建立神经网络模型，利用所测取的通态电压数据和栅极电压过冲数据对所述神经网络模型进行训练、测试和验证，得到训练后的神经网络模型。本专利技术实施例的技术方案，通过选取两个同时受功率器件温度和键合线失效影响的电气参数（功率器件通态电压以及功率器件开通栅极电压过冲），联合建立神经网络模型，预测功率器件的结温，实现了可解耦键合线失效的功率器件温度监测，解决了功率器件结温监测方法容易受到功率器件键合线失效的影响这一关键技术问题，相对于现有技术，提高了功率器件温度预测的准确性，减少了键合线失效以及器件老化对于功率器件温度预测误差的影响。
附图说明
[0016]图1是本专利技术实施例提供的结温预测模型建立方法的流程图；图2是本专利技术实施例提供的神经网络模型的结构示意图；图3是IGBT温度监测的BP神经网络模型训练集数据与拟合示意图1；图4是IGBT温度监测的BP神经网络模型验证集数据与拟合示意图2；图5是IGBT温度监测的BP神经网络模型验证集数据与拟合示意图3；图6是训练集、验证集、测试集在迭代过程中均方误差的变化示意图；图7是训练集、验证集、测试集在迭代过程中均方误差分布示意图；图8是利用训练后的神经网络模型预测功率器件的结温的流程图；图9是本专利技术实施例提供的结温预测模型建立装置的构成框图；图10是本专利技术实施例提供的电子设备的结构示意图。
具体实施方式
[0017]为使本专利技术的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本专利技术进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本专利技术的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本专利技术的概念。
[0018]需要说明的是，除非另外定义，本专利技术一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本专利技术一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。
[0019]现有技术中对于功率器件的温度在线监测，尤其是IGBT器件的温度在线监测，主要采用物理接触法、物理非接触法、热阻抗模型法，以及热敏电参数法。物理接触法，比如利用热敏电阻或者热敏二极管，虽然原理简单、测量直接。但是测量实时误差较大且温度测量的响应较慢。物理非接触法，比如红外热成像仪，响应很快，但是红外热成像仪设备昂贵而且实际工程应用困难。热阻抗模型法，首先获得温度监测点的温度，然后利用IGBT芯片PN结到温度监测点之间的热阻抗推算IGBT的结温，但是该方法存在响应慢以及受老化影响的问题。热敏电参数，通过测量IGBT的外特性电气参数，推算IGBT的结温。
[0020]然而上述监测方法中，尤其是目前主流的基于热敏电参数的IGBT结温监测方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种功率变换器中功率器件结温预测模型建立方法，其特征在于，所述方法包括：离线测取不同温度下，功率器件在不同母线电压条件下的通态电压数据和栅极电压过冲数据，以及不同温度下，功率器件在不同负载电流条件下的通态电压数据和栅极电压过冲数据；建立神经网络模型，利用所测取的通态电压数据和栅极电压过冲数据对所述神经网络模型进行训练、测试和验证，得到训练后的神经网络模型。2.根据权利要求1所述的方法，其特征在于，所述神经网络模型的输入为功率器件的通态电压数据和栅极电压过冲数据、以及所述通态电压数据和栅极电压过冲数据各自对应的母线电压数据以及负载电流数据，输出为功率器件的结温数据。3.根据权利要求2所述的方法，其特征在于，所述神经网络模型包括输入层、隐藏层和输出层；所述输入层为1层，隐藏层为20层，输出层为1层。4.根据权利要求3所述的方法，其特征在于，所述功率器件包括IGBT；所述功率变换器包括整流器、逆变器、以及变流器。5.根据权利要求4所述的方法，其特征在于，将所测取数据的70%作为训练数据集，将所测取数据的15%作为测试数据集，将所测取数据的15%作为验证数据集，对所述神经网络模型进行训练、测试和验证。6.根据权利要求5所述的方法，其特征在于，所述训练包括：获取神经网...

【专利技术属性】
技术研发人员：杨雁勇，张品佳，丁晓峰，
申请(专利权)人：清华大学，
类型：发明
国别省市：