基于 MEA-BP 算法的 IGBT 结温预测模型

杨利霞

基于 MEA-BP 算法的 IGBT 结温预测模型

# Y. p% m2 N# I& ?( s
3 J3 P$ L7 n) g9 q针对
: j8 }$ k0 C1 S6 d1 q) ?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
; S+ |" }# k% u. o进化算法 (
MEA
) 优化的反向传播 (
BP
) (
MEA-BP
) 神经网络算法的
IGBT
' _* H. Q2 O1 V! w, `) Q5 m结温预测算法模型
7 N( L' U1 y' }4 V5 K。
8 {' @" i5 G) C+ u* Y( N首先，利用温敏电参数 (
2 L9 l' }3 x8 RTSEP
) 法搭建
. z7 L# K1 g# T' d5 P! rIGBT
, N% d5 [6 c  R& e. h* X/ |( W, [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
. e4 [4 c' y4 b: e( STSEP
，表征其与
: N# k* ?$ \* K( W- Q/ j2 UIGBT
模块结温的关系; 最后，利用
5 {$ U# z0 u  E/ C/ B  OMEA-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
$ e! y/ M1 q: Y2 ?8 b。
- _% X* s8 k9 D; @: ?- _实验结果表
/ a. e4 Y4 l7 I# G/ D明，
MEA-BP
5 n# Y* k3 c& P$ u3 R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
. Z* J1 t5 ?/ y0 |! l- P0. 114
，在大于临界电流时为
0. 062
; V7 A1 w" o( |) P，比遗传算法 (
2 x0 T6 F5 w2 U7 C8 T4 UGA
) 优化的
BP
(
2 }) s" T) o6 `+ }' H; UGA-BP
3 H9 [: c8 V( R  \+ Y) c- @6 P# @) 神经网络算法以
) Z! C$ c2 ~& c( r0 ^及经典
BP
+ z! X' d0 d' n' x2 w神经网络算法能更准确预测
IGBT
结温
。
9 V4 _! ^$ m% D& q- E  |
! X% M' ~! _7 D% Y6 A  W- f
: ?3 e: o8 h( X+ i* n
( {) j5 _7 H3 F; Q. H* D+ `2 V. r4 V7 e