基于神经网络的功率模块开关损耗预测.docVIP

基于神经网络的功率模块开关损耗预测 　　摘 要： 功率半导体器件的开关损耗的准确预测和评估对研究系统设计、选择合适的散热系统和提高系统的可靠性都是很重要的。采用功率半导体器件的开关动态测试系统，可以自动调整直流母线电压、集电极电流、门极驱动电压和开关频率，记录开关动态电压、电流波形，计算获得大量的损耗数据。通过建立人工神经网络模型对开关损耗预测，并改变模型参数进行分析与研究，获取最佳模型。 　　关键词： 功率模块； 开关损耗； 神经网络； 损耗预测 　　中图分类号： TN926?34 文献标识码： A 文章编号： 1004?373X（2016）20?0101?03 　　Abstract： The accurate prediction and evaluation for switching loss of power semiconductor devices are very important to study the system design， select the suitable cooling system， and improve the system reliability. The switch dynamic testing system of power semiconductor devices can automatically adjust the DC bus voltage， collector current， gate driving voltage and switching frequency， record the switch dynamic voltage and current waveforms， and obtain the massive loss data by calculation. The neural network model was established to predict the switching loss， and change the model parameters for analysis and study， so as to obtain the best model. 　　Keywords： power module； switching loss； neural network； loss prediction 　　0 引 言 　　功率半导体器件开关过程持续时间极短，且影响因子较多，因此开关损耗预测和评估比较难[1]。功率半导体器件的损耗主要取决于器件的类型和器件的操作条件，器件的损耗可能会产生大量的热，引起过大的温升，对其可靠性影响很大，这些直接决定了系统所需的散热系统和过热保护系统的等级。因此，功率模块IGBT的损耗问题一直是各国学者研究的热点，其中如何准确估算IGBT模块的开关损耗是研究的重点内容之一。 　　目前，功率模块IGBT开关损耗的计算方法主要有两种，即基于物理方法的损耗计算法和基于数学方法的损耗计算法[2]。基于物理方法计算开关损耗计算方法需要建立IGBT的等效物理模型，参数提取也比较复杂，但目前许多仿真软件已经建立了一些器件的物理模型，大大方便了人们的应用[3?4]。基于数学方法的开关损耗计算方法大都是以数据手册和实验数据为基础，回避器件的复杂的物理结构分析，由于厂商提供器件资料的测试环境的确定性导致基于数据手册的开关损耗计算方法无法获得工况下器件的精确开关损耗值，但计算方法简单易懂，具有通用性[5?6]。基于数学模型和波形拟合的开关损耗计算方法都以实测的开关波形和开关损耗值为基础，准备工作复杂，但模型建立后获取开关损耗值比较简单、计算速度快，精度较高[3，7]。目前，基于人工智能模型的开关损耗计算比较少见，并且没有对模型参数调整以达到最优化。 　　基于以上分析，本文采用功率模块动态测试系统测试开关动态电流、电压波形，该系统可以调节的参数包括直流母线电压、集电极电流、门极驱动电压和开关频率，处理波形获取开关损耗，基于大量测试数据建立神经网络模型对开关损耗预测，并改变模型的主要参数进行分析和研究，获取最佳模型。 　　1 开关损耗定义 　　功率模块IGBT的开关瞬态电压、电流波形及开关损耗如图1所示。 　　本试验采用某典型的1 200 V/75 A的功率模块IGBT进行试验，采用叠层母排，有效地减少母线杂散电感；选取电感L为1 mH；门极触发的双脉冲信号为由DSP编程产生，它也控制着电压、电流、门极驱动电压、和开关频率的自动调节。通过示波器记录不同工作条件下的功率模块IGBT的开通、关断波形，并保存在计算机中等待后续处理。 　　在人机界面上分别设置测试条件如表1所示，共240个测试点，