一种IGBT开关损耗预测模型的建模方法及设备与流程

本发明涉及igbt可靠性在线监测，尤其涉及一种igbt开关损耗预测模型的建模方法及设备。

背景技术：

1、高压直挂储能系统由于安全性高、效率高等优势，是当前研究及工程化应用的热点。但对百兆瓦级高压直挂储能系统，其包含数千计的大功率高压igbt，每个igbt对地电位很高，很难在线同时测量igbt的开关损耗。

2、近年来，随着大数据技术及人工智能技术在诸多领域的成功应用，大量研究成果表明：采用人工智能bp神经网络无需建立igbt模型，也无需了解其内部结构，即可对igbt开关损耗进行准确、方便、可靠的预测。

3、然而在使用神经网络训练得到igbt预测模型时，权值和阈值作为神经网络的重要参数，大多通过随机初始化得到权值和阈值，这会导致训练过程中陷入局部最优，导致训练过程的收敛速度缓慢且得到的预测模型预测精度低。

技术实现思路

1、为了克服现有技术的不足，本发明的目的在于提供一种igbt开关损耗预测模型的建模方法及设备，其能提高训练过程的收敛速度以及预测模型的预测精度。

2、为了解决上述问题，本发明按以下方案予以实现：

3、提供了一种igbt开关损耗预测模型的建模方法，包括：

4、确定用于构建预测模型的神经网络结构；

5、获取动态特性数据，动态特性数据划分为训练数据及测试数据；

6、基于粒子群算法确定神经网络结构的最优权值和最优阈值；

7、根据训练数据、最优权值和最优阈值，对采用神经网络结构的神经网络进行训练，得到预测模型；

8、根据测试数据对预测模型的预测性能进行评估；

9、根据预测性能，输出最优预测模型。

10、与现有技术相比，本发明的一种igbt开关损耗预测模型的建模方法的有益效果如下：采用粒子群算法通过全局搜索和局部搜索相结合的方式来优化神经网络的初始权值和阈值，避免训练过程陷入局部最优，使预测模型的预测精度提高，且通过最优权值和最优阈值，可以减少神经网络训练过程中的迭代次数，从而提高收敛速度。

11、可选的，神经网络结构包括：输入变量、输出变量、隐含层节点数、隐含层的激活函数、输出层的激活函数。

12、可选的，其特征在于，输入变量包括直流电压、交流电流及igbt结温；

13、输出变量包括开通损耗、关断损耗及二极管反向关断损耗；

14、根据输入变量个数及输出变量个数确定隐含层节点数；

15、隐含层的激活函数为tansig函数；

16、输出层的激活函数为purelin函数。

17、可选的，其特征在于，获取动态特性数据，包括：

18、采用高压直挂储能功率模块，搭建igbt开关损耗动态测试系统；

19、基于高压直挂储能的实际工况，确定多个测试点；

20、将测试点作为igbt开关损耗动态测试系统的输入条件，igbt开关损耗动态测试系统输出测试点对应的开关损耗实际值；

21、对测试点及其对应的开关损耗实际值进行数据清洗及归一化处理，得到动态特性数据。

22、可选的，其特征在于，基于高压直挂储能的实际工况，确定多个测试点，包括：

23、基于高压直挂储能的实际工况，确定直流电压范围、交流电流范围及igbt结温范围；

24、根据直流电压范围、交流电流范围及igbt结温范围，确定多个测试点。

25、可选的，其特征在于，基于粒子群算法确定神经网络结构的最优权值和最优阈值，包括：

26、随机初始化粒子群，基于输入变量对粒子群的每个粒子进行编码；

27、基于粒子群中每个粒子的编码计算每个粒子在当前位置的适应度值；

28、获取每个粒子在历史最优位置的适应度值及群体历史最优位置的适应度值；

29、比较粒子在当前位置的适应度值及其在历史最优位置的适应度值，将粒子的最优位置更新为适应度值小的对应位置；

30、比较粒子在当前位置的适应度值及群体历史最优位置的适应度值，将群体最优位置更新为适应度值小的对应位置；

31、更新粒子的速度，基于粒子的速度更新粒子的位置；

32、当达到终止条件时，输出最优权值和最优阈值；当未达到终止条件时，重复上述步骤，直至达到终止条件，输出最优权值和最优阈值；最优权值和最优阈值为粒子群算法的粒子惯性系数。

33、可选的，其特征在于，训练数据包括测试点及其对应的开关损耗实际值；最优权值为测试点分别对应的权重，将测试点及其分别对应的权重进行加权求和，得到目标数据；

34、根据训练数据、最优权值和最优阈值，对采用神经网络结构的神经网络进行训练，得到预测模型，包括：

35、将目标数据小于最优阈值所对应的测试点及其开关损耗实际值删除；

36、根据训练数据中剩下的测试点及其对应的开关损耗实际值，对神经网络进行训练，得到训练模型；

37、将训练数据中的测试点依次作为训练模型的输入数据，训练模型输出测试点分别对应的第一预测值；

38、根据测试点分别对应的开关损耗实际值及第一预测值，得到训练模型的第一预测误差；

39、当第一预测误差小于第一预设预测误差时，将训练模型作为预测模型；当第一预测误差大于或等于第一预设预测误差时，返回至对测试点及其对应的开关损耗实际值进行归一化处理并往后执行，直至第一预测误差小于第一预设预测误差，将训练模型作为预测模型。

40、可选的，其特征在于，测试数据包括测试点及其对应的开关损耗实际值；

41、根据测试数据对预测模型的预测性能进行评估，包括：

42、将测试数据中的测试点依次作为预测模型的输入数据，预测模型输出测试点分别对应的第二预测值；

43、根据测试点分别对应的开关损耗实际值及第二预测值，得到预测模型的第二预测误差；预测模型的预测性能包括第二预测误差。

44、可选的，其特征在于，根据预测性能，输出最优预测模型，包括：

45、当第二预测误差小于第二预设预测误差时，将预测模型作为最优预测模型输出；

46、当第二预测误差大于或等于第二预设预测误差时，返回至对测试点及其对应的开关损耗实际值进行归一化处理并往后执行，直至第二预测误差小于第二预设预测误差，将预测模型作为最优预测模型输出。

47、还提供了一种计算机设备，包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现所述的igbt开关损耗预测模型的建模方法。

技术特征：

1.一种igbt开关损耗预测模型的建模方法，其特征在于，包括：

2.根据权利要求1所述的一种igbt开关损耗预测模型的建模方法，其特征在于，神经网络结构包括：输入变量、输出变量、隐含层节点数、隐含层的激活函数、输出层的激活函数。

3.根据权利要求2所述的一种igbt开关损耗预测模型的建模方法，其特征在于，输入变量包括直流电压、交流电流及igbt结温；

4.根据权利要求3所述的一种igbt开关损耗预测模型的建模方法，其特征在于，获取动态特性数据，包括：

5.根据权利要求4所述的一种igbt开关损耗预测模型的建模方法，其特征在于，基于高压直挂储能的实际工况，确定多个测试点，包括：

6.根据权利要求3所述的一种igbt开关损耗预测模型的建模方法，其特征在于，基于粒子群算法确定神经网络结构的最优权值和最优阈值，包括：

7.根据权利要求5所述的一种igbt开关损耗预测模型的建模方法，其特征在于，训练数据包括测试点及其对应的开关损耗实际值；最优权值为测试点分别对应的权重，将测试点及其分别对应的权重进行加权求和，得到目标数据；

8.根据权利要求5所述的一种igbt开关损耗预测模型的建模方法，其特征在于，测试数据包括测试点及其对应的开关损耗实际值；

9.根据权利要求8所述的一种igbt开关损耗预测模型的建模方法，其特征在于，根据预测性能，输出最优预测模型，包括：

10.一种计算机设备，其特征在于，计算机设备包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如权利要求1至9任一所述的igbt开关损耗预测模型的建模方法。

技术总结
本发明公开了一种IGBT开关损耗预测模型的建模方法及设备，建模方法包括：确定用于构建预测模型的神经网络结构；获取动态特性数据，动态特性数据划分为训练数据及测试数据；基于粒子群算法确定神经网络结构的最优权值和最优阈值；根据训练数据、最优权值和最优阈值，对采用神经网络结构的神经网络进行训练，得到预测模型；根据测试数据对预测模型的预测性能进行评估；根据预测性能，输出最优预测模型。本发明采用粒子群算法通过全局搜索和局部搜索相结合的方式来优化神经网络的初始权值和阈值，避免训练过程陷入局部最优，使预测模型的预测精度提高，且通过最优权值和最优阈值，可以减少神经网络训练过程中的迭代次数，从而提高收敛速度。

技术研发人员：王长华,李祥雄,胥军,王邦文,龙朝晖
受保护的技术使用者：顺特电气设备有限公司
技术研发日：
技术公布日：2024/12/30