本发明的技术方案属于电力电子器件igbt可靠性技术领域,具体的说是一种igbt动态过程中开关损耗预测的建模方法。
背景技术:
随着能源危机的不断加重,电力电子技术不断发展,有效地促进了社会的进步与发展。作为现代电力电子开关的igbt,广泛地应用于电力系统、电动汽车和高速牵引等领域。然而,以igbt为核心的光伏逆变器发生的故障约占总故障的37%。在电力电子系统的失效故障中,由温度引发的故障约占总故障的55%,并且器件的温度,与其安全裕度和热循环寿命之间呈现负相关关系。故障的发生严重影响了系统的正常运行,降低了系统运行的可靠性。因此,研究igbt工作中的过热疲劳以及过热损耗则显得尤为重要。
国内外学者对igbt的过热疲劳以及过热损耗的研究主要集中于igbt开关损耗计算方面。igbt的开关损耗是指在一个周期内,消耗在igbt上的功率。开关损耗与igbt集-射极电压、集电极电流、开关频率及其驱动电路上的电阻、电压等有着密切的关系。并且igbt的可靠性与其开关损耗产生的温升波动有很大关系,温升升到某一阈值会引起器件的热损伤。因此,若对igbt的开关损耗进行建模预测,有利于对器件的封装散热设计、驱动电路设计等,避免器件运行时因igbt开关损耗产生的热量导致温升波动过大而引起器件的失效。因此,对igbt进行开关损耗预测有一定的意义。近年来一些学者对igbt的开关损耗进行预测并取得了一定的成绩。
目前计算igbt开关损耗的方法大致分为三种:基于物理模型的开关损耗计算、基于数学模型的计算方法和基于智能模型的开关损耗预测。首先,基于物理模型的开关损耗计算,是利用仿真软件模拟仿真igbt的动态特性,进而计算出igbt的开关损耗,计算结果精度较高,但是构建模型的过程比较复杂,仿真速度较慢;其次是基于数学模型的开关损耗计算,常用的方法是查阅igbt技术手册计算开关损耗,但是计算值与实际值差别很大,而多项式模型虽然预测精度有所提高,但是预测速度相对较慢;最后是基于智能模型的开关损耗预测,其预测精度和预测速度相对于前二者有了提高,但是智能模型在参数选取方面,若选取不当,会导致智能模型陷入局部最优解,不利于模型寻找全局最优解。
因此,针对现有的测量方法的预测精度不高,以及选取最优智能模型参数预测igbt开关损耗等问题。本发明以极限学习机作为理论主体,以佳点集、磷虾群算法和余弦控制因子为填充,以集电极电流、直流母线电压、开关频率和门极电压为输入,以开通损耗、关断损耗为输出建立igbt动态过程中开关损耗预测的数学模型。本发明以多变量输入,充分考虑了影响igbt开关损耗的多种因素,提高开关损耗的预测精度,而且不易陷入局部最优解,因此本发明有一定的实用价值。
技术实现要素:
本发明所要解决的技术问题是:提供一种igbt动态过程中开关损耗预测的建模方法,基于igbt功率模块的动态特性试验,获取igbt模块直流母线电压、集电极电流、门极电压和开关频率数据,及其开通、关断损耗数据,以直流母线电压、集电极电流、门极电压和开关频率数据为输入,以开通、关断损耗数据为输出,建立佳点磷虾群算法优化的极限学习机(gkh-elm)为理论支撑的多参数igbt开关损耗的预测模型;与现有的方法相比,经过佳点集算法的优化,磷虾群算法变为佳点磷虾群算法,该算法在种群初始化时,佳点磷虾个体分布更加均匀,有利于寻找全局最优解;引入余弦控制因子和莱维飞行,则使得佳点磷虾群算法的参数在前中期慢慢加快,中后期逐渐减速,逐渐趋于全局收敛,实现佳点磷虾群的动态搜索;gkh-elm的提出弥补了现有模型预测精度的不足,对提高igbt工作可靠性具有重要的现实意义。
本发明解决该技术问题所采用的技术方案是:一种igbt动态过程中开关损耗预测的建模方法,是基于佳点磷虾群算法优化极限学习机的igbt开关损耗预测的方法,其步骤如下:
步骤一,获取igbt动态特性试验数据
(1.1)通过igbt动态特性试验获取m组试验数据,每组数据包括igbt模块的直流母线电压、集电极电流、门极电压和开关频率数据,及其开通、关断损耗数据;
步骤二,对igbt动态特性试验数据进行归一化处理和分配
(2.1)使用归一化公式(1)对igbt动态特性试验数据进行归一化处理:
(2.2)将归一化后的试验数据分为学习数据和测试数据,分配比例为:
学习数据的数量∶测试数据的数量=a∶b;
因此,igbt的m组动态特性试验数据分为m×a/(a+b)组学习数据,和m×b/(a+b)组测试数据;每组包括六个变量,igbt模块的开通、关断损耗,和igbt模块的直流母线电压、集电极电流、门极电压和开关频率;
步骤三,设置和初始化极限学习机参数
极限学习机的参数需要设置每一层的节点数和初始化极限学习机的权值及阈值,包括:
设置极限学习机的输入层节点数为num_in个;
设置极限学习机的隐含层节点数为num_hid个;
设置极限学习机的输出层节点数为num_out个,尽管预测为igbt的开通或关断损耗,由于分别预测,所以num_out=1;
步骤四,设置磷虾群算法基本参数,完成极限学习机输入层到隐含层节点的权值和阈值的分配
(4.1)磷虾群算法的参数需要设置初始磷虾群中磷虾的数量、磷虾群寻优的最大迭代次数、每只磷虾所含数据的维度和磷虾群的初始数据,包括:
设置初始磷虾群中磷虾的数量为n;
设置磷虾群寻优的最大迭代次数为iteration_max;
设置每只磷虾所含数据的维度为dim;dim是由极限学习机输入层节点和隐含层节点所决定,dim=num_in×num_hid+num_hid;
初始化磷虾群的种群数据,并将此作为极限学习机输入层到隐含层节点的权值和阈值。方法为:利用matlab软件,采用分圆域的方法在dim维的单位空间内生成一个包含n个点的集合xn(i),xn(i)的构造公式见公式(2):
xn(i)={[(r1×i),(r2×i),...,(rj×i),...,(rdim×i)],1≤i≤n,1≤j≤dim}(2)
式中,dim表示每一个佳点的数据维度;
矩阵x中,xij∈[lb,ub](1≤i≤n,1≤j≤dim),ub、lb分别为变量xij的上、下边界。将佳点矩阵x作为磷虾群算法中第一代的磷虾种群数据矩阵,记为佳点磷虾群。因此,式(3)中,x1,x2,...,xi,...,xn表示佳点磷虾群中第1,2,3,...,i,...,n只佳点磷虾,xij表示第i只佳点磷虾上第j维上的数据。因此,极限学习机输入层到隐含层节点的权值和阈值初始化完毕。
(4.2)考虑到极限学习机输入层和隐含层的节点数量,将每只佳点磷虾的dim维数据进行分配,将佳点磷虾的[1,num_in×num_hid]维数据作为极限学习机输入层到隐含层的权值,将佳点磷虾的[num_in×num_hid+1,dim]维数据作为极限学习机输入层到隐含层的阈值,并将上述分配的数据导入极限学习机中。至此,极限学习机的参数设置基本完成。
步骤五,利用佳点磷虾群算法优化极限学习机,并计算每只磷虾的适应度值
(5.1)建立佳点磷虾群算法-极限学习机的预测模型,称之为gkh-elm预测模型,用于预测igbt开通损耗或关断损耗。将佳点磷虾群算法中的每只佳点磷虾数据作为gkh-elm预测模型的输入层节点到隐含层节点的一组权值和阈值;将步骤(2.2)获得的m×a/(a+b)组学习数据导入极限学习机中,学习数据分为两部分:输入数据和输出数据。一组输入数据包括4个变量,分别为igbt模块的直流母线电压、集电极电流、门极电压和开关频率,输出数据为igbt模块的开通损耗或关断损耗。将学习数据导入极限学习机之后,会获得n组,每组m×a/(a+b)个igbt开通损耗或关断损耗预测值,并通过公式(4)计算每只佳点磷虾的适应度值,即每只佳点磷虾对应下的极限学习机的预测性能评估值,
公式(4)中,f为每只佳点磷虾的适应度值,适应度值越大越好;pk为igbt动态特性试验获得的数据,以此视为igbt的开通损耗或关断损耗的实际值;p′k为igbt开通损耗或关断损耗的预测值;n为极限学习机开通损耗或关断损耗的预测输出个数,即学习期间n为m×a/(a+b)。同理,在测试期间,n=m×b/(a+b)。
(5.2)筛选适应度高的佳点磷虾,记录和保留佳点磷虾群算法中适应度值最大的佳点磷虾位置数据。筛选适应度高的佳点磷虾包括:筛选当代最优适应度的佳点磷虾,以及比较当代最优佳点磷虾和历史最优佳点磷虾的适应度值,选择最优。即,若
步骤六,对佳点磷虾群算法进行改进,寻找全局最优解
(6.1)更新步骤四或公式(13)得到的佳点磷虾群x。佳点磷虾个体的位置更新运动,主要包括诱导运动ii、觅食运动fi和物理扩散运动pi,其公式分别见(5)、(6)、(7):
公式(5)中,
公式(6)中,fit表示第i只佳点磷虾的第t次觅食运动,同理fit-1表示第i只佳点磷虾的第t-1次觅食运动;
公式(7)中,
因此,佳点磷虾i在第t次运动时的位置运动的变化量
记佳点磷虾i第t次运动结束后的位置
(6.2)引入余弦控制因子和莱维飞行改进佳点磷虾群的位置更新公式。余弦控制因子用于改进佳点磷虾诱导运动公式(5)和觅食运动公式(6)中的ωi和ωf,改进公式见式(10)。
莱维飞行用于改进公式(9),并对莱维飞行进行设定。若佳点磷虾群最优适应度值超过20次迭代不发生变化,便启动莱维飞行,直至磷虾群的最优适应度值发生变化。莱维飞行公式见(11):
其中,u和ε均服从标准正态分布,且β=1.5,而φ的计算公式见式(12)。
因此,结合公式(9)、(10)、(11)、(12)得到改进后的佳点磷虾位置更新公式(13),因而佳点磷虾群x中每个个体的位置
步骤七,判断磷虾群的当前运动次数t是否达到了磷虾群算法设定的最大迭代次数iteration_max。若t<iteration_max,则返回步骤五;若t=iteration_max,则执行步骤八。
步骤八,输出igbt开通损耗、关断损耗预测结果
将步骤五中获得的历史最优佳点磷虾位置数据作为gkh-elm预测模型的最优权值和阈值;将m组动态试验特性试验数据中的m×b/(a+b)数据作为测试数据,每组测试数据包括:igbt模块的开通或关断损耗,和igbt模块的直流母线电压、集电极电流、门极电压和开关频率;将igbt模块的直流母线电压、集电极电流、门极电压和开关频率作为gkh-elm预测模型的输入数据,并预测igbt开通或关断损耗值;将igbt动态特性试验获取的开通或关断损耗数据作为gkh-elm预测igbt开通或关断损耗值的参考值,并利用公式(4)计算其适应度值,即计算最优佳点磷虾位置下的极限学习机预测性能评估值。
借助matlab软件在计算机的显示屏上显示步骤八预测的igbt的开通、关断损耗值和实际开通、关断损耗值对比图,以及igbt的测试数据的开通、关断损耗值预测的均方根误差rmse和决定系数r2。
上述的一种igbt动态过程中开关损耗预测的建模方法,所述的igbt参数,如:igbt模块的直流母线电压、集电极电流、门极电压、开关频率和其开通、关断损耗是为本技术领域技术人员所熟知的。
上述的一种igbt动态过程中开关损耗预测的建模方法,所述的佳点集算法、磷虾群算法、极限学习机、余弦控制因子和莱维飞行公式是已有技术,是为本技术领域技术人员所熟知的。
上述的一种igbt动态过程中开关损耗预测的建模方法,所述将igbt动态特性试验获得的参数数据输入计算机中的输入方法是公知的方法,所述计算机、显示器和matlab计算机软件均是通过商购获得的。
本发明的有益效果是:本发明与现有的技术相比有以下特点,
(1)本发明采用基于佳点磷虾群算法优化极限学习机构建的gkh-elm预测模型,对igbt的开通、关断损耗进行预测,实现了igbt的开通、关断损耗的高精度、高可靠预测,有利于工程师改进igbt模块的散热系统等,提高igbt运行的可靠性;
(2)本发明建立的基于佳点磷虾群算法优化极限学习机的igbt开关损耗预测模型,以佳点集算法初始化的磷虾群算法为载体,对极限学习机的最优权值和阈值进行全局搜索,同时引入余弦控制因子和莱维飞行公式实现对最优解的动态搜索;
(3)本发明一种igbt动态过程中开关损耗预测的建模方法,该方法的扩展能力强、兼容性强,不仅可对影响igbt的开关损耗的因素进行扩展,而且也可扩展到其他领域,如继电器寿命预测、光伏发电预测等。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明方法的流程示意图。
图2是igbt动态过程中开关损耗预测的模型框图。
图3是本发明对igbt的开通损耗可靠性预测的显示图。
图4是本发明对igbt的关断损耗可靠性预测的显示图。
具体实施方式
图1表明本发明一种igbt动态过程中开关损耗预测的建模方法的流程是,开始→获取igbt动态特性试验数据→分配、归一化试验数据→设置、初始化极限学习机参数→设置磷虾群算法基本参数→利用佳点集算法初始化磷虾群初值→计算佳点磷虾群的适应度值,并记录当代最优、历史最优佳点磷虾的位置数据→利用改进位置公式更新佳点磷虾的位置→判断当前佳点磷虾的迭代次数是否达到了最大迭代次数,若未达到则继续计算佳点磷虾群的适应度值,并更新佳点磷虾的位置;若达到,则执行下一步骤→输出igbt开关损耗预测结果→结束。
图2表明igbt动态过程中开关损耗预测的模型框图。该模型以igbt模块的直流母线电压、集电极电流、门极电压和开关频率为输入,以igbt开通、关断损耗为输出,以极限学习机为主体,以佳点集算法初始化的磷虾群算法为载体,以余弦控制因子和莱维飞行公式为翼,建立了基于佳点磷虾群算法优化极限学习机构建的igbt开关损耗预测模型。
实施例
本发明采用pc机作为平台进行模型搭建,其中cpu为i5-3230m2.60ghz,安装内存为4gb,操作系统为windows7-64位,使用matlabr2016a版本。igbt模块选用macmic公司的mmg75s120b6hn,模块的额定值为1200v/75a,模块包括两个完全相同的igbt芯片和续流二极管,且igbt芯片和fwd芯片的间距为6.4毫米。
步骤一,获取igbt动态特性试验数据
(1.1)通过igbt动态特性试验获取240组试验数据,每组数据包括直流母线电压、集电极电流、门极电压和开关频率数据,以及igbt模块的开通、关断损耗数据;
步骤二,对igbt动态特性试验数据进行归一化处理和分配
(2.1)使用公式(1)对igbt特性试验数据进行归一化处理;
(2.2)将归一化后的试验数据分为学习数据和测试数据,分配比例为:
学习数据的数量∶测试数据的数量=8∶2;
因此,igbt的240组动态特性试验数据分为192组学习数据,和48组测试数据;每组数据包括六个变量,igbt模块的开通、关断损耗,和igbt模块的直流母线电压、集电极电流、门极电压和开关频率;
步骤三,设置和初始化极限学习机参数
设置极限学习机的输入层节点数num_in=4;
设置极限学习机的隐含层节点数num_hid=7;
设置极限学习机的输出层节点数num_out=1;
步骤四,设置磷虾群算法的基本参数,完成极限学习机输入层到隐含层节点的权值和阈值分配
设置磷虾群中磷虾的数量n=50;
设置磷虾群寻优的最大迭代次数iteration_max=100;
设置每只磷虾所含数据的维度dim=num_in×num_hid+num_hid=4×7+7=35;
初始化磷虾群位置数据以此作为极限学习机输入层到隐含层节点的权值和阈值。方法为:利用matlab软件,采用分圆域的方法在35维的单位空间中生成一个包含50个点的集合x50(i),其构造公式见公式(2)。利用式(2)构造佳点矩阵x时,需确定q和xij的上、下边界ub、lb,由于q≥2×35+3=73,且q为该范围内的最小素数素数,所以q取73;ub、lb分别赋值为1、-1;进而得到佳点矩阵x,以此作为磷虾群的第一代种群位置数据矩阵,并记为佳点磷虾群。
基于极限学习机输入层和隐含层节点的数量,将每只佳点磷虾的35维数据进行分配,将佳点磷虾的[1,28]维数据作为极限学习机输入层到隐含层的权值,将佳点磷虾的[29,35]维数据作为极限学习机输入层到隐含层的阈值,至此,极限学习机的参数设置全部完成。
步骤五,利用佳点磷虾群算法优化极限学习机,并计算每只佳点磷虾的适应度值
(5.1)建立基于佳点磷虾群算法-极限学习机的预测模型,称之为gkh-elm预测模型,用于预测igbt开通或关断损耗。预测过程如下:将佳点磷虾群算法中的每只佳点磷虾数据作为gkh-elm预测模型的输入层节点到隐含层节点的一组权值和阈值;将192组学习数据导入极限学习机中,学习数据包括:输入数据和输出数据。一组输入数据包括:igbt模块的直流母线电压、集电极电流、门极电压和开关频率,输出数据为igbt模块的开通损耗或关断损耗。将学习数据导入极限学习机之后,会获得50组、每组192个igbt开通损耗或关断损耗值,并通过公式(4)计算每只佳点磷虾的适应度值,即每只佳点磷虾对应下的极限学习机的性能评估值。
(5.2)筛选适应度高的佳点磷虾,记录和保留佳点磷虾群算法中适应度值最大的佳点磷虾位置数据。筛选适应度高的佳点磷虾包括:筛选当代最优适应度的佳点磷虾,以及比较当代最优佳点磷虾和历史最优佳点磷虾的适应度值,选择最优。即,若
步骤六,利用改进后的佳点磷虾群位置更新公式(13)更新佳点磷虾的位置。
步骤七,判断佳点磷虾群的当前运动次数t是否达到了佳点磷虾群算法设定的100次的最大迭代次数。若t<100,则返回步骤五;若t=100,则执行步骤八。
步骤八,输出igbt开通损耗、关断损耗预测结果
将步骤五中获得历史最优佳点磷虾位置数据作为gkh-elm预测模型的最优权值和阈值;将240组动态试验特性试验数据中的48组数据作为测试数据,每组测试数据包括:igbt模块的开通或关断损耗,和igbt模块的直流母线电压、集电极电流、门极电压和开关频率;将igbt模块的直流母线电压、集电极电流、门极电压和开关频率作为gkh-elm预测模型的输入数据,并预测igbt开通或关断损耗值;将igbt动态特性试验获取的开通或关断损耗数据作为gkh-elm预测igbt开通或关断损耗值的参考值,并利用公式(4)计算其适应度值,即计算最优佳点磷虾下的极限学习机预测性能评估值。
借助matlab软件在计算机的显示屏上显示步骤八预测的igbt开通、关断损耗值和实际开通、关断损耗值对比图,以及igbt的测试数据的开通损耗预测的均方根误差rmse=0.3772、决定系数r2=0.9984;关断损耗预测的均方根误差rmse=0.0368、决定系数r2=0.9991。
表1用本发明方法与现有的技术方法对开通损耗预测预测比较表
表2用本发明方法与现有的技术方法对开通损耗预测预测比较表
从表1,表2中可以看出,gkh-elm模型无论在rmse还是r2方面均优于其他算法。
上述实施案例中,所述的igbt参数,如igbt模块的直流母线电压、集电极电流、门极电压、开关频率和其开通、关断损耗是为本领域技术人员所熟知的;所述的佳点集算法、磷虾群算法、极限学习机、余弦控制因子和莱维飞行公式是已有技术,是为本技术领域技术人员所熟知的;所述将igbt动态特性试验获得的参数数据输入计算机中的输入方法是公知的方法,所述计算机、显示器和matlab计算机软件均是通过商购获得的。
以上仅为本发明较好的实施方式,但本发明的保护范围并不仅限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围内。