基于GA-BP算法的IGBT結(jié)溫預(yù)測(cè)模型

禹 健，郭天星，高 超

（山西大學(xué) 自動(dòng)化系，太原 030013）

IGBT是一種綜合了GTR和MOSFET優(yōu)點(diǎn)的電力電子器件，目前廣泛應(yīng)用于光伏/風(fēng)電逆變器、動(dòng)車(chē)組電力牽引以及智能電網(wǎng)等領(lǐng)域[1]。IGBT在承擔(dān)電能的變換和控制的同時(shí)，其自身產(chǎn)生了一定的功率損耗，導(dǎo)致器件溫度升高超過(guò)其允許的最高結(jié)溫而失效。因此，IGBT的結(jié)溫預(yù)測(cè)與控制對(duì)于電力電子器件的可靠性研究意義重大。

IGBT的結(jié)溫測(cè)量方法包括傳感器直接測(cè)量法[2]、電熱耦合模型法[3]、溫敏參數(shù)法[4]等。其中溫敏參數(shù)法因其無(wú)需破壞器件封裝、反映靈敏、測(cè)量精確度高等優(yōu)點(diǎn)，成為了應(yīng)用最廣泛的結(jié)溫測(cè)量方法。

人們通過(guò)離線(xiàn)采集IGBT結(jié)溫和溫敏參數(shù)，再通過(guò)BP神經(jīng)網(wǎng)絡(luò)建立的結(jié)溫預(yù)測(cè)模型來(lái)進(jìn)行結(jié)溫預(yù)測(cè)。BP神經(jīng)網(wǎng)絡(luò)算法無(wú)需擬合結(jié)溫與溫敏參數(shù)之間復(fù)雜的數(shù)學(xué)表達(dá)關(guān)系，只需將大量的輸入/出數(shù)據(jù)進(jìn)行深度學(xué)習(xí)，因而在結(jié)溫預(yù)測(cè)上取得了應(yīng)用。但BP神經(jīng)網(wǎng)絡(luò)也存在一些缺陷：①網(wǎng)絡(luò)的初始權(quán)值和閾值是隨機(jī)產(chǎn)生的，缺乏科學(xué)依據(jù)，會(huì)影響預(yù)測(cè)效果[5]；②網(wǎng)絡(luò)采用標(biāo)準(zhǔn)梯度下降算法，易導(dǎo)致陷入局部極值[6]。因此傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法的準(zhǔn)確性和穩(wěn)定性有待提高。

遺傳算法是一種多點(diǎn)搜索全局優(yōu)化性算法，使用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)算法可以確定最優(yōu)的初始權(quán)值和閾值、克服傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)的缺陷，提高BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度[7]。因此，本文建立了基于GA-BP算法的結(jié)溫預(yù)測(cè)模型，探索了GA-BP算法在IGBT結(jié)溫預(yù)測(cè)的應(yīng)用。

1 實(shí)驗(yàn)平臺(tái)

圖1和圖2分別為結(jié)溫測(cè)量電路原理圖和裝置圖，通過(guò)該裝置測(cè)量在不同結(jié)溫和集電極電流下，被測(cè)器件的飽和導(dǎo)通壓降。被測(cè)器件采用英飛凌IGBT模塊，型號(hào)為IKW40T120，額定電流為75 A，最高允許結(jié)溫為150℃。被測(cè)器件與續(xù)流二極管置于恒溫箱內(nèi)，恒流源提供被測(cè)器件工作的直流電流，示波器采集被測(cè)器件的飽和導(dǎo)通壓降，脈沖信號(hào)控制被測(cè)器件的開(kāi)通與關(guān)斷，脈沖寬度為300 μs。結(jié)溫測(cè)量列表項(xiàng)｛Tn｝和電流測(cè)量列表項(xiàng)｛In｝為結(jié)溫和電流測(cè)量數(shù)據(jù)值。實(shí)驗(yàn)步驟如下所示，步驟流程如圖3所示。

圖1 結(jié)溫測(cè)量電路原理圖Fig.1 Schematic diagram of junction temperature calibration circuit

圖2 結(jié)溫測(cè)量裝置圖Fig.2 Junction temperature calibration experimental platform

圖3 結(jié)溫測(cè)量步驟流程Fig.3 Flow chart of the junction temperature calibration step

步驟一確定被測(cè)器件的結(jié)溫測(cè)量列表項(xiàng)｛Tn｝和電流測(cè)量列表項(xiàng)｛In｝。

步驟二設(shè)定恒溫箱內(nèi)部溫度為T(mén)1，等待足夠長(zhǎng)的時(shí)間，待恒溫箱內(nèi)部環(huán)境達(dá)到熱平恒狀態(tài)，此時(shí)被測(cè)器件的結(jié)溫與恒溫箱溫度相等。

步驟三啟動(dòng)恒流源，設(shè)置恒流源輸出電流為I1，控制脈沖信號(hào)使被測(cè)器件導(dǎo)通，示波器測(cè)量被測(cè)器件飽和導(dǎo)通壓降VCE。

步驟四判斷電流測(cè)量列表項(xiàng)數(shù)據(jù)是否完成取值，若完成，繼續(xù)下一步；若未完成，令n=n+1，并返回步驟三，直到所有的電流測(cè)量列表項(xiàng)數(shù)據(jù)完成取值。

步驟五判斷結(jié)溫測(cè)量列表項(xiàng)數(shù)據(jù)是否完成取值，若完成，則記錄實(shí)驗(yàn)數(shù)據(jù)；若未完成，令n=n+1，并返到步驟二，直到所有的結(jié)溫測(cè)量列表項(xiàng)數(shù)據(jù)完成取值。

圖4為被測(cè)器件在不同結(jié)溫下，飽和導(dǎo)通壓降與集電極電流之間的關(guān)系圖。圖中可以看出在不同的結(jié)溫下，IGBT的飽和導(dǎo)通壓降與結(jié)溫呈非線(xiàn)性關(guān)系。圖中箭頭所指的方向?yàn)闇囟壬叩姆较?。由圖可知，當(dāng)集電級(jí)電流IC高于臨界電流Im時(shí)，被測(cè)器件的飽和導(dǎo)通壓降隨結(jié)溫升高而升高；當(dāng)集電級(jí)電流IC低于臨界電流Im時(shí)，被測(cè)器件的飽和導(dǎo)通壓降隨結(jié)溫的升高而降低；當(dāng)集電級(jí)電流IC等于臨界電流Im時(shí)，被測(cè)器件的飽和導(dǎo)通壓降不隨結(jié)溫的變化而變化。因此為提高結(jié)溫預(yù)測(cè)度，將集電極電流IC分為高于臨界電流Im和低于臨界電流Im兩部分進(jìn)行測(cè)量。并且在選取集電極電流數(shù)據(jù)點(diǎn)的時(shí)候，要避免選取距離臨界電流較近的數(shù)據(jù)點(diǎn)，因?yàn)榫嚯x臨界電流附近的數(shù)據(jù)點(diǎn)，被測(cè)器件的飽和導(dǎo)通壓降隨結(jié)溫的變化不明顯，影響最終的預(yù)測(cè)效果。

圖4 不同結(jié)溫下被測(cè)器件的集電級(jí)電流與飽和導(dǎo)通壓降之間關(guān)系圖Fig.4 Collector current of the device under test at Different junction temperatures Relationship with saturation conduction voltage drop

2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，是迄今為止工程應(yīng)用中最廣泛的神經(jīng)網(wǎng)絡(luò)算法之一[8]。訓(xùn)練過(guò)程包括信號(hào)的正向傳遞和誤差的反向傳遞。輸入層信號(hào)經(jīng)過(guò)隱含層處理后傳遞至輸出層，輸出層信號(hào)與期望輸出比較后，若誤差未達(dá)到設(shè)定的精度要求，則將誤差通過(guò)原路反向傳遞，并不斷修正各連接權(quán)值和閾值，進(jìn)而使實(shí)際輸出與期望輸出的誤差不斷減小。本文選取了飽和導(dǎo)通壓降和集電極電流為輸入層，結(jié)溫為輸出層，中間隱含層設(shè)置為5層，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 BP neural network model

3GA-BP算法

3.1 遺傳算法

遺傳算法（GA）遵循自然界適者生存、優(yōu)勝劣汰的原則，是一種借鑒生物界自然選擇和自然遺傳機(jī)制的多點(diǎn)搜索全局性?xún)?yōu)化算法[9]。遺傳算法按照一定的適應(yīng)度函數(shù)來(lái)初始化種群中的個(gè)體，保留適應(yīng)度高的個(gè)體進(jìn)行遺傳操作（選擇、交叉和變異），進(jìn)而使種群中的個(gè)體達(dá)到最優(yōu)。

遺傳算法具有其極強(qiáng)的宏觀(guān)搜索能力和良好的全局優(yōu)化性能，因此使用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，可以克服BP神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)的缺陷，使預(yù)測(cè)輸出更加接近期望輸出。遺傳算法的基本要素包括種群初始化、適應(yīng)度函數(shù)確定、以及選擇、交叉和變異遺傳操作。

3.2 種群初始化

染色體編碼的方式通常有2種，分別為二進(jìn)制編碼和實(shí)數(shù)編碼，本文中采用實(shí)數(shù)編碼方式。結(jié)溫預(yù)測(cè)模型中有2個(gè)輸入（飽和導(dǎo)通壓降和集電級(jí)電流），1個(gè)輸出（結(jié)溫），其中隱含層共有5個(gè)神經(jīng)元節(jié)點(diǎn)，則有2×5個(gè)輸入層與隱含層連接權(quán)值、5個(gè)隱含層閾值、5×1個(gè)隱含層與輸出層連接權(quán)值、1個(gè)輸出層閾值。每個(gè)個(gè)體均為1個(gè)實(shí)數(shù)串，由輸入層與隱含層連接權(quán)值、隱含層閾值、隱含層與輸出層連接權(quán)值、輸出層閾值四部分組成，則染色體編碼長(zhǎng)度為2×5+5+5×1+1＝21。

3.3 適應(yīng)度函數(shù)確定

適應(yīng)度函數(shù)又叫評(píng)價(jià)函數(shù)，是根據(jù)目標(biāo)函數(shù)確定的用于區(qū)分群體中個(gè)體好壞的標(biāo)準(zhǔn)。根據(jù)個(gè)體得到BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的初始權(quán)值和閾值，采用訓(xùn)練數(shù)據(jù)預(yù)測(cè)，將預(yù)測(cè)輸出和期望輸出之間的絕對(duì)誤差和作為個(gè)體適應(yīng)度值F，其計(jì)算公式如下：

式中：n為輸出節(jié)點(diǎn)數(shù)；yi為BP神經(jīng)網(wǎng)結(jié)構(gòu)第i個(gè)期望輸出；zi為BP神經(jīng)網(wǎng)結(jié)構(gòu)第i個(gè)預(yù)測(cè)輸出；k為系數(shù)。

3.4 選擇、交叉和變異操作

結(jié)溫預(yù)測(cè)模型中選擇輪盤(pán)賭法進(jìn)行選擇操作，每個(gè)個(gè)體i選擇的概率Pi為

式中：Fi為個(gè)體的適應(yīng)度值；N為種群個(gè)體數(shù)目；k為系數(shù)。

式中：Xi′、Xj′為交叉后的兩個(gè)個(gè)體；Xi、Xj為交叉前的兩個(gè)個(gè)體；m為［0，1］之間均勻分布的隨機(jī)數(shù)。

變異是對(duì)種群中的每一個(gè)個(gè)體，以一定的變異概率改變某一個(gè)或多個(gè)基因組的基因值為替他的等位基因，其數(shù)學(xué)表達(dá)式如下所示：

式中：Xj為變異后的新基因；Xmax與Xmin分別為初始個(gè)體的最大值和最小值；β為［0，1］之間均勻分布的隨機(jī)數(shù)。

3.5 GA-BP算法流程

GA-BP算法的流程如圖6所示，由BP神經(jīng)網(wǎng)絡(luò)部分和遺傳算法兩部分組成。其基本思想為用個(gè)體代表網(wǎng)絡(luò)的初始權(quán)值和閾值、個(gè)體初始化的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差作為該個(gè)體的適應(yīng)度值，通過(guò)選擇、交叉、變異等遺傳操作尋找最優(yōu)個(gè)體，即最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值、閾值，直到滿(mǎn)足預(yù)測(cè)誤差要求或者達(dá)到最大迭代次數(shù)結(jié)束[10]。

交叉操作方法采用實(shí)數(shù)交叉法，一對(duì)個(gè)體交叉產(chǎn)生新的個(gè)體的數(shù)學(xué)表達(dá)式如下所示：

圖6 GA-BP算法流程Fig 6 GA-BP algorithm flow chart

4 實(shí)驗(yàn)測(cè)試

4.1 預(yù)測(cè)誤差指標(biāo)

實(shí)驗(yàn)誤差分析采用平均絕對(duì)百分比誤差（MAPE）和均方根誤差（RMSE）2個(gè)指標(biāo)評(píng)價(jià)，其計(jì)算公式分別如下所示：

式中：N為結(jié)溫預(yù)測(cè)數(shù)據(jù)個(gè)數(shù)；Pi為第i個(gè)結(jié)溫實(shí)測(cè)數(shù)據(jù)；mi為第i個(gè)結(jié)溫預(yù)測(cè)數(shù)據(jù)。

4.2 數(shù)據(jù)處理與參數(shù)設(shè)置

被測(cè)器件的臨界電流為38 A，為提高網(wǎng)絡(luò)訓(xùn)練精度，將集電極電流分為高于和低于臨界電流兩部分進(jìn)行測(cè)量，其中高于臨界電流部分，集電極電流取值范圍為50～75 A，測(cè)量數(shù)據(jù)為250組；低于臨界電流部分，集電極電流取值范圍為5～25 A，測(cè)量數(shù)據(jù)為200組。兩組數(shù)據(jù)中，將90%的數(shù)據(jù)進(jìn)行訓(xùn)練，10%的數(shù)據(jù)用于測(cè)試。神經(jīng)網(wǎng)絡(luò)訓(xùn)練前，需進(jìn)行數(shù)據(jù)的歸一化處理。經(jīng)多次反復(fù)訓(xùn)練網(wǎng)絡(luò)，最終確定各算法的訓(xùn)練參數(shù)如下設(shè)置。

BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置：訓(xùn)練次數(shù)100，訓(xùn)練目標(biāo)0.001，學(xué)習(xí)率0.1。GA參數(shù)設(shè)置：種群規(guī)模50，遺傳代數(shù)100，變異概率0.04，交叉概率0.6。

4.3 分析比較

兩種工況下，GA-BP算法與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出與實(shí)測(cè)數(shù)據(jù)對(duì)比曲線(xiàn)如圖7、圖8所示，相對(duì)誤差曲線(xiàn)如圖9、圖10所示，預(yù)測(cè)誤差數(shù)據(jù)如表1所示。分析以上圖表數(shù)據(jù)可知，兩種算法在兩種工況下，在一定的預(yù)測(cè)精度范圍內(nèi)均實(shí)現(xiàn)了對(duì)被測(cè)器件結(jié)溫的預(yù)測(cè)。集電極電流高于臨界電流較集電極電流低于臨界電流，結(jié)溫預(yù)測(cè)波動(dòng)量更小，這說(shuō)明了當(dāng)集電極低于臨界電流時(shí)，數(shù)據(jù)的非線(xiàn)性特征更明顯。GA-BP算法較BP神經(jīng)網(wǎng)絡(luò)結(jié)溫預(yù)測(cè)更接近實(shí)測(cè)數(shù)據(jù)，預(yù)測(cè)誤差更低。

圖7 IC＞Im時(shí)，兩種算法輸出與實(shí)測(cè)對(duì)比圖Fig.7 Comparison of two algorithms output and actual measurement when IC＞Im

圖8 IC＜Im時(shí)，兩種算法輸出與實(shí)測(cè)對(duì)比圖Fig.8 Comparison of two algorithms output and actual measurement when IC＜Im

圖9 IC＞Im時(shí)，兩種算法相對(duì)誤差對(duì)比圖Fig.9 Comparison of two algorithms relative error when IC＞Im

圖10 IC＜Im時(shí)，兩種算法相對(duì)誤差對(duì)比圖Fig.10 Mparison of two algorithms relative error when IC＜Im

表1 兩種算法誤差數(shù)據(jù)表Tab.1 Two algorithms error data tables

5 結(jié)語(yǔ)

本文以IGBT模塊為研究對(duì)象，搭建了實(shí)驗(yàn)平臺(tái)，選取了器件的飽和導(dǎo)通壓降和集電極電流的溫敏參數(shù)，分別測(cè)量了集電極電流大于和小于臨界電流兩組實(shí)驗(yàn)數(shù)據(jù)，建立了基于GA-BP算法和BP神經(jīng)網(wǎng)絡(luò)的結(jié)溫預(yù)測(cè)模型，分析實(shí)驗(yàn)結(jié)果，得出了以下結(jié)論：①使用GA-BP算法和BP神經(jīng)網(wǎng)絡(luò)對(duì)IGBT結(jié)溫進(jìn)行訓(xùn)練及建模，為了提高訓(xùn)練精度，將測(cè)量數(shù)據(jù)分為集電極電流大于和小于臨界電流兩組，且集電極電流大于臨界電流時(shí)，兩種算法的預(yù)測(cè)誤差更低；②GA-BP神經(jīng)網(wǎng)絡(luò)結(jié)溫預(yù)測(cè)模型較BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型更接近實(shí)測(cè)數(shù)據(jù)，預(yù)測(cè)誤差更低，驗(yàn)證了遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)在IGBT結(jié)溫預(yù)測(cè)的可行性和實(shí)用性。