基于神经网络的功率模块开关损耗预测

李志刚，梅霜

（河北工业大学电气工程学院，天津　300130）

基于神经网络的功率模块开关损耗预测

李志刚，梅霜

（河北工业大学电气工程学院，天津300130）

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。

功率模块；开关损耗；神经网络；损耗预测

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。

图1　IGBT的开关瞬态电压、电流波形

功率模块IGBT的开关损耗由IGBT的开关特性决定，与其集-射极间电压Vce及集电极电流Ic有关。损耗计算公式如下：

式中：Pon为开通损耗；Poff为关断损耗；ton为开通时间；toff为关断时间；vce为集-射极间电压；ic为集电极电流。

2　功率模块动态特性测试

采用如图2所示的功率模块动态测试电路测试功率模块IGBT的动态特性，获取开通、关断过程中的电压、电流波形。该系统采用双脉冲门极触发信号，采用两个IGBT串联的电路，下管可采用二极管代替，与单脉冲测试系统相比，该系统能够准确测试IGBT的开关过程。

图2　功率模块动态特性测试电路

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，得到功率模块IGBT动态开关电压、电流波形并保存，为开关损耗建模提供数据基础。

3　测试结果及损耗计算

如图3所示为Vcc=600 V，Ic=75 A，Vge=15 V，f=20 kHz时的开关动态的测试波形，包括开通、关断过程中的电压波形和电流波形。采用开关损耗定义可以处理波形数据计算开关损耗，作为神经网络模型的基础。

表1　动态测试条件

图3　IGBT动态测试波形图

4　人工神经网络模型的建立

有些传统的模型来自于其物理机理的定义，但是人工神经网络模型（ANN）在其他模型很难使用甚至无法使用的地方仍能较好的应用。其中，它比较重要的能力就是函数映射，通常使用在输入和输出之间关系非常复杂的、未知并且非线性的情况下。ANN建模的对象可以看作一个黑盒子，测量输入和输出数据是用来调整模型网络，使其更符合真实系统的外部特征，这就是训练和学习的过程。在功率模块IGBT的开关损耗模型中，ANN模型所需的数据比传统的模型要少，精度更高。

误差反传网络（BP网络），是带有隐层的前馈型神经网络的代表模型，其具有结构简单、算法完整和清晰的特点，因此在预测算法中，应用最多的就是这种网络。

虽然BP神经网络模型可以当作一个黑箱，但其还是有基本的结构如图4所示。BP神经网络模型是具有复杂结构和函数表达的特殊数学模型。

图4　三层BP神经网络模型

一般采用总相对误差ERR作为模型的评价标准。

式中：yi为真实值；yi为预测值；n为样本数目。总相对误差越小说明模型的预测能力越强。

为了提高模型的精度，测试获得的240个样本点全部用于初始模型的建立（模型的规模可以灵活变动）。首先要对所选的数据进行归一化处理，避免发生过饱和，随机选取其中200个样本作为训练样本，40个作为预测样本，运用神经网络模型对样本进行学习和训练。

从数据手册中可以看出，使用神经网络模型时，关键参数是其隐层数、隐层的节点数。根据经验，多个隐层与一个隐层上的多个节点可相互代替，因此，一个三层的前馈网络就满足建模要求。本文建立的模型是一个三层神经网络，输入层有4个节点（电压Vcc、电流Ic、门极电压Vge和开关频率f），输出层有一个节点（开通损耗或者关断损耗），设置一个隐层，隐层的节点数待定。如表2所示为关断损耗模型的隐层节点数对模型误差的影响。

表2　关断损耗模型隐层节点数对模型误差的影响

从表2中可以看出隐层的节点数并不是越多越好，刚开始随着隐层节点数的增大，预测误差在减少，但当隐层节点数过多时，误差反而增大。由表2可见，该模型隐层节的点数选择为20，在实际操作比较合适时，一般采用试错法确定隐层的节点数，通过经验方程得到最初的节点数，然后增加或者减少节点数来观察模型的性能。

经过试错，在建立神经网络关断损耗模型时，选取神经网络采用最大步长为100进行训练，期望误差为0.000 4，隐层的节点数为20，获得经过BP神经网络建模的预测集的预测值与实测值对比图如图5（a）所示。在建立神经网络开通损耗模型时，选取神经网络采用最大步长为100进行训练，期望误差为0.000 4，隐层的节点数为15，获得经过BP神经网络建模的预测集的预测值与实测值对比图如图5（b）所示。

图5　模型预测值与实测值对比图

通过对神经网络模型中各参数的调节，采用BP神经网络建立的功率模块关断损耗模型的预测误差为3.20%，开通损耗模型的预测误差为5.13%。从图5可以看出基于神经网络的功率模块IGBT开关损耗预测的精度高、适用性好。在建立功率模块电热耦合模型时提供更精确的损耗数据，避免模块温度过高，及时进行散热处理，从而避免模块由此造成的装置损坏。

5　结语

本文研究了功率模块IGBT的动态特性测试系统，该系统可以调节的参数包括电压、电流、门极驱动电压和开关频率。记录不同工作条件下的动态电压、电流波形，经过处理获取开关损耗值，为开关损耗建模提供数据基础。采用BP神经网络模型对功率模块开关损耗数据进行建模，改变模型参数，找到最佳模型，精度较好，其有助于开关损耗的精确预测，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很重要。

［1］鲁昌华，姚成忠，石洪源.基于虚拟仪器的IGBT自动测试系统［J］.电子技术应用，2008（4）：88-90.

［2］熊妍，沈燕群，江剑，等.IGBT损耗计算和损耗模型研究［J］.电源技术应用，2006（5）：55-60.

［3］SHEN Y，XIONG Y，JIANG J，et al.Switching loss analysis and modeling of power semiconductor devices base on an automatic measurement system［C］//Proceedings of 2006 IEEE International Symposium on Industrial Electronics.［S.l.］：IEEE，2006：853-858.

［4］张薇琳，张波，丘东元.电力电子开关器件仿真模型分析和比较［J］.电气应用，2007（9）：64-67.

［5］BIERHOFF M H，FUCHS F W.Semiconductor losses in voltage source and current source IGBT converters based on analytical derivation［C］//Proceedings of 35th Annual IEEE Power Electronics Specialists Conference.Aachen：IEEE，2004：2836-2842.

［6］Infineon.Calculation of major IGBT operating parameters［R］. Germany：Infineon，1999.

［7］邹高域，赵争鸣，袁立强，等.双PWM变频器中的IGBT模块损耗［J］.清华大学学报（自然科学版），2013（7）：1011-1018.

Power module switching loss prediction based on neural network

LI Zhigang，MEI Shuang
（School of Electrical Engineering，Hebei University of Technology，Tianjin 300130，China）

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.

power module；switching loss；neural network；loss prediction

TN926-34

A

1004-373X（2016）20-0101-03

10.16652/j.issn.1004-373x.2016.20.025

2016-02-23

国家科技支撑计划（2015BAA09B01）；国家自然科学基金资助项目（51377044）；河北省科技计划项目（14214503D；13214303D）

李志刚（1958—），男，天津人，博士生导师，教授。研究方向为电器可靠性及其检测技术、电子电器。梅霜（1991—），女，江苏人，硕士研究生。主要研究方向为电器可靠性及其检测技术、电子电器。