小样本数据下功率模块开关损耗模型研究*

梅霜，李志刚

(河北工业大学电气工程学院，天津300310)

小样本数据下功率模块开关损耗模型研究*

梅霜，李志刚*

(河北工业大学电气工程学院，天津300310)

在研究新能源系统可靠性时，功率模块IGBT的开关损耗的准确预测是非常重要的。采用功率模块的开关动态测试系统进行试验，可以自动调整直流母线电压、集电极电流、门极驱动电压和门极电阻，记录开关动态电压、电流波形，通过处理获取精确的开关损耗值。基于试验数据的基础上，通过SVM算法建立开关损耗模型，改善了现有的基于小样本数据的开关损耗模型。

功率模块;开关损耗;SVM;小样本

功率模块的损耗主要有通态损耗、截止损耗和开关损耗，其中由于关断状态下的截止损耗很小，可以忽略不计，通态损耗可以通过数据表和操作模式准确的获得，但是开关损耗，由于开关过程持续时间极短，且影响因子较多，比较难于预测和评估［1-2］。功率模块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，IGBT模块开关损耗计算方法有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［3］。文献［4-5］采用仿真软件建立相应的物理模型得到开关动态波形，计算损耗，结果相对精确，但是建立的物理模型一般比较复杂，所需参数也不易获得。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。文献［6-7］采用数据手册对开关损耗进行估算，简单方便，但其作者也指出该方法计算结果不太精确。文献［1，8-9］采用相应的简单函数拟合开通、关断的电压、电流波形，再通过积分获取开关损耗值，但其作者在建立该模型时，都设立了一些条件假定，不能与实际曲线一致。文献［10-12］采用传统数学模型和神经网络模型对开关损耗建模，考虑到电压、电流、驱动电压和驱动电阻等的影响，以实测的开关损耗值为基础，在解决大样本问题时模型精度高，效果好，准备工作复杂，模型建立后获取开关损耗值比较简单，计算速度快，而且精度较高。但在解决小样本问题时，无法给出令人满意的结果。建立模型的基础需要大量的实验数据，功率模块IGBT的开关损耗的准确的测试就非常必要了。目前存在的IGBT开关损耗建模基础数据大都是计算上升时间(电流的10%～90%)损耗，或者电流上升开始到测试电流为止的开通损耗(关断损耗一样)，而不是开通时间和关断时间内的损耗，本文严格按照开关时间的定义，测试电压、电流和门极电压波形，开关动态测试更准确，开关损耗计算更精确。

基于以上分析，本文首先描述了功率模块IGBT开关特性测试系统的设计，该系统可以调节的参数包括电压、电流、门极驱动电压、门极电阻。一旦测试条件设定好，测试系统自动地就可以进行测试。该系统能自动测试记录电压、电流和门极电压的波形，使开关损耗计算更精确。最后，研究了利用支持向量机(SVM)算法建立开关损耗模型，解决功率模块IGBT开关损耗小样本建模的缺陷。

1 功率模块开关特性测试

为研究功率模块IGBT开关特性，可以采用图1所示的双脉冲控制触发信号和二极管钳位的感性负载电路，与单脉冲测试系统相比，该系统能够准确测试功率模块的开通过程和关断过程。采用叠层母排，有效地减少母线杂散电感;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、门极电阻的自动调节;采用高压差分电压探头测试电压波形，采用罗氏线圈电流探头测试电流波形，采用普通探头测试门极电压波形，能够获得足够高精度的数据。通过计算机实现对测试波形的保存。

图1 功率模块动态特性测试系统

该测试采用某典型的1 200 V/75 A的功率模块IGBT进行试验，保持室温25℃，记录不同工作条件下的功率模块IGBT的开通、关断波形，测试电压Vce、电流Ic、门极电压Vge波形如图1所示，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54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。

表1 动态测试条件

2 测试结果及损耗计算

如图2所示为Vcc=600 V，Ic=75 A，Vge=15 V，Rg=10Ω时的开关动态的测试波形，包括电压波形、电流波形和门极驱动电压波形。

图2 IGBT动态测试波形图

功率模型IGBT的开关损耗由IGBT的开关特性决定，损耗计算公式如下所示:

式中:Eon为开通损耗，Eoff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。

使用测试设备数据表的定义来确定开通和关断过程的时间。开通损耗的过程是当IGBT门极电压Vge达到10%的测试电压开始到电流Ic上升达到测试电流的90%结束的过程，关断损耗的过程从门极电压Vge下降到90%的测试电压开始到电流Ic上升达到测试电流的10%结束的过程。

3 小样本数据的开关损耗模型

功率模块开关损耗建模的主要目的是要找出一个合理的表示方法来描述开关能量损耗和可变参数包括集电极电流(Ic)，直流母线电压(Vce)，门极电阻(Rg)和门极驱动电压(Vg)的关系。由于该测试样本点只有54个，且是在多个测试条件下，在电力电子测试中，属于小样本数据，采用传统的基于物理机理的模型和建模算法中常用的人工智能模型BP神经网络建模的模型所需样本点不足，建立模型精度可能不高，因此选取适用于小样本学习的支持向量机(SVM)算法建立功率模块的开关损耗模型，同时该模型能较好地解决了机器学习模型的过学习、非线性、维数灾难以及局部极小值等问题。

3.1 模型的建立与误差定义

首先要对所选的数据进行归一化处理，避免发生过饱和。采用开关损耗测试系统测试数据共获得54个样本，随机选取其中37个样本作为训练样本，17个作为测试样本，对样本进行学习和训练。设置模型采用最大步长为50进行训练，期望误差0.000 04，隐层的节点数为10。分别采用SVM算法和神经网络算法对开关损耗建模，对比分析SVM算法在解决小样本模型的优越性。

采用均方根误差和复测定系数作为模型的评价标准。

均方根误差RMSE

式中:yi为真实值为预测值，n为样本数目。均方根误差越小说明模型的预测能力越强。

复测定系数R2

式中，残差平方和:

总偏差平方和:

式中:yi为真实值，^yi为预测值，¯y为真实值的平均值，n为样本数目。复测定系数R2越接近1，模型越适用。

3.2 模型结果分析

获得经过SVM算法训练的开通损耗和关断损耗的测试集预测结果对比图如图3所示;经过神经网络算法训练的开通损耗和关断损耗的测试集预测结果对比图如图4所示。

图3 SVM模型的测试集预测结果对比图

图4 神经网络模型的测试集预测结果对比图

采用SVM建立的功率模块IGBT开关损耗模型与采用BP神经网络建立的功率模块IGBT开关损耗模型的误差对比结果如表2所示。从中可以看出，采用SVM建立的功率模块IGBT开关损耗模型很好的解决了样本点数目减少导致模型的精度变差的问题，弥补了在功率模块IGBT开关损耗建模中的缺陷。

表2 两种算法的误差比较

4 结论

(1)研究了功率模块IGBT开关动态特性，设计了功率模块开关动态测试系统，同时监测电压、电流和门极电压的波形，根据定义计算开关损耗，计算结果更全面。

(2)分析了现有的损耗计算方法及其优缺点，采用SVM算法对功率模块开关损耗数据进行建模，在解决小样本损耗建模时与神经网络模型相比，精度更高，效果更好。弥补了在功率模块IGBT开关损耗在小样本建模中的缺陷。

［1］毛鹏，谢少军，许泽刚.IGBT模块的开关暂态模型及损耗分析［J］.中国电机工程学报，2010，33(15):40-47.

［2］胡珊，罗贤明，白杰，等.IGBT动态参数测试方法研究［J］.电力电子技术，2012，12:62-63.

［3］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.

［4］崔扬，贾林，王正元.IGBT SPICE模型的建立［J］.电力电子技术，1996，4:87-89.

［5］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.

［6］Bierhoff M H，Fuchs FW.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，Germany:IEEE，2004: 2836-2842.

［7］Calculation ofMajor IGBTOperating Parameters［EB/OL］.Inflneon Application Notes，http://www.infineon.com.

［8］柳丹，刘钧，孟金磊，等.电动汽车用IGBT模块损耗分析方法［J］.电力电子技术，2013，8:74-76.

［9］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.

［10］Shen Yanqun，Xiong Yan，Jiang Jian，et al.Switching Loss Analysis and Modeling of Power Semiconductor Devices Base on an Automatic Measurement System［J］.Industrial Electronics，2006，2: 853-858.

［11］陈娜，李鹏，江剑，等.中高压IGBT开关特性的遗传神经网络预测［J］.电工技术学报，2013，2:239-247，254.

［12］Deng Yan，He Xiangning，Zhao Jing，et al.Application of Artificial Neural Network for Switching Loss Modeling in Power IGBTs［J］.Journal of Zhejiang University—SCIENCEC(Computers and Electronics)，2010，11(6):435-443.

梅霜(1991-)，女，汉族，江苏沛县，河北工业大学电器研究所，硕士研究生，研究方向为电器可靠性及其检测技术、电子电器，592264122@qq.com;

李志刚(1958-)，男，汉族，天津，河北工业大学电器研究所，教授，博士生导师，研究方向为电器可靠性及其检测技术、电子电器，zgli@hebut.edu.cn。

The Research of Sw itching Loss in Power M odule Under the Small Sam p le Data*

MEIShuang，LIZhigang*

(School of Electrical Engineering，Hebei University of Technology，Tianjin 300130，China)

Themodeling of switching loss in powermodules is important in practice for the prediction and evaluation of new energy system reliability.Using the powermodules dynamic test system that can automatically adjust the DC bus voltage、collector current、gate drive voltage and gate resistance.Recording switching dynamic voltage and currentwaveforms to obtain precise switching loss values by processing.A switching lossmodel that improved the existing switching lossmodel based on a small sample of test pointswas established by SVM algorithm.

powermodule;switching loss;SVM;small sample

C:2560L;2180B

10.3969/j.issn.1005－9490.2017.01.043

TN3

:A

:1005－9490(2017)01－0228－04

项目来源:国家科技支撑计划项目(2015BAA09B01);国家自然科学基金项目(51377044);河北省科技计划项目(14214503D，13214303D)

2016-01-04修改日期:2016-02-25