基于GA-BP算法的IGBT结温预测模型

禹 健，郭天星，高 超

（山西大学 自动化系，太原 030013）

IGBT是一种综合了GTR和MOSFET优点的电力电子器件，目前广泛应用于光伏/风电逆变器、动车组电力牵引以及智能电网等领域[1]。IGBT在承担电能的变换和控制的同时，其自身产生了一定的功率损耗，导致器件温度升高超过其允许的最高结温而失效。因此，IGBT的结温预测与控制对于电力电子器件的可靠性研究意义重大。

IGBT的结温测量方法包括传感器直接测量法[2]、电热耦合模型法[3]、温敏参数法[4]等。其中温敏参数法因其无需破坏器件封装、反映灵敏、测量精确度高等优点，成为了应用最广泛的结温测量方法。

人们通过离线采集IGBT结温和温敏参数，再通过BP神经网络建立的结温预测模型来进行结温预测。BP神经网络算法无需拟合结温与温敏参数之间复杂的数学表达关系，只需将大量的输入/出数据进行深度学习，因而在结温预测上取得了应用。但BP神经网络也存在一些缺陷：①网络的初始权值和阈值是随机产生的，缺乏科学依据，会影响预测效果[5]；②网络采用标准梯度下降算法，易导致陷入局部极值[6]。因此传统BP神经网络算法的准确性和稳定性有待提高。

遗传算法是一种多点搜索全局优化性算法，使用遗传算法优化神经网络算法可以确定最优的初始权值和阈值、克服传统BP神经网络容易陷入局部最优的缺陷，提高BP神经网络的预测精度[7]。因此，本文建立了基于GA-BP算法的结温预测模型，探索了GA-BP算法在IGBT结温预测的应用。

1 实验平台

图1和图2分别为结温测量电路原理图和装置图，通过该装置测量在不同结温和集电极电流下，被测器件的饱和导通压降。被测器件采用英飞凌IGBT模块，型号为IKW40T120，额定电流为75 A，最高允许结温为150℃。被测器件与续流二极管置于恒温箱内，恒流源提供被测器件工作的直流电流，示波器采集被测器件的饱和导通压降，脉冲信号控制被测器件的开通与关断，脉冲宽度为300 μs。结温测量列表项｛Tn｝和电流测量列表项｛In｝为结温和电流测量数据值。实验步骤如下所示，步骤流程如图3所示。

图1 结温测量电路原理图Fig.1 Schematic diagram of junction temperature calibration circuit

图2 结温测量装置图Fig.2 Junction temperature calibration experimental platform

图3 结温测量步骤流程Fig.3 Flow chart of the junction temperature calibration step

步骤一确定被测器件的结温测量列表项｛Tn｝和电流测量列表项｛In｝。

步骤二设定恒温箱内部温度为T1，等待足够长的时间，待恒温箱内部环境达到热平恒状态，此时被测器件的结温与恒温箱温度相等。

步骤三启动恒流源，设置恒流源输出电流为I1，控制脉冲信号使被测器件导通，示波器测量被测器件饱和导通压降VCE。

步骤四判断电流测量列表项数据是否完成取值，若完成，继续下一步；若未完成，令n=n+1，并返回步骤三，直到所有的电流测量列表项数据完成取值。

步骤五判断结温测量列表项数据是否完成取值，若完成，则记录实验数据；若未完成，令n=n+1，并返到步骤二，直到所有的结温测量列表项数据完成取值。

图4为被测器件在不同结温下，饱和导通压降与集电极电流之间的关系图。图中可以看出在不同的结温下，IGBT的饱和导通压降与结温呈非线性关系。图中箭头所指的方向为温度升高的方向。由图可知，当集电级电流IC高于临界电流Im时，被测器件的饱和导通压降随结温升高而升高；当集电级电流IC低于临界电流Im时，被测器件的饱和导通压降随结温的升高而降低；当集电级电流IC等于临界电流Im时，被测器件的饱和导通压降不随结温的变化而变化。因此为提高结温预测度，将集电极电流IC分为高于临界电流Im和低于临界电流Im两部分进行测量。并且在选取集电极电流数据点的时候，要避免选取距离临界电流较近的数据点，因为距离临界电流附近的数据点，被测器件的饱和导通压降随结温的变化不明显，影响最终的预测效果。

图4 不同结温下被测器件的集电级电流与饱和导通压降之间关系图Fig.4 Collector current of the device under test at Different junction temperatures Relationship with saturation conduction voltage drop

2 BP神经网络

BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，是迄今为止工程应用中最广泛的神经网络算法之一[8]。训练过程包括信号的正向传递和误差的反向传递。输入层信号经过隐含层处理后传递至输出层，输出层信号与期望输出比较后，若误差未达到设定的精度要求，则将误差通过原路反向传递，并不断修正各连接权值和阈值，进而使实际输出与期望输出的误差不断减小。本文选取了饱和导通压降和集电极电流为输入层，结温为输出层，中间隐含层设置为5层，BP神经网络结构如图5所示。

图5 BP神经网络结构Fig.5 BP neural network model

3GA-BP算法

3.1 遗传算法

遗传算法（GA）遵循自然界适者生存、优胜劣汰的原则，是一种借鉴生物界自然选择和自然遗传机制的多点搜索全局性优化算法[9]。遗传算法按照一定的适应度函数来初始化种群中的个体，保留适应度高的个体进行遗传操作（选择、交叉和变异），进而使种群中的个体达到最优。

遗传算法具有其极强的宏观搜索能力和良好的全局优化性能，因此使用遗传算法优化BP神经网络，可以克服BP神经网络易陷入局部最优的缺陷，使预测输出更加接近期望输出。遗传算法的基本要素包括种群初始化、适应度函数确定、以及选择、交叉和变异遗传操作。

3.2 种群初始化

染色体编码的方式通常有2种，分别为二进制编码和实数编码，本文中采用实数编码方式。结温预测模型中有2个输入（饱和导通压降和集电级电流），1个输出（结温），其中隐含层共有5个神经元节点，则有2×5个输入层与隐含层连接权值、5个隐含层阈值、5×1个隐含层与输出层连接权值、1个输出层阈值。每个个体均为1个实数串，由输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值、输出层阈值四部分组成，则染色体编码长度为2×5+5+5×1+1＝21。

3.3 适应度函数确定

适应度函数又叫评价函数，是根据目标函数确定的用于区分群体中个体好坏的标准。根据个体得到BP神经网络结构的初始权值和阈值，采用训练数据预测，将预测输出和期望输出之间的绝对误差和作为个体适应度值F，其计算公式如下：

式中：n为输出节点数；yi为BP神经网结构第i个期望输出；zi为BP神经网结构第i个预测输出；k为系数。

3.4 选择、交叉和变异操作

结温预测模型中选择轮盘赌法进行选择操作，每个个体i选择的概率Pi为

式中：Fi为个体的适应度值；N为种群个体数目；k为系数。

式中：Xi′、Xj′为交叉后的两个个体；Xi、Xj为交叉前的两个个体；m为［0，1］之间均匀分布的随机数。

变异是对种群中的每一个个体，以一定的变异概率改变某一个或多个基因组的基因值为替他的等位基因，其数学表达式如下所示：

式中：Xj为变异后的新基因；Xmax与Xmin分别为初始个体的最大值和最小值；β为［0，1］之间均匀分布的随机数。

3.5 GA-BP算法流程

GA-BP算法的流程如图6所示，由BP神经网络部分和遗传算法两部分组成。其基本思想为用个体代表网络的初始权值和阈值、个体初始化的BP神经网络的预测误差作为该个体的适应度值，通过选择、交叉、变异等遗传操作寻找最优个体，即最优的BP神经网络初始权值、阈值，直到满足预测误差要求或者达到最大迭代次数结束[10]。

交叉操作方法采用实数交叉法，一对个体交叉产生新的个体的数学表达式如下所示：

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

4 实验测试

4.1 预测误差指标

实验误差分析采用平均绝对百分比误差（MAPE）和均方根误差（RMSE）2个指标评价，其计算公式分别如下所示：

式中：N为结温预测数据个数；Pi为第i个结温实测数据；mi为第i个结温预测数据。

4.2 数据处理与参数设置

被测器件的临界电流为38 A，为提高网络训练精度，将集电极电流分为高于和低于临界电流两部分进行测量，其中高于临界电流部分，集电极电流取值范围为50～75 A，测量数据为250组；低于临界电流部分，集电极电流取值范围为5～25 A，测量数据为200组。两组数据中，将90%的数据进行训练，10%的数据用于测试。神经网络训练前，需进行数据的归一化处理。经多次反复训练网络，最终确定各算法的训练参数如下设置。

BP神经网络参数设置：训练次数100，训练目标0.001，学习率0.1。GA参数设置：种群规模50，遗传代数100，变异概率0.04，交叉概率0.6。

4.3 分析比较

两种工况下，GA-BP算法与BP神经网络预测输出与实测数据对比曲线如图7、图8所示，相对误差曲线如图9、图10所示，预测误差数据如表1所示。分析以上图表数据可知，两种算法在两种工况下，在一定的预测精度范围内均实现了对被测器件结温的预测。集电极电流高于临界电流较集电极电流低于临界电流，结温预测波动量更小，这说明了当集电极低于临界电流时，数据的非线性特征更明显。GA-BP算法较BP神经网络结温预测更接近实测数据，预测误差更低。

图7 IC＞Im时，两种算法输出与实测对比图Fig.7 Comparison of two algorithms output and actual measurement when IC＞Im

图8 IC＜Im时，两种算法输出与实测对比图Fig.8 Comparison of two algorithms output and actual measurement when IC＜Im

图9 IC＞Im时，两种算法相对误差对比图Fig.9 Comparison of two algorithms relative error when IC＞Im

图10 IC＜Im时，两种算法相对误差对比图Fig.10 Mparison of two algorithms relative error when IC＜Im

表1 两种算法误差数据表Tab.1 Two algorithms error data tables

5 结语

本文以IGBT模块为研究对象，搭建了实验平台，选取了器件的饱和导通压降和集电极电流的温敏参数，分别测量了集电极电流大于和小于临界电流两组实验数据，建立了基于GA-BP算法和BP神经网络的结温预测模型，分析实验结果，得出了以下结论：①使用GA-BP算法和BP神经网络对IGBT结温进行训练及建模，为了提高训练精度，将测量数据分为集电极电流大于和小于临界电流两组，且集电极电流大于临界电流时，两种算法的预测误差更低；②GA-BP神经网络结温预测模型较BP神经网络预测模型更接近实测数据，预测误差更低，验证了遗传算法优化BP神经网络在IGBT结温预测的可行性和实用性。