[发明专利]基于ISFO-SVM模型的IGBT结温预测方法

说明书

本发明提出一种IGBT结温预测的方法。步骤如下：通过IGBT老化加速试验模拟IGBT老化进程，获取IGBT结温、饱和压降、集电极电流、老化次数等数据，并对数据进行归一化处理；设置改进旗鱼算法和支持向量机模型的参数；运行改进旗鱼算法，获得支持向量机模型中的最优惩罚因子和核函数的最优参数；将优化得到的最优参数带入到支持向量机模型中，并训练改进旗鱼算法优化的支持向量机(ISFO‑SVM)模型；将预测数据输入到ISFO‑SVM模型中得到预测结果，并对预测结果进行反归一化。结果表明，在RMSE、MAPE、R2性能指标下，ISFO‑SVM模型的预测性能更好，结温预测值与实际结温的拟合度更高，弥补了现有IGBT结温预测方法预测精度低的不足，实现了对IGBT结温的有效预测。

技术领域

本发明的技术方案属于IGBT可靠性技术领域，具体地说是基于ISFO-SVM模型的IGBT结温预测方法。

背景技术

IGBT是新能源系统中功率转换的关键部件，IGBT的可靠性极大程度的制约着工作系统的安全与可靠运行。由于IGBT模块各层材料的热膨胀系数不同，温度循环波动使其内部连接处承受不同的热应力，致使IGBT模块失效。尤其是在高频大功率的工作环境中，IGBT会产生较大的开关损耗，引起IGBT模块较大结温波动。工作环境温度越高，IGBT模块的失效概率越大。当IGBT芯片产生的功率不能及时消散时，结温将不断升高，直至器件失效。由于IGBT模块的老化程度对功率变流装置的转换效率及其系统的安全性存在一定的影响，因此精准预测IGBT结温对评估其可靠性，对系统的安全性准确判断具有重要意义。

IGBT结温的获取方法包含以下两种：相关实验设备测量方法和计算模型方法；实验室测量法主要是通过热传感器法、光纤探测法和温敏参数法获取IGBT结温，但这样会破外IGBT的封装结构，不适合用于工况下IGBT的结温预测；计算模型方法则通过建立基于电热耦合的结温计算模型或基于智能算法的结温预测模型来计算IGBT结温，通过建立机器学习模型预测IGBT的结温，从而对IGBT可靠性进行评估。

现有技术中，单纯的机器学习模型很难实现高精度的预测，因此常采用智能进化算法对机器学习模型进行优化，构建组合模型实现预测。但这些算法存在寻优能力差、早熟收敛等问题，最终结温预测结果的精度与准确度等方面仍可待提高。因此，寻求一种预测精度高、预测误差小的IGBT结温预测方法对IGBT的更换与维修及对其所在系统的安全可靠具有重要意义。

发明内容

本发明所要解决的技术问题是：提供一种IGBT结温预测的方法；该方法基于改进旗鱼算法优化支持向量机模型(ISFO-SVM)对IGBT结温进行预测，引入自适应非线性化迭代因子提高旗鱼个体的寻优能力，利用Levy飞行策略来提高搜索空间的多样性，在搜索过程中为了避免算法陷入局部收敛，引入差分变异策略中的DE/current to best/1策略来增加群体的多样性。

本发明解决所述技术问题所采用的技术方案是：提供一种IGBT结温预测的方法，具体来说是基于改进旗鱼算法优化支持向量机模型(ISFO-SVM)对IGBT结温进行预测的方法，其步骤如下：

步骤1，通过IGBT功率循环老化加速试验获取IGBT结温、饱和压降、集电极电流、老化次数等数据，并对数据进行归一化处理；

步骤2，设置改进旗鱼算法和支持向量机模型的参数；

步骤3，运行改进旗鱼算法，获得支持向量机模型中的最优惩罚因子和核函数的最优参数；

步骤4，将优化得到的最优惩罚因子和核函数最优参数带入到支持向量机模型中，并训练改进旗鱼算法优化的支持向量机(ISFO-SVM)模型；

步骤5，将预测数据输入到ISFO-SVM模型中得到预测结果，并对预测结果进行反归一化；

步骤6，显示输出IGBT结温预测结果。

进一步，所述步骤1的具体实现方法包括以下步骤：